Sistemas de Ingeniería

INGENIERA DE SISTEMAS
NDICE PAG.
CAPTULO I. CONCEPTOS BSICOS DE LA

CIENCIA DE LOS SISTEMAS.. 5
I.1 Definicin de Ingeniera de Sistemas.. 5
I.2 Metodologa de la Ingeniera de Sistemas. 5
I.3 Teora de Optimizacin, Teora de los Procesos Estocsticos y Teora

I.4 Estadstica de la Decisin.
7
I.5 Enfoque de la Ciencia de los Sistemas... 8
I.6 La teora de los Sistemas y la Administracin 9
CAPTULO II. INVESTIGACIN DE OPERACIONES... 10
II.1Definicin.. 10
II.2 Relacin de la Investigacin de Operaciones con la Ingeniera de

Sistemas 10
II.3 Tipos de Problemas que Resuelve la Investigacin de Operaciones y

la Ingeniera de Sistemas.. 10
1
I.7 II.4 Tcnicas y disciplinas afines con la Investigacin de Operaciones. 11
I.8 II.5 Metodologa de la Investigacin de Operaciones... 12
I.9 II.5.a Formulacin del Problema.. 12
I.10 II.5.b Construccin del

Modelo. 13
I.11 II.5.c Solucin del Problema ( Modelo ).

.. 14
NDICE PAG.
CAPTULO III. PROGRAMACIN LINEAL. 16
I.12 III.1 Optimizacin sin restricciones.

16
I.13 III.2 Restricciones expresadas con

igualdades 21
I.14 III.3 Restricciones expresadas con desigualdades.

23
I.15 III.4 Programacin Lineal..

26
I.16 III.5 Interpretacin

Geomtrica 28
I.17 III.6 Mtodo

Simplex.. 29
2
CAPTULO IV. PROBLEMAS DE TRANSPORTE. 41
I.18 IV.1 Problemas de Transporte.

42
I.19 IV.2 Balanceo de Aprovisionamientos y Demandas

43
IV.3 Mtodo del Extremo Noroeste. 44
IV.4 Mtodo de la Columna Mnima 48
IV.5 Mtodo del Rengln Mnimo 51
IV.6 Mtodo del Algoritmo de Russel. 54
IV.7 Mtodos que conducen a la solucin ptima. Mtodo Stepping Stone 62
IV.8 Problemas de Asignacin 75
CAPTULO V. LINEAS DE ESPERA... 82
V.1 Introduccin. 82
V.2 Estructura de una Lnea de Espera. 83
NDICE PAG.
V.3 Notacin en la Teora de Lneas de Espera... 85
V.4 Una Cola Un Servidor Poblacin Infinita.. 86
V.5 Una Cola Servidores Mltiples en Paralelo Poblacin Infinita.. 91
V.6 Una Cola Un Servidor Poblacin Finita 97
V.7 Una Cola Servidores Mltiples en Paralelo Poblacin Finita 103
V.8 Una Cola Servidores Mltiples en Serie.. 108
3
V.9 Lnea Simple, con llegadas y servicios no constantes distribuidas
respectivamente con Distribucin de Poisson y Exponencial Negativa 111
CAPTULO VI. RUTA CRTICA. 116
I.20 VI.1 Mtodo de la Ruta Crtica

116
I.21 VI.2 Planeacin.

118
I.22 VI.3 Programacin

120
I.23 VI.4 Nivelacin de Mano de Obra y Recursos ( Distribucin de Recursos ).
I.24 VI.5 Tiempo y Costo.
CAPTULO VII. ELEMENTOS DE LA TEORA ESTADSTICA DE

LAS DECISIONES ( ANLISIS DE DECISIONES ). 130
I.25 VII.1 Introduccin..................................................................................................

130
I.26 VII.2 Teora Bayesiana de Decisin.....................................................................

132
I.27 VII.2.1 Decisin sin

Experimentacin................................................................... 132
I.28 VII.2.2 Decisin con

Experimentacin.................................................................. 136
I.29 VII.3 Costo de la Informacin

Perfecta................................................................. 146
NDICE PAG.
4
I.30 VII.4 rboles de Decisin.....................................................................................
149
I.31 VII.5 La Funcin de

Utilidad................................................................................. 150
VII.6 Procesos Bayesianos de Decisin con Funciones de Utilidad.................... 157
CAPTULO I. CONCEPTOS BSICOS DE LA CIENCIA DE LOS

SISTEMAS.
5
1 DEFINICIN DE INGENIERA DE SISTEMAS.
SISTEMA. Es el conjunto de factores interrelacionados entre s y armnicamente
conjugados.
Como consecuencia de la necesidad de planificar, operar y disear sistemas que

solucionen los problemas sociotcnicos, surge una metodologa llamada Ingeniera de
Sistemas.
INGENIERA DE SISTEMAS. Es la aplicacin de conceptos cuantitativos a problemas

concretos, con la tendencia a analizarlos desde un
punto de vista global. Utiliza modelos matemticos que
describen las interacciones entre los componentes del
sistema. Es una forma de resolver problemas siendo la
solucin un modelo del sistema con una serie de
especificaciones para idearlo disearlo e implementarlo.
I.32 METODOLOGA DE LA INGENIERA DE SISTEMAS .
La metodologa de la Ingeniera de Sistemas consiste en:
a) Reconocer la problemtica existente, as como las necesidades generadas por la

misma. Identificar necesidades.
b) Plantear la problemtica en forma matemtica.
c) Analizar el sistema matemtico empleado.
d) Dar solucin al sistema para satisfacer las necesidades identificadas, de tal manera
que pueda ser operado y mantenido eficazmente.
Lo anterior puede verse con mayor claridad en el diagrama siguiente:
I.33
INFORMACION
Necesidades, Recursos,
Ambiente y Restricciones
PERIODO DE
PLANEACION
6
RECURSOS DE PLANEACION
FORMULACION DEL CONCEPTO E
IDENTIFICACION DEL SISTEMA
Requerimientos del Sistema
RECURSOS DE INGENIERIA
ETAPA DE DISEO
Modelo PERIODO DE
ADQUISICION
RECURSOS PARA PRODUCCION

E INSTALACION
PRODUCCION E INSTALACION
Sistema
OPERACIN Y MANTENIMIENTO
Costo, Efectividad o Beneficio PERIODO

DE USO
MODIFICACION Y RETIRO
DEL SISTEMA
Nuevos Requerimientos
RETROALIMENTACION
7
I.34 TEORA DE OPTIMIZACIN, TEORA DE LOS PROCESOS
ESTOCSTICOS, TEORA ESTADSTICA DE DECISIN.
I.35 TEORA DE OPTIMIZACIN.
I.36 Esta teora habla del aspecto de la solucin de problemas inherentes a los
sistemas mediante resultados ptimos, es decir, la optimizacin trata de obtener solucin
a los problemas de un sistema ( ingeniera, economa, poltica, social, etc. ), alcanzando
las metas especificadas de la mejor forma posible.
TEORA DE LOS PROCESOS ESTOCSTICOS.
Esta se define simplemente como una coleccin de variables aleatorias con ndice
Xt , en donde el ndice t recorre un conjunto dado T. A menudo T se toma como el
conjunto de los enteros no negativos y Xt representa una caracterstica mensurable de
inters en el instante t. Por ejemplo, el proceso estocstico X1, X2, X3,..., puede
representar la coleccin de niveles semanarios o mensuales de inventario de un producto
dado, o bien, puede representar la coleccin de demandas semanales o mensuales de
ese producto.
La consideracin del comportamiento de un sistema que opera durante un cierto perodo

a menudo conduce al anlisis de un proceso estocstico con la estructura que se describe
a continuacin. En puntos particulares t, denominados 0, 1, , el sistema se encuentra
exactamente en uno de un nmero finito de categoras, o estados mutuamente exclusivas
y exhaustivas denominadas 0, 1, , M. Los puntos en el tiempo pueden estar igualmente
espaciados, o bien, su espaciamiento puede depender del comportamiento global del
sistema fsico en el que el proceso estocstico est empotrado, por ejemplo, el tiempo de
ocurrencias de algn fenmeno de inters. Por lo tanto, la representacin matemtica del
sistema fsico es el de un proceso estocstico Xt , en el que se observan las variables
aleatorias en t = 0, 1, 2, , y en el que cada variable aleatoria puede tomar cualquier
valor entre los ( M + 1 ) enteros 0, 1, , M. Estos enteros son una caracterizacin de los
( M+1 ) estados del proceso.
TEORA ESTADSTICA DE DECISIN.
El anlisis de decisin proporciona una metodologa racional para tomar decisiones

cuando el futuro es incierto. Permite hacer una eleccin ptima entre varias alternativas
tomando en cuenta el valor de adquirir datos experimentales con el fin de reducir la
incertidumbre.
Quin toma las decisiones, debe elegir una accin a de un conjunto A de acciones
posibles. Al tomar una accin, quien toma las decisiones debe darse cuenta de sus
consecuencias, la cual, por lo comn ser una funcin del estado de la naturaleza
que es una representacin de la situacin del mundo real al cual se aplicar la accin.
8
Generalmente, los estados de la naturaleza son una enumeracin dentro del modelo
segn algn conjunto ndice de representaciones alternativas posibles del fenmeno fsico
que se est estudiando. Con bastante frecuencia los estados de la naturaleza se
caracterizan por un parmetro de una familia de distribuciones de probabilidad.
I.4 ENFOQUE DE LA CIENCIA DE LOS SISTEMAS.
ASPECTOS INTERDISCIPLINARIOS DE UN SISTEMA.
Un sistema es un grupo de elementos interconectados. Cada elemento o subsistema

incluye recursos tales como material, equipo, personal, informacin, etc. El sistema est
rodeado normalmente por un ambiente de caractersticas fsicas, sociales, polticas
econmicas y tcnicas. El ambiente define las fronteras del sistema.
CICLO BSICO DE UN SISTEMA.
Para que un sistema sea til debe satisfacer una necesidad durante todo un periodo de
tiempo. Por esta razn el sistema debe analizarse desde un punto de vista dinmico. El
ciclo bsico de un sistema comienza con la identificacin de una necesidad y termina
cuando se hace obsoleto. Las fases o etapas generales del ciclo de vida de un sistema se
puede considerar en tres periodos:
El periodo de PLANEACIN, el periodo de ADQUISICIN y el periodo de USO.
PLANEACIN. Es el periodo inicial del ciclo de un sistema. Durante esta etapa, se

identifica la necesidad, se formulan las restricciones, el objetivo, etc., y
se establecen, si estos son factibles; el resultado de esta etapa es la
formulacin del sistema y una serie de requerimientos para su diseo e
implementacin.
ADQUISICIN. Consta de todas aquellas etapas que incluyen el diseo, evaluacin

produccin e instalacin del sistema.
USO. Consiste en las actividades necesarias para operar y mantener el sistema,

incluyendo modificaciones o mejoras peridicas para extender su vida, con el
propsito de satisfacer las necesidades que cambian con el tiempo y finalmente
para retirarlo.
CARACTERSTICAS IMPORTANTES DE LA CIENCIA DE LOS SISTEMAS.
a) LA TENDENCIA A CUANTIFICAR. Una de las contribuciones ms importantes es la

tendencia a cuantificar el valor de las alternativas o soluciones del problema.
9
b) LA TENDENCIA A RESOLVER PROBLEMAS DE GRAN ESCALA. La Ciencia de los
Sistemas, tiende a la solucin de los problemas que constan de muchas componentes
frecuentemente difciles de identificar y altamente interconectados.
OPOSICIN A LA CIENCIA DE LOS SISTEMAS.
La idea antisistemas o planificacin es una realidad: el mtodo PRAGMTICO que

utiliza la experiencia, la intuicin, etc., se opone al mtodo ANALTICO
( orientado a cuantificar alternativas ) de la Ciencia de los Sistemas.
La Ciencia de los Sistemas, no siempre tiene como meta obtener la solucin ptima sino
encontrar un balance entre una buena solucin y el costo de obtenerla.
I.5 LA TEORA DE LOS SISTEMAS Y LA ADMINISTRACIN.
El Anlisis de Sistemas es un conjunto coordinado de procedimientos cuantitativos los

cuales se dirigen al objetivo fundamental del diseo, que es el de especificar como
hombres, dinero y materiales, deben ser combinados para alcanzar un propsito.
El Anlisis de Sistemas en su esencia consiste en la aplicacin de los conceptos clsicos

de microeconoma a los problemas de asignacin de recursos. En su forma ms simple
sera el estudio cuantitativo de las diferentes maneras de alcanzar ciertos objetivos o de la
utilizacin de los recursos disponibles.
10
CAPTULO II. INVESTIGACIN DE OPERACIONES.
II.1 DEFINICIN.
INVESTIGACIN DE OPERACIONES.
Es la aplicacin de mtodos, tcnicas e instrumentos cientficos a problemas relacionados

con el funcionamiento de un sistema, con el fin de proporcionar soluciones ptimas de
dichos problemas, a aquellos encargados del control del sistema.
II.2 RELACIN DE LA INVESTIGACIN DE OPERACIONES CON LA

INGENIERA DE SISTEMAS.
La relacin que existe entre estos dos conceptos es que, para la solucin de problemas
propios de un sistema, tanto la Investigacin de Operaciones como la Ingeniera de
Sistemas, utilizan la Metodologa Cientfica a travs de modelos; primero para representar
al problema real que se quiere resolver en un sistema y segundo para resolverlo. Otros
puntos de relacin entre ambas, es que buscan por igual las relaciones ptimas que mejor
operen en un sistema, dando un objetivo especfico; de igual forma los resultados que se
obtienen con la solucin de problemas, pueden ser medidos o cuantificados mediante
valores exactos o aproximados de las componentes controlables del sistema para que
pueda comportarse de la mejor manera, de acuerdo con ciertos criterios establecidos. El
clculo de estos valores se realiza mediante los modelos matemticos que toman la forma
de ecuaciones.
II.3 TIPOS DE PROBLEMAS QUE RESUELVEN LA INVESTIGACIN DE

OPERACIONES Y LA INGENIERA DE SISTEMAS.
La Investigacin de Operaciones y la Ingeniera de Sistemas se utiliza en Tres Tipos de

problemas: DETERMINISTICOS, CON RIESGO y BAJO INCERTIDUMBRE.
DETERMINISTICOS.
Son aquellos en los que cada alternativa del problema ( hay ms de dos ) tiene una y
solo una solucin. Como hay varias alternativas, hay varias soluciones, cada una con
una diferente eficiencia y/o efectividad asociada a los objetivos del sistema; por lo
tanto existe el problema de decisin.
CON RIESGO.
11
Son aquellos en que cada alternativa del problema ( hay mas de dos ), tiene varias
soluciones. Cada solucin puede ocurrir con una cierta probabilidad. La distribucin de
estas probabilidades se conoce o se puede estimar.
BAJO INCERTIDUMBRE.
Son aquellos en que cada alternativa del problema ( hay mas de dos ), tiene varias
soluciones. Sin embargo, se ignora con que probabilidad o distribucin probalstica
ocurrirn estas soluciones.
Los problemas anteriormente citados se pueden clasificar de la siguiente forma:
Programacin de formacin de colas.
Programacin de inventarios.
Programacin de asignacin.
Programacin de reemplazo.
Programacin de competencia.
Programacin de bsqueda.
La solucin de problemas por medio de la Investigacin de Operaciones y de la Ingeniera

de Sistemas puede ser utilizada en:
Programacin de rutas areas.
Diseos de redes de Transporte.
Programacin de dietas de hospitales.
Estudios de fenmenos de espera.
Simulacin de sistemas.
Seleccin de proyectos.
Inventarios.
II.4 TCNICAS Y DISCIPLINAS AFINES CON LA INVESTIGACIN DE

OPERACIONES.
12
La Investigacin de Operaciones ha alcanzado hoy en da un grado de avance tal que
tiene una relacin muy estrecha con muchas tcnicas y disciplinas afines con ella, esto
porque la mayora de los problemas, si es que no todos, de los sistemas y de la vida real
en si, son multidisciplinarios. Por lo tanto, el anlisis y solucin de estos problemas
requiere de grupos compuestos de diferentes especialistas. Estos grupos
interdisciplinarios requieren necesariamente de una cierta coordinacin y comunicacin
que se logra mediante un lenguaje comn.
Dentro de estos grupos de tcnicas y disciplinas se pueden mencionar: la Estadstica, el
Anlisis de Sistemas, el Anlisis de Decisiones, la Astronoma, la Ingeniera ( en todas
sus reas ), la Economa, la Qumica, etc.
II.5 METODOLOGA DE LA INVESTIGACIN DE OPERACIONES.
La metodologa que sigue la Investigacin de Operaciones es la siguiente:
FASES DE UN PROYECTO DE INVESTIGACIN DE OPERACIONES.
a) Estudio de la Organizacin.
b) Interpretacin de la Organizacin.
c) Formulacin de los problemas de la Organizacin.
d) Construccin del modelo.
e) Derivaciones de las soluciones del modelo.
f) Prueba del modelo y sus soluciones.
g) Diseo de controles asociados a las soluciones.
h) Implantacin de las soluciones al sistema.
II.5.a FORMULACIN DEL PROBLEMA.
Las condiciones para que exista el ms simple de los problemas son:
a) Debe existir por lo menos un individuo que se encuentra dentro de un marco de

referencia, al cual se le puede atribuir el problema del sistema.
b) El individuo debe tener, por lo menos, un par de alternativas para resolver su

problema. En caso contrario no existe el problema.
13
c) Deben existir, por lo menos, un par de soluciones, una de las cuales debe tener
mayor aceptacin que la otra en el individuo. En caso contrario, no existe el
problema. Esta referencia est asociada a un cierto objetivo dentro del marco de
referencia en donde se encuentra el individuo del sistema.
d) La seleccin de cualquiera de las soluciones debe repercutir de manera diferente

en los objetivos del sistema, es decir, existe una eficiencia y/o efectividad
asociadas en cada solucin. Estas eficiencias y/o efectividades deben ser
diferentes, puesto que de lo contrario no existe un problema.
Si estas cuatro situaciones existen, entonces se tiene un problema.
Formular un problema requiere:
a) Identificar las componentes controlables y no controlables de un sistema.
b) Identificar posibles rutas de accin, dadas por las componentes controlables.
c) Definir el marco de referencia, dado por las componentes no controlables.
d) Definir los objetivos que se persiguen y clasificarlos por su orden de importancia.
e) Identificar las interrelaciones importantes entre las diferentes componentes del

sistema.
II.5.b CONSTRUCCIN DEL MODELO.
En la Investigacin de Operaciones existen tres clases de modelos: ICNICOS

ANALGICOS y SIMBLICOS.
MODELOS ICNICOS.
Estos modelos, son imgenes a escala del sistema cuyo problema se quiere resolver.
Por ejemplo: las maquetas.
MODELOS ANALGICOS.
Estos se basan en la representacin de las propiedades de un sistema, cuyos

problemas se quieren resolver, utilizando otro sistema cuyas propiedades son
equivalentes. Por ejemplo: Las propiedades de un sistema hidrulico y un sistema
elctrico.
MODELOS SIMBLICOS.
14
Son conceptualizaciones abstractas del problema real a base del uso de letras
nmeros, variables y ecuaciones. Este tipo de modelos son fciles de manipular y se
pueden hacer con ellos un gran nmero de experimentos.
De las tres clases de modelos, los simblicos son los ms econmicos de construir y
operar.
Los requerimientos de la informacin para resolver un determinado problema hace

necesario a veces que un modelo, cuya informacin es ms fcil de obtener, se cambie
por otro.
Los modelos siempre deben ser menos complejos que el sistema real. Los sistemas que
son muy complejos pueden representarse por una serie de submodelos, que unidos
representaran al modelo del sistema original.
II.5.c SOLUCIN DEL PROBLEMA ( MODELO ).
Resolver un modelo ( problema ) consiste en encontrar los valores de las variables

dependientes, asociadas a las componentes controlables del sistema a fin de optimizar si
es posible, o en caso de no serlo, mejorar la eficiencia y/o efectividad del sistema dentro
del marco de referencia que fijan los objetivos establecidos por el grupo de toma de
decisiones.
El ANALISIS MATEMATICO CLASICO se utiliza para obtener las soluciones a un modelo

de Investigacin de Operaciones, en forma INDUCTIVA.
Existen mtodos de solucin de tipo ITERATIVO que son aquellos que se aproximan a la
solucin, o bien, dan la solucin exacta, en base a una serie de repeticiones de la misma
regla analtica sobre los resultados de una repeticin anterior.
Existen mtodos de SIMULACIN que imitan o emulan al sistema real, en base a un

modelo matemtico.
PRUEBAS DEL MODELO Y DE LAS SOLUCIONES. CONTROL E IMPLEMENTACIN

DE LOS MODELOS.
Los modelos no deben utilizarse confiando solo en la intuicin de la persona o grupo que
los disee. Es necesario probar la validez del modelo, observando si es que los
resultados del mismo predicen o no con cierta aproximacin o exactitud, los efectos
relativos generados por las diferentes alternativas disponibles.
En la prueba hay que cerciorarse de lo siguiente:
a) Que el diseo de sistemas que se aplic, en el estudio del sistema en cuestin, no ha

omitido ninguna componente controlable importante y que no haya rechazado ninguna
interaccin que genere efectos de importancia.
15
b) Una vez que se cerciore la validez del diseo de sistemas que se efectu, hay que
corroborar las expresiones matemticas que representan a los objetivos del grupo de
toma de decisiones de la organizacin y de las diferentes restricciones que
representan las interacciones de importancia.
c) Una vez que se cerciore de la validez del modelo ( representacin matemtica de las
interacciones y objetivos del mismo ), hay que corroborar que las tcnicas que
resuelven a este se aplican de manera correcta, y que los resultados del mismo se
analizan e interpretan tambin de manera correcta.
d) Por ltimo, hay que cerciorarse que la manera como se comunican los resultados al
grupo de toma de decisiones sea utilizando un lenguaje que ellos entiendan.
Si todos estos pasos se ejecutan de una manera recurrente, cada vez que se obtienen
resultados del modelo y se le presentan al grupo de toma de decisiones, se empieza a
ejercer un procedimiento sistemtico de control que depura y ajusta al mismo con la
realidad.
16
CAPTULO III. PROGRAMACIN LINEAL.
III.1 OPTIMIZACIN SIN RESTRICCIONES.
Optimizar un sistema de ecuaciones lineales, se refiere a encontrar los valores ms

adecuados, mejores u ptimos que solucionen y satisfagan al sistema de ecuaciones al
mismo tiempo y a todas y cada una de las ecuaciones que forman parte del sistema. El
manejar un sistema de ecuaciones lineales y lograr su optimizacin, considerando que
ninguna de las ecuaciones del sistema es tomada como una restriccin y que cada una de
ellas puede tener sus propias soluciones, pero que no satisfagan las condiciones de las
otras ecuaciones del sistema, es obtener valores numricos que sean una solucin nica
y mejor que satisfaga a todas y cada una de las ecuaciones del sistema.
SOLUCIN DE UN SISTEMA DE ECUACIONES LINEALES NO HOMOGNEO CON

TANTAS ECUACIONES COMO INCGNITAS, USANDO EL MTODO DE
ELIMINACIN COMPLETA DE GAUSS JORDAN.
Sea el sistema:
1). 2 X1 + 3 X2 = 10
2). 5 X1 + 4 X2 = 8
Pasos para la solucin:
a). Seleccionar una variable en la ecuacin 1) y sealarla con un asterisco.
1). 2 X1 + 3 X2 * = 10
2). 5 X1 + 4 X2 = 8
b). Dividir la ecuacin 1) entre el coeficiente de la variable escogida.
17
1). 2 X1 + 3 X2 * = 10
3 3 3
2). 5 X1 + 4 X2 = 8
c). Multiplicar la ecuacin 1) por el coeficiente de la variable escogida correspondiente de

la ecuacin 2).
1). 4 2 X1 + 3 X2 * = 10
3 3 3
2). 5 X 1 + 4 X2 = 8
Quedando:
1). 8 X1 + 4 X2 * = 40
3 3
2). 5 X 1 + 4 X2 = 8
d). Cambiar el signo a la ecuacin 2) y sumar algebraicamente la ecuacin 1) para

eliminar la variable escogida.
1). 8 X1 + 12 X2 * = 40
3 3
2). -5 X1 - 4 X2 = -8
Quedando:
A). -7 X1 + 0 X2 * = 16
3 3
e). De la ecuacin A), se obtiene la solucin y el valor para X 1
-7 X1 = 16
3 3
16
X1 = 3
-7
3
18
X1 = -48
21
De lo anterior se tiene que:
X1 = - 2.29
f). Al obtener el valor de X 1, puede aplicarse al mismo mtodo utilizado para encontrar el
valor de X2; o bien sustituir esta variable en cualquiera de las ecuaciones del sistema y
de esta forma hallar el valor de la variable faltante.
g). Para el ejemplo, sustituir X1 en la ecuacin 2) original y se obtiene:

5( -2.29 ) + 4 X2 = 8 - 11.45 + 4 X2 = 8
4 X2 = 8 + 11.45 4 X 2 = 19.45
X2 = = 19.45 X2 = 4.86
4
SOLUCION AL SISTEMA DE ECUACIONES
X1 = - 2.29 X2 = 4.86
El mtodo antes descrito es el de ELIMINACION DE GAUSS JORDAN, el cual procede

por etapas.
En general, dado un sistema:
a11 X1 + a12 X2 = b1
a21 X1 + a22 X2 = b2
Esquemticamente, mediante la aplicacin de matrices, la transformacin es:
X1 X2 b
a11* a12 b1
19
a21 a22 b2
1 a12 b1
a11 a11
0 a22 - a12 a21 b2 - b1 a21

a 11 a11
a11* ( pivote ).
Ejemplo. Usando las ecuaciones del ejemplo anterior, se tiene:
2 X1 + 3 X2 = 10
5 X 1 + 4 X2 = 8
X1 X2 b
2* 3 10 2
I
5 4 8
2/2 3/2 10/2 b
II
5 4 8 A
1 1.50 5
III
0 - 3.5 - 17 - 3.5
1 1.50 5 B
IV
0 1 4.86
1 0 - 2.29
V
0 1 4.86
A 8 10 x 5 = - 17; 4 3 x 5 = - 3.50 B 5 17 x 1.50 = - 2.29

2 2 3.50
RESULTADO: X1 = - 2.29 y X2 = 4.86
Ejemplo :
Sea el sistema: 2 X 1 + 3 X 2 - X3 = 5
20
X1 + X 2 + X3 = 8
3X1 + X2 + 2X3 = 10
Utilizando matrices para su solucin, se tiene:
X1 X2 X3 b
2* 3 -1 5 2=A
I 1 1 1 8
3 1 2 10
1 1.50 - 0.50 2.50 A
II 0 - 0.50* 1.50 5.50 B - 0.50 = E
0 - 3.50 3.50 2.50 C
1 0 4 19 D
III 0 1 -3 - 11 E
0 0 -7 - 36 F -7=I
1 0 0 - 1.57 G
IV 0 1 0 4.43 H
0 0 1 5.14 I
Detalle para la iteracin II:
Para calcular B: 1 3 x 1 = - 0.50; 1 (-1) x 1 = 1.50; 8 5 x 1 = 5.50

2 2 2
Para calcular C: 1 3 x 3 = - 3.50; 2- -1x 3 = 3.50; 10 5 x 3 = 2.50

2 2 2
Detalle para la iteracin III:
Para calcular D: 2.50 5.50 x 1.50 = 19; 2.50 5.50 x (-3.50) = - 36

-0.50 -0.50
21
Para calcular F: (- 0.50) 1.50 x 1.50 = 4; 3.50 1.50 x ( -3.50) = -7
- 0.50 - 0.50
Detalle para la iteracin IV:
Para calcular G: 19 (-36) x 4 = - 1.57;

-7
Para calcular H: (-11) (-36) x (-3) = 4.43

-7
III.2 RESTRICCIONES EXPRESADAS CON IGUALDADES. SISTEMA NO
HOMOGNEO DE m ECUACIONES Y n INCGNITAS.
Sea el sistema:
a11 X1 + a12 X2 + ... + a1n Xn = b1
a21 X1 + a22 X2 + + a2n Xn = b2

+ + + =
am1 X1 + am2 X2 + + amn Xn = bm
se dir que tiene soluciones bsicas si todos los resultados son diferentes de cero. En
caso contrario se dir que es degenerada.
Las soluciones bsicas se encuentran por medio de la siguiente expresin:
n n!
=
m m! ( n m )!
Donde: m - Es el nmero de ecuaciones.

n - Es el nmero de incgnitas.
Ejemplo. Obtener las soluciones bsicas del siguiente sistema de ecuaciones.
2X1 + 3X2 + 3X3 + 4X4 = 20
3X1 + 2X2 + 4X3 + 2X4 = 16
En este sistema m = 2 y n = 4, por lo tanto el nmero de soluciones bsicas se

determina con:
n 4!
= esto implica que el nmero de soluciones bsicas es:
22
m 2! ( 4 2 )!
n
=6
m
Se tienen las siguientes combinaciones posibles:
X1 X 1 X1 X 2 X2 X 3
X 2 X3 X4 X3 X4 X4
Ahora, empleando el mtodo de matrices se tiene lo siguiente:
V.b. X4 b
X1 X2 X3
- 2* 3 3 4 20
- 3 2 4 2 16
X1 1 1.50 1.50 2 10
- 0 - 2.50* - 0.50 -4 - 14
X1 1 0 1.20* - 0.40 1.60
X2 0 1 0.20 1.60 5.60
X3 0.83 0 1 - 0.33 1.33
X2 - 0.17 1 0 1.67* 5.33
X3 0.80 0.20* 1 0 2.38
X4 - 0.10 0.60 0 1 3.19
X2 4* 1 5 0 11.90
X4 - 2.50 0 -3 1 - 3.95
X1 1 0.25 1.25 0 2.98
X4 0 0.63 0.13* 1 3.50
X1 1 - 5.81 0 - 9.61 -30.67
X3 0 4.85 1 7.69 26.92
SOLUCIONES BASICAS
1ra. 2da. 3ra. 4ta. 5ta. 6ta.
23
X1 = 1.60 X2 = 5.33 X3 = 2.38 X2 = 11.90 X1 = 2.98 X1 = -30.67
X2 = 5.60 X3 = 1.33 X4 = 3.19 X4 = - 3.95 X4 = 3.50 X3 = 26.92
III.3 RESTRICCIONES EXPRESADAS CON DESIGUALDADES. SISTEMA NO

HOMOGNEO DE m INECUACIONES Y n INCGNITAS.
Considerando el siguiente sistema:
a11 X1 + a12 X 2 + ... + a1n Xn T b1
a21 X1 + a22 X 2 + + a2n Xn T b2
............... + + ... + .................
am1 X1 + am2 X 2 + + amn Xn T bm
en donde T representa a cualquiera de entre: < , =, >
Cualquier sucesin: X1, X2, , Xn, que satisfaga al sistema anterior ser una solucin. En
particular, las soluciones que cumplen con X j > 0 reciben el nombre de soluciones
factibles, donde j = 1, ..., n.
El sistema anterior puede transformarse en ecuaciones mediante la adicin de las

variables de holgura, siendo estas: Xn+1, Xn+2, Xn+3, Xn+4, etc. Bajo estas condiciones el
sistema queda de la siguiente forma:
a11 X1 + a12 X2 + ... + a1n Xn + Xn+1 = b1
a21 X1 + a 22 X2 + + a2n X n + Xn+2 = b2
........... + .......... + ... + ........... + ........ = .....
am1 X1 + a m2 X2 + + amn Xn + Xn+m = bm
Xj > 0
Las soluciones bsicas que se obtienen del nuevo sistema ya modificado y cumplen con
Xj > 0 reciben el nombre de soluciones bsicas factibles.
24
Del ejemplo anterior, de las seis soluciones bsicas, solamente dos no son soluciones
bsicas factibles.
Por otra parte, si bien se pueden obtener de inmediato las soluciones bsicas factibles a
partir de las bsicas, esto implica el clculo de todas las soluciones bsicas y
posteriormente hacer la seleccin.
No necesariamente debe ser este el camino; si se controla la seleccin de la variable que

entra a formar parte de la base, de manera que no ocasione que alguna de las que ya se
encuentren ah se vuelva negativa. Con este control, se obtendrn las puras soluciones
bsicas factibles. Lo anterior, implica una nueva columna que identifique el mayor valor
que puede adquirir la nueva variable en la base para que no altere el signo de las que ya
se encuentran en la misma.
Los conceptos mencionados se traducen en cocientes de los nmeros en la columna b

entre los correspondientes en la columna seleccionada para entrar en la base. El menor
de los cocientes define el vector que abandonar la base. Los cocientes negativos no
se consideran, por lo tanto no intervienen para definir al vector que abandonar la base.
El ejemplo anterior se resuelve buscando las soluciones bsicas factibles solamente. En

este sistema, T representa el signo igual (=).
El proceso se detiene cuando ya participaron todas las variables, ms el siguiente

proceso para cerrar la solucin y tambin cuando se repite el ciclo de pares de variables.
Ejemplo. Encontrar la solucin al sistema del ejemplo anterior aplicando matrices

utilizando el procedimiento descrito.
Sea el sistema: 2X1 + 3X2 + 3X3 + 4X4 = 20
3X1 + 2X2 + 4X3 + 2X4 = 16
V.b. X4 b
X1 X2 X3
6.67 - 2 3 3 4 20
4 - 3 2 4* 2 16
3.20 - - 0.25 1.50 0 2.50* 8
8 X3 0.75 0.50 1 0.50 4
- X4 - 0.10 0.60 0 1 3.20
3 X3 0.80* 0.20 1 0 2.40
5.56 X4 0 0.63* 0.13 1 3.50
12 X1 1 0.25 1.25 0 3
26.48 X2 0 1 0.21 1.59 5.56
25
1.34 X1 1 0 1.20* - 0.40 1.61
X2 - 0.17 1 0 1.66 5.28
X3 0.83 0 1 - 0.33 1.34
SOLUCIONES BASICAS FACTIBLES
1ra. 2da. 3ra. 4ta.
X3 = 2.40 X1 = 3 X1 = 1.61 X2 = 5.28

X4 = 3.20 X4 = 3.50 X2 = 5.56 X3 = 1.34
Ejemplo. Considerando el siguiente sistema y usando las variables de holgura encontrar

las soluciones bsicas factibles, aplicando matrices utilizando el
procedimiento descrito.
- X 1 + X2 < 1
X1 + 2X2 < 11
3 X1 + X2 < 18
Xj > 0
De donde, cambiando las inecuaciones por Igualdades, al incluir las variables de holgura
se tiene:
- X 1 + X2 + X3 = 1
X1 + 2X2 + X4 = 11
3 X1 + X2 + X5 = 18
Xj > 0
V.b. X4
X1 X2 X3 X5 b
1 X3 -1 1* 1 0 0 1
5.50 X4 1 2 0 1 0 11
18 X5 3 1 0 0 1 18
- X2 -1 1 1 0 0 1
3 X4 3* 0 -2 1 0 9
26
4.25 X5 4 0 -1 0 1 17
12.12 X2 0 1 0.33 0.33 0 4
- X1 1 0 - 0.67 0.33 0 3
2.98 X5 0 0 1.68* -1.32 1 5
Continuacin.
5.12 X2 0 1 0 0.59* - 0.20 3.02

- X1 1 0 0 - 0.20 0.40 5
- X3 0 0 1 - 0.79 0.60 2.98
- X4 0 1.70 0 1 - 0.34 5.12
18.24 X1 1 0.34 0 0 0.33 6.02
21.30 X3 0 1.34 1 0 0.33* 7.03
En razn a que ninguno de los cocientes que se efectan es elegible, por dar alguna
combinacin que ya se tuvo con anterioridad o bien por permitir que alguna variable tome
valores negativos, el procedimiento de iteracin se concluye, obtenindose as las
SOLUCIONES BASICAS FACTIBLES
1ra. 2da. 3ra. 4ta. 5ta.

X3 = 1 X2 = 1 X1 = 3 X1 = 5 X1 = 6.02
X4 = 11 X4 = 9 X2 = 4 X2 = 3.02 X3 = 7.03
X5 = 18 X5 = 17 X5 = 5 X3 = 2.98 X4 = 5.12
Las variables que no entran a la base en cada una de las soluciones obtenidas se
consideran que son igual a cero.
Para la solucin de los sistemas anteriores se hizo uso de la siguiente propiedad:
DADO UN CONJUNTO DE m ECUACIONES LINEALES NO HOMOGNEAS (n > m)

CUYA MATRIZ DEL SISTEMA TIENE COMO RANGO mi SI EXISTE UNA SOLUCIN
FACTIBLE, EXISTE TAMBIN UNA SOLUCIN BSICA FACTIBLE.
III.4 PROGRAMACIN LINEAL.
La Programacin Lineal tpicamente trata del problema de asignar recursos limitados

entre actividades competidoras en la mejor forma posible ( es decir, ptima ); para ello
utiliza un modelo matemtico que describe el problema de inters y que comprende la
planificacin de actividades para obtener un resultado ptimo, es decir, un resultado que
alcance la meta especificada en la mejor forma ( segn el modelo matemtico ) entre
27
todas las alternativas factibles. El adjetivo Lineal significa que se requiere que todas las
funciones matemticas en este modelo sean funciones lineales.
EL MODELO DE PROGRAMACIN LINEAL.
Teniendo un nmero cualquiera m de recursos limitados de cualquier clase, que deben

asignarse entre un nmero cualquiera n de actividades competidoras de cualquier clase
debern designarse mediante nmeros a los recursos (1, 2, ..., m) y a las actividades
( 1, 2, ... n ). Ahora sea X j el nivel de la actividad j ( una variable de decisin ) para
j = 1, 2, ..., n y Z como la medida global de la efectividad. Entonces sea c j el incremento en
Z que resultara debido a cada unidad de incremento en X j (para j = 1, 2, ..., n). Se denota
como bi la cantidad del recurso i disponible para la asignacin (para i = 1, 2, ..., m).
Finalmente, defnase aij como la cantidad del recurso i consumida por cada unidad de la
actividad j (para i = 1, 2, ... , m y j = 1, 2, ..., n). Todos estos conjuntos de datos se
resumen en la siguiente tabla:
ACTIVIDAD CANTIDAD DEL

USO DEL RECURSO/UNIDAD
RECURSO
RECURSO DISPONIBLE
1 a11 a12 a1n b1
2 a21 a22 a2n b2
m am1 am 2 amn bm
/UNIDAD c1 c2 cn
NIVEL X1 X2 Xn
28
En particular, este modelo es para seleccionar los valores para X 1 , X2 , , Xn a fin de:
Maximizar Z = c1 X1 + c2 X2 + ... + cn Xn,
sujeta a las restricciones
a11 X1 + a12 X2 + ... + a1n Xn < b1
a21 X1 + a22 X2 + + a2n Xn < b2
am1 X1 + am2 X2 + + amn Xn < bm
y X1 > 0, X2 > 0, . . . , Xn > 0
A esto se le conoce con el nombre de forma estndar o forma cannica para el

problema de programacin lineal.
Resumiendo: La funcin que se est maximizando, c1 X1 + c2 X2 + ... + cn Xn, se llama
FUNCIN OBJETIVO. Las primeras m restricciones ( aquellas con
una funcin ai1 X1 + ai2 X2 + . . . + ain Xn, que representa el uso total
del recurso i ) a veces reciben el nombre de RESTRICCIONES
FUNCIONALES. Anlogamente, las restricciones Xj > 0, se llaman
RESTRICCIONES DE NO NEGATIVIDAD. Las variables Xj son las
VARIABLES DE DECISIN. Las constantes de entrada aij, bi y cj, son los
PARMETROS DEL MODELO.
TERMINOLOGIA PARA LAS SOLUCIONES DEL MODELO.
SOLUCIN. Es cualquier especificacin de valores para las variables de decisin

( X1, X2, . . . , Xn, ), sin importar si es una eleccin deseable, o incluso admisible.
SOLUCIN FACTIBLE. Es una solucin para la que se satisfacen todas las restricciones.
SOLUCIN PTIMA. Es una solucin factible que tiene el valor ms favorable de la

funcin objetivo.
III.5 INTERPRETACIN GEOMTRICA.
La forma de dar solucin grficamente a un problema de programacin lineal, es mediante

la construccin de un par de ejes coordenados ( grfica bidimensional ) que permita trazar
las rectas que representan a cada una de las ecuaciones que forman parte de las
29
restricciones del problema, para de esta manera poder limitar el intervalo de valores
permisibles de las restricciones.
El trazo de cada una de las ecuaciones matemticas dar como resultado una rea
delimitada por ellas que engloba todas las soluciones que puede tener un problema pero
que no satisfagan las restricciones del problema en su totalidad. Esta rea se conoce con
el nombre de REGIN DE FACTIBILIDAD y dentro de ella se encuentran todas las
soluciones bsicas factibles. As mismo, dentro de esta misma rea existe una solucin
que s cumple con todas las restricciones existentes y en forma simultnea localizada
generalmente en el contorno de esta regin, llamada tambin CONJUNTO CONVEXO
pudiendo ser la solucin ptima de todo el conjunto de soluciones. Este punto o solucin
ptima se encuentra en la parte ms alejada del eje o punto de interseccin ( cero ) entre
las dos variables.
No obstante, esa es la nica utilidad que tienen los mtodos grficos, o sea el de ilustrar
de manera ms sencilla los conceptos introductorios de la Programacin Lineal. Es
posible, aunque francamente no recomendable, resolver problemas con tres
variables de decisin. Sin embargo, de cuatro variables en adelante no hay manera
de resolver problemas de programacin lineal por mtodos grficos.
III.6 MTODO SIMPLEX.
El Mtodo Simplex en realidad es un algoritmo, de hecho, cualquier procedimiento

iterativo de solucin es un algoritmo. Por consiguiente, un algoritmo es sencillamente un
proceso en el que se repite ( itera ) un procedimiento sistemtico una y otra vez hasta que
se tiene el resultado que se desea.
ESTABLECIMIENTO DEL MTODO SIMPLEX.
Es mucho ms conveniente tratar con ecuaciones que con relaciones de desigualdad.

Por lo tanto, el primer paso en el establecimiento del Mtodo Simplex es convertir las
restricciones funcionales de desigualdad en restricciones equivalentes de igualdad ( las
restricciones de no negatividad pueden dejarse como desigualdades porque slo se usan
en forma indirecta en el algoritmo ). Se hace esto introduciendo variables de holgura.
Las variables que se hacen igual a cero se llaman VARIABLES NO BSICAS, y las otras
son las VARIABLES BSICAS. La solucin resultante se conoce como SOLUCIN
BSICA. Si todas las variables bsicas son no negativas, es una SOLUCIN BSICA
FACTIBLE.
BOSQUEJO DEL MTODO SIMPLEX.
1. PASO DE INICIALIZACIN. Introdzcanse las variables de holgura (X 1, X2, . . ., Xn).

Seleccinense entonces las variables originales ( X 1,
X2, . . . Xn ) como las variables bsicas iniciales.
30
2. REGLA DE DETENCIN. La solucin bsica factible presente es ptima si y solo si
todo coeficiente en la ecuacin a maximizar es no negativo
( > 0 ).
3. PASO ITERATIVO.
) Determnese la variable bsica que entra, seleccionando la variable ( automticamente

una variable no bsica ) con el coeficiente negativo ms grande en la ecuacin a
maximizar. Pngase un cuadro alrededor de la columna que est debajo de este
coeficiente y llmesele columna pivote.
) Determnese la variable bsica que sale:
I ) Seleccionando cada coeficiente en la columna encerrada en el cuadro, que sea

estrictamente positivo ( > 0 ).
II ) Dividiendo el segundo miembro de cada rengln entre cada uno de estos

coeficientes de su mismo rengln.
III ) Identificando la ecuacin que tenga la menor de estas razones.
IV ) Seleccionando la variable bsica de esta ecuacin. Encirrese en un cuadro el

rengln de esta ecuacin y llmesele rengln pivote. Tambin llmese nmero
pivote a aquel nmero que est en los dos cuadros trazados.
) Determnese la nueva solucin bsica factible, construyendo un nuevo cuadro simplex

debajo del presente. Debe cambiarse a +1 el coeficiente de la nueva variable bsica
dividiendo el rengln pivote completo ( es decir, todos los nmeros de ese rengln
incluyendo el segundo miembro ) entre el nmero pivote, de modo que:
Rengln pivote anterior

Nuevo rengln pivote =
Nmero pivote
Para eliminar la nueva variable bsica de las otras ecuaciones, todos los renglones
(incluyendo el de la ecuacin a maximizar), excepto el rengln pivote, se cambian para el
nuevo cuadro usando la frmula siguiente:
Nuevo Rengln = Rengln Anterior ( Coeficiente de la Columna Pivote x Nuevo Rengln Pivote )
en la que el coeficiente de la columna pivote es el nmero en este rengln que est en la

columna pivote.
FORMAS ESQUEMTICAS PARA ENCONTRAR LAS SOLUCIONES A UN SISTEMA

DE ECUACIONES.
31
CASO I. Si el sistema es cuadrado ( n = m ), usar:
b
X1 Xn
solo existe una solucin.
CASO II. Si el sistema no es cuadrado ( n m ) y se desean encontrar las soluciones

bsicas, usar:
V.b.
X1 Xn b
el nmero de soluciones bsicas est dado por:
n n!
=
m m! ( n m )!
CASO III. Se trata del Caso II, pero solo interesan las soluciones bsicas factibles, usar:
V.b. b
X1 Xn
Xi > 0
el proceso se detiene si existe reciclaje.
IMPORTANTE: Las variables de holgura solo se usan para transformar un sistema de

inecuaciones.
CASO IV. La optimizacin, es funcin de las soluciones bsicas factibles.
EJEMPLO. PROBLEMA.
Un fabricante de palillos, produce dos clases de palillos, redondos (R) y planos (P). Las
principales instalaciones de fabricacin, tambin son dos: el departamento de corte y el
departamento de empaque. El primero puede procesar 300 cajas de palillos redondos y
600 cajas de palillos planos por cada hora, el segundo puede procesar 600 cajas de
palillos redondos y 300 cajas de palillos planos, tambin por hora. Si las ganancias son de
$1.50 por cada caja de palillos redondos y $ 1.00 por cada caja de palillos planos
determinar:
a) El planteamiento algebraico de la funcin objetivo.
32
b) El planteamiento algebraico de las restricciones.
c) Las utilidades para el nivel ptimo de fabricacin, utilizando el Mtodo Analtico

( Matrices, por el Mtodo Simplex ).
d) El nivel ptimo de fabricacin utilizando el mtodo grfico.
Solucin:
R Palillos Redondos P Palillos Planos
a) Funcin Objetivo:
Max. Z = 1.50 R + 1.00 P
b) Restricciones por departamento:
Tomando como restriccin el tiempo de produccin ( 1 hora ):
Departamento de Corte:
R
+
P < 1
300 600
Departamento de empaque:
R + P < 1
600 300
Tomando como restriccin el volumen mximo de produccin ( 600 cajas ):
Departamento de Corte:
2R + P < 600
Departamento de empaque:
R + 2P < 600
33
c) Utilidades para el nivel ptimo de fabricacin, por el Mtodo Simplex, a partir del
siguiente sistema:
Max. Z = 1.50 R + 1.00 P
sujeta a las restricciones:
2R + P < 600
R + 2P < 600
Xi > 0
Transformando el sistema de inecuaciones a ecuaciones, agregando variables de holgura,

para aplicar matrices se tiene:
- 1.50 R - 1.00 P = 0
2R + P + S = 600
R + 2P + T = 600
Xi > 0
V.b. b
R P S T
- Z - 1.50 - 1.00 0 0 0
300 S 2* 1 1 0 600
600 T 1 2 0 1 600
- Z 0 - 0.25 0.75 0 450
600 R 1 0.50 0.50 0 300
200 T 0 1.50* - 0.50 1 300
- Z 0 0 0.67 0.17 500
R 1 0 0.67 - 0.34 200
P 0 1 - 0.33 0.67 200
34
Nota: Las columnas y renglones remarcados con negrillas, son las columnas y
renglones pivote, respectivamente.
Solucin:
Conforme al anlisis realizado, se requiere producir 200 cajas de cada uno de los tipos de
palillos que se fabrican, para obtener una ganancia de $ 500.00, es decir:
Z = 500
R = 200
P = 200
d) Solucin utilizando el mtodo grfico:
Del sistema de inecuaciones, que se toman en este nico caso como si fueran
igualdades, se despeja una de las variables en cada una de las expresiones, para as
poder encontrar los puntos que representan a cada una de las lneas, por lo que:
1) - 1.50 R - 1.00 P = 0
2) 2R + P < 600
3) R + 2P < 600
De la ecuacin 1) se tiene: De la ecuacin 2) se tiene: De la ecuacin 3) se tiene:
P = 1.50 R P = 600 - 2R R = 600 - 2P

- 1.00
R P
0 600
100 400
200 200
300 0
R P
0 0
100 - 150
200 - 300
300 - 450
R P
35
600 0
400 100
200 200
0 300
De las coordenadas obtenidas en los cuadros anteriores, se determinan las rectas que
representan a cada una de las expresiones del sistema y con las cuales se conforma el
rea de factibilidad, denominado tambin conjunto convexo.
En la grfica obtenida, la rea en blanco ( no tiene cuadrcula ), es el conjunto convexo o

rea de factibilidad y en su contorno podr encontrarse la solucin ptima que se busca,
transladando paralelamente la recta que representa a la funcin objetivo Z
determinndose las coordenadas de R y P para 5 puntos diferentes, los cuales se
sustituyen en la ecuacin 1), para encontrar tambin 5 soluciones de la ecuacin a
maximizar. Los 5 puntos encontrados y los valores de Z calculados son los mostrados
bajo el dibujo de la grfica.
PALILLOS PLANOS ( P )
700
600
500 ECUACION 2
400
300
200
100 ECUACION 3
0
100 200 300 400 500 600 700
PALILLOS REDONDOS ( R )
ECUACION 1 ( Z FUNCION OBJETIVO )
36
COORDENADAS
PUNTOS
R P
1 100 250
2 150 225
3 200 200
4 275 50
5 300 0
Sustituyendo los valores anteriores en la ecuacin objetivo se obtienen los siguientes

resultados:
Z = 1.50 R + 1.00 P
Para el punto 1: Z = $ 400.00 Para el punto 2: Z = $ 450.00
Para el punto 3: Z = $ 500.00 Para el punto 4: Z = $ 462.50
Para el punto 5: Z = $ 450.00
Como puede observarse el valor ptimo de la ecuacin a maximizar es el que se localiza

en el punto 3, siendo este valor de $ 500.00, para valores de R = 200 cajas de palillos
redondos y P = 200 cajas de palillos planos.
Por lo tanto, la respuesta al inciso d) es:
d) Max. Z = 1.50 ( 200 ) + 1.00 ( 200 ) Max. Z = $ 500.00
Ejemplo: Encontrar la solucin ptima del siguiente sistema, aplicando los Mtodos
Analtico y Grfico.
1 ) Max. Z = 2 X1 + 3 X2
Sujeta a:
2) - X1 + X2 < 1
37
3) X1 + 2X2 < 11
4) 3X1 + X2 < 18
Xj > 0
Transformando el sistema queda:
- 2X1 - 3X2 = 0
Sujeta a:
- X1 + X2 + X 3 = 1
X1 + 2X2 + X4 = 11
3X1 + X2 + X5 = 18
Xj > 0
SOLUCION ANALITICA
Sustituyendo valores en la matriz y aplicando el Mtodo Simplex se tiene:
V.b. b
X1 X2 X3 X4 X5
- Z -2 -3 0 0 0 0
1 X3 -1 1* 1 0 0 1
5.50 X4 1 2 0 1 0 11
18 X5 3 1 0 0 1 18
- Z -5 0 3 0 0 3
- X2 -1 1 1 0 0 1
3 X4 3* 0 -2 1 0 9
38
4.25 X5 4 0 -1 0 1 17
- Z 0 0 - 0.35 1.65 0 18
12.12 X2 0 1 0.33 0.33 0 4
- X1 1 0 - 0.67 0.33 0 3
2.98 X5 0 0 1.68* - 1.32 1 5
Z 0 0 0 1.37 0.21 19.04
X2 0 1 0 0.59 - 0.20 3.02
X1 1 0 0 - 0.21 0.40 5
X3 0 0 1 - 0.79 0.60 2.98
Debido a que en el rengln de Z ya se tienen puros valores positivos, el proceso de

iteracin se detiene, encontrndose que el valor Max. Z = 19, para valores de X1 = 5
X2 = 3.02, X3 = 2.98, X4 = 0, y X5 = 0.
SOLUCION GRAFICA.
Del sistema de inecuaciones, que se toman como si fueran igualdades, se despeja una de
las variables en cada una de las expresiones, para as poder encontrar los puntos que
representan a cada una de las lneas, por lo que:
1 ) Max. Z = 2 X1 + 3 X2
2) - X1 + X2 < 1
3) X1 + 2X2 < 11
4) 3X1 + X2 < 18
De la ecuacin 1) se tiene: De la ecuacin 2) se tiene:
X1 = - 3 X2 X 2 = 1 + X1
2
X1 X2
0 1
1 2
2 3
3 4
X1 X2
39
0 0
- 1.50 1
-3 2
- 4.50 3
De la ecuacin 3) se tiene: De la ecuacin 4) se tiene:
X1 = 11 - 2 X2 X2 = 18 - 3X1
X1 X2
11 0
9 1
7 2
5 3
X1 X2
0 18
1 15
2 12
3 9
De las coordenadas obtenidas en los cuadros anteriores, se determinan las rectas que
representan a cada una de las expresiones del sistema y con las cuales se conforma el
rea de factibilidad, denominado tambin conjunto convexo.
40
X2
18
16
ECUACION 4
14
12
10
6
ECUACION 2
4
ECUACION 3
2
41
X1
0 2 4 6 8 10 12
ECUACION 1 ( Z FUNCION OBJETIVO )
En la grfica obtenida, la rea en blanco ( no tiene cuadrcula ), es el conjunto convexo o

rea de factibilidad y en su contorno podr encontrarse la solucin ptima que se busca,
transladando paralelamente la recta que representa a la funcin objetivo Z
determinndose las coordenadas de X1 y X2 para 5 puntos diferentes, los cuales se
sustituyen en la ecuacin 1), para encontrar tambin 5 soluciones de la ecuacin a
maximizar. Los 5 puntos encontrados y los valores de Z calculados son los mostrados a
continuacin:
COORDENADAS
PUNTOS
X1 X2
1 1 2
2 2 3
3 3 4
4 5 3
5 5.75 0.50
6 4 0
Sustituyendo los valores anteriores en la ecuacin objetivo se obtienen los siguientes

resultados:
1 ) Max. Z = 2 X1 + 3 X2
Para el punto 1: Z = 8 Para el punto 2: Z = 13
42
Como puede observarse el valor ptimo de la ecuacin a maximizar es el que se localiza
en el punto 4, con Z = 19, para valores de X1 = 5 y X2 = 3.
Ejemplo. Encontrar la solucin ptima del siguiente sistema, aplicando el Mtodo

Analtico.
Min. Z = 2X1 + 3X2 + 2X3 + X4
Sujeta a:
2X1 + X2 + 3X3 + 2X4 > 12
X1 + 2X2 - X3 - X4 > 8
3X1 - 2X2 + X3 + 3X4 > 16
Xj > 0
Transformando el sistema queda:
- 2X1 - 3X2 - 2X3 - X4 = 0
2X1 + X2 + 3X3 + 2X4 - X5 = 12
X1 + 2X2 - X3 - X4 - X6 = 8
3X1 - 2X2 + X3 + 3X4 - X7 = 16
Xj > 0
V.b. X6 X7
X1 X2 X3 X4 X5 b
- Z -2 -3 -2 -1 0 0 0 0
12 X5 2 1 3 2 -1 0 0 12
4 X6 1 2* -1 -1 0 -1 0 8
43
- X7 3 -2 1 3 0 0 -1 16
- Z - 0.50 0 - 3.50 - 2.50 0 - 1.50 0 12
2.29 X5 1.50 0 3.50* 2.50 -1 0.50 0 8
- X2 0.50 1 - 0.50 - 0.50 0 - 0.50 0 4
X7 5 0 0 2 0 -1 -1 24
- Z 1.01 0 0 - 0.02 - 1.02 - 1.01 0 20.02
5.33 X3 0.43 0 1 0.71 - 0.29 0.14* 0 2.29
- X2 0.72 1 0 - 0.15 - 0.15 - 0.43 0 5.15
- X7 3.57 0 0 2 0 -1 -1 24
- Z 4.11 0 7.21 5.10 - 3.11 0 0 25.40
- X6 3.07 0 7.14 5.07 - 2.07 1 0 5.33
- X2 2.04 1 3.07 2.03 - 1.04 0 0 7.44
90.65 X7 6.64 0 7.14 7.07 0.29* 0 -1 26.29
- Z 75.33 0 83.77 80.92 0 0 - 10.73 307.320
- X6 50.47 0 58.10 55.54 0 1 - 7.14 192.98
- X2 26.21 1 28.67 27.38 0 0 - 3.59 101.72
90.65 X5 22.90 0 24.62 24.38 1 0 - 3.45 90.65
En razn de que en la columna de la variable de holgura X 7 en el rengln de Z se tiene un

valor negativo, el mtodo iterativo tendra que continuarse; sin embargo debido a que en
los renglones de esa misma columna todos los valores son negativos, ninguno puede ser
elegible. Esto significa que el sistema puede tener diferentes soluciones bsicas, pero que
ninguna de ellas es la ptima que se busca, no pudindose encontrar esta solucin, por lo
ya indicado.
CAPITULO IV. PROBLEMAS DE TRANSPORTE
IV.1 PROBLEMAS DE TRANSPORTE.
El problema de transporte clsico consiste en llevar cantidades de un cierto producto de

m orgenes a n destinos de manera que, conocidos la cantidad de que se dispone en
cada origen, la cantidad demandada en cada destino y el costo de transportar una unidad
de producto de cada origen a cada destino, se satisfaga la demanda con el costo total
mnimo.
44
Los problemas de transporte, desde este enfoque constituyen un problema de
programacin lineal y en consecuencia, puesto que se necesita optimizar, se requerir
una solucin bsica factible, para que de ser necesario, posteriormente al utilizar un
cierto criterio de optimizacin se cambie de base mejorando la solucin hasta alcanzar el
ptimo.
De los distintos mtodos de solucin de Problemas de Transporte, en este Captulo se

tratarn los siguientes:
METODOS:
a) ESQUINA DEL NOROESTE O EXTREMO NOROESTE.
b) COLUMNA MNIMA.
c) RENGLN MNIMO.
d) ALGORITMO DE RUSSEL.
e) STEPPING STONE ( se emplea para verificar si la solucin obtenida con cualquiera de

los mtodos anteriores es o no ptima y en caso negativo, determinar dicha solucin
con este mtodo ).
El planteamiento matemtico es:
n
Min Z = cij Xij
ij
Sujeta a:
n
1) Xij = ai para ai > 0, i = 1, 2, 3, ..., n
j=1
m
2) Xij = bi para bi > 0, i = 1, 2, 3, ..., n
i=1
Donde:
45
cij = Costo de transportar una unidad del origen i al destino j.
Xij = Cantidad de producto transportado del origen i al destino j.
ai = Disponibilidad en el origen i.
bi = Lo que se requiere en el destino j.
La disponibilidad y la demanda totales deben ser iguales ( ai = bi ). Esto puede verse

sumando la expresin 1) anterior, desde i = 1 hasta m y la expresin 2) desde j = 1 hasta
n.
m n m
a) Xij = ai
i=1 j=1 i=1
m n n
b) Xij = bi
i=1 j=1 j=1
En consecuencia, se puede decir que:
m n
ai = bi
i=1 j=1
En este tipo de problemas es conveniente anotar todos los valores en la tabla llamada
CUADRO SIMPLEX DE TRANSPORTE ( que se muestra en la siguiente pgina ).
IV.2 BALANCEO DE APROVISIONAMIENTOS Y DEMANDAS.
Para iniciar el anlisis de un problema de transporte, se requiere verificar que el problema

est balanceado, es decir que la ai = b j.
CUADRO SIMPLEX DE TRANSPORTE
46
D1 D2 Dj Dn ai
C11 C12 C1j C1n a1
O1
x11 x12 xij x1n
C21 C22 C2j C2n a2
O2
x21 x22 X2j x2n
Ci1 Ci2 Cij Cin ai

Oi
xi1 xi2 xij xin
Cm1 Cm2 Cmj Cmn am

Om
xm1 xm2 xmj xmn
bj b1 b2 bj bn ai = bj
De no ser as, se agregar una columna o rengln, como destino u origen final en el
Cuadro Simplex, respectivamente segn se requiera, considerando que el costo de
transporte, en cada destino u origen en toda la columna o rengln agregado, sea igual a
cero.
Si la ai > bj, entonces se agregar una columna, donde el valor de bj ser igual a la
diferencia que se tenga de la ai y de bj.
Si la bj > ai, entonces se agregar un rengln, donde el valor de ai ser igual a la

diferencia que se tenga de la ai y de bj.
Habiendo realizado lo anterior, entonces se puede dar inicio a anlisis respectivo

aplicando cualquiera de los Mtodos que se describen a continuacin.
IV.3 MTODO DEL EXTREMO NOROESTE.
Se inicia en la celda ( 1, 1 ), calculando X11 igual al mnimo de ( a1, b1 ).
Las condiciones son:
47
Si a1 b1 se hace a1 = a1 - b1, se obtiene b1 y se pasa a la celda ( 2, 1 ) determinndose X 21
igual al mnimo de ( a2, b1 ).
Si a1 b1 se calcula b1 = b1 - a1, se obtiene a1 y se pasa a la celda ( 1, 2 ), y se calcula X 12

como el mnimo de ( a1, b2 ).
Hechos los desplazamientos se calcula nuevamente el mnimo de ( 2, 1 ) o el mnimo de

( 1, 2 ) segn sea el caso.
Ejemplo:
Una ciudad cuenta con seis terminales de autobuses de donde deben salir determinado
nmero de ellos para cubrir la ruta que tienen asignada. Existen cuatro lugares donde se
guardan los camiones y diariamente deben ir de ah a su terminal.
En la tabla siguiente se dan las capacidades de los estacionamientos, el nmero

requerido de autobuses en cada terminal y el costo de transportar una unidad de cada
estacionamiento a cada terminal.
D1 D2 D3 D4 D5 D6 ai
3 1 2 5 4 3 30
O1
2 4 3 2 1 5 20
O2
5 3 4 1 3 2 40
O3
1 5 3 4 2 4 10
O4
bj 15 25 5 10 20 25
48
Se requiere determinar que cantidad se debe mandar de cada estacionamiento a cada
terminal, de manera que el costo total sea mnimo. Lo que se pregunta es qu cantidad
se debe mandar de cada estacionamiento a cada terminal de manera que el costo total
sea mnimo?
SOLUCIN :
3 1 2 5 4 3 30
O1
15 15
2 4 3 2 1 5 20
O2
10 5 5
5 3 4 1 3 2 40
O3
5 20 15
1 5 3 4 2 4 10
O4
10
bj 15 25 5 10 20 25 100
REALIZACIN DE CLCULOS
X11 = min. ( a1, b1 ) = min. ( 30, 15 ) = 15 a1 = a1 - b1 = 30 15 = 15
X12 = min. ( a1, b2 ) = min. ( 15, 25 ) = 15 b2 = b2 - a1 = 25 15 = 10
X22 = min. ( a2, b2 ) = min. ( 20, 10 ) = 10 a2 = a2 - b2 = 20 10 = 10
X23 = min. ( a2, b3 ) = min. ( 10, 5 ) = 5 a2 = a2 - b3 = 10 5 = 5
X24 = min. ( a2, b4 ) = min. ( 5, 10 ) = 5 b4 = b4 - a2 = 10 5 = 5
49
X34 = min. ( a3, b4 ) = min. ( 40, 5 ) = 5 a3 = a3 - b4 = 40 5 = 35
X35 = min. ( a3, b5 ) = min. ( 35, 20 ) = 20 a3 = a3 - b4 = 35 20 = 15
X36 = min. ( a3, b6 ) = min. ( 15, 25 ) = 15 b6 = b6 - a3 = 25 15 = 10
X46 = min. ( a4, b6 ) = min. ( 10, 10 ) = 10 a4 = a4 - b6 = 10 10 = 0
De los clculos anteriores se desprende que la solucin al problema de transporte del

ejemplo resuelto es:
X11 = 15; X12 = 15; X22 = 10; X23 = 5; X24 = 5; X34 = 5; X35 = 20; X36 = 15; X46 = 10.
Y el Costo Total Mnimo de Transporte es:
(3 X 15) + (1 X 15) + (4 X 10) + (3 X 5) + (2 X 5) + (1 X 5) + (3 X 20) + (2 X 15) + (4 X 10),
dando un Costo Total de Transporte ( CTT ) igual a $ 260 unidades monetarias.
Ejemplo:
La produccin mensual en tres fbricas de cemento O 1, O2 y O3, es de 25, 15 y 20 miles

de toneladas, respectivamente. El cemento se entrega en cinco almacenes D 1 D2, D3, D4
y D5 que deben recibir 10, 5, 20,15 y 10 miles de toneladas. Los costos unitarios de envo
del producto estn en la siguiente tabla.
D1 D2 D3 D4 D5 ai
9 2 4 1 8
O1 25
7 3 6 4 3
O2 15
8 6 5 2 1
O3 20
50
bj 10 5 20 15 10
Se requiere determinar un plan de transporte, de tal manera que el costo total de llevar las
60,000 toneladas sea mnimo.
EFECTUANDO CLCULOS SE TIENE:
X11 = min. ( a1, b1 ) = min. ( 25, 10 ) = 10 a1 = a1 - b1 = 25 10 = 15
X12 = min. ( a1, b2 ) = min. ( 15, 5 ) = 5 a1 = a1 - b2 = 15 5 = 10

X13 = min. ( a1, b3 ) = min. ( 10, 20 ) = 10 b3 = b3 - a1 = 20 10 = 10
X23 = min. ( a2, b3 ) = min. ( 15, 10 ) = 10 a2 = a2 - b3 = 15 10 = 5
X24 = min. ( a2, b4 ) = min. ( 5, 15 ) = 5 b4 = b4 - a2 = 15 5 = 10
X34 = min. ( a3, b4 ) = min. ( 20, 10 ) = 10 a3 = a3 - b4 = 20 10 = 10
X35 = min. ( a3, b5 ) = min. ( 10, 10 ) = 10 a3 = a3 - b5 = 10 10 = 0
SOLUCIN :
D1 D2 D3 D4 D5 ai
9 2 4 1 8
O1 25
10 5 10
7 3 6 4 3
O2 15
10 5
8 6 5 2 1
O3 20
10 10
bj 10 5 20 15 10 60
51
De los clculos anteriores se desprende que la solucin al problema de transporte del
X11 = 10; X12 = 5; X13 = 10; X23 = 10; X24 = 5; X34 = 10; X35 = 10.
( 9 X 10 ) + ( 2 X 5 ) + ( 4 X 10 ) + ( 6 X 10 ) + ( 4 X 5 ) + ( 2 X 10 ) + ( 1 X 10 ),
IV.4 MTODO DE LA COLUMNA MNIMA.
Se inicia buscando la celda que tiene el costo mnimo en la columna 1. Suponga que es la
( r, 1 ), por lo que se calcula Xr1 = min. (ar, b1), si b1 ar, se pasa a la columna siguiente
( en este caso a la columna 2 ), haciendo a r = ar - b1. Si no es as se elimina la fila r, esto
es, no podr seleccionarse ninguna celda de esa fila posteriormente, y se pasa en la
misma columna 1 a la celda que tenga el costo mnimo, haciendo b 1 = b1 - ar. Suponga
que ( s, 1) es esa celda, entonces se calcula X s1 = min ( as, b1 ) repitindose el proceso
hasta que se satisface el requerimiento del destino 1.
Ejemplo:
Resolver el ejemplo 1 anterior aplicando este mtodo.
3 1 2 5 4 3 30
O1
2 4 3 2 1 5 20
O2
5 3 4 1 3 2 40
O3
1 5 3 4 2 4 10
52
O4
bj 15 25 5 10 20 25
X41 = min. ( a4, b1 ) = min. ( 10, 15 ) = 10 b1 = b1 - a4 = 15 10 = 5
Ya que b1 a4, se elimina la fila 4 y se calcula el nuevo valor de b 1, como se muestra en el

rengln anterior y se busca en esa misma columna el costo ms bajo, siendo ste el de la
celda ( 2, 1 ), por lo que se calcula:
X21 = min. ( a2, b1 ) = min. ( 20, 5 ) = 5 a2 = a2 - b1 = 20 5 = 15
Debido a que a2 b1, se calcula el nuevo valor de a2, como se tiene en el rengln anterior
y en virtud de que ya se satisfizo la demanda del destino 1 ( D 1 ), se pasa a la columna 2,
buscndose el costo ms bajo, localizado en la celda ( 1, 2 ) determinndose luego:
X12 = min. ( a1, b2 ) = min. ( 30, 25 ) = 25 a1 = a1 - b2 = 30 25 = 5
Como ya se satisfizo la demanda del destino 2 ( D2 ) se pasa a la columna 3 buscndose

el costo ms bajo, localizado en la celda ( 1, 3 ), calculndose ahora:
X13 = min. ( a1, b3 ) = min. ( 5, 5 ) = 5 a1 = a1 - b3 = 5 5 = 0

el costo ms bajo, localizado en la celda (3, 4 ), determinndose luego:
X34 = min. ( a3, b4 ) = min. ( 40, 10 ) = 10 a3 = a3 - b4 = 40 10 = 30

X25 = min. ( a2, b5 ) = min. ( 15, 20 ) = 15 b5 = b5 - a2 = 20 15 = 5
53
Ya que b1 a4, se elimina la fila 2 y se calcula el nuevo valor de b 1, como se muestra en el
rengln anterior y se busca en esa misma columna el costo ms bajo, siendo ste el de la
celda ( 3, 5 ), ya que la celda ( 4, 5 ) no puede ser elegida por haber sido eliminada con
anterioridad, por lo que se calcula:
X35 = min. ( a3, b5 ) = min. ( 30, 5 ) = 5 a3 = a3 - b5 = 30 5 = 25

X36 = min. ( a3, b6 ) = min. ( 25, 25 ) = 25 b6 = b6 - a3 = 25 25 = 0
Se considera, en este caso, que b 6 a3, por lo que se elimina la fila 3 y se calcula el nuevo
valor de b6, como se muestra en el rengln anterior y se busca en esa misma columna el
costo ms bajo, siendo ste el de la celda ( 1, 6 ), ya que las celdas ( 2, 6 ) y
( 4, 6 ) no pueden ser elegidas por haber sido eliminadas con anteriormente, por lo que se
calcula:
X16 = min. ( a1, b6 ) = min. ( 0, 0 ) = 0
Con el paso anterior se concluye el anlisis y se termina con las iteraciones.
SOLUCIN :
3 1 2 5 4 3 30
O1
25 5 0
2 4 3 2 1 5 20
O2
ELI MI NA DA
5 15
5 3 4 1 3 2 40
O3
ELI MINA DA
10 5 25
54
1 5 3 4 2 4 10
O4
E LI MI NA DA
10
bj 15 25 5 10 20 25 100
De los clculos realizados se desprende que la solucin al problema de transporte del

X12 = 25; X13 = 5; X16 = 0; X21 = 5; X25 = 15; X34 = 10; X35 = 5; X36 = 25; X41 = 10.
(1 X 25)+ (2 X 5)+ (3 X 0)+ (2 X 5)+ (1 X 15)+ (1 X 10)+ (3 X 5)+ (2 X 25)+ (1 X 10)
IV.5 MTODO DEL RENGLN MNIMO.
Este mtodo es semejante al anterior, con la nica diferencia que en lugar de satisfacer
los requerimientos en los destinos y eliminar filas, se destinan totalmente las
disponibilidades de los orgenes para pasar de una fila a otra, eliminndose columnas.
El proceso se inicia buscando en la fila 1 la celda de menor costo, suponga que esta sea
la ( 1, r ), por lo que se calcula X 1r que es igual al mnimo de ( a 1, br). Si a1 br se pasa al
rengln 2, haciendo b r = br - a1. Si a1 br se elimina la columna 4 y se busca la celda con
el siguiente costo ms bajo en la fila 1, haciendo a 1 = a1 - br suponga que esta sea la
celda ( 1, s ), entonces se procede a calcular X 15 que es igual al mnimo de ( a1, bs )
siguindose el procedimiento en esta forma hasta destinar completamente la
disponibilidad del origen 1. Y as sucesivamente de manera que se llegue a destinar la
disponibilidad del origen m.
Ejemplo:
Obtener la solucin del ejemplo anterior aplicando este mtodo.
55
3 1 2 5 4 3 30
O1
2 4 3 2 1 5 20
O2
5 3 4 1 3 2 40
O3
1 5 3 4 2 4 10
O4
bj 15 25 5 10 20 25
X12 = min. ( a1, b2 ) = min. ( 30, 25 ) = 25 a1 = a1 - b2 = 30 25 = 5
Ya que a1 b2, y se satisfizo la demanda del destino 2 ( D 2 ), se elimina la columna 2 y se

calcula el nuevo valor de a1, como se muestra en el rengln anterior y se busca en esa
misma fila el costo ms bajo, siendo ste el de la celda ( 1, 3 ), por lo que se calcula:
X13 = min. ( a1, b3 ) = min. ( 5, 5 ) = 5 b3 = b3 - a1 = 5 5 = 0
Se considera en este caso b3 a1, por lo que se calcula el nuevo valor de b3, como se
tiene en el rengln anterior y en virtud de que el origen 1 ( O 1 ) ya entreg la totalidad de
sus disponibilidades, se pasa a la fila 2, buscndose el costo ms bajo, localizado en la
celda ( 2, 5 ), determinndose luego:
X25 = min. ( a2, b5 ) = min. ( 20, 20 ) = 20 b5 = b5 - a2 = 20 20 = 0
En este caso, nuevamente se toma a b 5 a2, por lo que se calcula el nuevo valor de b 5
como se tiene en el rengln anterior y en virtud de que el origen 2 ( O 2 ) ya entreg la
56
totalidad de sus disponibilidades, se pasa a la fila 3, buscndose el costo ms bajo
localizado en la celda ( 3, 4 ), determinndose luego:
X34 = min. ( a3, b4 ) = min. ( 40, 10 ) = 10 a3= a3 - b4 = 40 10 = 30
Como ya se satisfizo la demanda del destino 4 ( D4 ) se elimina la columna 3 y se calcula

el nuevo valor de a3, como se muestra en el rengln anterior y se busca en esa misma fila
el costo ms bajo, siendo ste el de la celda ( 3, 6 ), por lo que se calcula:
X36 = min. ( a3, b6 ) = min. ( 30, 25 ) = 25 a3 = a3 - b6 = 30 25 = 5

X36 = min. ( a3, b5 ) = min. ( 5, 0 ) = 0 a 3 = a 3 - b5 = 5 0 = 5

X33 = min. ( a3, b3 ) = min. ( 5, 0 ) = 0 a3 = a3 - b3 = 5 0 = 5

X31 = min. ( a3, b1 ) = min. ( 5, 15 ) = 5 b1 = b1 - a3 = 15 5 = 10
Como b1 a3, se calcula el nuevo valor de b1, como se tiene en el rengln anterior y en
virtud de que el origen 3 ( O 3 ) ya entreg la totalidad de sus disponibilidades, se pasa a
la fila 4, buscndose el costo ms bajo, localizado en la celda ( 4, 1 ), esto debido a que
ninguna de las celdas restantes pueden ser elegidas por haberse eliminado
anteriormente, por lo que se determina:
X41 = min. ( a4, b1 ) = min. ( 10, 10 ) = 10 b1 = b1 - a4 = 10 10 = 0
57
Con el paso anterior se concluye el anlisis y se termina con las iteraciones, quedando la
tabla Simples de transporte de la siguiente manera:
SOLUCIN :
3 1 2 5 4 3 30
O1
ELI ELIMI ELI
25 5
2 4 3 2 1 5 20
O2
ELI ELIMI MI MI
20
5 3 4 1 3 2 40
O3
5 MI 0
10 0 25
1 5 3 4 2 4 10
O4
NADA NADA NADA NADA NADA
10
bj 15 25 5 10 20 25 100

X12 = 25; X13 = 5; X25 = 20; X31 = 5; X33 = 0; X34 = 10; X35 = 0; X36 =25; X41 = 10.
(1 X 25)+ (2 X 5)+ (1 X 20)+ (5 X 5)+ (4 X 0)+ (1 X 10)+ (3 X 0)+ (2 X 25)+ (1 X 10)
IV.6 MTODO DEL ALGORITMO DE RUSSEL.
Despus de haber verificado que el problema de transporte que se va a resolver est

balanceado, o despus que se haya balanceado, el proceso de anlisis se inicia creando
un nuevo cuadro que llamaremos CUADRO DE ESTIMADORES, que contendr el
58
mismo nmero de filas y columnas del Cuadro Simplex de Transporte original, ms una
fila y columna al final de cada caso. En este cuadro slo se anotarn en el mismo orden
las disponibilidades de los orgenes y las demandas de los destinos existentes, en la fila y
columna correspondientes. Para formar el Cuadro de Estimadores se hace mediante el
procedimiento que se va desarrollando con el siguiente:
Ejemplo:
Obtener la solucin del ejemplo anterior aplicando este mtodo.
3 1 2 5 4 3 30
O1
2 4 3 2 1 5 20
O2
5 3 4 1 3 2 40
O3
1 5 3 4 2 4 10
O4
bj 15 25 5 10 20 25
En el Cuadro Simplex de Transporte original, se busca fila por fila y columna a columna
el costo ms alto de todos los que se tienen en las celdas de cada fila y cada columna
colocndose dichos valores respectivamente en la fila y columna agregadas, estos
valores se conocern como ESTIMADORES EXTERNOS , tal como se muestra en la
Tabla 1.
TABLA 1
D1 D2 D3 D4 D5 D6 ai E.E.
O1 30 5
59
O2 20 5
O3 40 5
O4 10 5
bj 15 25 5 10 20 25 100
E.E 5 5 4 5 4 5
E.E. Estimadores Externos.

Hecho lo anterior, se suman los estimadores externos fila a columna, es decir, se suman
los valores de las celdas que corresponden con la celda en que se cruzan las lneas
respectivas, y al resultado se le resta el costo marcado que se tiene en la celda del
Cuadro Simplex; el valor obtenido de esta operacin se coloca en el nuevo cuadro de
estimadores, en la celda que respectiva. Este paso se repite tantas veces como nmero
de celdas se tengan en el Cuadro Simplex, hasta llenar totalmente el Cuadro de
Estimadores. A estos estimadores los llamaremos ESTIMADORES INTERNOS , los
cuales pueden observarse en la Tabla 2.
TABLA 2
O1 7 9 7 5 5 7 30 5
O2 8 5 6 8 8 5 20 5
O3 5 6 5 9* 6 7 40 5
O4 9 5 6 6 7 6 10 5
bj 15 25 5 10 20 25 100
E.E. 5 5 4 5 4 5
Los valores encerrados dentro del cuadro resaltado con lnea ms gruesa son los
Estimadores Internos.
Paso 1. Cuando se ha concluido este proceso, se busca en todos los Estimadores

Internos el mayor valor ( si existen varios con la misma cantidad, se elige uno y slo
uno ), como el que se encuentra en la celda ( 3, 4 ), y se calcula el valor de X 34 que es
igual al mnimo de ( a3, b4 ). Si a3 b4 entonces se calcula el nuevo valor de a 3 = a3 - b4 y
se elimina la columna 4.
60
X34 = min. ( a3, b4 ) = min. ( 40, 10 ) = 10 a3 = a3 - b4 = 40 10 = 30
Ahora se busca en esta misma columna el menor estimador ( si existen varios con la
misma cantidad, se elige uno y slo uno ) que se encuentre en ella. Este estimador
indicar la fila en la cual se le restar una unidad a todos los estimadores internos
restantes e incluso al estimador externo que se localice en dicha fila. En este caso, ese
estimador se localiza en la celda ( 1, 4 ), quedando el nuevo cuadro como se muestra en
la Tabla 3.
TABLA 3
O1 6 8 6 4 6 30 4
O2 8 5 6 8 5 20 5
O3 5 6 5 6 7 30 5
O4 9* 5 6 7 6 10 5
bj 15 25 5 20 25 90
E.E. 5 5 4 4 5
Se repite el Paso 1, para continuar con el procedimiento. Si llegara a ocurrir que b s ar

entonces se calcula bs = bs - ar y se elimina la fila r, buscando en esta fila el menor
estimador ( si existen varios con la misma cantidad, se elige uno y slo uno ) que se
encuentre en ella. Este estimador indicar la columna en la cual se restar una unidad a
todos los estimadores internos que quedan, e incluso al estimador externo que se localice
en dicha columna.
El proceso se contina hasta que la suma de las disponibilidades en los orgenes y las
demandas en los destinos existentes sea igual a cero ( ai = bj = 0 ), encontrndose de
esta manera la solucin y el costo al problema de transporte.
61
PROCEDIMIENTO DE ANLISIS Y SOLUCIN
En la Tabla 3 anterior se busca el estimador interno mayor, en este caso el de la celda (

4,1 ) y se calcula:
X41 = min. ( a4, b1 ) = min. ( 10, 15 ) = 10 b1 = b1 - a4 = 15 10 = 5
se coloca el valor de 10 en el Cuadro Simplex original y se obtiene el nuevo cuadro de

estimadores, mostrado en la Tabla 4 :
En la Tabla 4, se busca el estimador interno mayor, en este caso el de la celda ( 2,1 ) y

se calcula:
X21 = min. ( a2, b1 ) = min. ( 20, 5 ) = 5 a2 = a2 - b1 = 20 5 = 15
TABLA 4
O1 6 7 6 4 6 30 4
O2 8* 4 6 8 5 20 5
O3 5 5 5 6 7 30 5
O4
bj 5 25 5 20 25 80
E.E. 5 4 4 4 5

estimadores, mostrado en la Tabla 5:
TABLA 5
62
O1 7 6 4 6 30 4
O2 4 6 8* 5 15 5
O3 4 4 5 6 30 4
O4
bj 25 5 20 25 75
E.E. 4 4 4 5
En la tabla 5 se busca el estimador interno mayor, en este caso el de la celda ( 2,5 ) y se

calcula:
X25 = min. ( a2, b5 ) = min. ( 15, 20 ) = 15 b5 = b5 - a2 = 20 15 = 5

TABLA 6
O1 6 6 4 6 30 4
O2
O3 3 4 5 6* 30 4
O4
bj 25 5 5 25 60
E.E. 3 4 4 5

calcula:
X36 = min. ( a3, b6 ) = min. ( 30, 25 ) = 25 a3 = a3 - b6 = 30 25 = 5
63
TABLA 7
O1 6 6* 4 30 4
O2
O3 2 3 4 5 3
O4
bj 25 5 5 35
E.E. 3 4 4

calcula:
X13 = min. ( a1, b3 ) = min. ( 30, 5 ) = 5 a1 = a1 - b3 = 30 5 = 25

TABLA 8
O1 6* 4 25 4
O2
O3 1 3 5 2
O4
bj 25 5 30
E.E. 3 4
64
calcula:
X12 = min. ( a1, b2 ) = min. ( 25, 25 ) = 25 a1 = a1 - b2 = 25 25 = 0

TABLA 9
O1 4* 0 4
O2
O3 2 5 1
O4
bj 5 5
E.E. 4

calcula:
X15 = min. ( a1, b5 ) = min. ( 0, 5 ) = 0 b5 = b5 - a1 = 5 0 = 5

TABLA 10
O1
O2
O3 1* 5 1
65
O4
bj 5 5
E.E. 3
En la tabla 10 se busca el estimador interno mayor, en este caso el de la celda ( 3,5 ) y

se calcula:
X35 = min. ( a3, b5 ) = min. ( 5, 5 ) = 5 a3 = a3 - b5 = 5 5 = 0

TABLA 11
O1
O2
O3 0 0
O4
bj 0
E.E.
Al obtenerse esta tabla, se ha concluido el anlisis y en consecuencia se obtiene la

solucin bsica buscada, quedando finalmente el Cuadro Simplex original de la siguiente
manera:
3 1 2 5 4 3 30
O1 0
25 5
2 4 3 2 1 5 20
O2 5
15
66
5 3 4 1 3 2 40
O3 5
10 25
1 5 3 4 2 4 10
O4
10
bj 15 25 5 10 20 25 100

X12 = 25; X13 = 5; X15 = 0; X21 = 5; X25 = 15; X34 = 10; X35 = 5; X36 = 25; X41 = 10.
(1 X 25)+ (2 X 5)+ (4 X 0)+ (2 X 5)+ (1 X 15)+ (1 X 10)+ (3 X 5)+ (2 X 25)+ (1 X 10),
IV.7 MTODOS QUE CONDUCEN A LA SOLUCIN PTIMA.
MTODO STEPPING STONE
Se darn las siguientes definiciones que se hacen necesarias en la aplicacin de este

mtodo.
TRAYECTORIA DIRIGIDA QUE UNE DOS CELDAS.
Una trayectoria dirigida de la celda ( i, j ) a la celda ( v, w ) en el Cuadro Simplex de

Transporte, est definida como el conjunto ordenado de celdas { ( i, j ), ( i, k ) ( q, k )
( q, r ), ..., ( v, w ) } { ( i, j ), ( s, j ), ( s, t ) ..., ( v, w ) }, de manera que dos celdas
adyacentes del conjunto estarn en el mismo rengln o en la misma columna pero
cumpliendo el que tres celdas adyacentes no se encontrarn ni en el mismo rengln ni
67
en la misma columna. Otro requisito adicional es que cada celda ( exceptuando la ltima )
debe aparecer nicamente una vez en los conjuntos ordenados.
RAMA DIRIGIDA.
Una rama dirigida es un segmento que une un par ordenado de celdas, las cuales estn o
en el mismo rengln o en la misma columna.
CIRCUITO DIRIGIDO.
Un circuito dirigido en el Cuadro Simplex de Transporte, es una trayectoria dirigida de

manera que la primer celda coincide con la ltima y la primer rama es perpendicular a la
ltima rama.
TRAYECTORIA DIRIGIDA SIMPLE.
Una trayectoria dirigida simple es una trayectoria dirigida que no tiene ms de dos celdas
en cualquier rengln o columna.
CIRCUITO DIRIGIDO SIMPLE.
Es un circuito dirigido, el cual no tiene ms que dos celdas en cualquier rengln o

columna.
Ejemplo:
Partiendo de la solucin obtenida en el ejemplo anterior, encontrar la solucin ptima.
PROCEDIMIENTO DE ANLISIS Y SOLUCIN
SEGN EL MTODO STEPPING STONE
1. Se hacen circuitos para todas las celdas en blanco usando los costos unitarios.
2. Este circuito es la sumatoria de dichos costos alterados. Es decir, los signos de cada
costo son alternados: +, -, +, -, +, -, ..., etc.
3. Todos los circuitos deben dar un total < 0. Si alguno es mayor que cero, la solucin
puede manifestarse en dicho circuito para producir un ptimo.
68
Por medio del Algoritmo de Russell se determin la siguiente solucin bsica factible.
3 1 2 5 4 3 30
O1 0
25 5
2 4 3 2 1 5 20
O2 5
15
5 3 4 1 3 2 40
O3 5
10 25
1 5 3 4 2 4 10
O4
10
bj 15 25 5 10 20 25 100
Para comprobar si esta solucin es ptima o no se deben calcular las Z ij cij por medio de
los circuitos dirigidos simples formados por la celda ( i, j ) y las celdas bsicas.
SOLUCION DE LOS CIRCUITOS:
Z11 - c11 = c15 - c25 + c21 - c11 = 4 - 1 + 2 - 3 = 2
3 1 2 5 4 3 30
O1 0
2
25 5
2 4 3 2 1 5 20
O2 5
15
5 3 4 1 3 2 40
O3 5
10 25
1 5 3 4 2 4 10
O4
10
69
bj 15 25 5 10 20 25 100
Z14 - c14 = c15 - c25 + c21 - c11 = 4 - 3 + 1 - 5 = -3
3 1 2 5 4 3 30
O1 0
2 -3
25 5
2 4 3 2 1 5 20
O2 5
15
5 3 4 1 3 2 40
O3 5
10 25
1 5 3 4 2 4 10
O4
10
bj 15 25 5 10 20 25 100
Z16 - c16 = c36 - c35 + c15 - c16 = 2 - 3 + 4 - 3 = 0
3 1 2 5 4 3 30
O1 0
2 -3 0
25 5
2 4 3 2 1 5 20
O2 5
15
5 3 4 1 3 2 40
O3 5
10 25
1 5 3 4 2 4 10
O4
10
bj 15 25 5 10 20 25 100
70
Z22 - c22 = c12 - c15 + c25 - c22 = 1 - 4 + 1 - 4 = -6
3 1 2 5 4 3 30
O1 0
2 -3 0
25 5
2 4 3 2 1 5 20
O2 5 -6
15
5 3 4 1 3 2 40
O3 5
10 25
1 5 3 4 2 4 10
O4
10
bj 15 25 5 10 20 25 100
Z23 - c23 = c13 - c15 + c25 - c23 = 2 - 4 + 1 - 4 = -5
3 1 2 5 4 3 30
O1 0
2 -3 0
25 5
2 4 3 2 1 5 20
O2 5 -6 -5
15
5 3 4 1 3 2 40
O3 5
10 25
1 5 3 4 2 4 10
O4
10
bj 15 25 5 10 20 25 100
71
Z24 - c24 = c25 - c35 + c34 - c24 = 1 - 3 + 1 - 2 = -3
3 1 2 5 4 3 30
O1 0
2 -3 0
25 5
2 4 3 2 1 5 20
O2 5 -6 -5 -3
15
5 3 4 1 3 2 40
O3 5
10 25
1 5 3 4 2 4 10
O4
10
bj 15 25 5 10 20 25 100
Z26 - c26 = c36 - c35 + c25 - c26 = 2 - 3 + 1 - 5 = -5
3 1 2 5 4 3 30
O1 0
2 -3 0
25 5
2 4 3 2 1 5 20
O2 5 -6 -5 -3 -5
15
5 3 4 1 3 2 40
O3 5
10 25
1 5 3 4 2 4 10
O4
10
bj 15 25 5 10 20 25 100
72
Z31 - c31 = c21 - c25 + c35 - c31 = 2 - 1 + 3 - 5 = -1
3 1 2 5 4 3 30
O1 0
2 -3 0
25 5
2 4 3 2 1 5 20
O2 5 -6 -5 -3 -5
15
5 3 4 1 3 2 40
O3 5
-1
10 25
1 5 3 4 2 4 10
O4
10
bj 15 25 5 10 20 25 100
Z32 - c32 = c12 - c15 + c35 - c32 = 1 - 4 + 3 - 3 = - 3
3 1 2 5 4 3 30
O1 0
2 -3 0
25 5
2 4 3 2 1 5 20
O2 5 -6 -5 -3 -5
15
5 3 4 1 3 2 40
O3 5
-1 -3
10 25
1 5 3 4 2 4 10
O4
10
bj 15 25 5 10 20 25 100
73
Z33 - c33 = c13 - c15 + c35 - c33 = 2 - 4 + 3 - 4 = - 3
3 1 2 5 4 3 30
O1 0
2 -3 0
25 5
2 4 3 2 1 5 20
O2 5 -6 -5 -3 -5
15
5 3 4 1 3 2 40
O3 5
-1 -3 -3
10 25
1 5 3 4 2 4 10
O4
10
bj 15 25 5 10 20 25 100
Z42 - c42 = c41 - c21 + c25 - c15 + c12 - c42 = 1 - 2 + 1 - 4 + 1 - 5 = - 8
3 1 2 5 4 3 30
O1 0
2 -3 0
25 5
2 4 3 2 1 5 20
O2 5 -6 -5 -3 -5
15
5 3 4 1 3 2 40
O3 5
-1 -3 -3
10 25
1 5 3 4 2 4 10
O4
-8
10
bj 15 25 5 10 20 25 100
74
Z43 - c43 = c41 - c21 + c25 - c15 + c13 - c43 = 1 - 2 + 1 - 4 + 2 - 3 = - 5
3 1 2 5 4 3 30
O1 0
2 -3 0
25 5
2 4 3 2 1 5 20
O2 5 -6 -5 -3 -5
15
5 3 4 1 3 2 40
O3 5
-1 -3 -3
10 25
1 5 3 4 2 4 10
O4
-8 -5
10
bj 15 25 5 10 20 25 100
Z44 - c44 = c41 - c21 + c25 - c35 + c34 - c44 = 1 - 2 + 1 - 3 + 1 - 4 = - 6
3 1 2 5 4 3 30
O1 0
2 -3 0
25 5
2 4 3 2 1 5 20
O2 5 -6 -5 -3 -5
15
5 3 4 1 3 2 40
O3 5
-1 -3 -3
10 25
1 5 3 4 2 4 10
O4
-8 -5 -6
10
bj 15 25 5 10 20 25 100
75
Z45 - c45 = c41 - c21 + c25 - c45 =1-2+1-2=-2
3 1 2 5 4 3 30
O1 0
2 -3 0
25 5
2 4 3 2 1 5 20
O2 5 -6 -5 -3 -5
15
5 3 4 1 3 2 40
O3 5
-1 -3 -3
10 25
1 5 3 4 2 4 10
O4
-8 -5 -6 -2
10
bj 15 25 5 10 20 25 100
Z46 - c46 = c41 - c21 + c25 - c35 + c36 - c46 = 1 - 2 + 1 - 3 + 2 - 4 = - 5
3 1 2 5 4 3 30
O1 0
2 -3 0
25 5
2 4 3 2 1 5 20
O2 5 -6 -5 -3 -5
15
5 3 4 1 3 2 40
O3 5
-1 -3 -3
10 25
1 5 3 4 2 4 10
O4
-8 -5 -6 -2 -5
10
bj 15 25 5 10 20 25 100
76
Despus de todo el anlisis anterior, el Cuadro Simplex de Transporte queda finalmente
de la siguiente manera:
3 1 2 5 4 3 30
O1 0
2 -3 0
25 5
2 4 3 2 1 5 20
O2 5 -6 -5 -3 -5
15
5 3 4 1 3 2 40
O3 5
-1 -3 -3
10 25
1 5 3 4 2 4 10
O4
-8 -5 -6 -2 -5
10
bj 15 25 5 10 20 25 100
Ya que Z11 c11 > 0, quiere decir que la solucin encontrada ( de la que se parti para el
anlisis ) no es ptima, por lo que se puede mejorar la solucin haciendo que X 11 entre a
+ - +
la base a travs del circuito que est formado por las celdas ( 1,5 ) , ( 2,5 ) , ( 2, 1 ) (
-
1, 1 ) .
Para escoger cual celda debe entrar a la base, se toma aquella que en la secuencia de
anlisis sea positiva y que tenga el menor volumen transportado ( mnimo de los
positivos ), en este caso se trata de la celda Xqr:
Xqr = min ( X15, X21 ) = min ( 0, 5 ) Xqr = X15 = 0.
La variable que debe salir de la base en este caso es X 15.
Teniendo la variable que entra y la que sale de la base, se calcula la nueva tabla
utilizando el siguiente Teorema:
77
Si el valor de una variable no bsica, X st, se permite que aumente, permitiendo que las
otras variables que no estn en la base sean igualadas a cero, el valor de cualquier
variable bsica Xij cambiar de Xij a:
Xij = Xij + Xst donde =01
De manera que:
Xst = XBqr
XBAB = XBAB - XBqr ( XBAB est en el circuito formado por ( s, t ) y las celdas de la base; el

coeficiente de cB AB es positivo ).

XBAB = XBAB + XBqr ( XBAB est en el circuito mencionado y el coeficiente de cB AB es
negativo ).
XBAB = XBAB (XBAB no est en el circuito ).
De nuevo, todas las Z ij - cij sern calculadas de igual manera, y se repetir el

procedimiento total. Cuando sean todas las Z ij - cij < 0, se habr encontrado una
solucin ptima al problema de transporte.
De todo lo anterior se tiene.
Revisando el circuito:
X11 = X15 = 0
X25 = X25 + X15 = 15 + 0 = 15
X21 = X21 - X15 = 5 - 0 = 5
Los nuevos valores calculados de Zij - cij se muestran a continuacin:
78
Z14 - c14 = c34 - c35 + c25 - c21 + c11 - c14 = 1 3 + 1 2 + 3 - 5 = -5
Z15 - c15 = c25 - c21 + c11 - c15 = 1 2 + 3 4 = -2
Z16 - c16 = c36 - c35 + c25 - c21 + c11 - c16 = 2 3 + 1 2 + 3 - 3 = -2
Z22 - c22 = c21 - c11 + c12 - c22 = 2 3 + 1 4 = -4
Z23 - c23 = c21 - c11 + c13 - c23 = 2 3 + 2 3 = -2
Z24 - c24 = c25 - c35 + c34 - c24 = 1 3 + 1 2 = -3
Z26 - c26 = c36 - c35 + c25 - c26 = 2 3 + 1 5 = -5
Z31 - c31 = c21 - c25 + c35 - c31 = 2 1 + 3 5 = -1
Z32 - c32 = c35 - c25 + c21 - c11 + c12 - c32 = 3 1 + 2 3 + 1 - 3 = -1
Z33 - c33 = c35 - c25 + c21 - c11 + c13 - c33 = 3 1 + 2 3 + 2 - 4 = -1
Z42 - c42 = c41 - c11 + c12 - c42 = 1 3 + 1 5 = -6
Z43 - c43 = c41 - c11 + c13 - c43 = 1 3 + 2 3 = -5
Z44 - c44 = c41 - c21 + c25 - c35 + c34 - c44 = 1 2 + 1 3 + 1 - 4 = -6
Z45 - c45 = c41 - c21 + c25 - c45 = 1 2 + 1 2 = -2
Z46 - c46 = c41 - c21 + c25 - c35 + c36 - c46 = 1 2 + 1 3 + 2 - 4 = -5
De los clculos anteriores, la nueva base queda como se muestra el la tabla:
79
3 1 2 5 4 3 30
O1
0 -5 -2 -2
25 5
2 4 3 2 1 5 20
O2 5 -4 -2 -3 -5
15
5 3 4 1 3 2 40
O3 5
-1 -1 -1
10 25
1 5 3 4 2 4 10
O4
-6 -5 -6 -2 -5
10
bj 15 25 5 10 20 25 100
Ya que todas las Zij - cij < 0, se habr obtenido la solucin ptima, siendo esta:
X11 = 0; X14 = 25; X13 = 5; X21 = 5; X25 = 15; X34 = 10; X35 = 5; X36 = 25; X41 = 10,
con un costo total de transporte igual a:
( 3 X 0 ) + ( 1X 25 ) + ( 2 X 5 ) + ( 2 X 5 ) + ( 1X 15 ) + ( 1X 10 ) + ( 3 X 5 ) + ( 2 X 25 )
+ ( 1X 10 ) = $ 145 U.M.
NOTAS:
Se parte de una solucin bsica factible inicial que se coloca en las tablas ya utilizadas.
En cada celda que se encuentre en blanco ( corresponde a una variable no bsica ) se

debern calcular las Zij - cij.
Esto se consigue obteniendo el circuito dirigido simple formado por esa celda y las
bsicas. Este circuito dirigido simple es nico.
Zij - cij. = cBiu - cBvu + cBvt - ........ - cBws + cBwj - cij
los signos ms y menos se van alternando en el circuito.
80
Ya que se trata del Simplex y de un problema de minimizacin, cuando todas
las Zij - cij sean negativas o cero se tiene un ptimo. Si no es as, entrar a la base la
variable Xst cuya diferencia:
Zst - cst = max. ( Zij - cij ); Zij - cij > 0.
IV.8 PROBLEMAS DE ASIGNACIN.
El problema de asignacin es el tipo especial de problema de Programacin Lineal en el

que los recursos se asignan a las actividades en trminos de uno a uno. As entonces
cada recurso o cesionario ( por ejemplo un empleado, mquina o intervalo de tiempo )
debe asignarse de modo nico a una actividad particular o asignacin ( por ejemplo una
tarea, sitio o evento ).
Se tiene un costo cij. Asociado con el cesionario i ( i = 1, 2, 3, ..., n ) que lleva a cabo la
asignacin j ( j = 1, 2, 3, ..., n ), de modo que el objetivo es determinar en qu forma
deben realizarse todas las asignaciones para minimizar los costos totales.
La formulacin de un problema de asignacin es la siguiente:
m n
Min Z = m cij Xij
i=1 j=1
Sujeta a:
n
Min Z = Xij = 1 i = 1, 2, ...., m
j=1
m
Min Z = Xij = 1 j = 1, 2, ...., n
i=1
81
i = 1, 2, ...., m
Xij > 0
j = 1, 2, ...., n
De hecho las variables X ij slo pueden tomar el valor de 0 1. Toman el valor 1 si el

origen i se hace corresponder al destino j, y 0 en caso contrario.
Este tipo de problemas son de carcter lineal, con una estructura de transporte, slo que
la oferta en cada origen es de valor uno y la demanda en cada destino es tambin de
valor uno. Sera muy ineficiente resolver este tipo de problemas por medio del Mtodo
Simplex o por medio del Mtodo de Transporte. Debido a la estructura propia de los
problemas de asignacin, existen mtodos de solucin llamados algoritmos de
asignacin que son ms eficientes que el simplex o que el de transporte.
Se puede pensar intuitivamente que en un problema de asignacin, los orgenes son

personas buscando un trabajo y los destinos son trabajos disponibles. Existe un costo cij
por asignar a la persona i a un trabajo j. Una mala asignacin, por ejemplo un barrendero
al puesto de secretaria bilinge, puede acarrear un costo muy elevado. La restriccin que
existe en este tipo de problemas es que a cada persona se le asignar un solo trabajo y a
cada trabajo se le asignar una sola persona.
Una condicin necesaria y suficiente para que este tipo de problemas tenga una solucin,
es que estn balanceados, es decir que la oferta total sea igual a la demanda total. En
otras palabras, si hay m orgenes y n destinos, se requiere que m y n sean iguales. A un
problema de asignacin desbalanceado, se le balancea del mismo modo que a un
problema de transporte.
El algoritmo que se utiliza para resolver problemas de asignacin se conoce como el

MTODO HNGARO. Los pasos del mtodo son los siguientes:
Paso 1. Dada una matriz de costos de un problema de asignacin balanceado, reste en

cada columna y en cada rengln el nmero ms pequeo de esa columna o
rengln del resto de los elementos en esa columna o rengln. Es decir:
cij = cij min cij j = 1, 2, ..., n
82
i
cij = cij min cij i = 1, 2, ..., m

j
Paso 2. En la nueva matriz de costos seleccione un cero en cada rengln y columna.

Elimine durante el proceso de seleccin la columna y el rengln al que
pertenece el cero seleccionado. Si al finalizar este paso se ha hecho una
asignacin completa de ceros, es decir, cada origen tiene asignado un solo
destino y cada destino tiene asignado un solo origen, se ha encontrado la
asignacin ptima. En caso contrario contine en el paso 3.
Paso 3. Este paso encuentra la condicin de que O ( M ) = D ( M ), siendo M la matriz de

costos del paso 2. Este paso tiene 6 secciones, que a continuacin se
describen:
a) Marque cada fila que no contiene un cero asignado.
b) Marque cada columna que contiene un cero ( no necesariamente asignado )

en la fila marcada en el paso a).
c) Marque cada fila que contiene un cero asignado en la columna marcada en

el paso anterior.
d) Repita los pasos b) y c) hasta que no se puedan marcar ms columnas o

filas.
e) Tache las filas no marcadas y las columnas marcadas.
f) Seleccione el nmero ms pequeo de los elementos no cubiertos por una

tachadura horizontal o vertical. Reste ese elemento de los dems valores no
tachados y sume ese mismo elemento a los tachados en cruz; es decir por
una tachadura horizontal y vertical. Los elementos cruzados por una sola
tachadura no cambian. Regrese al paso 2.
Ejemplo:
83
El Gobierno del Estado va a construir 3 proyectos, A, B, C Y 4 compaas constructoras
estn compitiendo por los proyectos. La siguiente matriz resume la cotizacin de cada
compaa por proyecto, en millones de pesos.
PROYECTO
A B C
COMPAIA
1 5 13 19
2 13 10 15
3 11 15 27
4 15 9 6
Cotizacin en millones de pesos.
Por motivos polticos y de un reparto ms equitativo de las erogaciones, se decidi que

cada empresa tendr contrato por un solo proyecto, y que cada proyecto ser realizado
por una sola compaa
PROCEDIMIENTO DE ANLISIS:
Paso 0. Se verifica si el cuadro de asignacin est o no balanceado. Para el caso del

ejemplo, este se encuentra desbalanceado.
Para balancear el problema, es decir, hacer m = n, se agrega un proyecto ficticio D con

cotizacin de cero pesos. Esto es:
PROYECTO
A B C D
COMPAIA
1 5 13 19 0
2 13 10 15 0
3 11 15 27 0
4 15 9 6 0
84
Paso 1. Construyendo primero ceros en cada columna
PROYECTO
A B C D
COMPAIA
1 0 4 13 0
2 8 1 9 0
3 6 6 21 0
4 10 0 0 0
Y despus en cada fila, se tiene
PROYECTO
A B C D
COMPAIA
1 0 4 13 0
2 8 1 9 0
3 6 6 21 0
4 10 0 0 0
Paso 2. Una posible asignacin es:
1 A ( se elimina fila 1, columna A )

2 D ( se elimina fila 2, columna D )
4 B ( se elimina fila 4, columna B )
Como el proyecto C y la compaa 3 no han sido asignados, se contina con el paso 3.
85
Paso 3.
Paso 3.a. Solamente la fila 3 no tiene asignacin. Se marca.

Paso 3.b. En la fila 3 solamente la columna D tiene un cero. Se marca.
Paso 3.c. En la columna D hay un cero asignado en la fila 2. Se marca.
Paso 3.d. En la fila 2 hay un cero en la columna D y como D ya est marcado se contina
en el paso 3.e.
X
PROYECTO
A B C D
COMPAIA
1 0 4 13 0
X 2 8 1 9 0
X 3 6 6 21 0
4 10 0 0 0
Paso 3.e. Se tachan con una raya vertical la columna marcada y con rayas horizontales
las filas no marcadas, obtenindose la condicin de que O ( M ) = D ( M ) la cual
se presenta grficamente a continuacin.
X
PROYECTO
A B C D
COMPAIA
1 0 4 13 0
X 2 8 1 9 0
X 3 6 6 21 0
4 10 0 0 0
Paso 3.f. El nmero no cubierto ms pequeo es 1, por lo que la nueva matriz es:
86
PROYECTO
A B C D
COMPAIA
1 0 4 13 1
2 7 0 8 0
3 5 5 20 0
4 10 0 0 1
Paso 2. Una nueva asignacin es:
1-A ( Se elimina la fila 1 y la columna A )

2-B ( Se elimina la fila 2 y la columna B )
3-D ( Se elimina la fila 3 y la columna D )
4-C ( Se elimina la fila 4 y la columna C )
Por lo que la asignacin es ptima, es decir que:
La compaa 1 realiza el proyecto A por 5 millones.
La compaa 2 realiza el proyecto B por 10 millones.
La compaa 4 realiza el proyecto C por 6 millones.
A la compaa 3 no se le contrata.
Resultando que el costo total de la asignacin es de $ 21 millones.
87
CAPTULO V. LNEAS DE ESPERA.
V.1 INTRODUCCIN.
En todo sistema existen dos grandes clases de costos, el social referente al tiempo de
espera de un servicio y el asociado al consumo de recursos que requiere ese servicio.
Adems, estos costos tienen una correlacin inversa: cuando uno aumenta el otro
disminuye y viceversa.
La teora de Lneas de Espera es un intento matemtico que tiene entre sus objetivos, el
contestar lo siguiente: Hasta que punto conviene ampliar la capacidad de un negocio o
actividad, para contrarrestar los tiempos de espera y las prdidas asociadas?
Esta teora se ha llegado a utilizar con bastante xito para determinar:
a) El nmero de mdicos que deben atender el servicio de emergencia de un hospital

variando ese nmero en el tiempo y en el espacio.
b) El nmero de camas que debe tener el pabelln gneco-obsttrico de un hospital.
88
c) El nmero de cajas que deben operar en un banco o tienda de autoservicio, en funcin
de la hora y el da de la semana.
d) El nmero de autotransportes que deben distribuir productos perecederos en una

regin.
e) El nmero de operadores de trfico areo, que varan en el tiempo y en el lugar.
f) La secuencia automtica de encendido de semforos a lo largo de una avenida.
g) El nmero de operadores que atienden llamadas de larga distancia durante un turno.
h) El nmero de grupos de mantenimiento de algunas lneas areas.
La Lnea de Espera, en su concepto ms simple, se forma por la llegada aleatoria de

clientes que entran a un establecimiento a recibir un servicio proporcionando por un
servidor. La naturaleza de los clientes, el establecimiento y los servicios varan con la
organizacin de que se trate.
Si el tiempo que se utiliza para servir a un cliente es mayor al que transcurre entre la
llegada consecutiva de 2 clientes, se formarn lneas de espera. En cambio, si el servicio
es ms rpido que la llegada de clientes, no se formaran colas o lneas de espera.
La Teora de Lneas de Espera tiene los siguientes objetivos:
a) Caracterizar cuantitativa y cualitativamente a una cola.
b) Determinar los niveles adecuados de ciertos parmetros del sistema que balancean el
costo social de la espera con el costo asociado al consumo de recursos.
La cuantificacin de una Lnea de Espera se puede hacer a travs de un anlisis

matemtico o de un proceso de simulacin. El primer enfoque, de poder aplicarse produce
resultados ptimos; sin embargo, requiere de suposiciones muy estrictas en cuanto a la
naturaleza de las llegadas de clientes, el tipo de servicio, el nmero de servidores y la
estructura del sistema. El proceso de simulacin tiene una aplicacin ms general que el
anlisis matemtico, ya que prcticamente se le puede utilizar para cualquier sistema; su
desventaja es que no produce valores ptimos y es mucho ms costoso.
V.2 ESTRUCTURA BSICA DE UNA LNEA DE ESPERA.
Una Lnea de Espera est constituida por un cliente que requiere de un servicio
( proporcionado por un servidor ) en un determinado periodo. Los clientes entran
aleatoriamente al sistema y forman una o varias colas o lneas de espera para ser
atendidos. Si el servidor est ocupado, de acuerdo a ciertas reglas preestablecidas
conocidas como disciplina del servicio, ste se proporciona a los elementos de la cola. El
89
cliente ser atendido en un periodo determinado, llamada TIEMPO DE SERVICIO
abandonando el cliente el sistema al terminar dicho tiempo. Los clientes que se forman en
una cola lo hacen en una rea de espera.
Las Lneas de Espera se pueden clasificar de acuerdo a:
a) El nmero de clientes que pueden esperar en la cola; los cuales pueden ser finitos
o infinitos. En la realidad slo existen los primeros, pero matemticamente se facilitan
los clculos si se supone lo segundo.
b) La fuente que genera la poblacin de clientes. Esta fuente puede tener una
produccin finita o infinita ( no confundir con la poblacin esperada, ya que tambin
puede ser finita o infinita ).
c) A la manera como esperan los clientes, en una cola o en varias, con o sin opcin a
cambiarse de cola.
d) El tiempo transcurrido entre la llegada de un cliente y el inmediatamente

anterior. Este intervalo puede ser una constante o una variable aleatoria
independiente, cuya distribucin de probabilidad se puede o no conocer. Cuando las
llegadas no son independientes ( como sera el caso de la llegada de un grupo de
pacientes a un centro de emergencia, cuando stos sufrieron el mismo accidente ) se
utiliza el enfoque de la simulacin.
e) El tiempo de servicio, el cual puede ser una constante o una variable aleatoria
dependiente o independiente, cuya distribucin de probabilidad se puede o no
conocer.
Es dependiente cuando vara ( se alarga o se acorta ) por factores de presin del

mismo sistema ( por ejemplo: las quejas de la gente que espera ); es independiente
cuando la duracin del servicio no se afecta por este tipo de presiones.
f) La disciplina de la cola. Se puede utilizar una poltica en la cual el primero que llega
a la cola es el primero al que se le proporciona servicio; existen polticas de prelacin o
prioridad, como es el caso de los servicios mdicos de emergencia, en donde las
caractersticas del cliente indican en que orden se le proporciona el servicio.
La disciplina puede ser tambin: ultimo que entra, primero que sale o bien aleatoria.
g) El nmero de servidores, uno o ms.
h) La estructura de las estaciones de servicio, las cuales pueden estar en serie, en

paralelo o mixtas.
i) La estabilidad del sistema, que puede ser estable o transitoria. Aqu se cubre slo la
condicin estable, y especficamente aquellos casos donde en un periodo determinado
slo puede ocurrir una entrada al sistema ( nacimiento ) y una salida del mismo
( muerte ). De ah que matemticamente a estos procesos estables se les conozca
como procesos de nacimiento y muerte.
90
TIPOS DE SISTEMAS.
A continuacin se ilustran varios tipos de sistemas:
1) UNA COLA - UN SERVIDOR.

Ejemplo: La taquilla de un cine, en donde se venden boletos de acuerdo a como llegan
lo espectadores.
2) UNA COLA - SERVIDORES MLTIPLES EN PARALELO.

Ejemplo: El servicio que prestan los bancos en su rea de cajas.
3) FILAS MLTIPLES - SERVIDORES MLTIPLES EN PARALELO, CON CAMBIO DE

COLAS.
Ejemplo: El caso del servicio que se presta en cajas en una tienda de autoservicio.
4) FILAS MLTIPLES - SERVIDORES MLTIPLES EN PARALELO, SIN CAMBIO DE

COLAS.
Ejemplo: La atencin que se presta en cualquier trmite burocrtico.
5) UNA FILA - SERVIDORES MLTIPLES EN SERIE.

Ejemplo: El proceso que sigue una armadora de autos.
6) FILAS MLTIPLES - SERVIDORES MLTIPLES EN SISTEMA MIXTO.

Ejemplo: El mismo caso anterior, pero con ms de una unidad de las diferentes
etapas, equipo y maquinaria que se utilizan.
V.3 NOTACIN EN LA TEORA DE LNEAS DE ESPERA.
Se designa por al nmero promedio de llegadas al sistema por unidad de tiempo

( cada minuto, hora, da, etc.) y por al nmero promedio de servicios del sistema por
unidad de tiempo. El cociente , denotado por , representa el factor de utilizacin del
sistema. Si 1 , significa que llegan ms clientes por unidad de tiempo de los que se les
puede dar servicio, por lo tanto, se forma una lnea de espera en crecimiento sin lmite.
El factor 1 indica la necesidad de aadir ms servidores ( S ) al sistema, hasta
lograr que el factor de utilizacin del sistema con servidores mltiples, sea menor a uno

es decir: s S 1 . Esto quiere decir, que el sistema de servidores mltiples podr
dar servicio, por unidad de tiempo, a todas las llegadas en este intervalo.
La notacin utilizada para la teora de Lneas de Espera, es la siguiente:
: Nmero promedio de llegadas al sistema por unidad de tiempo.
91
: Nmero promedio de servicios por unidad de tiempo.
: Factor de utilizacin del sistema con un servidor.
S : Nmero de servidores en el sistema.

s
S : Factor de utilizacin de un sistema con servidores mltiples.
1
: Tiempo promedio que transcurre entre dos llegadas consecutivas de clientes.
1
: Tiempo promedio de servicio para atender a un cliente.
n : Nmero esperado de llegadas de nuevos clientes por unidad de tiempo cuando

ya existen n clientes en el sistema.
n : Nmero esperado de servicios por unidad de tiempo, cuando existen n clientes

en el sistema. Representa la tasa combinada de servicios a la cual trabajan
todos los servidores ocupados.
s : Utilizacin promedio de cada uno de los S servidores S 1 , dada en porcentaje

de tiempo.
L: Valor esperado del nmero de gentes formadas en la cola.
W: Valor esperado del nmero de gentes en el sistema, es decir, esperando en la

cola y recibiendo un servicio.
Pm( t ): Probabilidad de que en el momento t de arribo a la cola se encuentren m

personas en el sistema, S recibiendo servicio, en el caso de S S 1
servidores y m-S formados en la cola.
Po( t ): Probabilidad de que en el momento t de arribo a la cola, el sistema se

encuentre vaco.
TS: Esperanza del valor del tiempo de espera para que se proporcione servicio a la
ltima llegada de la cola.
TW: Esperanza del tiempo de espera para que la ltima llegada de la cola abandone
el sistema una vez que se le haya proporcionado el servicio.
92
Cs: Nmero esperado de clientes que no requieren de un servicio en el momento
de llegar al sistema ( esto es slo para el caso de poblacin finita ).
V.4 UNA COLA - UN SERVIDOR POBLACIN INFINITA.
Suponga una Lnea de Espera y un servidor. La disciplina de la cola es primero que

llega, primero que se le proporciona servicio. Se supone una poblacin infinita y una
sola sala de espera de capacidad ilimitada. El tiempo de llegadas tiene una distribucin de
Poisson, con media 1/. El tiempo promedio de servicio tiene una distribucin exponencial
negativa con valor medio de 1/.
Matemticamente, lo anterior quiere decir que si A ( t ) es el nmero de llegadas en un

intervalo t, con una distribucin de Poisson, entonces la probabilidad de que A ( t ) = k
llegadas est dada por:
P A t k t t ,
k
mientras que si Z representa el tiempo aleatorio de servicio, con distribucin exponencial

negativa, la probabilidad de que este tiempo sea mayor a t unidades est dado por:
P z t t
De lo anterior, ahora se derivan las frmulas generales de este sistema.
Para encontrar la probabilidad de que el sistema se encuentre vaci, en el momento t de

arribo a la cola, esta dada por:

Po t

La probabilidad de que existan m personas en el sistema en el tiempo t, una recibiendo

servicio y m - 1 formadas, se representa por:
m

Pm(t ) (1 )
m

El nmero de gentes esperado en el sistema ( en la cola y en servicio ), se encuentra con

la frmula:
W
1

1 2 1 1
La ecuacin que da el nmero esperado de gente en la cola, se define como:
93
L w 1 Po t ,

2

L 1

2
L

Por ltimo, el tiempo esperado en la cola antes de recibir el servicio, Ts y el tiempo

esperado para abandonar el sistema, Tw, se obtiene a partir del siguiente razonamiento:
Po(t) es la probabilidad de que nadie est en el sistema en el tiempo t; 1 Po ( t ) es la

probabilidad de que alguien est en el sistema, recibiendo un servicio. Entonces:

Bs 1 Po t 1
,
donde Bs es el nmero esperado de gentes a las que se les proporciona servicio en una
unidad de tiempo. Si al tamao esperado de la cola L, se le divide por el producto del
nmero promedio de servicios por unidad de tiempo y por Bs se obtiene Ts, es decir:
L L 2
Ts
Bs 1 Po t 1 1
Con esta expresin se concluye que si un individuo debe esperar en promedio Ts

unidades de tiempo antes de recibir un servicio que dura, en promedio 1/ unidades de
tiempo, entonces el tiempo total esperado en el sistema, es:
1
Tw Ts

Todas las expresiones anteriores permiten calcular:
a) La probabilidad de que el nmero de gentes en el sistema W, sea mayor a Z:
P (W Z ) z 1
b) La probabilidad de que la espera total en la cola, Ts, sea mayor a g unidades de

tiempo:
P (Ts g ) 1 g , g 0
c) La probabilidad de que la espera total en el sistema Tw, sea mayor a h unidades de

tiempo:
94
P(Tw h) 1 h , h 0
EJEMPLO:
Una gasolinera que tiene 6 bombas, 4 para gasolina Magna, 1 para gasolina Premium y
otra para Diesel, desea que se estudie el funcionamiento y utilizacin de la bomba Diesel,
en donde las llegadas de autobuses que cargan este combustible muestran una
distribucin aproximada a la de Poisson, con un promedio de 5 autobuses por hora;
mientras que los servicios muestran una distribucin exponencial negativa, con un
promedio de 7 autobuses por hora.
Slo se puede dar servicio en esa bomba a un autobs a la vez, sirvindose en el orden
de su llegada.
Encuentre todos los parmetros que describen cuantitativamente a esta bomba diesel,
para que posteriormente se pueda tomar una decisin, acerca de instalar otras bombas
diesel en ese lugar.
DATOS:
= 5 autobuses / hora
= 7 autobuses / hora
5
0.714 1
por lo que: 7 ,
de aqu se aplican las frmulas anteriores para determinar los parmetros buscados:
La probabilidad de encontrar la bomba diesel vaca es:
75 2
Po t 0.2857
7 7
Po(t ) 28.57%
El nmero esperado de autobuses que hacen cola es:
2 52 25
L 1.786
7 7 5 14 autobuses
L 2 autobuses.
95
El nmero esperado de autobuses en el sistema ( cargando diesel y
haciendo cola ) es:
5 5
W 2 .5
75 2 autobuses.
W 3 autobuses
El tiempo promedio de espera en la cola es:
5 5
Ts 0.357
7 7 5 14 de hora.
transformando horas a minuto, multiplicando el resultado por 60, se tiene que:

Ts = 21.42 minutos
El tiempo promedio para salir del sistema ( cargar diesel y abandonar el sistema )
es:
1 1
Tw Ts 0.357 0.357 0.143
7
Tw = 0.50 de hora
que transformados a minutos, al multiplicar el resultado por 60, se obtiene:
Tw = 30 minutos.
Clculo de otros parmetros complementarios.
La probabilidad de encontrar un autobs cargando y otros tres esperando en la cola es:
m

Pm t Po t
,
donde m = 4 autobuses en el sistema, por lo que sustituyendo valores se tiene:

4
5
P4 t 0.2857 0.714 0.2857 0.0743
4
7
Pm t 7.43%
La probabilidad de que en el sistema se encuentren ms de dos autobuses es:
96
P ( w z ) ( z 1) ,
donde Z = 2, por lo que sustituyendo valores se obtiene:
P w 2 2 1 0.714 0.3640 36.40%

3
La probabilidad de que la espera en la cola sea mayor a 40 minutos (0.667 de hora) es:
P (Ts g ) 1 g
para g = 0.667, de donde se obtiene:
P (Ts 0.667) (0.714)7 1 0.714 0.667 0.714 1.3353
P(Ts g ) 0.714(0.2631) 0.1879 18.79%
La probabilidad de que un autobs espere en el sistema 1.50 horas o ms antes de

abandonarlo ( ya cargado con diesel ) es:
P (Tw h) 1 h
para h=1.50 horas por lo que:
P (Tw 1.5) 7 1 0.714 1.5 3.003 0.0496
P (Tw h) 4.96%
CONCLUSIN.
El sistema de servicio de la bomba diesel presenta problemas, ya que el tiempo de espera

en la cola es ms del doble del tiempo requerido para atender un cliente ( autobs ).
V.5 UNA COLA SERVIDORES MLTIPLES EN PARALELO POBLACIN

INFINITA.
Se supone un sistema con una sola cola, a la cual pueden llegar un nmero infinito de
clientes en espera de recibir un mismo servicio por parte de S ( S >1 ) servidores en
paralelo. La poltica del sistema es que se sirve a los clientes en el orden de su llegada; el
servicio lo proporciona el primer servidor que se haya desocupado. Al principio, todos los
97
servidores estn desocupados y se irn ocupando en forma progresiva ( primero el
servidor 1, despus el 2 y as sucesivamente ), en la medida en que vayan llegando los
clientes.
El nmero promedio de llegadas por unidad de tiempo es y se supone que tiene una
distribucin de Poisson.
El nmero promedio de servicios de cada servidor por unidad de tiempo se denota por y
se supone que tiene una distribucin exponencial negativa.
Se observa que cuando el nmero de elementos en la cola y en las estaciones de servicio

m, es mayor que el nmero de servidores S ( m > S ), la probabilidad de que algn cliente
abandone el sistema ( despus de recibir su servicio ), en el intervalo t es St. En
caso contrario ( S > m ), dicha probabilidad es mt.
Esta observacin origina la expresin que determina la probabilidad de que el sistema

se encuentre vaco, P0( t ), sea:
1
s 1
1
m
1
s
s
Po t
m 0 m! s! s
El largo de la cola L, lo dar la expresin:

L m S Pm t
m s 1
que una vez desarrollada, sustituyendo Pm ( t ) y agrupando trminos, genera la frmula:
L Po t
S 1! S 2
El nmero de elementos en el sistema, es igual a:

W L

El tiempo de espera en la cola es:
L
Ts

El tiempo total dentro del sistema se obtiene de:
98
1
Tw Ts

La frmula general para encontrar Pm ( t ), para un valor m 1 cualquiera es:
m m 1
Pm t Po t ... 1
s
m
s m 1
que se puede reescribir como:
* Pm t Po t
m
m!
, para m S
* * Pm t Pomt s
m

S! S , para m > S
As como en el caso de un servidor, se supone que, para que no se formen colas de

tamao infinito 1 ; en el caso de servidores mltiples se requiere que se cumpla la
condicin S 1 , la cual se puede reescribir como S .
Asimismo se puede demostrar que:
PTs h 1 PTs 0 s 1 h ,
donde:
s 1
PTs 0 Pn t
n 0
y
1 z s 1
PTw Z 1 Po(t ) z
S! 1 S 1
EJEMPLO:
En un cruce fronterizo entre Mxico y Estados Unidos, existen dos lneas de trfico, una
en direccin a Mxico y la otra en sentido contrario. La lnea de trfico que se dirige a
Mxico se reparte hacia 5 garitas de inspeccin migratoria y aduanera.
99
Las llegadas de automviles tienen una distribucin de Poisson con igual a 15 vehculos
por hora, mientras que el nmero de servicios tiene una distribucin exponencial negativa
con igual a 8 servicios por hora.
No existe prioridad de trato, por lo que las garitas proporcionan servicio en la medida que
se desocupan, atendindose al primer automvil de la cola, despus al segundo y as
sucesivamente.
Se requiere describir, en forma cuantitativa al sistema de garitas migratorias y aduaneras.
DATOS:
= 15 automviles / hora
= 8 automviles / hora
S = 5 garitas de inspeccin

1
Primero se comprueba que el parmetro S por lo que:
15 15
s 0.375 1
5 8 40
15
01.875
Por otro lado se tiene que: 8 , por lo que:
La probabilidad de encontrar el sistema vaci es:
1
4
1
m
1
5
5
Po t
m 0 m! 5! 5
1
1 1 1 1 1 1 5 5 8
Po t 1.875 1.875 1.875 1.875 1.875 1.875
0 1 2 3 4

0! 1! 2! 3! 4! 5! 5 8 15
Po t 1 1.875 1.758 1.099 0.515 0.1931.60

1
Po t 6.5558 Po t 0.1525 15.25%

1
Este resultado implica que existe un poco ms de 15% de probabilidades de que, al llegar
un automvil cualquiera a la garita internacional, en el tiempo t, las cinco estaciones de
servicio se encuentren vacas y no exista ningn automvil esperando este servicio.
100
Por lo tanto, no se forma una cola hasta que m 6 , como se verifica en la Tabla No.1
calculada con las expresiones:
m
Po(t )
* Pm t
m! , para m S
m
Po(t )
* *Pm t
S! S m 5 , para m >S
1
0.1525 15
P1 t 0.2859 28.59%
1! 8
0.1525
P5 t 55
1.875 5 0.0295 2.95%
5!5
TABLA No.1
Tamao Garitas Nmero de automviles a los Pm(t)

m
de la cola desocupadas que se les est dando el servicio (*), (**)
0 0 5 0 0.1525
1 0 4 1 0.2859
2 0 3 2 0.2681
3 0 2 3 0.1675
4 0 1 4 0.0785
5 0 0 5 0.0295
6 1 0 5 0.0110
7 2 0 5 0.0041
8 3 0 5 0.0016
9 4 0 5 0.0006
El largo de la cola es:
15 81.875
s 5
L Po(t ) 0.1525 0.0283

S 1! S 2 5 1! 5 8 15 2 autos
El nmero de elementos en el sistema es:
15
W L 0.0283 1.9033 2
8 automviles
101
L 0.0283
Ts 0.00189
15 de hora,
casi 7 segundos (6.804)
El tiempo dentro del sistema es:
1 1
Tw Ts 0.00189 0.12689
8 de hora,
lo que representa aproximadamente 7 minutos con 36.804 segundos.
CONCLUSIN.
El sistema est siendo subutilizado, es decir, el costo por prestar el servicio es muy
superior al costo del tiempo de espera de los clientes; por lo que tendr que buscarse el
balance entre ellos.
EJEMPLO:
El Director General de Egresos, de las garitas de inspeccin, experto en sistemas

sospecha que se puede lograr un considerable ahorro econmico, si en lugar de 5 garitas
funcionan 2 y que esto no causa graves problemas al turismo. Ser cierta esta
sospecha?
DATOS:
= 15 automviles / hora.
= 8 automviles / hora.
S = 2 garitas de inspeccin.

s 1
Se prueba que el parmetro s ,
15 15
s 0.9375 1
por lo que: 2 8 16
15
1.875
Por otro lado se tiene: 8 ,
por lo que:
La probabilidad de encontrar el sistema vaco es:
102
1
1
1
m
1
2
2
Po t
m 0 m! 2! 2
1
1 1 1 2 2 8
Po t 1.875 1.875 1.875
0 1

0! 1! 2! 2 8 15
Po t 1 1.875 1.757816
1
Po t 30.9998 Po t 0.03226 3.23%

1
Es decir existe un 3% de probabilidades de que al llegar un automvil cualquiera a la

garita internacional de inspeccin migratoria y aduanera, en el tiempo t, las 2 garitas se
encuentren vacas y no haya automviles esperando por un servicio.
No se forma una cola hasta que m 2 , tal como se aprecia en la siguiente tabla:
Tamao Garitas Nmero de automviles a los Pm(t)

m
de la cola desocupadas que se les est dando el servicio (*), (**)
0 0 2 0 0.0323
1 0 1 1 0.0605
2 0 0 2 0.0567
3 1 0 2 0.0532
4 2 0 2 0.0498
5 3 0 2 0.0467
1
* Pm t 1.875 m 0.03226
m! , para m 2
1
* *Pm t m2
1.875 m 0.03226
2!2 , para m>2
El largo de la cola es:
15 81.875
s 2
L Po(t ) 0.03226 13.61
S 1! S 2 2 1! 2 8 15 2
L 14 automviles
El nmero de elementos en el sistema es:
103

W L 13.61 1.875 W 15.49
automviles
L 13.61
Ts Ts 0.9073
15 de hora,
o sea 54.44 minutos.
El tiempo total dentro del sistema es:
1 1
Tw Ts 0.9073 Tw 1.0323
8 de hora,
o sea casi 62 minutos (61.94).
CONCLUSIN.
As, por un lado, la medida de reducir de 5 a 2 garitas podran ahorrarle al Pas el salario y
el mantenimiento de 3 garitas, por el otro provocara perdidas en turismo, ya que en
promedio, cada automvil que cruce por ese puerto fronterizo, esperar ms de una hora
por trmites.
V.6 UNA COLA - UN SERVIDOR - POBLACIN FINITA.
Considerar un sistema de lneas de espera, suponiendo que el tamao de la poblacin por

analizar, es infinito cae fuera de la realidad, pero tomar la poblacin como finita complica
el desarrollo de frmulas que describen cuantitativamente al sistema que se sta
estudiando. Por tal razn, se prefiere trabajar con el supuesto de poblacin infinita y no
con el real.
Suponiendo que una poblacin finita de m elementos ( 0 < m < ) requiera servicios de un
sistema similar al tratado en el punto V.4. anterior, por lo que se genera de manera
anloga las expresiones que representan a este tipo de sistema.
Si m es la poblacin que pudiera requerir un servicio determinado y n ( n m ) elementos

de esa poblacin piden ese servicio, entonces Po( t ) se calcula mediante el uso
simultneo de las expresiones definidas a continuacin:
Pn t Pn t
n 1
m! m
; Po t
Po t m n ! n 0 Po t
104
Una vez conocida Po( t ) se calculan L, W, Ts y Tw con las frmulas:

L m 1 Po t

W L 1 Po t
L
Ts
1 Po t
1
Tw Ts

Es obvio que conocida P0( t ), se calcula Pn( t ) de la primera expresin escrita en este
sistema, de la forma siguiente:
n
m!
Pn t Po t
m n !
EJEMPLO:
En una flota area comercial existen 4 aviones, a los cuales se les ha venido observando
en su comportamiento, en especial, las fallas de sus turbinas. Los datos recabados a
travs del tiempo, indican que las fallas de cualquier turbina de cualquier avin son una
variable aleatoria y que el tiempo promedio entre dos fallas consecutivas de cualquier
avin, es de un ao. El tiempo promedio de revisin y compostura de la falla de cualquier
turbina es de 45 das ( un octavo de ao ). Solamente se tiene un equipo humano de
expertos para dar servicio, proporcionndose ste bajo la poltica de primero que entra al
taller, primero que se le sirve. Es de hacer notar que durante el periodo de mantenimiento
los aviones no vuelan. Los dueos de la Empresa Area desean se describa cuantitativa
y cualitativamente al sistema de espera ( servicio de reparacin ), considerando como
unidad de tiempo un ao.
DATOS:
m = 4 aviones.
1
= 1 ao / avin.
105
1
= 1/8 ao / avin.
S = 1 equipo de reparacin
Se necesitan conocer y , para verificar , por lo que:
= 1 avin / ao y = 8 aviones / ao,
entonces se tiene:
1
1 0.125 1
8
Pn t
De aqu, se aplican los conceptos anteriores y se calcula Po t , para n = 0,1,2,3 y 4
aviones y m = 4; donde n es el nmero de aviones que esperan compostura y m es el
total de la flota area comercial, mediante la utilizacin de las frmulas y clculos que se
realizan en la tabla mostrada a continuacin:
Pn t
n n
m! m!
n m
m n ! Po t m n !
0
4! 1
0 4 1 1.00000 1.00000
4! 8
1
4! 1
1 4 4 0.12500 0.50000
3! 8
2
4! 1
2 4 12 0.01563 0.18756
2! 8
3
4! 1
3 4 24 0.00195 0.04680
1! 8
4
4! 1
4 4 24 0.00024 0.00576
0! 8
4
Pn t
Po(t ) 1.74012
n0
106
Por lo tanto y de acuerdo con la expresin de P 0 (t), se tiene:
Pn t
1
4
Po t 1.74012
1
0.5747
n 0 Po t ,
lo que significa que hay un 57.47% de probabilidades de que no se encuentre ningn
avin en el sistema de compostura de turbinas en el tiempo t.
La probabilidad de que se encuentre un avin en mantenimiento y otros dos en

espera es:
n
m!
Pn t Po t
m n ! ,
por lo que para n = 3 aviones se tiene:
3
4! 1
P3 t 0.5747 24 0.00195 0.5747 0.0269
4 3! 8
Pn t 2.69%
El nmero promedio de aviones que esperan servicio en un ao es:

L m 1 Po t
,
por lo que:
1 8
L 4 1 0.5747 4 9 0.4253 0.1723
1 1
L 0.17 aviones
El nmero promedio de aviones en el sistema ( esperando en la cola y en el taller )

es:
107
W L 1 Po t 0.1723 1 0.5747 0.5976
W 0.60 1 avin
El tiempo promedio de espera en la cola para recibir servicio es:
L 0.1723
Ts 0.0506
1 Po t 81 0.5747 de ao,
o sea aproximadamente 18 das.
El tiempo promedio en el sistema ( espera ms servicio ) es de:
1 1
Tw Ts 0.0506 0.1756
8 de ao
o sea un poco mas de 64 das (64.094)
Los resultados obtenidos, que representan en costo para el sistema y su

funcionamiento?
EJEMPLO:
Suponga que el costo de 1 hora de vuelo de uno de los aviones del ejemplo anterior es de
$10,000.00, cuando est en tierra de $2,000.00 y de $5,000.00 cuando est en
mantenimiento. Considere tambin que estos aviones vuelan, en promedio, 14 horas por
da y por cada mil horas de vuelo se les proporciona mantenimiento
preventivo ( independiente de las composturas de falla de turbina ) que dura en promedio
100 horas. De igual forma, se supone que el sueldo mensual del personal especializado
de reparacin es de $200,000.00 y el costo mensual del equipo de reparacin ( luz
depreciacin, seguros, etc. ) es de $125,000.00.
El costo de la espera para componer las fallas de la turbina de un avin es, por lo tanto la
suma de los siguientes costos:
a) El tiempo muerto del avin, mientras espera y le reparan la turbina ( Tw ).
108
b) El tiempo muerto de la tripulacin, cuando el avin se encuentra en el taller por
compostura de turbinas.
c) El tiempo de reparacin de la turbina ( sin incluir refacciones ), es decir: Tw-Ts.
Considerar para los clculos como unidad de tiempo un ao.
DATOS:
Hora de vuelo por avin: $10.000.00.
Costo de 1 hora del avin en tierra: $ 2,000.00.
Costo de 1 hora del avin en mantenimiento: $ 5,000.00.
Horas de vuelo del avin por da: 14 horas / da.
Mantenimiento por avin por cada mil horas de vuelo: 1 mantenimiento.
Costo mensual del personal especializado de reparacin: $200,000.00.

Costo mensual del equipo de reparacin: $ 125,000.00.
Como la unidad de tiempo es un ao, deben convertirse todos los costos unitarios a
costos por ao.
1. En un ao ( 365 das ) el avin vuela:
365 das / ao * 14 horas /da = 5,110 horas / ao,
por lo que, entre 1,000 horas de vuelo, recibe 5.11 mantenimientos preventivos de 100
horas cada uno, dando un total de 511 horas /ao de servicio de mantenimiento.
Si en un ao hay:
365 das / ao * 24 horas / da = 8,760 horas / ao
lo anterior quiere decir que el avin estar parado en tierra 3,139 horas / ao, en razn de
lo siguiente:
8,760 ( 5,110 + 511 ) = 3,139 horas / ao.
109
De lo anterior, el costo total anual para cada avin ser:
2. ( 5,110 horas de vuelo / ao * 10,000 pesos / hora de vuelo ) +

( 511 horas de mantenimiento / ao * 5,000 pesos / hora de mantenimiento ) +
( 3,139 horas en tierra / ao * 2,000 pesos / hora en tierra) =
$ 59933,000.00 /ao avin.
3. Si un avin de este tipo pasa Tw = 0.1756 de ao ( 64.094 das ), en el sistema de

compostura de turbinas, el costo asociado a este tiempo muerto es:
( 59.933 millones de pesos / ao avin ) X (0.1756 aos) =
$ 10524,234.80 /avin.
4. El sueldo mensual de una tripulacin es de $ 400,000.00 ( $ 4.8 millones / ao ); por lo

tanto, el costo del tiempo muerto de la tripulacin, asociado a la compostura de una
turbina ser:
Tw * (4.8) = ( 0.1756 ao ) ( 4.8 millones de pesos / ao ) =
$ 842,880.00.
pero como este valor es el monto total para la tripulacin de los 4 aviones, el costo por
avin sera:
( 842,880.00 / ao ) / ( 4 aviones / ao) =
$ 210,720 / avin.
5. La nmina mensual del equipo de reparacin, ms sus costos mensuales suman:
200 + 125 = 325, es decir $ 325,000.00 ( $ 3900,000.00 / ao ).
Por lo tanto, el costo del tiempo de reparacin por avin, sin tomar en cuenta refacciones
es:
( Tw Ts ) X ( 3.9 millones de pesos / ao avin ) =
( 0.1756 - 0.0506 ) X ( 3.9 ) = 0.125 X 3.9 = 0.4875 millones de pesos / avin, es decir:
$ 487,500.00 / avin.
110
De todos los clculos anteriores se deduce que el costo total de tener un avin en el
sistema de compostura es de:
10524,234.80 + 210,720.00 + 487,500.00 = $ 11222,454.80,
por cada uno de los aviones.
CONCLUSIN.
Los resultados establecen que la compaa area presenta serios problemas en su

sistema de reparacin de turbinas, lo que se deriva en prdidas econmicas fuertes que
pudieran suscitarse. Esto origina el plantearse las siguientes preguntas:
Convendra aumentar el equipo especializado de reparacin de turbinas a 2 3 ?.
Si es as, En cunto disminuira el costo de la espera por avin en el sistema ?.
En cunto aumenta el costo del equipo de reparacin ?.
Cul es un buen punto de equilibrio ?
V.7 UNA COLA - SERVIDORES MLTIPLES EN PARALELO - POBLACIN

FINITA.
Para S servidores y una poblacin finita de m elementos, se tiene lo siguiente:
n
m
Pn t Po t ,
n para 0 n S
n
m!
Pn t Po t
m n ! S! S ( n s ) , para S n m
m
L n S Pn t
n s 1
m
W nPn t
n0
111
W
Ts
W L
1
Tw Ts

El nmero de unidades de la poblacin que no requiere servicio, est dado por:
CS = m W
El nmero esperado de estaciones de servicio que se utilizan, se determina con:
ES = W L
Finalmente, para encontrar la utilizacin esperada del servidor S, en porcentaje de tiempo,

se emplea la expresin:
W L
s
S

Todas las frmulas anteriores se derivan bajo los supuestos de que S < 1; que la poltica
de la cola es Primero que llega, primero que se le sirve; las llegadas tienen una
distribucin de Poisson y los servicios, exponencial negativa.
EJEMPLO:
Una compaa area cuenta, dentro de su equipo de mantenimiento, con dos grupos
especializados de tcnicos con su respectivo material. La llegada de aviones al taller de
mantenimiento es una variable aleatoria, con distribucin de Poisson, que tiene un valor
medio de 5 aviones por mes. El tiempo promedio de servicio es una variable aleatoria
distribuida exponencialmente, con valor medio de 30 horas. La flota de la compaa es de
8 aviones. Encuentre los parmetros cuantitativos de la cola, si la poltica de servicio es
primero que llega, primero que se atiende.
Asimismo, suponga que los mecnicos trabajan 6 das a la semana, 10 horas por da que
existen 26 das hbiles por mes y que la unidad de tiempo es la hora.
DATOS:
= 5 aviones / mes.
112
1
= 30 horas / avin.
m = 8 aviones.
S = 2 grupos especializados de tcnicos.
Como la unidad de tiempo es la hora, deben calcularse los valores de y , de manera que
sean acordes con esta unidad. Por lo tanto:
1 mes = 26 das hbiles y 1 da = 10 horas
5 aviones / mes 1 da
0.19231 aviones da 0.0192 aviones hora
26 das / mes 10 horas
1
aviones / hora
30 =0.0333aviones/ hora
De lo anterior se procede a determinar el factor de utilizacin del sistema, con la

expresin:
0.0192
s 0.2883 1
s 2 0.0333 ,
se satisface la condicin de tener colas controlables, por lo que se calculan los valores de:
Pn t m
n

Po t n
, para 0 n 2 y
Pn t
n
m!

Po t m n !2!2 n 2 , para 2 n 8 ,
para encontrar el valor de P0(t) con la frmula:
Pn t
1
8
Po t
n 0 Po t
113
Utilizando la Tabla 1, mostrada a continuacin:
TABLA 1
Pn t
n
8! 8!
n n! (8-n)! 2 n2
n! 8 n ! 8 n !2!2 n 2 Po t
0 1 40320 1 1.00000 - - 1.00000
1 1 5040 8 0.57658 - - 4.61264
2 2 720 28 0.33244 1 28 9.30832
3 6 120 56 0.19168 2 84 16.10112
4 24 24 70 0.11052 4 210 23.20920
5 120 6 56 0.06372 8 420 26.76240
6 720 2 28 0.03674 16 630 23.14620
7 5040 1 8 0.02118 32 630 13.34340
8 40230 1 1 0.01221 64 315 3.84615
8
Pn t
Po t 121.32943
n 0
Por otro lado, para encontrar la probabilidad Pn t , para todos los valores de n, se obtiene
de multiplicar Pn t / Po t , a travs de la siguiente tabla:
n 0 1 2 3 4 5 6 7 8
Pn(t) 0.0082 0.0380 0.0767 0.1327 0.1912 0.2205 0.1907 0.1100 0.0317
Esto quiere decir que, en un momento t, existe casi 1% de probabilidades de que el

sistema est vaco ( no hay avin en el taller, ni esperando servicio ), un 4% de que est
ocupado un grupo de mantenimiento, un 8% de que estn ocupados los dos grupos
simultneamente, un 13% de que se encuentren 1 avin esperando, 19% de dos aviones
y un 22% de que estn 3 aviones esperando.
Por lo que:
Po t 121.32943 0.00824 Po t 0.824%

1
Los otros elementos a cuantificar de la cola son:
El largo de la misma:
114
8
L n 2 Pn P3 2 P4 3P5 4 P6 5 P7 6 P8
n 3
0.1327 2 0.1912 3 0.2205 4 0.1907 5 0.1100 6 0.0317
L 2.6796 aviones 3 aviones.
y el nmero de elementos en el sistema.
8
W nPn oP0 1P1 2 P2 3P3 4 P4 5P5 6 P6 7 P7 8 P8
n 0
0 0.0082 1 0.0380 2 0.0767 3 0.1327 4 0.1912 5 0.2205 6 0.1907 7 0.1100 8 0.0317
W 4.6246 aviones 5 aviones.
El tiempo de espera para que se le proporcione mantenimiento a un avin es de:
W
Ts
W L ,
4.6246
Ts
por lo que: 0.0333 4.6246 2.6796 , Ts 71.40 horas,
o sea ms de 7 das hbiles.
El tiempo total dentro del sistema es de:
1 1
Tw Ts Tw 71.40
, entonces 0.0333 Tw 101.43 horas,
es decir, ms de 10 das trabajo.
El nmero de equipos de mantenimiento que estn siendo utilizados es:
ES = W- L
ES = 4.6246 2.6796 Es 1.945 grupos de mantenimiento.
La utilizacin esperada de cualquier grupo de mantenimiento resulta:
115
W L 4.6246 2.6796
s s
S , por lo que 2 , s 0.9725
s 97.25%
o sea que cada grupo de mantenimiento pasa el 97% de su tiempo trabajando.
Es claro que con dos grupos de mantenimiento la compaa va a la quiebra; ya que de

una flota de 8 aviones, 3.5 estn en operacin y el resto, 4.5 aviones, estn en el sistema
de mantenimiento. Un avin tarda 10 das hbiles en salir del servicio de mantenimiento.
Por lo que se pregunta:
Qu pasara si en lugar de 2 grupos de mantenimiento se aumenta a 4 o 5 grupos, con

turnos de 8 horas de trabajo ?.
Cuntos grupos de mantenimiento se requieren si se duplica la flota de aviones?
V.8 UNA COLA SERVIDORES MLTIPLES EN SERIE.
Las lneas de espera de este tipo, son caractersticas del sector productivo donde las
lneas de ensamble requieren de la ejecucin de actividades que se desarrollan en
serie. En estos procesos, la salida de una de las etapas es insumo de la etapa en serie
que le sigue.
La llegada al sistema con n servidores en serie, es una variable aleatoria con

distribucin de Poisson y con valor medio . El tiempo de servicio en la etapa o estacin i
( i = 1, 2, , n ) es una variable aleatoria independiente distribuida exponencialmente
con media i. La capacidad de espacio para la espera entre las estaciones i e i
+ 1 ( i = 1, 2, , n ) es prcticamente ilimitada.
Caracterizando cuantitativamente al sistema se tiene:
P L1 = Z1, L2 = Z2, , Ln = Zn = ( 1 - 1 ) ( 1 )Z1 ( 1 - 2 ) ( 2 ) Z2 ....( 1 - n ) ( n ) Zn
que representa la probabilidad conjunta de que exista Z1 clientes esperando para

servicio en la estacin 1, Z2 esperando para servicio en la estacin 2 y Zn en la estacin
n, donde:

i
i < 1, i = 1, 2, , n
El nmero esperado de clientes en el sistema W, est dado por:

n
i

W = W1 + W2 + .. + Wn i 1 1 i
116
donde Wi es el conjunto de clientes que esperan servicio en la estacin i (i = 1, 2, , n)
ms el cliente al que se le est proporcionando el servicio en la etapa i.
El tiempo de espera de un cliente a lo largo de todo el sistema, siempre y cuando la

disciplina de la cola sea primero que llega, primero que se le sirve, est dado por:
n
i
1

i 1 1 i i
Ts = Ts1 + Ts2 + .. + Tsn
Por otro lado, el tiempo total en todo el sistema ( incluyendo los tiempos de servicio de las
n estaciones ) es:
n

1 1

i 1 1 i i
TW = TW1 + TW2 + .. + TWn
EJEMPLO:
La unidad mvil de servicios de salud visita comunidades rurales de 2,500 habitantes o

menos, que no cuentan con la infraestructura fija donde se proporcione este tipo de
servicio ( clnicas, dispensarios o postas mdicas ), pero a donde llegan vas de
comunicacin ( caminos ).
Al llegar la unidad a la poblacin, se presta un servicio preventivo de salud que consiste

en lo siguiente:
a). Recabacin de datos personales.

b). Rayos X.
c). Toma de presin arterial.
d). Muestra de sangre.
e). Muestra de orina.
f). Revisin mdica.
La unidad mvil cuanta con un personal de 6 especialistas, cada uno de los cuales se
responsabiliza por la ejecucin de la actividad correspondiente a su especialidad. Todas
las actividades anteriores se desarrollan en serie.
Se reciben en promedio 10 pacientes por hora. El tiempo promedio de servicio de cada

estacin se indica en la siguiente tabla:
117
Datos Presin Muestra Muestra Revisin
Actividad Rayos X
personales arterial de sangre de orina mdica
Tiempo promedio de servicio
3 2 1 2 1 5
en minutos por paciente
Se tiene la siguiente informacin para el parmetro i correspondiente al nmero de

servicios proporcionados por hora en la estacin i ( i = 1, 2, ., 6 ):
i 1 2 3 4 5 6
60 60 60 60 60 60
i 20 30 60 30 60 12
3 2 1 2 1 5
10 10 10 10 10 10
i 0.50 1 0.33 1 0.17 1 0.33 1 0.17 1 0.83 1
i 20 30 60 30 60 20
La probabilidad de que al entrar una persona a la unidad mvil existan dos personas
esperando a ser documentadas, una a ser sometida a rayos X, una que le tomen presin
arterial, nadie en la revisin sangunea, una esperando anlisis de orina y dos en revisin
medica es:
P L1 = Z1, L2 = Z2, L3 = Z3, L4 = Z4, L5 = Z5, L6= Z6 = ( 1 - 1 ) ( 1 )Z1 ( 1 - 2 ) ( 2 ) Z2
( 1 - 3 ) ( 3 )Z3 ( 1 - 4 ) ( 4 ) Z4 ( 1 - 5 ) ( 5 )Z5 ( 1 - 6 ) ( 6 ) Z6
P L1 = 2, L2 = 1, L3 = 1, L4 = 0, L5 = 1, L6= 2 = ( 1 0.50 ) (0.50 )2 ( 1 0.33 ) ( 0.33 )1
( 1 0.17 ) ( 0.17 )1 ( 1 0.33 ) ( 0.33 ) 0 ( 1 0.17 ) ( 0.17 )1 ( 1 0.83 ) ( 0.83 ) 2 = 0.000045
= 0.0045%
El nmero esperado de gente en todo el sistema mvil ( esperando y siendo atendidos )

es:
n 6
i 0.50 0.33 0.17 0.33 0.17 0.83
1 i
W = i 1 = 1 0.50 1 0.33 1 0.17 1 0.33 1 0.17 1 0.83
118
W =7.28 personas
Es tiempo de espera de una persona es:
n 6
i 1

TS = i 1 1 i i =
0.50 1 0.33 1 0.17 1 0.33 1 0.17 1 0.83 1

1 0.50 20 1 0.33 30 1 0.17 60 1 0.33 30 1 0.17 60 1 0.83 12
TS = 0.4965 de hora, o sea 29.79 minutos.
El tiempo o dentro del sistema es:
n 6

1 1

TW = i 1 1 i i =
1 1 1 1 1 1 1 1 1 1 1 1

1 0.50 20 1 0.33 30 1 0.17 60 1 0.33 30 1 0.17 60 1 0.83 12
TW = 0.7299 de hora, o sea 43.79 minutos.
V.9 LNEA SIMPLE, CON LLEGADAS Y SERVICIOS NO CONSTANTES,

DISTRIBUIDAS RESPECTIVAMENTE CON DISTRIBUCIN DE POISSON Y
EXPONENCIAL NEGATIVA.
Aunque hasta ahora se han considerado los valores de y como constantes, incluso
para sistemas con varios servidores en paralelo, estos valores no pueden permanecer
constante, debido a que en muchas lneas de espera se obliga a los servidores a trabajar
mas rpidamente por la presin que ejercen los que estn formados en las colas, adems
de que las llegadas al sistema son en forma irregular. Para estos casos se convierte en:
n n c 1 , n 1,2,...
119
donde:
n : Nmero de clientes en el sistema.

1 : Tasa de servicio promedio normal ( cuando no se ejerce presin o cohesin ).
n : Tasa de servicio promedio cuando existen n clientes en el sistema.
c: Coeficiente de presin de trabajo. Esta constante positiva indica el grado en el que se

afecta o modifica el tiempo de servicio, por el efecto de la gente esperando en una
cola.
Si se tiene a como constante y a n como servicios variables, los valores de P 0( t ) y de

W se han graficado para varias valores de c ( c= 0,0.2, 0.4, 0.6 ) y de S ( S = 1,2 ) en

1
funcin del parmetro S 1 . Estas graficas se muestran en las figuras anexas, al final
de este Captulo.
Un modelo ms general tomara en consideracin a la y como no constantes.
El uso de las grficas se muestra con el siguiente ejemplo.
EJEMPLO:
En la sala de emergencias de un hospital, el tiempo promedio de servicio disminuye a

medida que se llena la sala de espera, debido a que los mdicos de guardia empiezan a
delegar parte de su trabajo ( el de menor importancia ) a las enfermeras.
Un doctor tarda, en promedio, 24 minutos por paciente, si la sala de espera est vaca y
12 minutos si llegan a haber 5 pacientes ( 6 en el sistema, uno siendo atendido y 5
esperando ). Se requiere estudiar al sistema, suponiendo que los pacientes llegan en
intervalos promedio de 30 minutos, con distribucin de Poisson, considerando que existe
un mdico de guardia ( S = 1 ) y dos mdicos de guardia ( S = 2 ).
DATOS:
S = 1 mdico de guardia.
120
S = 2 mdicos de guardia.
1
30
minutos / paciente.
1
24
1 minutos / paciente.
1 1
12
n 6 minutos / paciente.
REALIZACIN DE CLCULOS Y SOLUCIN:
60 min utos / hora

1 2.5 pacientes / hora
24 min utos / paciente
60 min utos / hora

n 6 5 pacientes / hora
12 min utos / paciente
Por lo tanto:
5
6 n c 1 5 6 c (2.5) 6c 2 6c
2.5
log .2
c c 0.387 0.40
o sea que log. 2 = c log. 6 log .6
Por otro lado: = 2 pacientes por hora, por lo que:
2
0.80 1 para S = 1,
1 2.5
121
y
2
0.40 1 para S = 2,
1 2(2.5)
Con estos valores de para S = 1 y S = 2, con el valor de c = 0.40, se obtienen de las

grficas, los valores aproximados de Po y W:
Para S = 1: P0 = 0.37 y W = 1.25.
Para S = 2: P0 = 0.44 y W = 0.86.
Con los valores obtenidos y utilizando las frmulas indicadas en la Tabla 1, se obtienen
las cifras que se muestran en la Tabla 2.
TABLA 1
S=1 S=2

P1 P0 (t ) P1 P0 (t )

1
1
S

1
L W 1 P0 t
1
L P0 t
S 1! S 1

2
L L
TS TS

W 1
TW TW TS
1
122
S 1 S 1
P TS 0 1 Pn t P TS 0 1 Pn t
n 0 n 0
TABLA 2
PARMETROS S=1 S=2

0.80 0.40
S 1
P0 t 0.37 = 37% 0.44 = 44%
P1 t 0.296 = 29.60% 0.352 = 35.20%
L 0.62 1 paciente 0.156 paciente
W 1.25 1 paciente 0.86 1 paciente

0.31 de hora = 0.31 X 60 = 0.078 de hora = 0.078 X 60 =
TS
18.60 minutos 4.68 minutos
0.625 de hora = 0.625 X 60 = 0.478 de hora = 0.478 X 60 =
TW
37.50 minutos 28.68 minutos
P TS 0 0.63 = 63% 0.208 = 20.80%
123
CAPTULO VI. RUTA CRTICA.
V.1 MTODO DE LA RUTA CRTICA.
La introduccin de grficas para describir el plan de un proyecto fue un cambio radical de

la representacin tradicional de barras, y cuando se aadi a las grficas las estimaciones
de duracin y costo de cada actividad, permiti el surgimiento de diversas tcnicas de
planeacin y control verdaderamente poderosas.
124
El Mtodo de la Ruta Crtica ( MRC ) es un proceso grfico que puede utilizarse en la
planeacin y programacin de las actividades. En otras palabras el MRC es una grfica
de actividades. En esta grfica cada actividad est representada por una flecha, la cual
tiene un principio ( origen ) y un final ( extremo ). El origen de una flecha indica el inicio de
una actividad y su extremo significa la terminacin de esa actividad.
Con estas definiciones, las flechas pueden usarse para expresar relaciones entre
actividades. Cada actividad de un proceso est relacionada con las restantes de una o
ms de las maneras siguientes:
a) Debe preceder a alguna actividad o algunas actividades.
b) Debe seguir de alguna actividad o algunas actividades.
c) Puede iniciarse al mismo tiempo que otra actividad u otras actividades.
La forma de representar estas relaciones por medio de flechas, se muestra en las figuras
siguientes, en donde las letras maysculas representan actividades:
A B C
Figura 1
D
Figura 2
A B
E F
Figura 3
En la Figura 1, A debe preceder a B, por lo que el extremo de la flecha coincide con el

inicio de la flecha B; por supuesto esta figura tambin representa la relacin B debe
seguir a A.
En la Figura 2, C puede ejecutarse al mismo tiempo que D y viceversa. En este caso C y

D pueden iniciarse al mismo tiempo y atacarse simultneamente, en razn de esto, los
orgenes de las flechas C y D parten de un punto comn.
Algunas operaciones en un trabajo son completamente independientes. Esta condicin se

representa fcilmente por sus flechas; esto es, las flechas no estn conectadas en
125
ninguna forma. Por ejemplo, en la Figura 3, B debe seguir de A y E debe preceder a F. Sin
embargo, A y B no estn relacionadas con E y F.
Considerando la siguiente situacin:
a) A precede a B
b) E precede a F
c) B debe seguir a A y E
Las condiciones a) y b) son las representadas en la Figura 3 anterior. Por lo tanto, la

figura es una representacin parcial de esta situacin. Solo falta incluir la condicin c).
Esto se logra mediante la flecha punteada que se muestra en la Figura 4), que se llama
una actividad muda, la cual no requiere de tiempo para su ejecucin simplemente es un
artificio para identificar la relacin entre operaciones.
A B
E F
Figura 4
Un proyecto completo que consiste de muchas actividades, mismo que deber graficarse
tambin con muchas flechas, una para cada actividad; a esta grfica se le conoce como
DIAGRAMA DE FLECHAS.
INDICACIONES PARA CONSTRUIR UN DIAGRAMA DE FLECHAS.
Para obtener un diagrama de flechas primero se definen todas las actividades que
requiere un proyecto. Para cada actividad se coloca una flecha, cuya ubicacin en el
diagrama se determina contestando a las siguientes preguntas:
a) Cul actividad debe preceder a la analizada o cules actividades deben preceder a la
analizada?
b) Cul actividad no puede iniciarse hasta que se termine la analizada o cules

actividades no pueden iniciarse hasta que se termine la analizada?
c) Cul actividad puede iniciarse simultneamente con la analizada o cules actividades

pueden iniciarse simultneamente con la analizada?
126
Una de las caractersticas del MRC es que trata con la planeacin y programacin de un
proyecto como dos operaciones distintas y separadas, eliminando la confusin y la
incertidumbre que resulta cuando las dos se conducen simultneamente.
V.2 PLANEACIN.
Ejemplo:
En la terminal de una compaa de transportes, se tienen 3 autobuses para su limpieza.

La limpieza interior de cada autobs no puede realizarse hasta que se termine su lavado
exterior y solo se dispone de un equipo para llevar a cabo la limpieza interior y uno para
la limpieza exterior. Se pide un diagrama de actividades para llevar a cabo la limpieza de
los tres autobuses.
Nmero de Orden 1er. Orden 2do. Orden

de Actividades
Lavar autobs A
Limpieza Exterior Lavar autobs B
( Lavar ) Lavar autobs C
Limpieza de los Autobuses

( Proyecto ) Limpiar autobs A
Limpieza Interior Limpiar autobs B
( Limpiar ) Limpiar autobs C
Para llevar a cabo ordenadamente la fase de Planeacin, es recomendable preparar una

tabla denominada TABLA DE SECUENCIAS. En la Tabla de Secuencias se escriben
las descripciones de todas las actividades que constituyen el proyecto como ttulos de los
renglones y de las columnas, de manera que a cada actividad corresponde un solo
rengln y una sola columna.
Para llenar la tabla se siguen dos reglas:
a) Se analiza la actividad correspondiente a cada uno de los renglones y se determina

que actividades pueden efectuarse inmediatamente despus de terminada la
actividad en cuestin. Para esto se recorre el rengln examinando las columnas de
la tabla y colocando una X en los casilleros de las columnas que corresponden a las
actividades que pueden realizarse inmediatamente despus.
127
b) Se analiza la actividad correspondiente a cada una de las columnas y se determina
que actividades deben precederle inmediatamente antes de poder iniciar la
actividad en cuestin. Para esto se recorre la columna, examinando los renglones de
la tabla y colocando una X en los casilleros de los renglones que corresponden a las
actividades que deben ejecutarse inmediatamente antes.
TABLA DE SECUENCIAS
LIMPIAR A
LIMPIAR B
LIMPIAR C
LAVAR A
LAVAR B
LAVAR C
ACTIVIDADES
LAVAR A X X
LIMPIAR A X
LAVAR B X X
LIMPIAR B X
LAVAR C X
LIMPIAR C
Teniendo la Tabla de Secuencias, el Diagrama de Flechas se puede construir fcilmente,

como se muestra a continuacin.
Limpiar A Limpiar B
Lavar A Limpiar C
Lavar B Lavar C
128
Para evitar la dificultad de consignar el nombre de cada actividad sobre su flecha
respectiva, se le puede asignar a cada actividad, para su identificacin, un nmero al
origen de su flecha y otro a su extremo. Por ejemplo:
Limpiar A 1 2 1 -2 = Limpiar A
Como se puede observar, es comn colocar estos nmeros en crculos situados en los
extremos de las flechas, los cuales se denominan como nudos o eventos y la
numeracin debe cumplir con las siguientes condiciones:
a) El nmero del evento correspondiente al origen de la flecha debe ser menor que el
nmero del nudo correspondiente a su extremo.
b) En todo el diagrama de flechas no deben existir nmeros repetidos.
Usando el ejemplo anterior se tiene:
4
12 Lavar A
23 Lavar B
24 Limpiar A
35 Lavar C 1 2 5 6
45 Limpiar B
56 Limpiar C
V.3 PROGRAMACIN.
Cada una de las actividades de un proyecto tarda un cierto tiempo para ejecutarse
y para programarlo se necesitan conocer los clculos de tiempo correspondiente a
cada actividad.
La duracin de cada actividad deber ser estimada por alguien que conozca los
mtodos posibles de ejecucin de la actividad de acuerdo con los recursos
humanos, equipo, procesos, etc. De esta manera cada flecha del diagrama tiene
asociada una duracin. La duracin de la flecha ( i, j ) es el tiempo requerido para
ejecutar la actividad ( i, j ) representada por esa flecha.
Ejemplo:
129
4
6 12
A
1 M 9
5 8 5 8
2
B 7
6 9
4
7
0 10
3
78
5
Suponga que el diagrama de flechas, mostrado en la figura anterior, representa un

proyecto y que la duracin estimada de cada una de las actividades son las dadas en la
Tabla de Datos que se muestra a continuacin:
ACTIVIDAD DURACIN
NOMBRE NMERO UNIDAD DE TIEMPO
M 1-2 5
B 1-3 4
A 1-4 6
2-5 8
3-6 7
3-7 5
4-5 12
5-8 9
MUDA 6-7 0
6-8 7
7-9 10
8-9 8
En dicha tabla cada actividad ocupa un rengln y es identificada por su nombre en la
primera columna, y por los nmeros de los nudos del origen y extremo de cada una de las
actividades ( flechas ) en la segunda columna; en la tercera columna se encuentran
registradas las duraciones estimadas para cada actividad.
Las actividades se han consignado secuencialmente, dando primero el nmero i

(origen de la flecha) y despus el nmero j ( extremo de la flecha ). Cabe aclarar que
aunque el orden no es indispensable, se recomienda hacerlo as para una mejor
sistematizacin de los clculos.
130
Los objetivos que se persiguen en este problema son:
1) La duracin del proyecto.
2) Que actividades establecen y controlan el tiempo de duracin del proyecto ( RUTA

CRTICA ).
3) Que libertades existen en la ejecucin de las actividades que no controlan el tiempo de

duracin del proyecto ( HOLGURAS ).
PROCEDIMIENTO.
Se inicia con la determinacin y dibujo del Diagrama de Flechas, en el que se incluyen los
nudos respectivos, los cuales representan eventos o puntos en el tiempo, establecindose
un sistema de referencia asignando el valor cero al punto en el tiempo representado por
el primer nudo del diagrama. Si, por ejemplo, se expresa la duracin en das, esto
significa que el proyecto empieza al terminar el da cero. El final del da cero tambin
representa el inicio del da uno.
Despus se escribe la duracin de cada actividad, aproximadamente a la mitad de las

flechas correspondientes colocadas en el diagrama, dando inicio as al anlisis y clculos
que se requieren realizar, tomando en cuenta la siguiente
DEFINICIN DE CONCEPTOS DE LA RUTA CRTICA.
a1. El nmero del nudo correspondiente al origen de la flecha debe ser menor que el que
est en su extremo.
a2. Ningn nmero, dentro de los nudos, en todo el diagrama deber repetirse.
TOP.- El TIEMPO DE OCURRENCIA MS PRXIMO posible de un evento, es el tiempo

ms cercano en que es posible iniciar todas las actividades ( flechas ) que tienen
su origen en ese nudo.
TPT.- Es el TIEMPO MS PRXIMO DE TERMINACIN de una actividad y es igual al

TOP del nudo en que inicia dicha actividad ms su duracin.
Ejemplo:
TOP 18
5
9
TPT 27
8
131
Para encontrar el TOP de todos los nudos de un diagrama de flechas, primero se asigna
un TOP igual a cero al nudo donde inicia el diagrama ( generalmente el nudo 1 ). El TOP
para cada uno de los nudos restantes, es el mximo de los TPT de todas las actividades
que terminan en ese nudo. Entonces, se escribir, adyacente a cada nudo, su TOP
subrayado con el smbolo: .
De lo antes descrito se tiene que:
6
4
0 6 12
27
1 5 9
5 8
5 8 18 8
2
11 7 35
4 6 9
4
7 0 10
3 5
4 78
11
En este figura, del diagrama dibujado anteriormente, se muestra que se ha alcanzado el

primero de los objetivos ( inciso 1 anterior ): Determinar la duracin del proyecto, que es
de 35 das.
TOL.- Es el TIEMPO DE OCURRENCIA MS LEJANO posible, en el que pueden

completarse todas actividades que terminan en un nudo, sin causar que la duracin
del proyecto exceda al valor originalmente calculado con los TOP.
TLI.- El TIEMPO MAS LEJANO DE INICIACIN de una actividad, es igual al tiempo de

ocurrencia ms lejano ( TOL ) posible del nudo en el cual termina menos su
duracin: TLI = TOL DURACIN.
Por ejemplo, observando la figura siguiente:
4 12
6
4 6
3 5
132
5
7 TOL
El TOL del nudo 6 es 12. El TLI de 4 6 es: 12 6 = 6 y el TLI de 5 -6 es: 12 5

= 7, es decir, el TOL es igual al TLI en el nudo 5, esto es 7. El TLI de 4 5 es: 7 3 = 4,
por lo tanto de las dos actividades que se originan en el nudo 4 se puede conocer el TOL
de este nudo, que es el valor mnimo de los TLI de las actividades que se originan en
ese nudo. Por lo anterior, el TOL del nudo 4 es el menor de los TLI de 4 5 y de 4 6 ( 4
y 6 respectivamente ), es decir 4.
En el clculo del Diagrama de Flechas se utiliza el smbolo para representar los

TOP, mientras que para representar los TOL se utiliza .
Si el TOP y el TOL de un nudo son iguales, quiere decir que el tiempo ms lejano de
ocurrencia de dicho nudo es tambin su tiempo ms prximo de ocurrencia. De acuerdo
con esto, la Ruta Crtica puede definirse de la siguiente manera: La Ruta Crtica es
una cadena continua de actividades conectadas por nudos, cuyo TOP es igual a su
TOL. Esta cadena se inicia en el primer nudo y termina en el ltimo.
HL.- Es la HOLGURA LIBRE de una actividad. Est dada por la diferencia entre su TPT
y el TOP del nudo en que termina dicha actividad. Por ejemplo, para la actividad 6
8, el TPT = 18 y TOP = 27, por lo tanto: HL = TOP TPT, entonces:
HL = 27 18 HL = 9 das.
Esta holgura ms la duracin estimada originalmente ( 9+7 ) permite que la actividad 6 8

llegue a tener un tiempo de duracin igual a 16 y esto no altera el TOP del nudo 8, que es
de 27 das.
La Holgura Libre de una actividad es el tiempo en que dicha actividad puede ser
alargada o retrasada sin afectar el TOP de ningn nudo del diagrama, y por ende la
duracin del proyecto.
HT.- Se llama HOLGURA TOTAL de una actividad a la diferencia de su TOL menos su

TPT. La Holgura Total es el tiempo que una actividad puede retrasarse o
alargarse sin afectar a la duracin total del proyecto.
Para encontrar la Ruta Crtica se sigue el camino donde las holguras libres son
nulas ( cero ) y que adems forman una cadena continua desde el inicio del
proyecto hasta el final de este.
En el ejemplo, la Ruta Crtica queda definida por las actividades 1 4, 4 5, 5 8 y 8 9,

que son las que tienen la Holgura Libre nula, tal como se puede apreciar en el siguiente
diagrama de flechas.
6 6
133
4
0 0 6 12
18 27 27
1 5 10 9
5 8
5 8 18 8
2
11 7 35
4 6 9
4 20 35
7 0 10
3 5
13 78
11 25
En el Mtodo de la Ruta Crtica, los datos se tabulan como se muestra a continuacin:
1 2 3 4 5 6 7 8 9
ACTIVIDAD MS PRXIMO MS LEJANO HOLGURA
DURACIN
NOMBRE NUM INICIO TERMINA INICIO TERMINA TOTAL LIBRE
M 12 5 0 5 5 10 5 0
B 13 4 0 4 9 13 9 0
A 14 6 0 6 0 6 0 0
25 8 5 13 10 18 5 5
36 7 4 11 13 20 9 0
37 5 4 9 20 25 16 2
45 12 6 18 6 18 0 0
58 9 18 27 18 27 0 0
MUDA 67 0 11 11 25 25 14 0
68 7 11 18 20 27 9 9
79 10 11 21 25 35 14 14
89 8 27 35 27 35 0 0
COLUMNAS:
Las columnas 1, 2, y 3, son los datos de entrada. En la columna 4 se registran los TOP .
En la columna 5 se calculan los TPT, que son la suma de la columna 3 ms la columna 4.
Los TLI se incluyen en la columna 6, que se calculan con los TOL menos la columna 3.
En la columna 7 se tienen los TOL. La Holgura Total ( HT ) se calcula con los valores de
la columna 7 menos la columna 5 y se indican en la columna 8. Por ltimo, en la columna
9 se establecen las Holguras Libres ( HL ), que se determinan con la resta de los TOP de
inicio de la actividad o actividades siguientes menos el TPT de la actividad o actividades
que se estn analizando.En forma resumida se tiene:
134
COLUMNAS ( DATOS ) COLUMNAS COLUMNAS
1 Nombre de la actividad 4 TOP 7 TOL
2 Nmero de la actividad 5 TPT 8 HT
3 Duracin de la actividad 6 TLI 9 HL
DIAGRAMA DE BARRAS O DIAGRAMA DE GANTT.
ACTIVIDADES
14
45
58
89
12 HT
1-3 HT
25 HT
36 HT
37 HT
68 HT
7 9 HT
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34
DURACION
Los tiempos que se consignan en la Tabla de Datos y Clculos, pueden representarse
grficamente en forma de DIAGRAMA DE BARRAS, conocida tambin como
DIAGRAMA DE GANTT ( figura anterior ), que permite determinar la distribucin temporal
de los recursos necesarios para realizar el proyecto. Para ello se supone que todas las
actividades se inician lo ms prximamente y cada actividad se representa mediante una
barra recta cuya longitud es, a cierta escala, la duracin efectiva de la actividad. En este
diagrama se muestran adems, en forma explicita la Holgura Total de cada actividad.
Ejemplo:
135
Con los datos de la siguiente tabla, realizar todos los clculos que se requieren para su
llenado completo, encontrar la Ruta Crtica y graficar el Diagrama de Gantt.
TABLA DE DATOS Y CLCULOS
ACTIVIDAD MS PRXIMO MS LEJANO HOLGURAS

DURACIN
NMERO INICIO TERMINO INICIO TERMINO TOTAL LIBRE
12 5 0 5 0 5 0 0
23 7 5 12 5 12 0 0
24 6 5 11 14 20 9 9
34 8 12 20 12 20 0 0
35 9 12 21 19 28 7 7
45 8 20 28 20 28 0 0
56 5 28 33 30 33 0 0
DIAGRAMA DE FLECHAS
12 12
3
7 9 28 33
5 5
1 2 8 5 6
0 0 5 5 28 33
6 8
4
20 20
DIAGRAMA DE GANTT
ACTIVIDADES
12
23
34
136
45
56
24 HT
35 HT
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34
DURACION
COMPRESION.
La COMPRESION de redes es el proceso de acortar el tiempo de duracin de un proyecto

determinado por el mtodo de la Ruta Crtica.
El costo directo se forma de la suma de los costos de materiales, mano de obra y de

maquinara y el costo indirecto es una funcin directa del tiempo de duracin del proyecto.
Cuando la duracin de un proyecto se acorta, el costo aumenta, si la parte del costo

asociada a los recursos aumenta ms de lo que se disminuye la asociada con el tiempo.
Si la duracin del proyecto aumenta, tambin puede ocurrir que el costo aumente.
Tambin cuando el control del proyecto es deficiente pueden aumentarse los costos
considerablemente por efecto de recursos que no se utilizan de una manera adecuada.
Cuando una actividad se ejecuta en un tiempo normal, se dice que esta actividad tuvo una
duracin normal. En cambio, cuando la duracin de una actividad se acorta hasta su
duracin lmite se dice que dicha actividad tiene una duracin de premura.
La duracin de premura se obtiene de igual forma que la duracin normal, o sea, volumen
entre rendimiento, pero con la utilizacin de un mayor nmero de recursos que, aunque
aumentan la produccin, el rendimiento de cada mquina o el del personal disminuye, por
lo que aumenta el costo.
CAPTULO VII. ELEMENTOS DE LA TEORA ESTADSTICA DE LAS
DECISIONES ( ANLISIS DE DECISIONES ).
VII.1 INTRODUCCIN.
El seleccionar una alternativa de entre un conjunto para, de acuerdo a ciertos criterios

alcanzar una serie de objetivos y metas preestablecidas, se conoce como PROCESO DE
DECISIN y puede realizarse por una o ms personas; todo lo anterior, dentro del
entorno de los posibles estados que pueda guardar la naturaleza.
137
El proceso de decisin puede realizarse haciendo uso de los principios de la metodologa
cientfica o la improvisacin.
La Metodologa Cientfica, aplica en secuencia los siguientes pasos:
a) Observar el sistema donde incide la decisin.
b) Identificar y formular el o los problemas sobre los cuales se requiere decidir.
c) Establecer una serie de hiptesis, que pueden ser aceptadas o refutadas mediante el
uso de modelos que se han diseado explcitamente para tal fin.
d) Experimentar, es decir, resolver los modelos.
e) Verificar que los resultados de los modelos sean universalmente aplicables al problema
en cuestin, cuando ste se encuentre bajo las mismas circunstancias, en periodos de
tiempo distintos.
En cualquier acto de decisin se distinguen los siguientes elementos:
1) Uno o ms decidores que tienen una serie de objetivos y metas ( objetivos

cuantificados en el tiempo y en el espacio ), supuestamente bien definidos.
2) Un conjunto de posibles acciones o alternativas disponibles a los decisores.
3) Un conjunto de posibles resultados generados por la instrumentacin de acciones.
4) Un entorno dado por los posibles estados que guarda la naturaleza, en relacin a los
objetivos de los decisores, sobre los cuales stos no ejercen ningn control.
5) Una funcin que liga acciones y resultados con el entorno.
6) Un proceso de decisin ( tambin llamado proceso de seleccin de polticas,

estrategias, programas, etc. ), que selecciona una o varias acciones, dado un cierto
entorno y metas explcitas del grupo de decisores.
7) Un criterio que enmarca el proceso de decisin.
Los procesos de decisin pueden hacerse bajo las siguientes consideraciones:
a) Completa Certeza o Determinsticos.
b) Riesgo o Estocsticos.
c) Conflicto.
d) Completa Insertidumbre.
138
Los criterios que prevalecen en el proceso de decisin son generalmente:
CASO DETERMISTICO.
1) Minimizacin de costos, prdidas y esfuerzos.
2) Maximizacin de ganancias y beneficios.
CASO ESTOCSTICO.
Se optimizan los valores esperados correspondientes ( maximizan o minimizan ).
CASO CONFLITIVO.
Se minimizan las mximas prdidas, que equivale a maximizar las mnimas ganancias del
ponente.
CASO DE TOTAL INSERTIDUMBRE.
a) Maximizar la mnima prdida ( caracterstico de un decisor pesimista; su equivalente

sera minimizar la mxima ganancia ).
b) Maximizar la mxima ganancia ( caracterstico del especulador ).
c) Coeficientes optimistas-pesimistas ( es un criterio intermedio entre los dos anteriores ).
d) Minimizar el arrepentimiento mximo ( este criterio, se basa en lo que pudiera ocurrir a

posteriori como consecuencia de acciones instrumentadas a priori ).
e) Igualdad en la verosimilitud asociada a la ocurrencia de cualquiera de los estados de la

naturaleza ( este criterio, supone que la ocurrencia de los diferentes estados de la
naturaleza tienen igual verosimilitud y que se escoge la accin cuya simple suma
aritmtica ( promedio ) de beneficios es mayor ).
f) Estrategias mixtas.
Un problema de decisin establece la existencia de un conjunto de posibles

acciones A = a1, a2, , an . Al elegir el grupo decisor ( una o ms personas ) una accin
cualquiera aj A, se conocen o estiman las posibles consecuencias, que son a su vez
funcin de los estados de la naturaleza. Los posibles estados de la naturaleza ( 1, 2, , m )
pertenecientes al conjunto naturaleza ( ), son slo la representacin de la situacin real
donde incide la accin aj A. El decisor no ejerce ningn control sobre la ocurrencia de los
estados de la naturaleza. Una funcin f( aj, k ), que puede dimensionarse en trminos
monetarios o de utilidad, mide las consecuencias de instrumentar una accin cualquiera aj
A, dado un estado de la naturaleza k .
139
Cuando la funcin f( aj, k ), para toda aj A y k , tiene dimensiones monetarias y de utilidad
y cuando impera en el grupo de decisores uno solo u objetivos mltiples podrn
resolverse problemas de decisiones, mediante el uso de la TEORA DE DECISIN
ESTADSTICA O TEORA BAYESIANA DE DECISIN.
VII. 2 TEORIA BAYESIANA DE DECISIN.
VII.2.1 DECISIN SIN EXPERIMENTACIN.
Se supone que el grupo decisor tiene un solo objetivo cualquiera y que la funcin
f( aj, k ) est dada sin dimensiones monetarias.
CRITERIO MINIMX.
El grupo decisor tiene que escoger una alternativa aj A dado un estado de la naturaleza k
. Debido a que se desconoce cual ser el estado k, el decisor opta por utilizar un
CRITERIO MINIMX, es decir, para una k dada elegir aquella aj A que genere el
mximo f( aj, k ). Sea esta accin la a*ik ( el subndice j indica la fila y el k la columna de la
matriz f( aj, k ) ). Entonces, el Criterio Minimx consiste en relacionar el mnimo de todas
las a*ik identificada con anterioridad, en otras palabras, el grupo decisor elegir:
Mn. a*ik
k
El grupo decisor desea minimizar los mximos riesgos que puedes afrontar o bien su
equivalente: maximizar los mximos beneficios que se puede derivar.
Ejemplo:
Una compaa petrolera ha realizado estudios geolgicos en una zona en la que se cree
que podra encontrarse el energtico. Estos estudios, muestran que los posibles estados
de la naturaleza ( entornos ) relativos a los objetivos de la compaa son cuatro; ante tales
posibilidades, la compaa puede instrumentar en la regin una sola o una combinacin
de las tres alternativas o cursos de accin que puede elegir. Los posibles resultados de
140
cualquier accin y la funcin que las liga con el entorno, al igual que los dos puntos
anteriores se observan en la Tabla 1:
TABLA 1
Entorno k 1 2 3 4
Existen yacimientos
Existen yacimientos
del orden de un Solo Regin
del orden de 200,000
milln de barriles existe gas seca
barriles diarios
Accin aj diarios
No hacer Prdida
a1 Prdida de 500 Prdida de 100 0
nada de 50
Explorar y Ganancia Perdida
a2 Ganancia de 500 Ganancia de 100
explotar de 50 de 900
Realizar
Estudios Prdida Prdida
a3 Prdida de 30 Prdida de 30
ms de 30 de 30
completos
f( aj, k )
Resultados en millones de pesos mensuales.
Suponiendo que los entornos tienen la distribucin de probabilidad de ocurrencia que se

muestra en la Tabla 2:
TABLA 2
Entorno k Probabilidad
1 Un milln de barriles diarios 0.55
2 200 mil barriles diarios 0.30
3 Slo existe gas 0.10
4 Regin Seca 0.05
P( k ) = P = k
y que se desconoce que estado guarda la naturaleza en cuanto a la regin en estudio, la

compaa, bajo un criterio minimx, actuar de la siguiente manera:
A) De existir yacimientos del orden de un milln de barriles diarios de crudo ( 1 ), la

compaa elegir la accin a* 21 = a2 ( explorara y explotar ), ya que esta accin se
asocia al siguiente mximo:
Mx. f( aj, 1 ) = Mx. { -500, 500, -30 } = $ 500 millones mensuales
141
j = 1, 2, 3
B) Con yacimientos del orden de 200 mil barriles diarios de crudo ( 2 ), la compaa
petrolera elegir la accin a*22 = a2 ( explorar y explotar ), ya que a esta accin se
asocia al siguiente mximo:

j = 1, 2, 3
C) Si existe solamente gas ( 3 ), la compaa petrolera elegir la accin a* 23 = a2

( explorar y explotar ), ya que a esta accin se asocia al siguiente mximo:

j = 1, 2, 3
D) Si la regin est seca ( 4 ), se elegir la accin a*14 = a1 ( no hacer nada ), ya que est
accin se asocia al siguiente mximo.
Mx. f( aj, 4 ) = Mx. { 0, -900, -30 } = $ 0 millones mensuales

j= 1, 2, 3
Ya que la compaa petrolera desconoce cual ser el estado de la naturaleza, elegir la

accin a1 ( no hacer nada ), ya que esta accin minimizar la mxima ganancia, es decir:
Mn. { a*jk }= Mn {a*21, a*22, a*23, a*14} = a*14 = a1

K = 1, 2, 3, 4
A la accin a1, se asocia al siguiente mximo: Mn { 500, 100, 50, 0 } = $ 0
Esta accin minimiza el mximo beneficio para la compaa.
El Criterio Minimx, supone que la naturaleza es malvola y trata de hacer el mayor

dao posible al oponente ( en este caso al grupo decisor ).
Como la naturaleza, por lo general, no es as, se debe utilizar un criterio substituto al

minimx ( o maximn ). Este subtituto es el CRITERIO DE BAYES, con o sin la
informacin generada por la experimentacin.
El Criterio de Bayes supone que los estados que presenta la naturaleza son variables
aleatorias que pueden o no tener una distribucin de probabilidad conocida o estimada.
142
Si esta distribucin se conoce o se le puede estimar por datos histricos, entonces se
llama distribucin a priori. Todas las distribuciones a priori son subjetivas, ya que se
estiman en funcin a la experiencia o intuicin de los individuos que forman el grupo
decisor.
Sea P ( k ) la probabilidad de que el estado de la naturaleza sea k. Por ejemplo, de la

Tabla 2, se tiene:
P = 1 = P ( 1 ) = 0.55
P = 2 = P ( 2 ) = 0.30
P = 3 = P ( 3 ) = 0.10
P = 4 = P ( 4 ) = 0.05
El criterio de Bayes establece, en este caso, que el decisor, haciendo uso de su

distribucin a priori, debe seleccionar aquella estrategia que minimice su prdida o
maximice su ganancia esperada. Matemticamente esto se traduce a que el decisor
selecciona la a*j A que:
Mn E f( aj, k )
K
Donde E [ ] es el valor esperado de una prdida ( o una ganancia si la expresin se

maximizara ) y k tiene una distribucin a priori dada ( discreta continua ).
CRITERIO DE BAYES.
Ejemplo:
Con los datos de las Tablas 1 y 2, se tienen los siguientes valores esperados:
1). Si se selecciona la accin a 1 ( no hacer nada ), el beneficio o la prdida esperada es

de:
143
E f( a1, k ) = - 500 ( 0.55 ) 100 ( 0.30 ) 50 ( 0.10 ) 0 ( 0.05 ) =
E f( a1, k ) = - $ 310 millones mensuales.
2). Si se elige la accin a2 ( explorar y explotar ), el beneficio o prdida esperada es de:
E f( a2, k ) = 500 ( 0.55 ) + 100 ( 0.30 ) + 50 ( 0.10 ) 900 ( 0.05 ) =
E f( a2, k ) = $ 265 millones mensuales.
3). De seleccionarse la accin a3 ( estudiar ms completamente a la regin ) el beneficio o

prdida esperada es de:
E f( a3, k ) = - 30 ( 0.55 ) - 30 ( 0.30 ) - 30 ( 0.10 ) 30 ( 0.05 ) =
E f( a3, k ) = - $ 30 millones mensuales.
El criterio de Bayes que selecciona la mnima perdida esperada, o su equivalente, la

mxima ganancia esperada, determinar que la accin a 2 ( explorar y explotar ) es la mas
adecuada, ya que para esta accin se obtiene el mximo E f( aj, k ) , tal como se muestra
a continuacin:
Mx. E f( aj, k ) = Mx. - 310, 265, -30 = $ 265 millones mensuales.

j= 1, 2, 3
VII.2.2 DECISIN CON EXPERIMENTACIN.
Sea x una variable aleatoria que denota la informacin disponible de una muestra
aleatoria travs de la experimentacin. El decisor debe seleccionar una serie de reglas
conocidas como polticas o estrategias, que le orienten sobre el uso que deba darle a la
informacin derivada de un experimento, con el fin de apoyar su toma decisiones.
Sea g(y) una funcin que se define como a = g(y), si x = y; es decir, se selecciona la
accin a, si la variable aleatoria x toma el valor y. El decisor seleccionar, dentro de todas
las acciones aj A generadas por esta funcin, aquella que satisfaga cierto criterio de
optimalidad ( el que sea ). Como y es una variable aleatoria, la funcin g(y) tambin lo es
por lo tanto, se requiere de valores esperados.
144
Complementariamente se requiere de otra funcin que ligue al posible estado de la
naturaleza con la accin seleccionada aj A, que a su vez se deriva del valor de la variable
aleatoria x. Esta funcin, conocida como funcin de riesgo, se define como:
R ( g(y), k ) = E f( g(y), k ) - C,
donde el valor esperado se toma con respecto a la distribucin de la variable aleatoria x y

C es el costo del experimento, el cual debe incluir obviamente en la funcin de riesgo.
El decisor seleccionara aquella accin aj A que, por ejemplo, minimice el valor de la

funcin de riesgo.
Ejemplo:
Suponga que la misma compaa petrolera realiza estudios ssmicos de la regin a un

costo de 112 millones de pesos, que producen resultados que pueden clasificarse en
cualquiera de los siguientes cuatro grupos, mutuamente excluyentes:
a) Ondas ssmicas que denotan una estructura geolgica cerrada, altamente

favorable ( Categora I ).
b). Ondas ssmicas que denotan una estructura geolgica un poco mas abierta, situacin
algo menos favorable ( Categora II ).
c). Ondas ssmicas que denotan una estructura abierta ( Categora III ).
d). Ondas ssmicas que denotan que no existe una estructura geolgica en el sitio de
inters ( Categora IV ).
De 500 estudios realizados en el pasado en otras regiones, se ha configurado la matriz de

frecuencias mostrada en la tabla siguiente:
TABLA DE FRECUENCIAS
1 2 3 4
145
Estados de la
Naturaleza
Regiones con Regiones con
Regiones
produccin de produccin de Regiones Total de
con Gas
1 milln de 200 mil barriles Secas estudios
Clasificacin
nicamente
barriles diarios diarios
Ssmica
I 20 40 100 10
II 8 20 25 20
III 2 5 5 30
IV 0 5 20 190
Total 30 70 150 250 500
De esta tabla se produce la matriz de probabilidades que se muestra a continuacin:
TABLA DE PROBABILIDADES CONDICIONALES

k
1 2 3 4
y
I 20/30 = 0.667 40/70 = 0.571 100/150 = 0.667 10/250 = 0.040
II 8/30 = 0.267 20/70 = 0.287 25/150 = 0.167 20/250 = 0.080
III 2/30 = 0.066 5/70 = 0.071 5/150 = 0.033 30/250 = 0.120
IV 0/30 = 0.000 5/70 = 0.071 20/150 = 0.133 190/250 = 0.760
P x = y = k = Qx = k ( y )
Suponiendo que la poltica o estrategia o regla de decisin ( arbitraria ) es la siguiente:
a) Si la clasificacin ssmica es I o II, se elige la accin a2 ( explorar y explorar ).
b) Si la clasificacin ssmica es III, se elige la accin a 3 ( realizar otros estudios ms

profundos ).
c) Si la clasificacin ssmica es IV, se elige la accin a1 ( no hacer nada ).
Matemticamente, lo anterior se expresa como:
a 1, si x = IV
g(x)= a 2, si x=I x = II
a 3, si x = III
146
La funcin de riesgo derivada del uso de la poltica arbitraria anterior, g(x), calculada a
partir de:
R ( g(x), k ) = E f ( g(x), k ) - C,
es igual a:
R ( g(x), 1 ) = - 500 ( 0.000 ) + 500 ( 0.667 + 0.267 ) 30 ( 0.066 ) 112
R ( g(x), 1 ) = 0.000 + 467 1.98 - 112
R ( g(x), 1 ) = $ 353.02 millones mensuales para 1
R ( g(x), 2 ) = - 100 ( 0.071 ) + 100 ( 0.571 + 0.287 ) 30 ( 0.071 ) 112
R ( g(x), 1 ) = - 7.10 + 85.80 2.13 - 112
R ( g(x), 2 ) = - $ 35.43 millones mensuales para 2
R ( g(x), 3 ) = - 50 ( 0.133 ) + 50 ( 0.667 + 0.167 ) 30 ( 0.033 ) 112
R ( g(x), 3 ) = - 6.65 + 41.70 0.99 - 112
R ( g(x), 4 ) = 0 ( 0.76 ) - 900 ( 0.04 + 0.08 ) 30 ( 0.12 ) 112
R ( g(x), 4 ) =0.00 108.00 3.60 - 112
Las funciones de riesgo proveen de mecanismo para definir un criterio de obtimalidad.

Una decisin ptima ser aquella que minimice el riesgo para toda ocurrencia k .
147
El uso de funcin de riesgo debe complementarse con las probabilidades que se puedan
derivar a partir de las distribuciones a priori y la informacin derivada de la
experimentacin.
El principio de Bayes aplicado a la funcin de riesgo R ( g(x), k ), para una distribucin

discreta de la ocurrencia del estado de la naturaleza k, P( k ), genera la siguiente funcin
de riesgo ponderado esperado:
B g(y) = R ( g(y), k ) P( k )
k
Para una distribucin continua, la funcin anterior ser:
B g(y) =
R ( g(y), Z ) P( Z ) d
Z
Para el ejemplo en cuestin, dada una poltica arbitraria g(x), su riesgo ponderado
esperado B g(y) es:
B g(y) = R ( g(y), k ) P( k )
k
B g(y) = 353.02 ( 0.55 ) 35.43 ( 0.30 ) 77.94 ( 0.10 ) 223.60 ( 0.05 )
B g(y) = $ 164.56 Millones mensuales
El principio de bayes seleccionara aquella funcin g(y) que minimiza el riesgo B g(y) .
De a = g(y) si x=y se desprende que, al seleccionar g(y), se escoge, al mismo tiempo, la
accin a.
La dificultad consiste en encontrar una metodologa que genere solo el subgrupo de
funciones g(y) donde se encuentre la ptima, sin necesidad de una bsqueda exhaustiva
de todas estas funciones.
El principio de Bayes se resume con los puntos que a continuacin se enumeran:
148
a) Si no existe experimentacin ( datos adicionales ), se selecciona aquella accin que
minimiza la prdida maximiza la ganancia esperada, calculndose sta con la
distribucin a priori de los estados de la naturaleza.
b) Si existe informacin adicional ( posiblemente a travs de la experimentacin ), sta se

usa para actualizar la distribucin a priori de los estados de la naturaleza. La nueva
distribucin, llamada a posteriori, es la distribucin condicional del estado de la
naturaleza , dado que el experimento x arroja un cierto valor y. Con la distribucin a
posteriori, se calcula una nueva funcin de riesgo y el criterio de Bayes selecciona
aquella accin que minimiza la prdida maximiza la ganancia esperada de la nueva
funcin.
Si se denota por:
hx = y ( k ) = P = k x = y
La distribucin a posteriori, cuando es una variable aleatoria discreta, o bien hx = y (Z)

cuando es continua, entonces la distribucin a posteriori se calcula de:
Qx = k ( y ) P( k )
hx = y ( k ) =
Qx = k ( y ) P( k )
toda k
donde:
Qx = k (y)=Px=y =k
y
Qx = k ( y ) P( k ), se conoce como distribucin marginal.

toda k
La P( k ) es la probabilidad a priori P = k . Las probabilidades condicionales, Q x se

conocen a travs de la informacin que se obtiene de la experimentacin y de datos
histricos.
149
Ejemplo:
Dadas las probabilidades a priori de la Tabla 2 y las condicionales Qx = k ( y ) de la tabla

de matriz de probabilidades, se calculan las probabilidades a posteriori hx = y ( k ).
Para x = I
0.667 ( 0.55 ) 0.3669

hx = I ( 1 ) = =
0.667 ( 0.55 ) + 0.571 ( 0.30 ) + 0.667 ( 0.10 ) + 0.04 ( 0.05 ) 0.6069
hx = I ( 1 ) = 0.6045
0.571 ( 0.30 ) 0.1713

hx = I ( 2 ) = =
0.667 ( 0.55 ) + 0.571 ( 0.30 ) + 0.667 ( 0.10 ) + 0.04 ( 0.05 ) 0.6069
hx = I ( 2 ) = 0.2823
0.667 ( 0.10 ) 0.0667

hx = I ( 3 ) = =
0.667 ( 0.55 ) + 0.571 ( 0.30 ) + 0.667 ( 0.10 ) + 0.04 ( 0.05 ) 0.6069
hx = I ( 3 ) = 0.1099
0.040 ( 0.05 ) 0.002

hx = I ( 4 ) = =
0.667 ( 0.55 ) + 0.571 ( 0.30 ) + 0.667 ( 0.10 ) + 0.04 ( 0.05 ) 0.6069
hx = I ( 4 ) = 0.0033
Para x = II
150
0.267 ( 0.55 ) 0.1469
hx = II ( 1 ) = =
0.267 ( 0.55 ) + 0.287 ( 0.30 ) + 0.167 ( 0.10 ) + 0.08 ( 0.05 ) 0.2537
hx = II ( 1 ) = 0.5790
0.287 ( 0.30 ) 0.0861

hx = II( 2 ) = =
0.267 ( 0.55 ) + 0.287 ( 0.30 ) + 0.167 ( 0.10 ) + 0.08 ( 0.05 ) 0.2537
hx = II ( 2 ) = 0.3394
0.167 ( 0.10 ) 0.0167

hx = II ( 3 ) = =
0.267 ( 0.55 ) + 0.287 ( 0.30 ) + 0.167 ( 0.10 ) + 0.08 ( 0.05 ) 0.2537
hx = II ( 3 ) = 0.0658
0.080 ( 0.05 ) 0.004

hx = II ( 4 ) = =
0.267 ( 0.55 ) + 0.287 ( 0.30 ) + 0.167 ( 0.10 ) + 0.08 ( 0.05 ) 0.2537
hx = II ( 4 ) = 0.0158
Para x = III
0.066 ( 0.55 ) 0.0363

hx = III (1)= =
0.066 ( 0.55 ) + 0.071 ( 0.30 ) + 0.033 ( 0.10 ) + 0.12 ( 0.05 ) 0.0669
hx = III ( 1 ) = 0.5426
0.071 ( 0.30 ) 0.0213

hx = III ( 2 ) = =
0.066 ( 0.55 ) + 0.071 ( 0.30 ) + 0.033 ( 0.10 ) + 0.12 ( 0.05 ) 0.0669
151
hx = III ( 2 ) = 0.3184
0.033 ( 0.10 ) 0.0033

hx = III ( 3 ) = =
0.066 ( 0.55 ) + 0.071 ( 0.30 ) + 0.033 ( 0.10 ) + 0.12 ( 0.05 ) 0.0669
hx = III ( 3 ) = 0.0493
0.120 ( 0.05 ) 0.0060

hx = III ( 4 ) = =
0.066 ( 0.55 ) + 0.071 ( 0.30 ) + 0.033 ( 0.10 ) + 0.12 ( 0.05 ) 0.0669
hx = III ( 4 ) = 0.0897
Para x = IV
0.000 ( 0.55 ) 0.0000

hx = IV (1)= =
0.000 ( 0.55 ) + 0.071 ( 0.30 ) + 0.133 ( 0.10 ) + 0.76 ( 0.05 ) 0.0726
hx = IV ( 1 ) = 0.0000
0.071 ( 0.30 ) 0.0213

hx = IV ( 2 ) = =
0.000 ( 0.55 ) + 0.071 ( 0.30 ) + 0.133 ( 0.10 ) + 0.76 ( 0.05 ) 0.0726
hx = IV ( 2 ) = 0.2934
0.133 ( 0.10 ) 0.0133

hx = IV ( 3 ) = =
0.000 ( 0.55 ) + 0.071 ( 0.30 ) + 0.133 ( 0.10 ) + 0.76 ( 0.05 ) 0.0726
hx = IV ( 3 ) = 0.1832
152
0.760 ( 0.05 ) 0.0380
hx = IV ( 4 ) = =
0.000 ( 0.55 ) + 0.071 ( 0.30 ) + 0.133 ( 0.10 ) + 0.76 ( 0.05 ) 0.0726
hx = IV ( 4 ) = 0.5234
Las probabilidades a posteriori se resumen en la Tabla 5, en la siguiente pgina.
El proceso Bayesiano de decisin consiste en seleccionar aquella accin aj A que

optimiza el valor esperado de la funcin de consecuencias y donde el valor esperado se
calcula con las distribuciones a posteriori. Especficamente, se elige aquella aj A que:
f (aj, k ) hx = y ( k ), si k es discreta.
toda k
Opt. E f( aj, k ) =

f (a , Z ) h = ( Z ) dz, si k es continua.
aj A j x y
TABLA 5
k
1 2 3 4
Clasificacin de
y
experimentos
I 0.6045 0.2823 0.1099 0.0033
II 0.5790 0.3394 0.0658 0.0158
III 0.5426 0.3184 0.0493 0.0897
IV 0.0000 0.2934 0.1832 0.5234
hx = y ( k ) = P = k x = y .
La frmula de probabilidades a posteriori es til slo cuando x y tienen distribuciones

discretas. Si la distribucin de x es continua y la de es discreta, la distribucin a posteriori
escrita hx = y ( Z ), se calcula de:
153
fx = k ( y ) P( k )
hx = y ( Z ) =

f = Z( y ) P( Z ) dz
x
donde P( k ) es la distribucin a priori y fx = k ( y ) es la funcin de densidad de la

variable aleatoria x, escrita de tal forma que muestra su dependencia en la otra variable
aleatoria . La expresin:

f = Z( y ) P( Z ) dz
x
se conoce como densidad marginal de la variable aleatoria x.
Si tanto x y son variables aleatorias continuas, la frmula h x = y ( Z ) se utiliza igual pero

tomando en cuenta que P( k ) es una funcin de densidad a priori, en vez de una
distribucin. Por ultimo, si es una variable aleatoria continua y x es discreta, se utiliza la
frmula hx = y ( k ), con la salvedad de que P( k ) es una funcin de densidad a priori en
vez de una distribucin.
Ejemplo:
Se aplica el criterio de Bayes para seleccionar la accin que minimiza el riesgo

maximiza la ganancia esperada de la compaa petrolera, dadas las consecuencias de la
Tabla 1 y las distribuciones a posteriori de la Tabla 5.
1. Si el experimento se clasifica en el Grupo I, entonces la accin a elegir ser

la a2 ( explorar y explotar ), ya que minimiza el riesgo, como se muestra a
continuacin:
E f( a1, ) = - 500 ( 0.6045 ) 100 ( 0.2823 ) 50 ( 0.1099 ) +

0 ( 0.0033 ) 112 = - $ 447.98 millones mensuales.
Mx. aj A E f( a2, ) = 500 ( 0.6045 ) + 100 ( 0.2823 ) + 50 ( 0.1099 ) -

900 ( 0.0033 ) 112 = $ 221.01 millones mensuales.
154
E f( a3, ) = - 30 ( 0.6045 ) 30 ( 0.2823 ) 30 ( 0.1099 ) -
2. Si por el contrario, el experimento resulta del Tipo II, la accin a elegir ser de nuevo la
a2 ( explorar y explotar ), ya que minimiza el riesgo, como se muestra a continuacin:
E f( a1, ) = - 500 ( 0.5790 ) 100 ( 0.3394 ) 50 ( 0.0658 ) +

Mx. aj A E f( a2, ) = 500 ( 0.5790 ) + 100 ( 0.3394 ) + 50 ( 0.0658 ) -

E f( a3, ) = - 30 ( 0.5790) 30 ( 0.3394 ) 30 ( 0.0658 ) -

3. Para un experimento Tipo III, se elige nuevamente a 2 ( explorar y explotar ), tal como se
observa en los siguientes clculos.
E f( a1, ) = - 500 ( 0.5426 ) 100 ( 0.3184 ) 50 ( 0.0493 ) +

Mx. aj A E f( a2, ) = 500 ( 0.5426 ) + 100 ( 0.3184 ) + 50 ( 0.0493 ) -

E f( a3, ) = - 30 ( 0.5426 ) 30 (0.3184 ) 30 ( 0.0493 ) -

4. Para un experimento Tipo IV, la accin recomendada ser la a 3 ( realizar estudios ms

completos de la regin ):
E f( a1, ) = - 500 ( 0.0000 ) 100 ( 0.2934 ) 50 ( 0.1832 ) +

Mx. aj A E f( a2, ) = 500 ( 0.0000 ) + 100 ( 0.2934 ) + 50 ( 0.1832 ) -

155
E f( a3, ) = - 30 ( 0.0000 ) 30 ( 0.2934 ) 30 ( 0.0493 ) -
VII.3 COSTO DE LA INFORMACIN PERFECTA.
La experimentacin proporciona mas informacin ( distribucin a posteriori ), para la toma

de decisiones en el marco de total incertidumbre. Sin embargo, esta tiene un costo y
surge la pregunta: hasta que punto es conveniente pagar por mas informacin derivada
de la experimentacin ?
Si se tuviera solo la informacin de la distribucin a priori el beneficio prdida esperada

E( I ), seria:
E ( I ) = Opt. f ( aj, k ) P ( k ),
k aj
donde ptimo significa mximo, si se trata de un beneficio, o mnimo si se trata de una

prdida. La expresin anterior nicamente dice que si se sabe cual va a ser el estado de
la naturaleza, k, se elige aquella accin aj A que optimiza la funcin de consecuencias f
( aj, k ), para una funcin k fija. Por otro lado, el criterio de Bayes sin experimentacin
( sin distribucin a posteriori ), calcula el valor esperado de una consecuencia, es decir
E f( aj, k ) , y selecciona aquel que sea el mayor, en caso de tratarse de beneficios el
menor si son prdidas. La diferencia:
C = Opt. E f ( aj, k ) - E ( I )
representa el costo de la informacin perfecta. Lo anterior significa que si el costo del

experimento, C, es menor o igual a C, ste se debe llevar a cabo para obtener o estimar
las distribuciones a posteriori; si por el contrario C < C, no vale la pena experimentar; es
decir, el criterio de Bayes sin informacin produce mas econmicamente y con tan buenos
resultados ( o mejores ) de los que se pueden obtener con experimentacin.
Ejemplo:
Cul ser la valor superior del costo de experimentacin que la Compaa Petrolera
estara dispuesta a pagar, para obtener informacin perfecta?
Para calcular: E ( I ) = Mx. f ( aj, k ) P ( k ),

k aj
se procede de la siguiente manera.
Primero, se calcula el Mx. f ( aj, k ) para una R dada, k = 1, 2, 3, 4 cuyos resultados se

aj A
proporcionan a continuacin en la Tabla 6:
156
TABLA 6
Si: = k Mx. f ( aj, k ) aj P ( k )
1 + 500* a2 0.55
2 + 100 a2 0.30
3 + 50 a2 0.10
4 0 a1 0.05
*En millones de pesos
Entonces:
E ( I ) = 500 ( 0.55 ) + 100 ( 0.30 ) +50 ( 0.10 ) + 0 ( 0.05 ) = $ 310 millones mensuales.
Por lo tanto, el costo de informacin perfecta C, es:
C = Opt. E f ( aj, k ) - E ( I ) = 265 310 = - $ 45 millones mensuales.

aj
Por lo que, la Compaa Petrolera, no debera pagar mas de 45 millones de pesos por
obtener informacin perfecta a travs de la experimentacin y as construir sus
distribuciones a posterior para la utilizacin del Criterio Bayesiano de decisin. Como los
experimentos le estn costando a la compaa C = $ 112 millones y C C, se le
recomendara abandonar las experimentos y decidir en base a la distribucin a priori.
Algunas comparaciones entre el criterio de Bayes con y sin experimentacin, y de stas

con una poltica arbitraria como la g( x ), arrojan los siguientes resultados:
Con las distribuciones a posteriori, el criterio de decisiones de Bayes da los valores

indicados en la TABLA 7:
TABLA 7
Distribucin marginal
Resultado del Mx. E [ f ( aj, k ) ] Qx = k(y) P(k)
Experimento x aj A
toda k
I 221.01* 0.6069
II 200.51 0.2537
III 112.88 0.0669
IV - 142.00 0.0726
*En millones de pesos mensuales
La suma ponderada de las consecuencias esperadas, de acuerdo al Criterio de Bayes, se

calcula a partir de:
[ Mx. E f ( aj, ) Qx = k(y) P(k) ] =
157
x aj A toda k
= 221.01 ( 0.6069 ) + 200.51 ( 0.2539 ) + 112.88 ( 0.0669 ) 142.00 ( 0.0726 )
= $ 182.24 millones mensuales
El valor del experimento ( mas all de su costo de 112 millones ) es la diferencia de la

suma ponderada anterior, menos el resultado del Criterio de Bayes sin experimentacin
( Opt. E f ( aj, k ) ), es decir:
182.24 265 = - $ 82.76 millones mensuales,
indicando lo anterior un egreso ( ahorro negativo ) de 82.76 millones de pesos mensuales

por haber decidido con ayuda de la experimentacin.
La poltica arbitraria g(x), generar una funcin de riesgo ponderada:
B g(x) = R ( g(x), k ) P( k ) =
toda k
= 353.20 ( 0.55 ) - 35.43 ( 0.30 ) - 77.94 ( 0.10 ) - 223.6 ( 0.05 )
= $ 164.56 millones mensuales.
Por lo tanto, utilizar el Criterio de Bayes sin experimentacin en relacin a una poltica
arbitraria, como la g(x), genera un ahorro de 265 - 164.56 = $ 100.44 millones
mensuales.
VII.4 RBOLES DE DECISIN.
El Proceso Bayesiano de decisin, con o sin experimentacin, puede representarse y

resolverse grficamente a travs de los llamados rboles de Decisin, como el que se
ilustra en la figura de la siguiente pgina.
Por medio de este mtodo grfico, se expresan en orden cronolgico las acciones
disponibles al decisor y los eventos aleatorios asociados a los estados de la naturaleza.
Las primeras se representan en el rbol por un cuadrado; los segundos por un crculo.
Los rboles de decisin contemplan dos etapas:
a) Diseo.
b) Solucin.
158
El Diseo se hace cronolgicamente de izquierda a derecha; la Solucin en sentido
contrario.
Para resolver el rbol de decisin se utiliza en cada una de las ramas asociadas al estado
de la naturaleza ( 1, 2, 3, 4 ) el valor de la funcin de consecuencias f ( aj, k )
correspondiente. Para la parte sin experimentacin, se utilizan las distribuciones a priori P
( k ), que generan los valores esperados. En cambio, para la parte con experimentacin
se utilizan las distribuciones a posteriori, hx = y ( k ), para calcular los valores esperados.
Los valores obtenidos de la experimentacin afectados por la distribucin marginal
Qx = k ( y ) P ( k )
toda k
generan el valor final esperado. Por ltimo, el valor esperado final para la decisin, con
sin experimentacin, es el mximo de los valores de los dos casos mencionados, pero
deduciendo el costo de la experimentacin, si se elige esta accin. Se utiliza el operador
mximo para ganancias y mnimo para prdidas.
159
El resultado ptimo apunta a la decisin de explorar y explotar, sin el auxilio de la
experimentacin.
De lo anterior se deduce que para el diseo y solucin de un rbol de decisiones, son

necesarios los siguientes elementos:
a) La Funcin de Consecuencias: f ( aj, k ).
b) La Distribucin a Priori: P (k).
c) La Distribucin a Posteriori: hx = y ( k ).
d) La Distribucin Marginal: Qx = k ( y ) P( k ).
toda k
Con los elementos anteriores se calculan riesgos esperados.
En el caso sin informacin: E f ( aj, ) = f ( aj, k ) P ( k ), aj A.

k
Y con informacin: E f ( aj, ) = f ( aj, k ) hx = y ( k ), aj A,

k
adems de riesgos ponderados esperados:
160
B g(x) = E f ( aj, ) Qx = k(y) P(k)
k k
La utilidad del mtodo grfico del rbol de decisin es mas pedaggica e ilustrativa que
prctica: si los conjuntos A, y X tienen mas de 5 elementos cada uno, la grfica se
convierte en un verdadero laberinto, que requiere de espacios muy grandes para su
diseo y solucin.
VII.5 LA FUNCIN DE UTILIDAD.
La funcin de consecuencias f ( aj, k ) para una aj A y k dadas, no necesariamente debe

tener dimensiones monetarias; por lo que se analiza otra dimensin, llamada utilidad.
La teora de la utilidad proporciona un modelo matemtico que describe el

comportamiento de un decisor racional en un marco de completa incertidumbre. Para
cualquier decisor racional existe una funcin numrica, llamada Funcin de Utilidad
definida sobre eventos de inters, cuya propiedad es que el decisor elegir la alternativa
asociada a su preferencia, cuando seleccion aquella accin que maximiza su utilidad
esperada.
Para definir el concepto de utilidad debe introducirse la nocin de lotera de una etapa y
de n etapas ( n > 1 ).
Una lotera de una etapa es un experimento aleatorio que tiene un conjunto de eventos o
resultados E = { e1, e2, ,em }, cada evento ej ( j = 1, , m ) con probabilidad de
ocurrencia pj, tal que:
m

j 1
pj = 1 0 pj 1, j = 1, , m.
Matemticamente, una lotera de una etapa se denota por;
L = { ( e1, p1 ), ( e2, p2 ), , (em, pm) }
Una lotera de dos etapas es un experimento aleatorio doble. El primer experimento tiene
un posible conjunto de eventos o resultados E = { 1, 2, k }, cada uno con probabilidad
de ocurrencia: qi ( i = 1, ..., k ),
k
qi 1
tal que: i 1 0 qi 1, i=1, , k.
Si el resultado del primer experimento es i, con probabilidad qi, el jugador tiene acceso al
segundo experimento aleatorio, constituido por una lotera de una sola etapa, L i, tal que:
161
Li = { ( e1, pi1 ), ( e2, pi2 ), ..., ( em, pim ) , i = 1, ..., k,
donde pit es la probabilidad de ocurrencia del evento e t ( t = 1, .., m ) de la lotera Li ( i =

1, , k ) con
m
p it 1
t 1 , i = 1, ..., k 0 pit 1, t = 1, , m; I = 1, , k.

L
La lotera de dos etapas se puede entonces denotar por ,

L = { ( q1, L1 ), ( q2, L2 ), ., ( qk, Lk ) },
ms explcitamente:
L= { q1 ( e1, p11 ), ..., ( em, p1m ) , q2 ( e2, p21 ), ..., ( em, p2m ) , ., qk ( e1, pk1 ), ..., ( em,
pkm ) }.
En resumen, una lotera doble puede expresarse en trminos de una lotera simple donde
los eventos son loteras simples.
Anlogamente, se puede definir una lotera de tres etapas como una lotera de una sola
etapa, donde los premios o castigos son loteras de dos etapas. En general, una lotera de
n etapas ( n 1), es una lotera de una etapa, donde los premios o castigos son loteras de
( n 1 ) etapas.
La funcin de utilidad de un decisor queda definida por: = f ( ej ), cuyo dominio es el

conjunto E = { e1, e2, ,em } de eventos aleatorios y j es la utilidad del evento ej.
Para cada decisor existir una funcin de utilidad diferente. Es ms, un mismo decisor
podr cambiar su funcin de utilidad en el tiempo ( cambia sus valores, preferencias
forma de pensar, etc. ). Por lo tanto, la funcin de utilidad de un decisor no es nica.
Obviamente = f ( ej ) define una variable aleatoria , que ser la utilidad de la lotera ( o del
experimento aleatorio ).
Otra definicin de la utilidad, nos dice que es la actitud de un decisor ante la

posibilidad de ganar o perder algo en una situacin bajo tal incertidumbre.
Se establecern las seis axiomas que definen a un decisor racional antes de establecer la
construccin de una funcin de entidad.
Axioma 1. Preferencia y Transitividad.
162
Dados los eventos cualquiera ei, ej E = { e1, e2, ,em }, i j, solo persiste una de las
siguientes situaciones mutuamente excluyentes:
ei ej , e j ei ei ej
Ms an, si ei ~ej y ej et entonces ej e~t para cualquier i,j,t, i j t.

~
Axioma 2. Independencia.

Un decisor racional es indiferente entre una lotera L ( de dos etapas ) y una L ( de una
etapa ) que tiene la misma probabilidad de ocurrencia.
Lo anterior indica que lo nico que le interesa a un decisor racional es la probabilidad de

los diferentes eventos aleatorios y no la naturaleza misma de los experimentos.
Axioma 3. Continuidad.
Para cualquier evento ej E, diferente de e1 ( el de mayor preferencia ), y em ( el de menor
preferencia ), el decisor racional es indiferente a que ocurra ej con certeza o jugar una
lotera en donde existen solo premios, e1 y em.
En otras palabras, existe una probabilidad, j de ganar e1 y probabilidad 1 - j de ganar em, o

simplemente obtener ej con certeza.
Por ejemplo, si un decisor prefiere $ 100,000 a $ 10 y $ 0 a una prdida de $ 50,000

entonces existe una probabilidad p tal que es indiferente a los siguientes eventos a) y b)
donde:
a) Lotera con probabilidad p de ganar $100,000 y probabilidad ( 1- p ) de perder

$ 50,000.
b) Certeza de ganar $ 0.
Axioma 4.
Considere la lotera de una etapa: L = { ( e1, p1 ), ..., ( em, pm ) ,

y la de dos etapas: L = { ( L1, p1 ), ., ( Lm, pm ) },
donde la probabilidad de obtener e j o Lj es la misma, es decir p j, para toda j = 1, , m.

L
Entonces un decisor racional es indiferente entre L y .
Axioma 5.

Dadas las loteras cualesquiera, n y k etapas respectivamente ( n 1, k 1 ), denotadas L y
L*, entonces prevalece uno y solo uno de los siguientes tres estados mutuamente
excluyentes
163

L L* , L* L L L*

Adems prevalece la propiedad de transitividad entre loteras, es decir, si L L* y L* L

entonces L L.
Axioma 6.
Consider dos loteras La y Lb que contienen cada una dos premios ( o castigos ), e1 y em.
Sea pa la probabilidad asociada a e1 en la lotera La y pb la probabilidad de e1 en Lb.
Entonces:
La Lb, si pa > pb Lb La, si pb > pa y La Lb, si pa = pb
Se dice que un decisor es racional si su comportamiento de seleccin de alternativas

respeta las seis axiomas anteriores.
PRINCIPIO BSICO DE DECISIN.
Un decisor racional selecciona, de un conjunto de loteras, aquella que maximiza

minimiza su utilidad esperada, en caso de que los eventos aleatorio de un experimento
sean ganancias prdidas, respectivamente.
El principio anterior es a la funcin de utilidad, lo que el Criterio de Bayes es a la funcin

monetaria.
Ejemplo.
El dueo de una compaa de consultora tiene la alternativa de escoger entre dos

contratos de trabajo A y B. Por la limitacin de sus recursos humanos capacitados, no
puede aceptar ambos contratos simultneamente y debe decidirse por uno u otro o
ninguno. Ha hecho una estimacin de las posibles consecuencias de cada contrato
asociando a cada evento, una probabilidad subjetiva. Las consecuencias, dadas en
posibles ganancias o prdidas ( descontadas a valor presente ) y sus probabilidades de
ocurrencia son las que se muestran en la Tabla 8.
TABLA 8
Contrato A Contrato B
Ganancia Ganancia
Probabilidad Probabilidad
en pesos en pesos
$ 50,000.00 0.70 $ 40,000.00 0.60
164
$ 10,000.00 0.10 $ 30,000.00 0.20
- $ 20,000.00 0.20 - $ 10,000.00 0.20
La situacin anterior puede verse como una lotera de una sola etapa.
A continuacin se construye la funcin de utilidad del decisor. Los eventos de ambos

contratos se ordenan en una secuencia preferencial para el decisor siendo este el
siguiente conjunto:
E = { $50,000.00, $40,000.00, $30,000.00, $10,000.00, $0.00, - $10,000.00, - $20,000.00 }
Se incluye el evento - $ 0.00 de utilidad por si se decide no aceptar ninguno de los dos
contratos. Se identifica el evento $50,000.00 por e1 ( ms favorable ) y el - $ 20,000.00
por e7 ( menos favorable ). Sea por lo tanto ( e1 ) = 1 y ( e7 ) = 0. Para construir el resto
de la funcin de utilidad, se emplea la lotera de una etapa:
L = { ( e1, ), ( e7, 1 - ) }
Para cualquier evento ej E, diferente a e1 y a e7, se le pregunta al decisor para que valor
de en L ( 0 1 ), sera indiferente entre aceptar ej con certeza o jugar la lotera L. Los
valores de proporcionados, formarn su funcin de entidad.
Suponga que su contratacin es:
( 40,000.00 ) = 0.95; ( 30,000.00 ) = 0.80; ( 10,000.00 ) = 0.50

( 0 ) = 0.30; ( - 10,000.00 ) = 0.20
Grficamente su funcin de utilidad sera la mostrada en la siguiente figura:
UTILIDAD
1.00
0.95
0.90
0.80
0.70
0.60
0.50
0.40
165
0.30
0.20
0.10
-40 30 20 10 0 10 20 30 40 50 60 GANANCIAS EN
MILES DE PESOS
El valor esperado de la utilidad de cada contrato es:
Contrato A: 0.70( 1 ) + 0.10 ( 0.50 ) + 0.20 ( 0 ) = 0.75
Contrato B: 0.60 ( 0.95 ) + 0.20 ( 0.80 ) + 0.20 ( 0.20 ) = 0.77
No aceptar ningn contrato: ( 0 ) = 0.30
Como se trata de una decisor racional, eligir aquella accin que maximiza su utilidad
esperada, por lo que seleccionar el Contrato B.
Si hubiera utilizado un criterio puramente monetario, el valor esperado de las ganancias
descontadas seria:
Contrato A: 50,000.00 ( 0.70 ) + 10,000.00 ( 0.10 ) - 20,000.00 ( 0.20 ) = $ 32,000.00
Contrato B: 40,000.00 ( 0.60 ) + 30,000.00 ( 0.20 ) - 10,000.00 ( 0.20 ) = $ 28,000.00
No aceptar ningn contrato: $ 0.00
Por lo que el decisor seleccionara el Contrato A, ya que este maximiza el valor esperado
correspondiente.
45
Aparentemente, la incongruencia de seleccin de contratos de acuerdo al criterio que se

usa se puede explicar en funcin a que la mxima prdida es menor en el Contrato B que
en el A y el decisor ha aceptado una ganancia esperada menor para evitar el riesgo de
una mayor prdida.
El perfil de la curva de utilidad guarda una estrecha relacin con la aversin o

propensin al riesgo de un decisor. Si la funcin de utilidad es cncava, el decisor
tiene aversin al riesgo; si es convexa, propensin al riesgo. Una funcin de utilidad
es neutral, cuando no es de aversin o propensin al riesgo. Su grfica es una lnea
recta a 45% de cualquier eje coordenado, tal como se puede observar en la siguiente
grfica.
UTILIDAD
166
0 EVENTO
CARACTERSTICAS DE UN DECISOR
Lo anterior se comprueba con teoremas conocidos en la literatura de funciones de

utilidad. Algunas funciones de utilidad tpicas son:
FUNCIONES DE UTILIDAD
(x) RESTRICCIONES CARACTERSTICAS
log ( x + b ) Aversin al Riesgo
(x+b)c 0 < c <1 Aversin al Riesgo
( x + b )- c c>0 Aversin al Riesgo
x + c log ( x + b ) c>0 Aversin al Riesgo
- e- ax - be- cx a, b, c > 0 Aversin al Riesgo
e- ax + bx a, b > 0 Aversin al Riesgo
e- cx c>0 Propensin al Riesgo
VII.6 PROCESOS BAYESIANOS DE DECISIN CON FUNCIONES DE UTILIDAD
EJEMPLO:
Considere un empresario que tiene problemas para reinvertir el capital ganado durante
sus n aos de trabajo en su empresa. Tiene tres alternativas a escoger, que sus asesores
en inversiones han denominado I, R y D. Los posibles estados de la naturaleza en
relacin a las inversiones de este personaje pueden ser tres: Inflacin, Recesin y
Depresin.
La matriz de consecuencias f ( aj, k ) es la mostrada en la siguiente tabla:
f ( aj , k )
167
Inversin
Inflacin Recesin Depresin
( ak )
*
I 100 50 - 50
R 50 100 - 20
D 0 50 80
*Millones de pesos
Los asesores en inversiones han estudiado las siguientes distribuciones a priori P ( k )

asociadas a los posibles estados de la naturaleza relacionados con el objetivo del
inversionista.
P { Inflacin } = 0.60; P { Recesin } = 0.30; P { Depresin } = 0.10.
Los valores esperados de cada inversin son:
E [ I ] = 0.60 ( 100 ) + 0.30 ( 50 ) + 0.10 ( - 50 ) = $ 70 millones.
E [ R ] = 0.60 ( 50 ) + 0.30 ( 100 ) + 0.10 ( - 20 ) = $ 58 millones.
E [ D ] = 0.60 ( 0 ) + 0.30 ( 50 ) + 0.10 ( 80 ) = $ 23 millones.
Con una desviacin estndar:
D [ I ] = [ 0.60 ( 70 100 )2 + 0.30 ( 50-70 )2 + 0.10 ( ( - 50 ) 70 )2 ]1/2 = ( 2,100 )1/2
D [ I ] = $ 45.83 millones.
D [ R ] = [ 0.60 ( 50 58 )2 + 0.30 ( 100 58 )2 + 0.10 ( ( - 20 ) 58 )2 ]1/2 = ( 1,176 )1/2
D [ R ] = $ 34.29 millones.
D [ D ] = [ 0.60 ( 0 23 )2 + 0.30 ( 50 - 23 )2 + 0.10 ( 80 23 )2 ]1/2 = ( 861 )1/2
D [ D ] = $ 29.34 millones.
Desde el punto de vista de un criterio de maximizacin de valores esperados, el

empresario debera invertir en I.
Suponiendo que los asesores le ayudan al inversionista a construir su funcin de utilidad.

Ordenando todas las posibles consecuencias de la tabla anterior en orden descendente
se tiene el siguiente conjunto:
E = { 100, 80, 50, 0, - 20, - 50, -100 }.
168
Utilizando la metodologa ya conocida, se construye la funcin de utilidad del
inversionista. Suponiendo que la funcin de utilidad es:
( 100 ) = 1.00; ( 80 ) = 0.80; ( 50 ) = 0.60; ( 0 ) = 0.40
( - 20 ) = 0.32; ( - 50 ) = 0.20; ( - 100 ) = 0
Esta informacin se resume en la siguiente tabla:
FUNCIN DE UTILIDAD ( Inversin, Estado de la Naturaleza )

NATURALEZA ( )
INVERSIN INFLACIN RECESIN DEPRESIN
I 1.00 0.60 0.20
R 0.60 1.00 0.32
D 0.40 0.60 0.80
La grfica de la funcin de utilidad del inversionista se ilustra en la figura siguiente:
FUNCIN DE UTILIDAD DE INVERSONISTA.

UTILIDAD
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
-100 80 60 - 40 20 0 20 40 60 80 100
MILLONES DE PESOS
La utilidad esperada en cada inversin es:
E [ U ( I ) ] = 0.60 ( 1.00 ) + 0.30 ( 0.60 ) + 0.10 ( 0.20 ) = 0.80
E [ U ( R ) ] = 0.60 ( 0.60 ) + 0.30 ( 1.00 ) + 0.10 ( 0.32 ) = 0.69
169
E [ U ( D ) ] = 0.60 ( 0.40 ) + 0.30 ( 0.60 ) + 0.10 ( 0.80 ) = 0.50
y dado que un decisor racional debe seleccionar aquella alternativa que genera la
mxima utilidad esperada, el empresario escoger de nuevo la inversin I.
Si la persona de este ejemplo tuviera informacin perfecta, la utilidad esperada mxima

sera:
E [ U ( IP ) ] = 0.60 ( 1.00 ) + 0.30 ( 1.00 ) + 0.10 ( 0.80 ) = 0.98
Si para obtener informacin perfecta se requiere pagar C pesos, la utilidad mxima

esperada despus de pagar por esta informacin sera:
E [ U ( IP ) ] = 0.60 [ ( 1 - C ) ] + 0.30 [ ( 1 - C ) ] + 0.10 [ ( 0.80 - C ) ]
donde ( A ) es la utilidad que le asigna el empresario al valor A. Por lo tanto el costo de la

informacin perfecta ser:
E [ U ( IP ) ] - E [ U ( I ) ] = 0.98 0.80 = 0.18 unidades monetarias.
Como los asesores en inversiones no pueden garantizar la informacin perfecta, ofrecen

al inversionista una serie de pronsticos basados en modelos economtricos y
observaciones de ciertos parmetros relacionados con inversiones de bienes de capital
balanza de pagos, nivel de desempleo, poltica fiscal, etc. Los pronsticos pueden ser de
tres tipos:
S1: Bajarn las inversiones de bienes de capital.
S2: Se incrementarn substancialmente las inversiones de bienes de capital.
S3: No variar relativamente las inversiones de bienes de capital
Los asesores en inversiones, a travs del cmulo de informacin, han establecido las
siguientes probabilidades condicionales:
P( S1 | Inflacin ) = 0.10, P( S2 | Inflacin ) = 0.60, P( S3 | Inflacin ) = 0.20
P( S1 | Recesin) = 0.40, P( S2 | Recesin ) = 0.40, P( S3 | Recesin ) = 0.20
P( S1 | Depresin ) = 0.60, P( S2 | Depresin ) = 0.30, P( S3 | Depresin ) = 0.20
Utilizando el Criterio de Bayes se pueden construir las distribuciones a posteriori.
Por ejemplo:
P( Inflacin ) P( S2 | Inflacin )
P( Inflacin | S2 ) =
P( Inflacin ) P( S2 | Inflacin ) + P( Recesin ) P( S2 | Recesin ) + P( Depresin ) P( S2 | Depresin )
170
por lo que haciendo las operaciones correspondieses se tiene:
0.60 ( 0.10 ) 0.06

P( Inflacin | S1 ) = =
0.60 ( 0.10 ) + 0.30 ( 0.40 ) + 0.10 ( 0.60 ) 0.24
P( Inflacin | S1 ) = 0.2500
0.30 ( 0.40 ) 0.12

P( Recesin | S1 ) = =
0.60 ( 0.10 ) + 0.30 ( 0.40 ) + 0.10 ( 0.60 ) 0.24
P( Recesin | S1 ) = 0.5000
0.10 ( 0.60 ) 0.06

P( Depresin | S1 ) = =
0.60 ( 0.10 ) + 0.30 ( 0.40 ) + 0.10 ( 0.60 ) 0.24
P( Depresin | S1 ) = 0.2500
0.60 ( 0.60 ) 0.36

0.60 ( 0.60 ) + 0.30 ( 0.40 ) + 0.10 ( 0.30 ) 0.51
P( Inflacin | S2 ) = 0.7059
0.30 ( 0.40 ) 0.12

0.60 ( 0.60 ) + 0.30 ( 0.40 ) + 0.10 ( 0.30 ) 0.51
P( Recesin | S2 ) = 0.2353
171
0.10 ( 0.30 ) 0.03
0.60 ( 0.60 ) + 0.30 ( 0.40 ) + 0.10 ( 0.30 ) 0.51
P( Depresin | S2 ) = 0.0588
0.60 ( 0.20 ) 0.12

0.60 ( 0.20 ) + 0.30 ( 0.20 ) + 0.10 ( 0.20 ) 0.20
P( Inflacin | S3 ) = 0.6000
0.30 ( 0.20 ) 0.12

0.60 ( 0.20 ) + 0.30 ( 0.20 ) + 0.10 ( 0.20 ) 0.20
P( Recesin | S3 ) = 0.3000
0.10 ( 0.20 ) 0.02

0.60 ( 0.20 ) + 0.30 ( 0.20 ) + 0.10 ( 0.20 ) 0.20
P( Depresin | S3 ) = 0.1000
En resumen, las distribuciones a posteriori son:
P( Inflacin | S1 ) = 0.2500, P( Recesin | S1 ) = 0.5000, P( Depresin | S1 ) = 0.2500
Por lo tanto, la utilidad esperada de un tipo de inversin j dado un pronstico Sk es:
172
E [ ( j ) | Sk ] = P( Inflacin | Sk ) ( j | Inflacin ) + P( Recesin | Sk ) ( j | Recesin )
+ P( Depresin | Sk ) ( j | Depresin )
Explcitamente, se tiene, por ejemplo:
E [ U( I ) ] = 0.2500 ( 1.00 ) + 0.5000 ( 0.60 ) + 0.2500 ( 0.20 ) = 0.60
E [ U( I ) ] = 0.7059 (1.00 ) + 0.2353 ( 0.60 ) + 0.0588 ( 0.20 ) = 0.86
E [ U( I ) ] = 0.6000 ( 1.00 ) + 0.3000 ( 0.60 ) + 0.1000 ( 0.20 ) = 0.80
E [ U( R ) ] = 0.2500 ( 0.60 ) + 0.5000 ( 1.00 ) + 0.2500 ( 0.32 ) = 0.73
E [ U( R ) ] = 0.7059 ( 0.60 ) + 0.2353 ( 1.00 ) + 0.0558 ( 0.32 ) = 0.68
E [ U( R ) ] = 0.6000 ( 0.60 ) + 0.3000 ( 1.00 ) + 0.1000 ( 0.32 ) = 0.69
E [ U( D ) ] = 0.2500 ( 0.40 ) + 0.5000 ( 0.60 ) + 0.2500 ( 0.80 ) = 0.60
E [ U( D ) ] = 0.7059 ( 0.40 ) + 0.2353 (0.60 ) + 0.0588 ( 0.80 ) = 0.47
E [ U( D ) ] = 0.6000 ( 0.40 ) + 0.3000 ( 0.60 ) + 0.1000 ( 0.80 ) = 0.50
En forma resumida se tiene:
E [ U( I ) | S1] = 0.600 E [ U( R ) | S1 ] = 0.730 E [ U( D ) | S1 ] = 0.600
E [ U( I ) | S2 ] = 0.859 E [ U( R ) | S2 ] = 0.678 E [ U( D ) | S2 ] = 0.471
E [ U( I ) | S3 ] = 0.800 E [ U( R ) | S3 ] = 0.692 E [ U( D ) | S3 ] = 0.500
De lo anterior se deduce que, si el pronstico es S 1 el empresario deber seleccionar la

inversin R; si es S 2, la alternativa de inversin deber ser I, y si es S 3, de nuevo la accin
recomendada sera la inversin I.
La suma ponderada de las actividades mximas aspereadas, dado un pronstico

conocido es:
0.24 ( 0.730 ) + 0.51 ( 0.859 ) + 0.20 ( 0.800 ) = 0.7733
Donde 0.24, 0.51 y 0.20, son las distribuciones marginales que se obtienen al calcular las
distribuciones a posteriori y 0.730, 0.859 y 0.800, son las utilidades esperadas mximas
dado un pronstico determinado.
173
El Proceso Bayesiano de decisin es el mismo, trtese de una funcin de consecuencias
f ( aj, k ), dada en unidades monetarias o de utilidad para el decisor. En el segundo caso
sede construir la funcin de utilidad.
BIBLIOGRAFA
Mtodos de Optimizacin ( Programacin Lineal Grficas )
Francisco J. Jauffred M.; Alberto Moreno Bonett; J. Jess Acosta
Representaciones y Servicios de Ingeniera, S.A. Mex.
Introduccin a la Investigacin de Operaciones
174
Hillier / Lieberman
Mc. Graw Hill
Mtodos y Modelos de Investigacin de Operaciones

Juan Prawda
Limusa
Investigacin de Operaciones
Benito Marn Pinillos
U. N. A. M.
Programacin Lineal
Saul I. Gass
C. E. C. S. A.
175

Sistemas de Ingeniería

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Sistemas de Ingeniería

Încărcat de

Drepturi de autor:

Formate disponibile

INGENIERA DE SISTEMAS

CAPTULO I. CONCEPTOS BSICOS DE LA

I.1 Definicin de Ingeniera de Sistemas.. 5

I.2 Metodologa de la Ingeniera de Sistemas. 5

I.3 Teora de Optimizacin, Teora de los Procesos Estocsticos y Teora

I.5 Enfoque de la Ciencia de los Sistemas... 8

I.6 La teora de los Sistemas y la Administracin 9

CAPTULO II. INVESTIGACIN DE OPERACIONES... 10

II.2 Relacin de la Investigacin de Operaciones con la Ingeniera de

II.3 Tipos de Problemas que Resuelve la Investigacin de Operaciones y

I.8 II.5 Metodologa de la Investigacin de Operaciones... 12

I.9 II.5.a Formulacin del Problema.. 12

I.10 II.5.b Construccin del

I.11 II.5.c Solucin del Problema ( Modelo ).

CAPTULO III. PROGRAMACIN LINEAL. 16

I.12 III.1 Optimizacin sin restricciones.

I.13 III.2 Restricciones expresadas con

I.14 III.3 Restricciones expresadas con desigualdades.

I.15 III.4 Programacin Lineal..

I.16 III.5 Interpretacin

I.17 III.6 Mtodo

I.18 IV.1 Problemas de Transporte.

I.19 IV.2 Balanceo de Aprovisionamientos y Demandas

IV.3 Mtodo del Extremo Noroeste. 44

IV.4 Mtodo de la Columna Mnima 48

IV.5 Mtodo del Rengln Mnimo 51

IV.6 Mtodo del Algoritmo de Russel. 54

IV.7 Mtodos que conducen a la solucin ptima. Mtodo Stepping Stone 62

IV.8 Problemas de Asignacin 75

CAPTULO V. LINEAS DE ESPERA... 82

V.2 Estructura de una Lnea de Espera. 83

V.4 Una Cola Un Servidor Poblacin Infinita.. 86

V.5 Una Cola Servidores Mltiples en Paralelo Poblacin Infinita.. 91

V.6 Una Cola Un Servidor Poblacin Finita 97

V.7 Una Cola Servidores Mltiples en Paralelo Poblacin Finita 103

V.8 Una Cola Servidores Mltiples en Serie.. 108

CAPTULO VI. RUTA CRTICA. 116

I.20 VI.1 Mtodo de la Ruta Crtica

I.21 VI.2 Planeacin.

I.22 VI.3 Programacin

I.23 VI.4 Nivelacin de Mano de Obra y Recursos ( Distribucin de Recursos ).

I.24 VI.5 Tiempo y Costo.

CAPTULO VII. ELEMENTOS DE LA TEORA ESTADSTICA DE

I.25 VII.1 Introduccin..................................................................................................

I.26 VII.2 Teora Bayesiana de Decisin.....................................................................

I.27 VII.2.1 Decisin sin

I.28 VII.2.2 Decisin con

I.29 VII.3 Costo de la Informacin

I.31 VII.5 La Funcin de

VII.6 Procesos Bayesianos de Decisin con Funciones de Utilidad.................... 157

CAPTULO I. CONCEPTOS BSICOS DE LA CIENCIA DE LOS

Como consecuencia de la necesidad de planificar, operar y disear sistemas que

INGENIERA DE SISTEMAS. Es la aplicacin de conceptos cuantitativos a problemas

I.32 METODOLOGA DE LA INGENIERA DE SISTEMAS .

La metodologa de la Ingeniera de Sistemas consiste en:

a) Reconocer la problemtica existente, as como las necesidades generadas por la

b) Plantear la problemtica en forma matemtica.

c) Analizar el sistema matemtico empleado.

Lo anterior puede verse con mayor claridad en el diagrama siguiente:

RECURSOS PARA PRODUCCION

Costo, Efectividad o Beneficio PERIODO

I.35 TEORA DE OPTIMIZACIN.

TEORA DE LOS PROCESOS ESTOCSTICOS.

La consideracin del comportamiento de un sistema que opera durante un cierto perodo