&.,.

cis

C. BEHTl\EJlb

MV/fbftf

E. S. VENTSEL

{J./.(/)()

~lccJie,n;onaBHe onepa~nii
1

\A.I~Aqll

INVESTIGACIN de OPERACIONES

lPIIHQHilhl
!

\ETO,D;OJIOfll.R

PROBLEMAS

(ocKna Hay1<a

PRINCIPIOS
METODOLOGA

'

1
1
1

t~
Editorial Mir
Mosc

'1

Indice
Tradticido,, del ruso por A.
Impreso ' en la URSS. 1983

.......

Captulo 1. Objllto y tareas de la investigacin Cle operaciones . . . . . . . . . . . . . . . . ,

12

Prefacio

T~ ~lijaili n

1. Qu se comprende por investigacin de operaciones

y a qu se dedica dicha disciplina . . . . . .
2. Nociones generales y principios de la investigacin de operaciones
. . . . . . . .
3. Modelos matemticos de operaciones
....

21
27

Captulo 11. Variedad de problemas de investigacin de

operaciones y enfoques de sus soluciones . . . . .

34

A nuestros lectores;

Mir edita libros soviticos traducidos al

espaol, ingls, francs, rabe y otros idiomas
extranjeros. Entre ellos figuran las mejores obras
de las distintas ramas de la ciencia y la tcnica:
manuales para los centros de enseanza superior
y escuelas tecnolgicas; literatura sobre ciencias
naturales y mdicas. Tambin se incluyen monografas, libros de divulgacin cientfica y cienciaficcin. Dirijan sus opiniones a la Editorial l\Iir,
1 Rizhski per., 2, 129820, Mosc, I-110, GSP,
URSS.

4. Problemas directos y recprocos de la investigacin de operaciones. Problemas determinados .

5. Problemas de eleccin de una solucin en condiciones de indeterminacin
. . . . . . . . . . .
6. Problemas de criterios mltiples de la investigacin de operaciones. Enfoque de sistemas

Captulo 111. Programacin lineal .

Ha

12

ucnanc1w.u siabl"Ke

ll3AaTeJibCTBO HayKa. 1980 '

Traduccin al espaol. Editorial Mir. 1983

...

. .
7. Problemas de la programacin lineal . . . .
8. Problema principal de la programacin lineal
9. Existencia de la solucin del problema principal
de la programacin lineal y procedimientos para
hallarla
. . . . . . . . . . . . . . . . .
10. Problema de transporte de la programacin lineal
11. Problemas de programacin con nmeros enteros.
Nocin sobre la programacin no lineal

Captulo IV. Programacin dinmica .

12. Mtodo de programacin dinmica

. .

34

39

55
69
69
81
85

95

107
113
113

13. Ejemplos de resolucin de problemas ele la pro-

gramacin dinmica

. . . . . . . . . .

124

lt-:- 4ff,UQ

, .J

P_Vl{ ..

i?d - ,.....,...:.1-l! J.

... ~.{~.!~.~:;:":~}

" ~7

1 V

!";"'

~e

..

;-;_,.;;;rr

14. Problema de la programacin dinmica en forma

general. Principio de optimacin

. .

Captulo V. Procesos aleatorios markovianos .

150

15. Nocin sobre el proceso markoviano

150
157

.....
16. Flujos de sucesos
. . . . . . . . . .
17. Ecuaciones de Kolmogorov para las probabilidades
de estados. Probabilidades finales de estados.
Captulo VI. Teorfa de cqlas ,

18. Problemas de la teora de colas . . . .

19. Esquema de aniquilacin y multiplicacin. Fr-

mula de Litle

.............

20. Sistemas simtiles de colas y sus caractersticas

21. Problemas mas complejos de la teora de colas
Captulo VII. Simulacin estadstic:a de los procesos afea
torios (mtodo de Montecarlo)

22. Idea, utilizacin, campo de aplicacin del mtodo

23. Sorteo unitario y formas de su organizacin .
24. Determinacin de las caractersticas del proceso
aleatorio estacionario por medio de su realizacin
Captulo VIII. Mtodos de juego para la argumentacin de
soluciones . . . . . . . . . . .
25. Objetivo y problemas de la teora de juegos
26. Juegos de matriz, antagnicos . . . . . .
27. Mtodos de resolucin de los juegos finitos . .
28. Problemas de la teora de decisiones estadsticas

Bibliografa

Prefacio

143

166
177
177
182
189
210
215
215
219
227
232
232
238
248
262
278

..
'' :!'1~

,,

La finalidad de este libro consiste en exponer de

una manera clara y accesible a los amplios crculos
de lectores, los problemas, principios metodolgicos
y procedimientos de trabajo de la ciencia denominada
investigacin de operaciones que en estos ltimos
aos va adquiriendo .un campo ele aplicaciones cada
vez ms amplio. Es esta una ciencia relativamente
joven que pertenece a las asignaturas nuevas y por
lo tanto no se puede considerar que su marco y contenido estn definidos con precisin. La asignatura
llamada Investigacin de operaciones forma parte
de los programas de estudio de muchos centros de
enseanza superior, pero el trmino mencionado dista
mucho de tener el mismo sentido en todos los casos.
Algunos autores por trmino investigacin de operaciones entienden principalmente los mtodos matemticos de optimizacin incluyendo la programacin
lineal, no lineal y dinmica. Otros, por el contrario,
no incluyen estas partes de las matemticas en la
investigacin de operaciones, tratando a sta principalmente desde las posiciones de la teora de juegos
y soluciones estadsticas. Algunos cientficos se inclinan a negar en absoluto la existencia de investigacin de operaciones como una disciplina cientfica
independiente, incluyndola en la ciberntica (trmino
que no est suficientemente definido y que se comprende de modo distinto por diferentes cientficos)
Otros, al contrario, le atribuyen a la llocin de in7

~:;V-:-1;-;;~_,--.,

~lf;;"''~i;_,1,;v;._..J.'"""".!f

:t;

~~--=-.._._......lllllllli. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .

. vestigacin de operaciones un significado ,demasiado

amplio, proclamndola casi como la ciencia de las
ciencias. El tiempo mostrar en qu formas seguir
desarrollndose esta ciencia relativamente joven, qu
partes de las expuestas habitualmentll quedarn dentro de su marco y cules se separarn de ella como
disciplinas cientficas independientes. En particular,
no est definitivamente clara la correlacin futura
entre la investigacin de operaciones y la teora
de los sistemas (o la teora de los sistemas complejos),
de la cual ltimamente se habla y escribe mucho. En
todo caso, no cabe duda de que en las diversas esferas
de la prctica (organizacin de la produccin y del
abastecimiento, funcionamiento del transporte, acciones combativas y armamentos, distribucin de cuadros, servicios pblicos, salud pblica, comunicaciones,
tcnica de calculacin, etc.) surgen con frecuencia
; problemas de semejante planteamiento, rasgos comunes y mtodos similares de solucin, que conviene
reunir bajo el nombre comn de problemas de investigacin de operaciones. La situacin tpica es la
siguiente: se organiza cierta actividad (un sistema de
acciones) orientada hacia una finalidad, la que se
puede organizar de distintas maneras, es decir, es
posible escoger tma solucin determinada de una
\ serie de variantes posibles. Cada variante tiene ciertas
. ventajas e inconvenientes, sin que se pueda compren; der de inmediato, a causa de la complejidad de la
i situacin, qu variante es la mejor (o ms preferible)
, y por qu razn. Para aclarar la situacin y comparar
las diferentes variantes de la solucin se organiza, de
acuerdo con una serie de indicios, una serie de clculos
matemticos con el propsito de ayudar, a las personas
, responsables de la eleccin de la solucin, a analizar
crticamente la situacin y, en resumidas cuentas,
\elegir. definitivamente una u otra variante.

Problem as de esta ndole surgen muy a menu do en

distintas esferas de la prct ica y la propia vida nos
obliga a resolverlos. U na concepcin general y no
sectaria de estos problemas tiene varias ventajas, ya
que ampla la visin del investigador y asegura la
compenetracin y el enriquecimiento de los mt odos,
proceclimient os y tcnicas cientficas que se h an elaborado en los distintos campos de la prc t ica. Sin
hacer hincapi en ninguno de estos campos en el presente libro la autora plant ea la tarea de subrayar y
destacar las caracterst icas metodolgicas comunes
para todos los problemas de investigacin de operaciones independientemente de su origen. En este libro
la atencin n o se centra en los mtodos mat emticos,
sino en las cuestiones metod olgicas, es 1lecir, en el
planteamien to de los problem as, eleccin del modelo
matem t ico y anlisis de los resultados 1lel clculo.
La experiencia nos ensea que precisamente all (y no
en la tcnica de cmpn to y transformaciones), radican las principales dificultad es con las que se encuentra una persona inexperta , al tratar de ap licar los
mtodos m atemticos de argu mentacin de las solucioues en la p rctica y no en los ejemplos de texto
escogidos artificialrne11 te.
Al escribi r este libro la a utora so bas en la experiencia de muchos aos de tr ab ajo en el campo de la
investigacin de operaciones en las diversas esferas
de la prct ica. Como resultado se le ha formado un
determinado sistema do conceptos que tra ta d e exponer e11 la for ma ms clara p osible.
Los m tod os matemticos utilizados en el libro
no son complejos y est:n dentro ele los lmi tes del
curso habitu al de matem ticas de las escuelas superiores, en el cnal actualmente se incluyen elementos de
la teora de las probabilidad es. En aquellos casos
raros, en que la autora se ve obligada a salir fuera de
9

'W.'-- ; *

{I

+s+ sw:0c"'!f.,,.[)

4f ~.:-r)', ~.~\."'h:1 ,-,,. ~' '

' ' 1

1 r :i'

~} .,.~

.-.rliv,-F

'

'

1
1

11

1
. este marco, los datos necesarios se ofrecen en el texto.
En cambio, las ideas principales y los conceptos metodolgicos estn presentados en una forma que dista
mucho de ser simplificada, lo que exige atencin y
cierto esfuerzo mental por parte del lector. La autora
renuncia conscientemente al estilo exageradamente
literario o entretenido, que se emplea en algunos
manuales, particularmente extranjeros, sobre la investigacin de operaciones, porque no cree que personajes
imaginarios, nombres curiosos, etc. contribuyan a asimilar ideas. Por otra parte, la autora evita el estilo
exageradamente grave y tedioso, que se considera de
buen tono en los libros matemticos. De vez en cuando
se permite una locucin familiar, una broma y a veces
-(qu horror!)- una frmula imprecisa a la que se
puede, cuando se quiere hacer un reproche. El libro no
est destinado para el especialista en matemticas,
sino, en primer trmino, para el prctico que se familiariza con el tema por primera vez. A tal lector las
' abundantes excepciones hechas en aras de la rigurosidad irreprochable slo podran hacerle perder inters
al ocultar de l el quid de la cuestin.
Los distintos captulos no son del mismo grado de
\ . diffoultad ni estn cargados de clculos matemticos
por igual. El lector que slo quiera familiarizarse en
! trminos generales con dicha disciplina, con los pro1 blemas y las posibilidades de la investigacin de ope1 raciones, puede limitarse a leer con atencih los cap1 tulos 1 y 2, as como los prrafos iniciales de los dems
<:aptulos. Conjuntamente con estas partes informativas el libro contiene otras que ayudan al lector
reflexivo a hacer ciertos clculos independientemente
y a comprender no slo la idea general de tal o cual
mtodo, sino tambin los elementos de los mtodos
matemticos, lo que le facilitar a familiarizarse en el
futuro con dichos mtodos por medio de manuales

l
1

;lQ

~..

"1

'.~ - i

..,...:-.Jll~

especializados. Al final del libro se ofrece una bibliografa con el volumen aproximado de los libros, indicado en pliegos de imprenta.
El captulo 6 titulado La teora de colas contiene varios procedimientos metodolgicos que estn
ausentes en la literatura existente, accesible para el
lector conienle, por lo que es de un volumen relativamente grande. El captulo 1 desarrolla las ideas expuestas por la autora en el folleto de divulgacin cientfica
Investigacin de operaciones (la editorial Znanie,
1976), repitindose literalmente los mismos pasajes
(sin referencia a su origen) en el libro de A.V. Timofiev H obots y el intelecto artificial (la editorial
Nauka, 1978). La comparacin de las fechas de
publicacin de los libi:os no deja dudas de a quin
pertenece la adoptacin.
La autora expresa su agradecimiento al redactor
del libro L.A. Chulski por una serie de valiosas observaciones.

;!

!t

lj

~
~

.1,

'I!

Captulo 1

l,-_~__g_!Jg~nciau:!_r l,!!.L!IBS 9I.WLl!!:Q'l l!ltodos c~

{ic_o_~_fl_pef~)es a_g'_!:.!:1.Q_~~-~~baj_o el nombre de investi-

Objeto y tareas de la investigacin

de operaciones

1. Qu se entiende por investigacin

de operaciones y a qu se dedica dicha
disciplina
En la poca actual llamada con todo fundamento
poca de la revolucin cien tfico- Lcn ica la ciencia
presta cada vez mayor atencin a los problemas de
organizacin y mando. Entre las numerosas causas del
hecho en cuestin se puede citar el rpido desarrollo
y el carcter cada vez ms complicado de la tecnologa,
una ampliacin sin precedentes de la envergadura de
las actividades que se realizan y de .la gama de sus
consecuencias posibles, la introduccin de los sistemas
automticos de direccin en todas las esferas de la
prctica; todo eso hace necesario un anlisis de los
complicados procesos orientados hacia una finalidad
desde el punto de vista de su estructura y organizacin.
Ante la ciencia se plantea la exigencia de optimizar
(o racionalizar) las recomendaciones sobre la direccin de dichos procesos. Ha quedado en el pasado la
poca en la que los dirigentes lograban elaborar una
direccin ms eficiente a ciegas o por el mtodo de
pruebas y errores. Hoy da para elaborarla es preciso
aplicar un enfoque cientfico pues las prdidas ocasionadas por los errores son demasiado grandes.

gaci1L.de operaciones. Se en tender por este trmino

la aplicacin de mtodos matemticos, cuantitativos utilizados para argumentar las decisiones en todas las esferas
de la actividad humana orientada hacia una fi nalidad.
Aclaremos qu se entiende por el trmino decisin.
Supongamos que se emprenda cierta actividad orientada
a un determinado fin. El organizador o el grupo de
organizadores de dicha actividad s iempre tiene cierta
libertad de elegir, es decir, puede organizarla de una
o 1le otra ma11era, por ejemp lo , escoger cierto tipo de
equipo a ut ilizar, distribui r los recursos disp onibles,
etc. Est a solucin precisamente representa cierta
eleccin, hecha de una serie d e posibilida1les que estn
a disposicin del org:rnizado1'. Las decisiones pueden
ser malas y huenas, prematuras y meditadas, fundamentadas y arbitrarias. La necesidad de tomar decisiones es tan antigua como la propia humanidad. No
cabe eluda de que ya en los tiempos prehistricos los
hombres primitivos cuando iban a la caza del mamut
se vean obligados a tomar ciertas decisiones como,
por ejemplo: ,dnde tender la emboscada y cmo
colocar a los cazadores? cmo armarlos?, etc. N oso1.ros mismos en la vida cotid iana , a cada paso, tomamos dPcisio11os sin darnos cuenta. Por ejemplo, por las
maanas al salir de casa y dirigirnos al trabajo, tenemos que tomar una serie de dec isiones : cmo vestirse?
coger o 110 el paraguas consigo? don d e cruzar la
calle? q11 medio de transporte utilizar?, etc. El
dirigente de una empresa constantemen t e tiene que
tornar decisiones d el tipo: cmo distribuir la mano
de obra disponible?, 11,qu clase do trabajo es necesario
realizar en primer lugar? , etc.
,Quiern decir esto que al tomar semejantes decisiones, estarnos dedicndonos a la investigacin de ope-

12
13

C(""'.T --:;_'

."f(..-

'L~ - ':..''t ~ ; , ~ . .:!. ...;

J . !

.' "": r!.1:t:'"

 raciones? No, no quiere decir. La investigacin de

operaciones comienza solamente, cuando para argumentar las decisiones se aplican mtodos matemticos.
Hasta cierto punto en cualquier esfera prctica las
decisiones se toman sobre la base de la experiencia y
del sentido comn, sin efectuar clculos matemticos
especiales. Por ejemplo, para decidir la cuestin cmo
vestirse, cuando se sale a la calle y dnde cruzarla,
no hace falta recurrir a clculos matemticos y es poco
probable que esta necesidad surja en el futuro. Las
sol~ciones de este gnero , se optimizan espontneamente1 s~bre la base de la prctica cotidiana. Si alguna
vez la decisin no resulta ser la ms apropiada, no
importa, ya que se aprende de los errores.
Sin embargo, existen decisiones mucho ms importantes. Tomemos el caso de la o_i::ga..!_1_~~1<:'.:~_IJ.Jl~~fun_~io
namiento del trarw_o_rJe_g_rha_!l.Q_ en una ciuaad reci_n
.construida que dispone de una red de-e1iipresas~ barrios
residenciles, etc. Es preciso resolver los siguientes
problemas: elegir los medios de transporte y trazar
sus rutas, determinar los lugares de paradas y los
intervalos entre los vehculos a las distintas horas del
da, etc.
Esta clase de decisiones es mucho ms compleja,
pero lo ms importante es que es mucho lo que depende
; de ellas. La eleccin de una decisin incorrecta puede
afectar la vida de una ciudad entera. Es cierto que en
este caso tambin se puede elegir la decisin intuitivamente basndose en la experiencia y en el sentido
comn, tal como sucede frecuentemente. Pero las
decisiones resultarn mucho ms razonables si se
basan sobre clculos matemticos. Dichos clculos
preliminares permitirn evitar largas y costosas bsquedas a tientas, de la decisin necesaria.
.
Tomemos otro ejemplo aun ms convincente.
1
Supongamos tue se trate de una actividad de gran

envergadura, digamos, de desviar una parte de las

aguas de los ros septentrionales del pas hacia las
zonas ridas del Sur. Es acaso admisible en este caso
una decisin arbitraria o voluntariosa, capaz de
llevar a graves consecuencias negativas o es indispensable Hfectuar una sHrie de clculos previos de acuerdo
con los modelos matemticos? Parece ser que en este
caso no puede haber dos opiniones pues la necesidad
de llevar a cabo cuidadosamente los diversos clculos,
es evidente.
Antes que te cases, mira lo que haces, dice el
refrn. La investigacin de operaciones ,es precisamm1 te una ponderacin matemtica de las futuras
decisiones que permi te ahorrar tiempo, fuerzas y recursos materiales y evitar errores graves, pues de lo
con Lrario resultara demasiad o caro.
Cuanto ms compleja, costosa y grande es la actividad planificada, tan to menos admisibles son los
mtodos voluntariosos y tanto ms importantes
resultan ser los mtodos cientficos que permiten valorar con anticipacin las consecuencias de cada decisin,
desecl1ar de an temano las variantes inadmisibles y
recomendar las ms eficaces, determinar si la informacin existente es adecuada para elegir la decisin correcta y si no lo es especificar qu informacin suplementaria es preciso obtener. Es demasiado peligroso
en estos casos basarse slo en la intuicin individual,
en la experiencia y en el sen tido comn. En nuestra
poca de la revolucin cientfico-tcnica, la tcnica y
la tecnologa se desarrollan a ritmos tan rpidos que
el tiempo simplemente no alcanza para acumular la
experiencia necesaria. Adems, muy frecuentemente
se trata de actividades que son nicas en su gnero y
no tienen p recedentes. En este caso la experiencia
guarda silencio y el sentido comn bien puede engaarnos si no nos apoyamos en los debidos clculos.

14

.,_,,::""' "':.: ..:

15

"t

<' r- !! '\

4 \!;~:.-:,f

....-.l.S i.'1

.~" 1

"t;~'. ,.;.._' ~

, ' ""

; :"

" -c..r~r ~.-,.:.."\ *,.,.J/Jt'fJ'." _

1:

 Esta clase de clculos, que facilita a las personas la

torna de decisiones, es la que sirve de objeto a la investigacin de operaciones. Como ya se ha mencionado
sta es una ciencia bastante joven, aunque esta nocin
en el mundo de la ciencia es relativa, pues muchas
ciencias quedan reducidas a la nada casi en el mismo
momento que nacen sin encontrar 11plicaciones. Por
primera vez el trmino investigacin de op eraciones
apareci en los aos de la segunda guerra mundial
cuando en las fuerzas armadas de varios pases (Estados
U nidos, Inglaterra) se formaron grupos especiales
cientficos (fsicos, matemticos, ingenieros, etc.),
cuya misin consista en preparar proyec tos de decisiones para los jefes de mando de operacion es militares.
Aquellas decisiones se referan prin cipalmente a la
aplicacin de fuerzas y medios entre los diversos objetivos. Problemas similares, aunque calificados de
otra manera, se haban estudiado anu antes, en particular, en la URSS. Luego la investigacin de
operaciones extendi la esfera de sus aplicaciones a
las ms diversas ramas de la prctica: a la industria,
agricultura, construccin, al comercio, transporte, a
las comunicaciones, a la salud pblica, proteccin de
la naturaleza, servicios pblicos, etc. Hoy da es difcil hallar una esfera de la actividad humana donde
los modelos matemticos y los mtodos d investigacin de operaciones no se utilicen en una u otra forma.
Para tener una nocin de las peculiaridades de esta
ciencia examinemos algunos problemas t picos de
ella. Estos problemas que fueron sacados deliberadamente de distintas esferas de la actividad p rctica,
a pesar de estar algo simplificados en su planteamiento,
ofrecen, sin embargo, una idea del objeto y de los
fines de la investigacin de operaciones.
1. Plan de abastecimiento de empresas. Existe una
serie de empresas que consumen determinadas materias

' 1il .

~
1
1

2-0l5

'it.

---r

.~

' ., , .''tf

primas y, por otra parte, una serie de bases de mat erias

primas que p ueden suminist rar estas ma terias a las
empresas. L as bases estn vinculadas con l as empresas
mediante cier tas vas de comunicacin (ferrov iarias,
fluviales y m artimas, a u tom ovilsticas o areas)
teniendo cada u na su propia tarifa. E s necesario elaborar un plan de abastecim iento de las empr esas con
materias primas (determ inando de qu b ase, en qu
cantidad y qu materia pri ma se suministra) que
satisfaga las necesidades d e stas con un cos to mnimo
de tran sport e.
2. Construccin de un lramo de lnea ferrov iaria
principal. Se construye u n tr amo de lnea ferr oviaria
pri11cipal. T enemos a nu estra d isposicin u na d eterminada cant idad de medios: man o de obra, m quinas de
construccin, t alleres d e r eparacin, camiones, etc.
Se pl antea plan ificar la construccin (es decir, establecer el orden de priorid ad de t rabajos, d istr ibu ir las
mquinas y la mano de ohra entre los distintos t ramos
y garantizar l as reparaciones) de tal manera que se
finalice dentro de un plazo m nimo posible.
3. Venta de mercancas de temporada. Para vender
una de terminada cant idad de m ercancas d e temporada se crea una red de pequ eos comercios provisionales.
Se plantea op timiz ar la can t idad de comercios, su
distribucin , l os s tocks d e mercancas y la cantidad
del personal de servicio p ara cada uno de l os comercios
con el fin de alcanzar la mxima eficacia econmica
de venta.
4. Helencin de nieves. E n las con d iciones del
Extremo Norte las v en tiscas q ue cubren d e nieve los
caminos obs taculizan ser iamente el tr fico. Cualesquiera d e l as interrupcfones del trfico p r oducen prdidas econm icas. Existen v arios m tod os de retener
la nieve (p av imiento perfil ado, pantallas d e protec~in, etc.) cada uno de los cuales exige cier tos gastos

FtfBt~ r'/

'J l-,,":"it..# -' 'f.~jl}!i'>

~"'

........ ~':f-7

..

,:i

17

. de construccin y operacin. Se conocen las direcciones

dominantes de los vientos, la frecuencia y Ja intensidad
de las nevadas. Se plantea olaborar los mtodos de
retencin de nieve ms eficaces posibles desde el
punto de vista econmico (i.qu camino y de qu modo
proteger?) tomando en cuenta las prdidas provocadas
por la paralizacin del trfico a causa de los montones
de nieve.
5. Incursin antisubrnarina. Se sabe que un submarino enemigo se encuentra en cierta regin del teatro
de operaciones martimas. Los aviones de defensa
antisubmarina tienen la misin de localizar y destruir
el submarino. Se plantea organizar racionalmente la
operacin (incursin), es decir, trazar las rutas de los
aviones, elegir Ja altura del vuelo, elaborar el mtodo
de ataque para garantizar el cumplimiento de la
tarea de combate con la mxima seguridad.
6. Control selectivo de calidad. Una planta fabrica
artculos de cierto tipo. Para asegurar su alta calidad
se crea un sistema de control selectivo. Se plantea
optimizar el sistema de control, es decir, elegir el
tamao de la partida a controlar y las pruebas, elaborar
las reglas de control, etc., a fin de garantizar el nivel
de calidad programado, minimizando al mismo tiempo
el costo del control.
7. Examen mdico. Es sabido que en cierta regin
se detectaron casos de una enfermedad peligrosa. Para
localizar a los enfermos (o a los portadores de la infeccin) se organiza el examen mdico de la poblacin
. de dicha regin. Con este fin se han asignado recursos
materiales, equipo y personal mdico. Se plantea
elaborar tal plan de exmenes (el nmero de puestos
de asistencia mdica, su distribucin, el orden de
reconocimiento por especialistas, tipos de anlisis,
etc.) que permita localizar en lo posible el mximo
t porcentaje de enfermos y portadores de la infeccin.
1
1

18

f_?-''"7 ~; ,.--~.:-.:t

r":'

8. Servicio de bibliotecas. Una biblioteca grand.e satisface las demandas de los abonados. Los fondos
de la biblioteca disponen de libros de elevada y baja
demanda, as como de libros que prcticamente no se
solicitan. Existe una serie de posibilidades para la
distribucin de libros en las estanteras y depsitos,
as como para operar do un modo centralizado las
demandas en contacto con otras bibliotecas. Es preciso elaborar un sistema de servicio de bibliotecas capaz
de satisfacer al mximo las demandas de los abonados.
Sera fcil citar otros ejemplos numerosos, pero los
ya citados son suficientes para tener una nocin de
las caractersticas peculiares de los problemas relativos a la investigacin de operaciones. Aunque los
ejemplos citados pertenecen a las diversas esferas es
fcil encontrar en ellos rasgos similares. Cada uno
corresponde a una actividad orientada hacia una finalidad determinada. Dadas ciertas condiciones que caracterizan la situacin (en particular los recursos disponibles), se plantea tomar tal decisin con la que la actividad programada resulte ser la ms beneficiosa a partir
de tal o cual criterio.
Sobre la base de estos rasgos similares se elaboran
los procedimientos comunes para resolver dichos problemas que, tomados en conjunto, representan el
esquema metodolgico y el mecanismo de la investigacin de operaciones.
El lector atento, familiarizndose con los ejemplos
citados, posiblemente, se fij en que slo algunos de
ellos requieren en la prctica mtodos matemticos
para la argumentacin de las decisiones; en otros casos
las decisiones se toman aproximadamente, empleando
mtodos caducos. Pero a travs del tiempo, para elegir
una solucin, cada vez mayor cantidad de problemas
requieren la aplicacin de mtodos matemticos. Los
2

44Lf

'f)d* ,)!/ +,}7' ..H'."' 't'* *"f"":<;"+

~ ....

'./

~r~:'.Jf"

19

------~-=-.---..- -.-

mtodos en cuestin adquieren una importancia extrordinaria a medida que se introducen los sistemas
automticos de direccin en todas las esferas de la
prctica. Hesulta imposible crear un sistema automtico de direccin (si ste se utiliza no slo para acumular y analizar la informacin, sino tambin para efectuar la direccin) sin realizar estudios previos de los
procesos de direccin empleando los mtodos de la
simulacin matemtica. A medida que se acrecienta la
envergadura y complejidad de las actividades, los
mtodos matemticos de argumentacin de las decisiones adquieren cada vez mayor significado. Un
operador experto es capaz de asegurar el funcionamiento de un aeropuerto pequeo, mientras que un aeropuerto grande requiere un sistema automtico de
direccin que funcione de acuerdo con un algoritmo
preciso. La formulacin de dicho algoritmo siempre ,
se basa en los clculos preliminares, es decir, en la
investigacin de operaciones.

2. Nociones generales y principios

de la investigacin de operaciones
En este prrafo nos familiarizaremos con la terminologa, nociones generales y principios de la ciencia
de investigacin de operaciones.
La operacin es cualquier actividad . (sistema de
acciones) unida por una sola idea y orientada hacia
una determinada finalidad (todas las actividades citadas en los puntos 1-8 del prrafo anterior son
operaciones).
'
La operacin es siempre una actividad dirigida, es
decir, de nosotros depende el mtodo con que se eligen
ciertos parmetros propios de su organizacin. A este
respecto la organizacin se entiende en toda la extensin de la palabra, incluyendo un conjunto de medios
tcnicos utilizados en la operacin.

(C-~~_. .JJ} ~,.. 4!!A f"! A- -.. ./"':!t '"t::":WT*

1

ri:<

"*

" ." .."" "7-."""*'"*7"'.".S'-H

, . ~::f1''1Jt?""'

Toda eleccin determinada de los parmetros que

dependen de nosotros se llama decisin. Las decisiones
pueden ser sensatas e insensatas, acertadas y desacertadas. Las decisiones se consideran ptimas si tienen
preferencia respecto a las otras, partiendo de uno u
otro criterio. El objetivo de la investigacin de operaciones radica en argumentar previa y cuantitativamente las decisiones ptimas.
A veces (en casos relativamente raros) como resultado de la investigacin se consigue indicar una decisin nica, estrictamente ptima, pero mucho ms
frecuentemente se logran obtener varias soluciones
ptim11s y prcticamente equivalentes, entre las cuales
se puede elegir una solucin definitiva.
Es de sealar que la investigacin de operaciones
no incluye el propio proceso de adoptar soluciones,
pues esto le corresponde a la persona responsable o,
ms frecuentemente, a un grupo de responsables con
derecho a elegir la solucin definitiva y responsabiJizarse con ella. Eligiendo una solucin, conjuntamente con las recomoridaciones relacionadas con los
clculos matemticos, ellos pueden, adems, tomar
en consideracin las observaciones de carcter cualitativo y cuantitativo, omitidas en dichos clculos.
La participacin indispensable del hombre (como
instancia definitiva que torna decisiones) no se excluye,
aun cuando exista un sistema automatizado de direccin, el cual corno puede parecer, toma decisiones sin
la participacin del hombre. No hay que olvidar que
la propia creacin de un algoritmo de direccin y la
eleccin de una de sus variantes es tambin una decisin muy importante. El desarrollo de los automticos
de direccin no elimina las funciones del hombre, sino
las traslada de un nivel elemental a otro, superior.
Adems, el empleo de una serie de sistemas automatizados de direccin prev la participacin activa del
hombre en el proceso de direccin.
21

--'

Los parmetros cuyo conjunto forma una decisin

se denominan elementos de decisin. En calidad de
elementos de decisin pueden figurar diversos nmeros, vectores, funciones, indicios fsicos, etc. Por
ejemplo, si se planifica trasladar cargamentos del
mismo tipo, de los puntos de partida A 1 , A 2 , , A m
a los puntos de destinacin B 1 , B 2 , , Bn, entonces
los elementos de decisin sern los nmeros Xj que
indican la cantidad de cargamentos a transportar del
punto de partida A 1 al punto de destinacin B j El
conjunto de los nmeros x 11 , x 12 , ,xi., ... , Xmp
Xm 2 , forma la decisin.
Los problemas sencillos de la investigacin de operaciones pueden tener, relativamente, escasa cantidad
de elementos de solucin. Pero, los elementos que
tienen una aplicacin prctica en su mayora poseen
una gran crmtidad de elementos de decisin, de lo
que el lector puede convencerse fcilmente, si procura
separar individualmente y nombrar los elementos de
decisin en los puntos1-8del prrafo anterior. Para
simplificar la solucin del problema designaremos
todo el conjunto de los elementos de decisin con una
sola letra x, denominndola solucin x.
Adems de los elementos de decisin con los cuales
. podemos manipular dentro de ciertos lmites, cada
1
problema de investigacin de operaciones posee tambin condiciones preestablecidas, de reglamentacin,
las cuales funcionan desde un principio y no pueden
ser alteradas (por ejemplo, la capacidad de carga de
los automviles; el volumen de la tarea planificada;
caractersticas relacionadas con el peso del equipo,
etc.). Con respecto a esto se pueden mencionar los
medios (materiales, tcnicos, recursos de mano de
obra) disponibles, as como las limitaciones impuestas
a la solucin. Una vez agrupadas forman el llamado
conjunto de soluciones posibles.

22

1
1

Designarnos una vez ms el conjunto en cuestin

con la letra X y en este caso, el hecho de que x pertenece a este conjunto lo escribimos con la frmula:
x E X (se loCJ: CJl elemento x forma parte del conjunto X).
Se trata de separar del conjunto de decisiones
posibles X aquellas decisiones x (a veces es una solucin, ms frecuentemente, una regin entera de decisiones) que desde uno u otro punto de vista sean ms
eficientes (ms ncertadas o preferibles) que las dems.
Para comparar las eficiencias de diferentes soluciones
es preciso determinar el criterio cuantitativo, o sea,
el llamado ndice de eficacia o, con otras palabras, la
funcin de finalidad. Dicho ndice se escoge de tal
manera que refleje una finalidad orientada de la operacin. La solucin se considera la mejor si contribuye
al mximo a alcanzar un objetivo propuesto. Para
elegir o denominar el ndice de eficacia W es necesario
ante todo preguntarse ,qu objetivo queremos lograr
realizando una operacin? Es cierto que se conceder
prefernncia a la solucin que convierta al ndice de
eficacia W en mximo (o en mnimo). Por ejemplo, se
quiere maximizar los beneficios prnducidos por la
operacin y al mismo tiempo, es deseable minimizar
los gastos si stos reprnsentau el ndice de eficacia.
Si se desea minimizar el ndice de eficacia lo expresaremos en forma de vV ~ mn, en caso de maximizarlo,
usaremos la forma W =:?- mx.
Muy frecuentemente el cumplimiento de las operaciones va acompaado de factores aleatorios (caprichos del tiempo, cambios de oferta y demanda, fallos
de los dispositivos tcnicos, etc.). En estos casos en
calidad de ndice de eficacia no suele tomarse la propia magnitud a maximizar (minimizar), sino su valor
medio (esperanza matemtica) 1).
1)

't

Se describe ms detalladamente en el prrafo 5.

'

23

!11,

t 1
P"'."'"

I,
.. 'tf*'?."~"Est:_ '!"~U-"'Tfi}'f.""~,'":'?~pc;:;q~;rA

.,,

;1 ~""'z

En ciertos casos las operaciones con factores alea. torios tienen un determinado objetivo A, que puede
lograrse por completo o no se logra totalmente (el
esquema si - no), y ningn otro resultado intermedio representa inters. En este caso la probabilidad
de lograr dicho objetivo P (A) aparece como el ndice
de eficacia. Por ejemplo, si se trata del tiro contra
cierto objeto con el fin ele dar en el blanco a toda
costa, la probabilidad de dar en el blanco interviene
como el ndice de eficacia.
Elegir incorrectamente el ndice de eficacia resulta
muy peligroso. Las operaciones organizadas conforme
a un criterio elegido desafortunadamente pueden provocar prdidas y gastos injustificables (recordemos aunque sea el famoso ndice de produccin global utilizado como criterio principal en la valoracin de la
actividad econmica de las empresas).
Para ilustrar los principios de acuerdo a los cuales
se elige el ndice de eficacia revisamos los eje:inplos 1-8
del prrafo 1; a este respecto, es necesario elegir, ante
todo, un ndice natural de eficacia y, despus, optimizarlo (maximizar o minimizarlo). Analizando los
ejemplos, hace falta tomar en consideracin que la
descripcin verbal del problema no hace posible aceptar un solo ndice de eficacia en todos los casos, por lo
tanto, ciertas discordancias pueden existir al respecto
entre los lectores y la autora.
1. Plan de abastecimiento de empresas. El problema
de la operacin consiste en asegurar el abastecimiento
de materias primas con una minimizacin de los gastos
de transporte. El ndice de eficacia R es la suma total
de los gastos de transporte de materias primas por
una unidad de tiempo, por ejemplo, un mes (R =?- mn).
2. Construccin de un tramo de ferrocarril troncal.
Se requiere planificar una construccin de tal manera
que se finalice lo antes posible. El tiempo invertido en
~ 24

Wiff"'4~T U .fW?AJ "fl#lf44"'f"'>IQ11;.~~ji4l.,4\fll_ Q , , , f<.Si .~~:

'

terminar la construccin sera el ndice natural de

eficacia, si no estuviera relacionado con factores casuales (fallos de la tcnica, demoras en el cumplimiento de algunos trabajos). Por lo tanto, el promedio
de tiempo esperado T, de terminacin de la construccin
puede ser admitido como ndice de eficacia (T => mn).
3. Venta de mercancas de temporada. La ganancia
media esperada G obtenida como resultado de la venta
de mercancas durante 'una temporada dada, ..puede
servir de ndice de eficacia (G ::::> mx)1).
4. Retencin ele nieves. Se trata de planificar una
retencin de nieves ms eficiente en el plano econmico,
por eso se puede elegir como ndice de eficacia los
gastos medios por una unidad de tiempo (por ejemplo,
por un ao) R, relacionados con el mantenim iento y
la explotacin do las vas, incluyendo Jos gastos para
construir las instalaciones de proteccin, para limpiar
las vas y evi tar las demoras del t ram'lporte (R '* mn).
5. Incursin antisubmarina. Puesto que el objetivo de la incursin est completamente determinado,
es decir, consiste en dest.mir un submarino, es necesario elegir como ndice de eficacia la probabilidad
P (A) de destruccin del submarino.
6. Control selectivo de calidad. El planteamiento
del problem a requiere que el ndice natural de eficacia se exprese por medio de los gastos medios R invertidos en el control por unidad de tiempo, siempre
que el sistema de control garanticeun nivel programado de calidad, por ejemplo, qu e el porcentaje medio
de produccin defectuosa no sobrepase el dado
(R =>- rnn).
7. Examen mdico. Se pl1ede elegir como ndice
1) Aqu y a continuacin no vamos marcar siemple el
valor medio de la magnitud con una raya encima.

25

"

de eficacia el porcentaje medio (parte) Q de enfermos

lo que resulta necesario referirse a otros. Tales problemas de criterio mltiple se darn a conocer en el
prrafo 6.

y portadores de infeccin que se logr revelar (Q =>- mx).

,
1

8. Servicio de bibliotecas. El problema no se formula deliberadamente de manera precisa: no est

claro qu significa un servicio ptimo do los abonados
y el satisfacer sus demandas al mximo. Si la calidad
del servicio se determina por el tiempo que se espera
un libro desde el momento de solicitarlo hasta reci birlo, el ndice de eficacia puede representarse como
el tiempo medio T de espeta del libro solicitado por el
lector (T =>- mn). Es posible abordar Bl problema de
otra manera, es decir, elegir como ndice de eficacia
'un nmero medio M de libros entregados por una unidad de tiempo (M =>- mx).
Los ejemplos examinados han sido seleccionados
especialmente lo ms simple posible con el fin ele
facilitar relativamente Ja eleccin del ndice de eficacia, el cual se determina directamente por el planteamiento verbal del problema (casi en todos los casos)
y por la orientacin hacia una finalidad. Sin embargo,
en la prctica dista mucho de ser siempre as. El lector
puede convencerse de ello probando a elerir, por
ejemplo, un ndice de eficacia para el funcionamiento
del transporte urbano. ,Qu puede servir de ndice
. mencionado? La velocidad media del movimiento de
1 pasajeros por la ciudad?
El promedio ele pasajeros
i trasladados? El promedio de kilmetros a cubrir
1 por una persona que no puede llegar al punto de destino
a causa de falta de medios de transporte? Hay aqu
, terreno para reflexionar!
Desgraciadamente, para la mayora de los problemas que tienen un significado prctico no es sencilla
la eleccin del ndice de eficacia. En cuanto a los
problemas algo complejos es tpica la situacin cuando la eficacia de la operacin no puede ser caracterizada completamente por un solo nmero, por

3. Modelos matemticos de operaciones

'i

Para aplicar los mtodos cuantitativos de investigacin en cualquiera de las esferas, es preciso poseer
siempre algn modelo matemtico. Para la construccin d{l un modelo es inevitable simplificar el fenmeno real (en nuestro caso, la operacin), esquematizarlo y este esquema (maqueta del fenmeno) se
describe con ayuda de mtodos matemticos. Cuanto
ms acertadamente se seleccione el modelo matemtico, tanto mejor reflejar ste los aspectos caractersticos del fenmeno, ms exitosa ser la investigacin
y ms tiles las recomendaciones obtenidas.
No existen mtodos vniversales para la construccin de modelos matemticos. En cada caso concreto
el modelo se selecciona a partir del tipo de operacin,
de su orientacin hacia una finalidad, as como tomando en cuenta los problemas de investigacin (la influencia de qu factores y qu parmetros se requiere
determinar). Tambin es necesario, en cada caso
concreto, establecer una correspondencia entre la
precisin del modelo y la cantidad de detalles que lo
caracterizan: a) una precisin necesaria para solucionar
el problema en cuestin, y b) una informacin disponible o la que es posible adquirir. Si los datos iniciales necesarios para el clculo son inexactos, .es
evidente que no vale la pena entrar en detalles, componer un modelo muy minucioso y gastar tiempo (del
investigador y de la calculadora) en optimar la solucin de modo preciso y con muchos detalles. Por desgracia, dicho principio se omite a menudo y los modelos se describen demasiado minuciosamente.

26

:1'

,!,',"
:

'

:r
il:

27
,/

C:i 4!'!?~Pf":Y z::z44*A '"'7~J+i>f f(jjli,FrPff.'s:'1'"*

9 ~'*'""

~!t>1~:a::,~'.~
"+-::U
,

.. ~

ill

-* 8iEIWiiP421
Nb

- _,,. Piil

f1

il!lm

/,

E.I modelo matemtico ,d ebe corresponder a los

aspectos
rns importantes del fenmeno, a los prin1
cipales factores que determinan generalmente el xito
1
. de la operacin. Adems, segn la posibilidad, el
modelo debe ser simple, sin detalles secundarios, que
dificultan el anlisis matemtico e imposibilitan tomar en consideracin los resultados de la investigacin.
En la construccin de modelos existen dos peligros:
el primero consiste en hundirse en detalles (los rboles tapan el bosque) y el segundo en generalizar el
fenmeno (echar al nio de la baera junto con Pl
agua). El arte de construir modelos matemticos es
precisamente un arte y la experiencia en Eista esfera se
adquiere gradualmente.
Puesto que el modelo matemtico no se desprende
indiscutiblemente de la descripcin del problema,
1 siempre es provechoso poner en duda cualquiera de los
, modelos y comparar los resultados obtenidos de diferentes modelos, hacerlos competir entre s. En este
caso un mismo problema se resuelve varias veces
utilizando diversos sistemas de tolerancias, diversos
modelos y mtodos. Un argumento serio a favor de la
investigacin objetiva reside en las conclusiones cientficas cuando stas de modelo en modelo tienen pocos
! cambios. Si divergen sustancialmente, os preciso revisar las concepciones que sirvieron de base a los distintos modelos (cul de ellos se adapta mejor a la realidad) y, en caso de necesidad, realizar experimentos de
: control. Es caracterstico tambin en la investigacin
de operaciones el volver a estudiar el modelo (tras de
llevar a cabo la primera ronda de clculos) para introducir correcciones.
La creacin sJ.el modelo matemtico es la parte ms
importante y responsable de la investigacin que
requiere conocimientos profundos no tanto de.. -matemticas, como de la esencia de los fenmenos que se
.

.~

.,l

,! 28

~fa~-''"'""~4"~:'.""""'

4 ,..,.
::;" 'f*i .cf."J+IWILllJ!W
. ' . ..
,.

, ' "'' , .

simulan. Como regla, a los matemticos puros les es

difcil (sin ayuda de los especialistas en 11\ esfera que
se investiga) construir modelos adecuados. Estos
centran su atencin en los modelos matemticos y no
en los aspectos prcticos y reales de los problemas.
La~I!eriencia nos 1n.u.efil,r.a_q.filLJ_os modelos ..m.
acerta~ ~.i::_t~_l_()_c_~~ a los especialistas de determinada esfera de la prctica que han completado sus conocimientos especiales con una profunda preparacin
matemtica o a los colectivos que unen a los especialistas prcticos y a los matemticos. Son muy tiles
las consultas que los matemticos, que conocen bien
la investigacin de operaciones, dan a los especialistas
prcticos, ingenieros, bilogos, mdicos y ot ros que
necesitan argumentar cientficamente las decisiones
tomadas. Dichas consultas resultan tiles tanto para
los prcticos, como para los matemticos que se familiarizan con los problemas reales de las diversas ramas.
Para resolver tales problemas los matemticos muy
a menudo tienen que perfeccionar su instruccin, as
como desarrollar, generalizar y modificar los mtodos
conocidos.
Los especialistas que quieren ocuparse de la investigacin de operaciones independientemente (sin ayuda
de nadie) deben tener una preparacin matemtica bastante amplia. Adems de las partes clsicas del anlisis matemtico que suelen estudiarse en la escuela
superior tcnica, la investigacin de operaciones incluye las par tes modernas, relativamente nuevas, de
las matemticas, tales como la prog:r:amacin dinmica,
no lineal y lineal, la terla de los juegos y .soluciones
~stfcas,lal.eorra-de colas, etc. El libro da la
posibildad- ar lector Ui~amilarizarse con algunas
nociones de estas partes de las matemticas.
Es necesario prestar una atencin especial a la
t~ de las p_roba~ilidadfl!_; no se trata de conocimien-

29

,M

'"\'

. y
':'t:'!_,.,. .. fPi

. .
. .
'--"SB'~~~*

. ....', !"lml&A.!@F

1
11

IJ

,/

,!!
1

ti

~'I

,..

" . ai
!

. tos amplios y profundos, sino de conocimientos eficaces, no formales, d e la capacidad para manipular datos
estadsticos y nociones de probabilidad. Las exigencias
especiales que se plantean precisamente ante esta rama
de las ciencias matemticas se deben a que la mayor!.;!.
de las operacione.s. se realizan en condi~!_Q!B~S de c_i_e.rta
indeterminacin y l l?_!.'oceso y resultado dependen tj_e
_filCtOres ~-Por d esgraCiaTa mayona de los
especialistas, ingenieros, qumicos, mdicos muy raramente dominan bien los mtodos de la teora de las
probabilidades. Muy a menudo las reglas y los conceptos de la teora se utilizan de manera formal sin
comprender adecuadamente su sentido y espritu. No
son raros los casos, cuando a la teora de las pr obabilidades se la trata como a algo parecido a la varita
mgica que permite obtener informacin d e la nada,
del desconocimiento completo. Es ta consideracin es
errnea pues la teora de las probabilidades slo permite t.ranstormar la informacin, es decir, partiendo
de datos sobre fenmenos accesibles a la observacin,
hacer conclusiones sobre otros menos accesibles. Se
supone que el lector de este libro posea los conocimientos elementales de la teora de las probabilidades 1) .
~No se desea que las partes de las matemticas men1 cionadas, que se aplican a la investigacin de operaciones intimiden al lectorptincipiante y le hagan perder
el gusto de dedicarse a dichos problemas. En primer
lugar, como. se dice no es tan fiero el len como lo
pintan y ' siempre es posible dominar cualquier mtodo matemtico si existe una necesidad imperiosa. En
segundo lugar, no cada problema ex ige aplicar todas
las partes mencionadas; se puede famili arizar slo con
algunas de ellas, dando la prioridad a las ms necesa1) Si el lector no conoce totalmente la teora de las probabilidades, puede obtener los datos mnimos necesarios leyendo
un folleto de divulgacin (2):
! '30

11 '

rias. El presen te libro tambin n os da los conocimien"tos ma tern ticos necesarios para r esolver los problem as concretos mencio11 ad os.
P ar a construir un modelo m atemtico es p osible
aplicar (en func in del tipo de op eracin, del problema
a investigar y de la exacti tud de d a tos iniciales) mtodos ma tern :licos do diferen te grad o d e complejidad.
En los cisQun_;s____s@_c_ilills. el fennum.o s~Jl.1b e por
medio de ecuacion e~ alg_!:ibraica~~!l~ ill~. En casos
mfts corn plejos, cuando se requiere analizar un fenmeno en su desarrollo, se aplica el m todo de. ecuaciones
difere[!~i~l.le$ (ordinari as o en derivad as parciales). En'
los casos ms complejos, cuando el d esarrollo d e una
operacin y su resul tado dependen de numerosos factores aleatorios, complejamente ent relazados, los mtgdos an aJticos no funcionan y hace falta recurr.i.!:.JJ
mtodo c1iifliliaC1i"'esfadslica (metclOdeMonteado) al cualnosrefrimosenol sp t imo captulo. En
la pri mera aproximaci n la idea d e este mtodo puede
ser d escri ta de la manera siguien te: el p roceso de desarrollo de la operacin con tod os los factores aleatorios q ue le acompa an se reproduce, se copia, en la
calculad ora electrnica. Como resultado, obtenemos
u 11 ejemp lar ( un a real izacin) d el p roceso aleatorio
d e desarrollo de un a op eracin con el cu rso y fin casual es. D e p or s un a sola realizacin no p uede servir de
base para eleg ir la solucin, pero , obteni endo un conjnnto de tales realizaciones, Jo nn alizamos como m a t erial estadstice> corrien te (de aqu procede el trmino
simulacin estads tica), hallamos las caractersticas
medi as d el proceso y n os formamos una idea de cmo
influ yen sobre ellas las condiciones d el problema y los
elemen tos de la solucin .
En l a investigacin d e operacio nes se utilizan ampliam en te tanto los m odelos analticos , como los estadsticos. Cada uno de ellos tiene sus ventajas y defectos.
31

~,_,,

" '

;111 .,)'~

.,.,.,......

.o:.<!".;

..

Los modelos analticos son ms aproximados, consideran menor cantidad de factores, siempre requieren,
ciertas suposiciones y simplificaciones. Sin embargo
dan resultados de clculo ms perceptibles y con mayor
claridad reflejan las principales regularidades propias
del fenmeno en cuestin. Lo principal consiste en que
los modelos analticos son ms aplicables para la
bsqueda de soluciones ptimas.
Los modelos estadsticos son ms precisos y detallados en comparacin con los analticos, no requieren
suposiciones tan aproximadas, permiten considerar
una gran (tericamente una cantidad ilimitable) cantidad de factores. Pero tambin tienen sus defectos, a
saber: son voluminosos, mal percibibles, exigen un
trabajo prolongado de calculadoras y, sobre todo, es
extremadamente difcil hallar soluciones ptimas, las
cuales hay que buscarlas a ciegas, mediante suposiciones y pruebas.
Los especialistas inexpertos en la investigacin de
operaciones, teniendo a su disposicin las calculadoras,
frecuentemente y sin ninguna necesidad, empiezan a
investigar las operaciones construyendo un modelo
estadstico y procurando considerar en ella la mayor
cantidad posible de factores. Se olvidan de que construir el modelo y efectuar clculos, basndose en l,
es slo la mitad del asunto; es ms importante saber
analizar los resultados y transfigurarlos en recomendaciones.
Los mejores trabajos en la esfera de investigacin
de operaciones se basan en la aplicacin conrunt--d~
los modelos anHticos y estadstico~. E modelo analtico p0s1'E1ITfil'IiCOmprensinaef fenmeno en trminos generales, traza los contornos de las principales regularidades. Cualesquiera de las especificaciones pueden ser obtenidas con ayuda de los modelos
estadsticos (ms detalladamente vase el captulo 7).
32

f' 1_
~

, j')-' 4

En conclusin nos referiremos brevemente a la

llamada simulacin de imitacin. Se aplica a los
procesos los cuales en ocasiones pueden experimentar
la influencia de la voluntad del hombre. Un hombre
(o un grupo de hombres) que dirige la operacin
puede, en dependencia de una coyuntura, tomar una
u otra solucin, al igual que el ajedrecista, observando
el tablero, escoge una jugada ulterior. Luego, se pone
en accin el modelo matemtico que muestra el cambio
esperado de las condiciones en respuesta a una solucin adop ta<la y a qu consecuencias conducir, pasado
algn tiempo. Una siguiente solucin ya se adopta,
tomando en cousideraciu una nueva situacin real,
etc. Como resultado de frecuentes repeticiones del
procedimiento mencionado el dirigente acumula experiencia, aprende de .los erroi'es propios y ajenos y gradualmente llega a adoptar soluciones adecuadas, es
decir, ptimas o casi ptimas. Tales procedimientos,
conocidos como juegos de negocio, han gozado ltimamente de mucha fama y, sin duda, son tiles para
capacitar los cuadros de direccin.

3-0515

i't't4

W>{ y; +S ""-:"11f~-j~~~~~"-ll"'"

~- ~a_. ,..

Capftuio 11

1) Para mayor sencillez, en adelante, mencionaremos meramente el mximo del ndice, sin referirnos cada vez a que se
pueda requerir minimizarlo. Es evidente que el segundo caso se
reduzca facilmente al primero por simple variacin del signo W.

sario, ante tod o, saber resolver el problema directo.

Para algunos t ipos de operaciones la solucin del
problema directo es tan sencilla que no exige dedicarse
a ella especialmente. Para otros tipos de operaciones
la construccin de modelos matemticos y el clculo
del ndice (ndices) de eJicacia distan mucho, como
tales, de ser triviales (as, por ejemplo, el caso de los
problemas direc tos refer~ntes a la teora de colas, con
los cuales nos encontraremos en el captulo 6).
Detengmonos ms detalladamente en los problemas recprocos. Si el nmero de variantes posibles de
la solucin que forman el conjunto X no es grande, se
puede calcular meramente el valor de J,Y para cada
una de ellas, comparar entre s los valores obtenidos
e indicar direct amente una o varias de las variantes
ptimas para las cuales H' alcance el m ximo. Tal
procedimien to de bsqueda d e soluciones p t imas se
denomina seleccin simple. Pero, cuando el nmero
de variantes posibles de la solucin que forman el
conjunto X es grande, la bsqued a entre ellas a ciegas
de la variante ptima, por medio de la simple seleccin es dificu ltosa y en muchos casos, prcticamente,
imposible. E n estos casos se aplican los mtodos de
seleccin orientada que se ca racterizan por la particularidad comn de hallar la solucin ptima mediante
una serie de pruebas o aproximaciones sucesivas.
A este respecto, cada solucin posterior nos acerca a la
ptima buscada. Algunos de estos mtodos los damos
a conocer en los captulos 3 y 4.
Aqu nos limitamos a plan tear el problema de
optimizacin de la solucin (el problema recproco de
la investigacin de operaciones) en forma ms generalizada.
Supongamos que en alguna medida podamos ejercer
influencia en el resultado de cierta operacin e,
aplicando t al o cual mtodo para escoger la solucin x

34.

Variedad de los problemas

de investigacin de operaciones
y enfoques de sus soluciones

4. Problemas directos y recprocos

de investigacin de operaciones.
Problemas detertninados
Los problemas referentes a la investigacin de
operaciones se dividen en dos categoras: a) problemas
directos y b) problemas recprocos. Los problemas
directos responden a la cuestin: qu suceder si en
las condiciones dadas adoptarnos cierta solucin x E X?
Por ejemplo, una vez adoptada la solucin a, se plantea determinar, a qu ser igual el ndice de eficacia
W elegido (o una serie de tales ndices)?
i Para solucionar tal problema se construye un modelo matemtico que permita expresar uno o varios ndii ces de eficacia a travs de elementos de solucin y
condiciones dadas.

1
Los problemas recprocos responden a la pregunta:
cmo escoger una solucin x para maximizar el
ndice de eficacia W? 1)
Naturalmente que los problemas directos se consideran ms sencillos que los recprocos. Es cierto tambin que para resolver el problema recproco es nece-

:(,.,,..~9.t25f".Sff\ .' '#**A' 1 Vi# _'}il}4?tSP.filp1jJMWW~

~, 1-:- .;;!;~:" ; ,- r -:-c;.,',,

35

I'
lf.

(recordemos que x no es un nmero, sino un grupo de

parmetros). Supongamos que la eficacia de la operacin se caracterice por un solo ndice W
mx.
Examinemos el caso ms sencillo, el llamado determinado, cuando se conocen por completo y de antemano todas las condiciones, a saber, que no contienen
indeterminaciones. En este caso todos los factores, de
los cuales depende el resultado de la operacin, se
dividen en dos grupos:
1) los factores dados, conocidos de antemano (las
condiciones necesarias para cumplir la operacin), que
se designan, para abreviar, con una sola letea a;
2) los elementos de solucin que dependen de nosotros y forman en su conjunto la solucin x.
Es de sealar que el primer grupo de factores contiene, en particular, limitaciones impuestas a la solucin, o sea, determina un campo de soluciones posibles X.
El ndice de eficacia W depende de ambos grupos
de factores. Esto puede expresarse en forma de frmula:

W (a, x).

(4.1)

Al examinar la frmula (4.1) no debe olvidarse que

tanto x, como a en forma general no son nmeros, sino
conjuntos de nmeros (vectores), funciones, etc. Entre
las condiciones dadas de a suelen figurar las limitaciones que se imponen a los elementos de la solucin,
que representan igualdades y desigualdades.
Consideremos que la forma de dependencia (4.1) no
es conocida, es decir, el problema directo est resuelto. En este caso el problema recproco se formula de
la siguiente manera.
Una vez dado el conjunto de las condiciones, es necesario hallar tal solucin x = x*, que maximice el ndice
de eficacia W.

lr_-1:__~ _~'"';'~.~ ~~~r~;:pq;.e!'f'##M...~f"V'J""!''!Cll'?(.. Vi<!?ifZVJU . :f ;~

l t 'I

W* = mx {W (a, x)}.

(4.2)

xE.Y

La frmula (4.2) se lee as: W* es el valor mximo

de W (a, x) tomado con relacin a todas las soluciones
que forman el conjunto de soluciones posibles X.
Es conveniente familiarizarse con tal tipo de frmulas que nos sern necesarias en adelante (vase cp. 4).
De esta manera, nos encontramos con el problema
matemtico tpico que consiste en obtener un mximo
de la funcin o de la funcional1).
Este problema pertenece a la clase de los llamados
problemas variacionales, bien elaborados en la matemtica. A cada ingeniero le son bien conocidos los
problemas ms sencillos de este gnero (los problemas
sobre el mximo y mnimo).
Para obtener el mximo o el mnimo (en breve el
extremo) de una funcin de muchos argumentos hace
falta diferenciarla respecto a todos los argumentos (en
este caso, respecto a todos los elementos de la solucin), igualar las derivadas obtenidas a cero y resolver
el sistema de ecuaciones obtenido. Puede parecer que
no hay cosa ms simple. Sin embargo, en lo que toca
a la investigacin de operaciones este mtodo clsico
tiene, precisamente, una aplicacin bastante limitada.
En primer lugar, cuando los argumentos son muchos,
el problema de resolucin de un sistema de ecuaciones
resulta a menudo ms complicado que la obtencin
directa del extremo. En segundo lugar, siempre y
cuando los elementos de la solucin se encuentren limitados, el extremo, frecuentemente, no se obtiene en
1 ) Recordemos que se denomina funcional a Ja magnitud
que depende del tipo de funcin. Si la solucin x incluye no slo
nmeros, sino tambin funciones, la magnitud W (ex, x) constituye la funcional.

37

36

~- -.-

Designemos este mximo de la manera siguiente:

.. ,

11

l1

'I

,1

11
t!

'I

11
~'
fif!
!1

~'
~i

il

el punto donde las derivadas son iguales a cero (generalmente tal punto puede no existir), sino en alguna parte
de la frontera de la regin X. En este caso surgen todas
las dificultades propias d~l llamado problema variacional multidimensionaJ con limitaciones que a veces
resulta demasiado complejo para ser resuelto mediante
las calculadoras modernas. Adems, en algunos problemas la funcin W no posee en absoluto derivadas
(por ejemplo, se da slo para nmeros enteros de argumentos). Por estas razones, el problema de hallar el
extremo resulta ms complejo que parece a primera
vista.
El mtodo de obtencin del extremo y de la solucin ptima x* relacionada con l siempre debe escogerse, partiendo de las particularidades de la funcin W
y del tipo de limitaciones, aplicadas a la solucin. Por
ejemplo, si la funcin W depende linealmente de los
elementos de la solucin x 1 , x 2 , , y las acotaciones
aplicadas a x 1 , x 2 , tienen la forma de igualdades
o desigualdades lineales, surge el problema clsico de
la programacin lineal que se resuelve utilizando mtodos sencillos y, lo que es esencial, estndar (vase
cp. 3). Si la funcin W es convexa se utilizan mtodos
especiales de programacin convexa con su variedad:
programacin cuadrtica (vase [81). Para optimizar
el mando de operaciones de muchas etapas se utiliza
el mtodo de programacin dinmica (vase cp. 4).
Por fin, existe una serie de mtodos numricos de
obtencin de extremos que estn especialmente adaptados para calculadoras; algunos de ellos incluyen el
elemento de obtencin casual que en caso de problemas multidimensionales resulta a menudo ms eficaz
que la seleccin ordenada.
As pues, el problema de obtencin de una solucin
ptima"en condiciones sencillas y bien determinadas,
es un problema puramente matemtico perteneciente
38

a la clase de problemas variacionales (con la aplicacin de acotaciones o sin estas) que no presenta dificultades de principio, sino de clculo. El asunto no es
ste, cuando el problema contiene un elemento de
indeterminacin.

5. Proble ma de eleccin de una solucin

en condiciones de indeterminacin

En el prrafo anterior nos referimos al problema

recproco de la investigacin de operaciones en condiciones de determinacin, a saber, cuando el indice
de eficacia W depende slo de dos grupos de factores:
programados, conocidos de antemano a y elementos de
la solucin x. Adems de estos dos grupos los problemas reales de la investigacin de operaciones contienen
frecuentemente un grupo de factores desconocidos que
se designan en su conjunto por una letra ~. De este
modo, e] ndice de eficacia W depende de los tres
factores:
(5.1)
W = W (a, x, ~).

Puesto que el valor H' depende de factores desconocidos es imposible calcularlo, ya que queda indeterminado aunque estn dados los factores a y x. El
prohlema de obtencin de una solucin ptima tambin
pierde sn determinacin. Pues no se puede maximizar
un valor W desconocido! No obstante, nos queda el
deseo de maximizar en lo posible esta magnitud desconocida. (.Es que a veces no logran xitos los hombres
en condiciones, cuando Ja situacin no es del todo
clara? Sin duda que a veces lo logran. Expresando lo
expnesto en lenguaje matemtico, nos planteemos el
siguiente prohlema.
Dadas las condiciones a y considerando los factores
desconocidos Ghallar tal solucin x E X, que asegure, en
lo posible, un valor mximo del ndice de eficacia W.
39

11

. Este es otro problema no puramente matemtico

(no en vano su formulacin contiene la reserva en
lo posible). Con la existencia de factores indetermina dos ~el problema cobra una nueva calidad, es decir,
' se convierte en el problema de eleccin de una solucin
en condiciones de indeterminacin.
Analicemos un poco el problema planteado. En
primer trmino, seamos sinceros: la indeterminacin
es la indeterminacin y no tiene nada de bueno. Si
las condiciones de la operacin son desconocidas, no
podemos optimizar la solucin con tanto xito como
en el caso de que dispusiramos de una informacin
ms amplia. Por lo tanto toda solucin adoptada en
condiciones de indeterminacin es peor que la adoptada en condiciones conocidas de antemano. Y qu
hacer en tales circunstancias? Independientemente de
que sea mala o buena , la solucin debe adoptarse en
todo caso. Nuestra obligacin consiste en conferir a
esta solucin, en lo posible, mayor grado de sensatez.
Es por esta razn que T.L. Saati, un destacado especialista extranjero en la investigacin de operaciones,
definiendo dicha ciencia, dice no sin irona: La investigacin de operaciones constituye un arte de dar malas
recomendaciones relativas a las cuestiones de la prctica, en tanto que otros mtodos dan recomendaciones
! aun peores r1 ].
Nos encontramos con el problema de adoptar a cada
paso en la vida cotidiana soluciones en condiciones de
indeterminacin. Por ejemplo, nos hemos propuesto
emprender el viaje y hacemos la maleta. Se conocen
el tamao y peso de la maleta, as como la ropa a
nuestra disposicin (condicioties a), mientras que se
desconoce de antemano el tiempo en el rea de viaje
(condiciones ~). Qu ropa (x) conviene llevar? Es
cierto que este problema semejante, a primera vista,
los problemas de investigacin de operaciones se
~o

'\

resuelve sin aplicar mtodos matemticos (es intil

gastar la plvora en salvas), sin embargo, realizamos consciente o inconscientemente algo parecido a
la optimizacin de una solucin, basndose en ciertos
datos estadsticos, digamos, acerca del tiempo probable en el rea de viaje o tomando en cuenta nuestra
vulnerabilidad ante el resfriad o. A este respecto es
curioso que diferentes personas utilicen, al parecer,
distintos ndices de eficacia. Si un joven tiende ms
bien a maximizar la suma de impresiones agradables
(dejemos aparte la cuestin de cmo apreciarla cuantitativamente) , u na persona de edad prefiere, quizs,
minimizar la probabilidad de caerse enferma ...
Examinemos ahora un problema ms serio. Se
planifica un surtido de mercancas a vender en la
feria. Sera deseable maximizar una ganancia obtenida.
Sin embargo, se desconoce de antemano la cantidad de
compradores que acudirn a la feria y sus demandas.
;,Cmo actuar en este caso? La indeterminacin es
evidente, pero es indispensable adoptar una solucin!
Citemos otro ejemplo: se proyecta un sistema de
obras destinado a proteger cierta regin contra las
aguas de crecida. Se desc;onoce de antemano, cundo
comenzarft Ja crecida y cul ser su envergadura. No
obstante, hace falta realizar el proyecto y ninguna
indeterminacin puede liberarnos de esta obligacin ...
Por fin, abordemos un problema an ms complejo,
es decir, se elabora un plan de desarrollo de armamentos para unos cuantos aos. Se desconoce el enemigo
concreto y Jos armamentos a su disposicin. 1No obstante, es indispensable tomar nna solucin!
Para que tales soluciones no sean aprobadasal azar
por inspiracin, sino sensatamente.., y con los
ojos abiertos, la ciencia actual dispone de una serie
de procedimientos. La eleccin del1 procedimiento a
utilizar depende del carcter de los factores desconocitd

i',\'
,,]

11

I~

\~

'~

;:

I'

.li

H9,

~~

:.h

'\
1

\
\
\
1

dos t de su origen y de quin los controla. Con otras

'palabras, depende del tipo de indeterminacin con
el cual tocamos en el probJema dado.
Al lector Je puede surgir la pregunta .~es que acaso,
se pueden clasificar las indeterminaciones por tipos
y especies? Pues es posible.
Examinemos, en primer trmino, un tipo de indeterminacin ms propicio desde el punto de vista de
su investigacin, o sea, una indeterminacin de buena
calidad. Este es el caso, cuando los factores desconocidos representan objetos ordinarios de estudio de la
teora de las probabilidades, o sea, ma{{nitudes aleatorias (o funciones aleatorias), cuyas caractersticas
estadsticas nos son conocidas o en un principio pueden
ser obtenidas para un plazo fijado. Tales problemas de
la investigacin de operaciones los denominaremos
problemas estocsticos, en tanto que la indeterminacin
propia de ellos, indeterminacin estocstica1).
Citemos otro ejemplo de un problema estocstico
de la investigacin de operaciones. Supongamos que
se organiza o se reorganiza el funcionamiento de Ja
cantina con el fin de aumentar su capacidad. No conocemos exactamente cuntas personas la visitarn durante una jornada laboral, cundo vendrn, qu platos
-s olicitarn y cunto tiempo se invertir para servir
a cada una de ellas. Sin embargo, ]as caractersticas
de estas variables aleatorias si es que ahora todava
no las tenemos a nuestra disposicin, pueden obtenerse mediante procedimientos estocsticos.
1.'
Pongamos otro ejemplo: se organiza im sistema de
reparaciones profilcticas y de emergencia de instalaciones tcnicas con el fin de reducir su tiempo muerto,
ocasionado por desperfectos y reparaciones. Los fallos
r._:::

1 ) El trmino estocstico!> significa simplemente de carcter prbabilsiico,'"'pero suena-algo ms solemne. Conservemos

t!ste trmino, ya que es bien usado en la literatura.

i2

tcnicos y las duraciones de las reparaciones y de la

profilctica son de carcter casual. Las caractersticas
de todos los factores casuales referentes al problema
planteado pueden obtenerse, una vez reunida una estadstica correspondiente.
Examinemos ms detalladamente este tipo de
indeterminacin de buena calidad. Supongamos que
los factores alea torios represen tan variables aleatorias
con ciertas caractersticas probabilsticas en principio
conocidas, a saber, las leyes de distribucin, las esperanzas matemticas, las varianzas, etc. 1 ). Entonces,
el ndice de eficacia W dependiente de estos factores
tambin ser una variable aleatoria. Es imposible
maximizar la variable aleatoria, ya que cualquiera
que sea la solucin X, ella queda aleatoria, no controlada. i.Qu hacer en estas condiciones?
Lo primero que se nos ocurre es lo siguiente: No
ser posible sustitu ir los factores aleatorios por sus
valores medios (esperanzas matem ticas)? En este caso
el problema se convierte en determinado y puede resolverse mediante procedimientos ordinarios.
Es de sobra decir que es un procedimiento seductor
e incluso, en ciertos casos, justificado. Pues en la
prctica, al resolver la mayora de los problemas de
fsica, mecnica, tecnologa lo utilizamos muy a
menudo sin considerar el hecho de que una serie de
parmetros son aleatorios (capacidad trmica, inductividad, coeficiente de friccin) y de que los hemos
sustituido por valores medios. El problema consiste
en aclarar hasta qu grado son aleatorios dichos parmetros, ya que, si se desvan poco de sus esperanzas
matemticas, resulta posible y hasta necesario actuar
de este modo. As son las cosas en el caso de la investi-

1 ) Si el conjunto,~ contiene funciones aleat.orias, es posible

reducir stas a una 'Sucesin de variables aleatorias.

43

gaci6n de operaciones, o sea, existen problemas que

permiten no tomar en consideracin su carcter alea' torio. Por ejemplo, si componemos un plan de abaste', cimiento de un grupo de empresas con materias primas
(vase ejemplo 1, prrafo 1), en la primera aproximacin podemos no tomar en consideracin, digamos, el
\ cracter aleatorio de la productividad real de las
fuentes de materias primas (si ciertamente su produccin marcha bien). El mismo procedimiento consistente en no tomar en consideracin el factor aleatorio y
sustituir todas las variables aleatorias que forman
parte del problema por sus esperanzas matemticas,
no resultar aplicable, si la influencia del carcter
aleatorio sobre el resultado que nos interesa de la
operacin es esencial. Consideremos un ejemplo ms
aproximado: supongamos que disparamos contra cierto
objetivo con el fin de dar en el blanco a toda costa. Se
producen varios disparos. Se propone sustituir todas
las coordenadas aleatorias de los puntos de impacto
por su espetanza matemtica, o sea, por el centro del
blanco. Resultar que cualquier disparo dar en el
blanco con seguridad, lo que es notoriamente incorrecto. Examinemos otro ejemplo menos evidente: se
planifica el trabajo de un taller de reparacin para
prestar servicios al parque de automviles. Prescindil:nos de la casualidad del momento de aparicin del
desperfecto (es decir, sustituimos el tiempo aleatorio
del trabajo sin fallos de la mquina por su esperanza
matemtica) y de la casualidad del tiempo invertido
m realizar la reparacin. ~.Qu resultado obtendremos?
El taller cuyo funcionamiento se planific sin considerar los factores aleatorios, sencillamente, no cumplir con su tarea (de lo que nos convenceremos en el
<laptulo 6). No son pocas las operaciones que comprenden en s factores aleatorios, y en las cuales no se
'ogra reducir el problema a la determinacin.

As pues, examinemos tal operacin (9 cuyos factores ~ son aleatorios de carcter esencial e influyen
notablemEmte en el ndice de eficacia W que tambin
tiene carcter aleatorio.
Surge la idea de tomar como ndice de eficacia el
valor medio (esperanza metemtica) de esta magnitud
aleatoria W = M [W] y elegir tal solucin x cuyo
ndice mediado se maximiza:

W=

M [W (a, x, ~)I *mx.

(5.2)

Es de sealar que precisamente as actuamos en el

prra[o 2, escogiendo en los problemas que tienen una
indeterminacin como ndice de eficacia no slo
ganancia, sino ganancia media, no slo tiempo,
sino tiempo medio. En la mayora de los casos dicho
enfoque (lo denominaremos promedio de optimizacin) es completamente justificado. De hecho, si
escogemos una solucin de manera que el valor medio
del ndice de eficacia se maximice, entonces, sin
ninguna duda, actuaremos ms correctamente que si
escogemos la solucin al azar.
Que 11acer eu este caso con el elemento de indeterminacin'? Naturalmente, que hasta cierto punto se
conserva. La eficacia de cada operacin independiente
que se realiza con valores concretos de los factores
aleatorios puede diferenciarse considerablemente de
la esperada, tanto hacia la parte mayor, como, por
desgracia, hacia la menor. Es consolador el hecho de
que, en resumidas cuentas, una vez repetida muchas
veces, el promedio de optimizacin ofrece un mayor
beneficio qUP en el caso de no aplicarse totalmente el
clculo.
Tal promedio de optimizacin se utiliza muy a
menudo en la prctica en los problemas estocsticos de
investigacin de operaciones y lo aplican de ordinario

,
ll
1j

I
." li

nt

ti
,11
' ;

"~R\
~

!) l'

14

45

,~

'"

si{} reflexiona1 sobre su validez. Pero, sera util refleic.ionar! Para que este procedimiento sea vlido es netesario que la operacin posea propiedades de reiteraein y la insufiencia del ndice de eficacia en un
ctaso se compense con su exceso en el otro. Por ejemplo,
emprendemos una larga serie de operaciones semeantes con el propsito de obtener una ganancia mxia, las ganancias de las operaciones independientes se
juman, o sea, el menos en un caso se compensa con
(fl ms en el otro, y todo queda en orden.
Siempre es as? No, no siempre. Para convencerse
de esto examinemos un ejemplo. Se organiza un sistema automatizado de direccin (SAD) para el servicio
mdico urgente de una gran ciudad. Las llamadas, provenientes de diferentes regiones de la ciudad en rnoraentos casuales, llegan al pu<:lsto central de direccin de
donde se transmiten a tal o cual puesto de servicio ur~ente equipado de mquinas. Se exige elaborar tal
~gla (algoritmo) de trabajo del operador del sistema
C\utomatizado de direccin qu garantice la mayor eficiencia de trabajo de servicio en su conjunto. Con este
~ropsito hace falta en primer lugar escoger un ndice
eficacia W.
Ciertamente, es deseable que el tiempo 1' necesario
p iara esperar al mdico sea mnimo. Pero este tiempo
([~ una magnitud aleatoria. Si se aplica el promedio
cJ ~ optimizacin es preciso escoger un algoritmo que
minimice el tiempo necesario para esperar al mdico.
c(N o es as?
.Resulta que no es del todo as. El inconveniente
consiste en que los tiempos en que cada enfermo espera
o.l mdico no se suman, pues, la asistencia prestada
c~si instantneamente a un enfermo no recompensa las
prdidas de tiempo ocasionadas por la prolongada espevo.. de otro. Escogiendo en calidad de ndice de eficacia
el tiempo medio de espera T corremos el riesgo de

cl\e

otorgar preferencia al algoritmo, con ei cual ei tiempo

medio de espera es pequefio, mientras que algunos
enfermos pueden esperar al mdico por un tiempo prolongado. t'ara evitar los inconveuieutes de esta ndole
es posible complementar el ndice de eficacia con un
requisito adicional consisteute en que el tiempo real
1' de espera del mdico uo supere a un determinado
valor lmite t 0 !'uesto que 1' es una magnitud aleatoria no se puede exigir simplemente que se cumpla la
condicin 1' ~ t, sino que se cumpla con una probabilidad grande, tan grande que el suceso T ~ t 0 sea
prcticamente fidedigno. Pues bien, asignemos cualquier valor [3 tan prximo a la unidad (por ejemplo,.
U,U!~ 0,9\)5), que un suceso puede considerarse, con
tal probabilidad, prcticamente fidedigno y requeramos que la condicin 1' ~ t 0 se cumpla con una pro-
habilidad uo inferior a ~:

P (1'

t0)

> p.

(5.3)1

La introduccin de Lal limitacin quiere decir que>

del dominio de las soluciones posibles X se exluyen las.
que no lo satisfacen. Las limitacioues del tipo (5.3) se'
denominan limitaciones estocsticas; su presencia hace'
el problema de optimizacin ms complejo.
Hace falta tener especial cuidado con el promedio1
de optimizacirn>, cuando no se trata de una repetidm
operacin en masa, sino, de peculiar, nica. Todo1
depende de las consecuencias originadas por el fracaso1
de una operacin dada, es decir, por un valor demasiado insuficiente del ndice de eficacia W; a veces,
ello puede significar una verdadera catstrofe. De qu
sirve que una operacin en promedio nos proporcione
grandes ganancias, si en este caso nico ella nos puede
arruinarcompletamente.Una vez ms la introduccin
de limitaciones estocsticas puede librarnos de tales
resultados catastrficos. Siempre que un valor de ni47

'lj
j'. '
~
{(,!,

,,'
)

. vel de confianza ~ sea suficientemente grande se puede

estar, prcticamente, seguro de que no nos suceder
una ruina peligrosa 1 ).
As pues, hemos examinado en breve el caso de la
indeterminacin de buena calidad (es tocst ica) y
aclarado en trminos generales la cuestin referente a la
optimizacin de soluciones en tales problemas. Pero
esto, como se dice, son flores, las espinas v endrn
despus. La indeterminacin estocstica es casi la d eterminacin, si son conocidas las caractersticas probabilsticas de los factores aleatorios que form an p arte
del problema. Las cosas son peores , cu ando 'por m edio
de mtodos estadsticos no se pueden estudiar y describir los factores desconocidos S As sucede en d os casos:
ya sea a) cuando existe en principio un a di stribucin
de las probabilidades par a los parmetros
p ero que
no puede ser obtenida en momento d e adoptacin de
la solucin, ya sea b) cuando una distribucin de las
probabilidades para los parmetros no existe totalmente.
Citemos una situacin del tipo a): se proyecta un
sistema calculador informat ivo destinado a prestar
servicios a ciertos flujos casuales de requerimientos
(demandas). Las caractersticas probabilsticas de estos
flujos de requerimientos en principio podran ser oh tenidas a partir de la estadst ica, si un sistema calculador informativo dado (u otro similar) ya existiera y
funcionara por un tiempo bastante prolongad o. Pero a
la hora de realizar el proyecto no disponemos de tal
informacin, en tanto que es indispensable tomar la
solucin. Cmo actuar en este caso?

s,

1) De hecho toda la metdica de la aplicacin prctica de

la teora de las probabilidades se basa en que los sucesos poco
probables se consideran simplemente imposibles (sobre esto, as
como sobre los principios de asignacin de nivel de confianza
vase (21).

48

E s comprensi ble q ue de antema no se pueden p rogramar (a hase de las refle:dones esp ecul at ivas) ciertas
carncte rbt icas de Jos factores alea tori os, optimizar la
so1 11ci11 :r sol1rc es ta ha::;e (sencillamen te como p romedi o o co11 l imit acio11 es cslodsticas) y d etenerse en
ella. E ste enfoque seril m ejor, incl ud a uleme11te, q ue
escoger 1111a soluci n al azar, p oro no mucho mejor.
Sera mucho m s razo11 ab le utilizar el siguien te proced imieoto: dejar algunos C'lernenlos d e l a solucin x
libres, variables. Luego, para comen za r, elegir cierta
varuit e de la solucin, sab iendo de a.ntemano que no
es la mejor, y }Joner en m archa el siste ma; a continuacin , eu fa rn odicla en qne se acumule l a experiencia,
vari ar orient.adarnente los panmetros libres ele la solucin, consiguicucl o q ue Ia eficieucia no disminuya,
siJJ o a umente. Tales algoritmos de d ireccin que se perfcccio 11 an en el proceso do utilizacin se denominan
adapliz:os. La ven taja de los algor itmos adap t ivos
consisle en que ellos n o slo nos liurau d e la acumulacin prr. li rninar de datos estadsticos, sino que se
t ransform an , respondiendo a la variacin de la situac in . E11 l a medid a en qu e se acumula la experiencia
tal algorit mo se mejora gradualm ente, lo m ismo que el
h omh rn apnnde de sus errores 1) .
Aho l'(lemos, aho ra, el caso ms d ifcil y desagrad able, el b) c1H111dn los fac tores indep e11cl ientes uo poseen
Lo Lalrn ent e las carac lerslicas prohah ilslicas; con otras
palabras, cuando es p osib le considerarl os aleatorios
en el sen lido com n d o la palabra.
- Cmo!)- p uede pregun t.ar el lector. -- Acaso
cada indet ermin ac in n o es una casualid ad?
No, respond emos, es mejor no confun d ir estos concep lo'. Ac lara1nos e l hech o: en la t eora de l as pro-

El Jt.ctor ser io y b ie n prrpa rado ma tc1111tica111ente puede

fa miliarizarse con l os algo ri t mos adapti vos en el libro [31] .
)

'- 05 15

''

J-

il

f,

~!i"

~i

1
,GJ.

i1_,1
:_11,.

.'
Jlp
;11
~]
I~

>Jt

!'~
i!~;

1i:r

i~

~
11,r..

40

~:-:

hahiiicimies por trmino fenmeno nlentodo se fitiende un fenmeno referente n la clase de los repetidos y, sobre todo, que posean la propiedad d e estabilidad estadstica. E11 el caso de repetirse Jos ensayos similares, cuyo resultado es aleatorio, sus caractersticas medias tienden a estabilizarse. Las frecuencias de
los sucesos se aproximan a sus probabilidades, las medias aritmticas a las esperanzas matem6 ticas. Cuando
tiramos reiteradamente una. moneda Jn frecuencia de
aparicin del escudo se estabiliza gradualmente, deja
de ser aleatoria; si un mismo cuerpo so pesa repetidas
veces en la balanza de precisin, el resultado modio
deja de oscilar, se iguala. E s un ejemplo do indeterminacin estocstica, de buena calidad.
Sin embargo, existen indeterminaciones n o estocsticas las que denominaremos convencionalmente como
indeterminacin mala. No obstante que los factores
se desconocen de antemano, no tiene sentido hablar
de sus leyes de distribucin o de otras caractersticas probabilsticas.
Citemos un ejemplo: supongamos que se planifica
cierta operacin comercial industrinl cuyo xito depende d el largo s de las faldas que vestirn las mujeres dentro de dos aos. Una distribucin de las probabilidades para la magnitud s no puede obtenerse, en un
principio, de datos estadsticos. Incluso, si examinamos
una enorme cantidad de ensayos (aos) a partir de
aquellos aos remotos, cuando las mujeres se pusieron
por primera vez las faldas y fijamos una magnitud para
cada ao, es poco probable que esto nos ayud e a p l'Onosticar. La distribucin probabilstica de la magnitud s simplemente no existe, ya que no ex iste nn co11,j11nto de ensayos similares que confiornn a dicha mag nitud la estabilidad debida. ' Nos encout.ramos con un
' caso de indeterminacin mala.
Cmo actuar en tales casos? Tal vez negarse a

'
u tilizar en absoluto los m toc1os ma temticos y tomar
u na solucin de manera voluntariosa? No, no vale
la p ena de actuar as. L os clculos p reliminares p ueden
prestar cierta utilidad incluso en condiciones tan p simas.
Reflexio11 emos sobre estn asunto. Supongamos que
se escoge u11 a solucin x en cier ta op eracin('), cuyas
condiciones contienen <mna indeterminacin mala, es
decir, se nscogen p armetros ~ sobre los cuales no tenemos ninguna informacin y podemos h acer slo algunas
suposiciones. No obstante, probemos reso lver el problema. Lo primero que se n os ocurre es programar ciertos, miis o menos verosmiles, valores dn los parmetros ~. Entonces, el problema pasar a la categora
d e los problemas determinados y puede ser resuelto,
u tilizando mtodos ordin arios (un caso de terminad o
con todas sus dificultades se presenta ahora como
entretenimiento ).
Pero tod ava no hay mo tivos para alegrarse. Supongamos que habiendo realizad o nmchos esfuerzos y
tiempo (del investigador y de la m qu ina) obtuvimos
el objetivo trazado. Qu :=;e deduce <le esto? Ser la
solucin obtenida adecuada para otras condiciones s?
Como regla, no. Por eso, su valor es sumamente limitado. En el caso d ado resultara m s r azonable no
escoger una soluci n x ptima para ciertas condiciones
~' sino un comprom iso que ser, no obstante, aceptab le
en todo el conjuuto de las condiciones, sin que sea
ptimo, puede sor, qne para ninguna de las condiciones.
En la actualidad no existe 11na teora cien tfica de
compromiso de pleno valor, aunque so empre1tden algunas tenta t ivas en esta ma teria en cuanto a la teora
de Jos juegos y solu cion es estadsticas (vase cap tulo 8). Habi tualmen lP, es el homb re quien escoge definitivamenle un cornprnmiso. Basnd oso en clculos preliminares que posibilitan la solucion de la mayor a de los

50

~~i#M..,..

51

"";-ZJ!'

irn
,1

t'1,11
t
.
1

H
~

.!.-,,.

')
f~

:.:J

.i.. I
~!

"~
! j
~..
:::.~;

}!f
;1 1~
fi .

:r,'.
"

probiemas directos de la investigacin de operaciones

para distintas condiciones ~ y distintas variantes de
solucin x, l puede valorar las partes dbiles y fuertes
de cada variante y hacer la eleccin, basndose en
sto. Con este fin no es obligatorio (aunque a veces es
curioso) saber un ptimo convencional exacto para
cada conjunto de las condiciones ~. En este caso los
mtodos matemticos variacionales se hallan en el
ltimo lugar.
Destaquemos otra funcin til ms de los clculos
preliminares matemticos en los problemas con una
indeterminacin mala; estos ayudan a desechar de
antemano aquellas soluciones x E X que en cualesquiera cond.i ciones ~ ceden ante las otras soluciones, es
decir, no pueden competir con ellas. En una serie de
casos esto ayuda a reducir esencialmente un conjunto
X, a veces reducirlo a una pequea cantidad de variantes que pueden ser fcilmente examinados y valorados
por el hombre en busca de un compromiso acertado.
Al abordar los problemas de la investigacin de
operaciones con una indeterminacin mala es siempre
til hacer chocar en las discusiones los diversos enfoques y puntos de vista. Entre los lt.irnos es preciso
hacer destacar uno, usado con frecuencia debido a su
determinacin matemtica, que puede ser denominado
posicin de pesimismo extremo. Esta se reduce a que,
adoptando la solucin en condiciones de una indeterminacin mala, es siemprn necesario contar con lo
peor y adoptar tal solucin que ofrezca el mximo efecto
ll condiciones sumamente peorns. Si en estas cond.iciones obtenemos una ganancia de W = W, entonces
' es posible garantizar que en cualquiera de las otras,
la ganancia no sea inferior (principio de resultado
garantizado). Este enfoque es atrayont debido a que
permite plantear, precisamente, un prohlmna de optimizacin y posibilita resolverlo, utilizando mtodos
1

matmntcos corrnctos. Pero dista de ser justificado

n tods los casos. La esfera de su aplicacin abarca
por preferencia las llamadas situaciones de conflicto,
cuyas condiciones dependen de una persona que acta
conscientemente (enemigo razonable) y responde a
cualquiera solucin nuestra de la peor manera para
nosotros 1 ). En situaciones ms neutrales el pdncipio
de ganancia garantizada no resulta el nico posible,
pero pueiln examinarse paralelamente con los dms.
Utiliziindolo, 110 hay que olvidar qu este punto de
vista es extremo y permite escoger slo una solucin
muy aproximada, de cautiila excesiva, que a veces
puede resultar irrazonable. Imagnense, por ejemplo,
un jefe militar que toma todas las decisiones partiendo
do la hiptesis de que su enemigo es extraordinariamente inteligente, astuto, hbil y responde inmediatamente a cadal accin de la peor manera para el jefe.
Es poco probable que a tal jefe militar le acompae
el xito! Por el contrario, en cualquier situacin concreta es necesario adivinar, cales son los puntos dbiles del enemigo y tratar de engaarle. Tanto menos
oportuno es el enfoque extremadameul pesimista en
situaciones, donde a la parte que toma la decisin, no
se le opone ninguna fuerza enemiga. El optimismo razonable siempre debe corregir los clculos basados en
el punto 1le vista del pesimismo extremo. No conviene compartir el punto de vista op11esto, d optimismo extremo o gallardo, pero hace falta correr,
hasta cierlo pnnto, el riesgo, cuando se adopta una
solucin. No cabe tambin olvidar qu toda solucin
adoptada en condiciones de mala indelcnninacin es
obliga toriamen le u 11 a sol ncin mala y no vale la pena
argumentarla co11 ayuda de clculos detallados y mi1) En el capl1d.o 8 se describe ms detnlladarnentcsobre
los diferl'ntes mtodos de elecci11 de In solucin en condiciones
de indeler111 u acin.

52

53
~

l
'

111

11

l!

11!fl
1i
'1

tf

l'i
,1

;:jI
t.'.

l.
1, .,
,, 11

''!;~
1rn

vuciosos. Ms bien conviene reflexionar de dnde sera

posible obtener los datos necesarios. A esle respeclo,
todos los procedimientos son admisibles, si son capaces
de esclarecer la situacin.
Con relacin a esto conviene mencionar un mtodo
bastante original que, sin embargo, no se usa ampliamente entre los matemticos puros, no obsla ute es
til y en algunos casos es el nico posible. Se trata del
mtodo de apreciaciones de peritos. Se utiliza frecuentemente en los problemas vinculados con el pronstico
en las condiciones de mala indeterminacin (por ejemplo, en la futurologa). En trminos generales , la idea
del mtodo se reduce a lo siguiente: se rene un grupo
de peritos competentes en una materia determinada,
y se propone que cada uno responda a una cuestin
determinada (por ejemplo , indique un mom ento cuando
se haga tal o cual descubrimiento o so aprecie una pl'obabilidad de tal o cual sucrso). A c011 li11uaci11, los
datos obtenidos se elaboran del mismo modo que el
material estadstico. Los resultados de la elaboracin
ciertamente mantienen un carcter subjetivo, pero en
l)lenor medjda que si la opinin fuera expuesta por un
slo perito (ms ven cuatro ojos que dos). Tal gnero
de apreciaciones por parte de los peritos para condiciones desconocidas pueden ser aplicadas tambin para
resolver los problemas de la investigacin de ;operaciones con 1111a indeterminacin ltlaln. Cada 11110 de Jos
peritos aprecia a simple vista el grado de verosimilitud de distintas variantes de las condiciones adjudictndolas determinadas probabilidades s11bjef.ivas. Pese
al carcter s ubjetivo de las apreciaciones h echas por
cada perito, la apreciacin mediada de todo el grupo
permite obtener algo ms objet ivo y provechoso (a propsito, la diferencia de las apreciacio11cs de dierentes
peritos no es tan considerable como se poda esperar).
iAs pues, un problema con uni indeterminacin mala

so reduce a un p roblema es tocs tico habitual. E s cierto

que no .so d eLe coHfiar, por comple to, en los resul tados
obtenidos, p ero j uuto con o tros resultados d er iv ados
de otros puntos de vis ta, ellos pueden facili t ar l a el eccin do la solucin 1).
Por ltim o, h agamos una observacin gen eral. Al
argumentar l a decisin en condic iones de in determinacin, a pesar d e todo , el elem ento de inde terminaci n,
de conj etura, siempre se conserva. Por lo t anto, no
se puc~d e plantear a l a precisi11 <l e soln ciones exigenc ias dem as iado el ev ad as. E n ca mb io, p ara in dicar una
sola solucin ex ac ta mente p tim a (d esde c ier to punto
de vista), es mejo r dBs tacat un cam p o en tero d e soluciones accp 1ables qne no r.esulLen much o menos acertadas que las dern 5s, indep c11rlie11te rnente d el punto de
vista qu e m ante11gamos. L as p ersonas resp onsables deben efect uar su elecci n , defini tiva en los mrgenes de dich o campo. Al ofrecer l as recomendacion es
referentes a la eleccin d e la sol ucin el investigador
siempre debe indicar a la v ez los puntos de vis ta de los
c ualc~s se d erivan tales o cual es recomendaciones.

''l. li
:1 1
il

11
ji

1
1
l

tf

,t

:
H

;~

.tj

6. Problemas de crite ri os mltiples '

de la investigacin de operaciones.
" Enfoque sistemati zado".

Pese a u11 a serie de dificultades ese nci al es vinculadas co11 la i11 deter111i11aci11 , has ta es to punto hemos considerado s lo l os casos rn :s sencillos, cuyo criterio es
evidente y p erm i 1o aprcci a r l a eficienci a, x igiendo
que se m ax im ice u11 nico n d ice W (se m inimice).

54

El mtodo dr ;ipreciacio nes de peritos se utili za no slo

en la v;iria nt.e ms sencilla descr ita ms arriba, cuando cada
perito exp resa su op i11i n inrlividucilme11 t.c, indepen dientemente
de los dems; a menu do tiene lugar una d iscusin colectiva de las
apreciaciones ( concilio ) .
1)

5"

.!1
,
~1 m

1IJ

,,
~'

')

.."

f
~:;
~,l.
f

i
:1:
~I

11
.Desgraciadamente en la prctica tales problemas, cuyos
criterios de apreciacin estn determinados unvocamente por la orientacin hacia 1111a finalidad de la
operacin, no se encuentran tan frecue11temente y preferiblemente los hallamos al examinar las actividades
de poca envergadura e importancia. Cuando se trata
de las operaciones compleja<; de gran envergadura que
afectan los diversos intereses de sus organizadores y de
la sociedad en conjunto, su eficiencia, como regla, no
puede caracterizarse por completo por un slo ndice
de eficacia W. Por esta razn se deben atraer otros
ndices suplementarios. Tales problemas de la investigacin de operaciones se denominan problemas de
criterios mltiples.
Examinemos un ejemplo de tal problema. Se organiza la defensa de un objetivo importante contra las
incursiones areas. Tenemos a nuestra disposicin determinados medios de defensa area los cuales hay que
desplazar de la manera ms ventajosa alrededor del
objetivo, as como organizar su cooperacin, distribuir
los objetivos entre ellos, asignar las nrnniciones, etc.
Supongamos que cada avin enemigo quo participa en
la incursin sea un portador potencial de un potente
medio destructivo que al ser empleado contra el objetivo garantice su destruccin. Entonces, el problema
principal de la operacin es no admitir ni un slo
avin al objetivo, en tanto que el ndice natural de
eficacia es una probabilidad W de que ningn avin
penetre al objetivo. _Pero es ste el nico ndice que
tiene importancia para nosotros? lndudahlemente que
no. En caso de ser invariable la probabilidad W le damos preferencia a la solucin que posibilite derribar
como promedio un nmero mximo de aviones enemigos. De ah se deduce otro 11dicc 1le eficacia M que es
un nmero promedio de los objetivos destruidos que
queramos maximizar. Adems, para nosotros 110 es

56

'

.,

lo mis1110, c1nles ser611 nuestras prdidas en combate P,

que ofrecen otro criterio el cual quisiramos minimizar.
Ad<. ms, sera deseable minimizar un consumo promedio do las 1111111iciones R, etc.
Citemos otro ejemplo relativo a una esfera absolutamente pacfica. Se organiza (o reorganiza) el funcionamiento de 1111a empresa industrial. Bajo el ngulo
de qu criterio hace falta escoger una solucin? Por
un lado, queramos maximizar la produccin global V.
Tambin sera deseable obtener 1111 beneficio neto mximo D. En lo que se refim-e al costo S sera deseable
minimizarlo, en tanto que la prod11ctividad del trabajo P se debe maximizar. Al ponderar el problema
puede surgir una serie de criterios suplementarios.
Tal diversidad de los ndices de eficacia es propia
de cualquier problema que tenga cierta complejidad
de la investigacin ele operaciones, con todo, hace
falta tener presente que algunos es deseable maximizados, otros, en cambio, minimizarlos. Para practicarse invitamos al lector a tratar de formular una serie
de criterios que posibiliten apreciar el funcionamiento
del parque de autobuses. Se propone escoger el criterio
principal (vinculado ms estrechamente con la orientacin hacia una finalidad de la operacin) y situar
los dems (i"uplementarios) en orden de descenso de la
prioridad. Este ejemplo nos convence de que a) ninguno de Jos ndices pude ser elegido como nico y
b) la formulacin del sistema de ndices no es un problema sencillo ... Los propios ndices y su prioridad
dependen de los intereses con los cuales se optimiza la
solucin.
As pues, la existencia de uua gran cantidad de
criterios es propia de un problema de la investigacin
de operncio11es de gran envergadura, es decir, la presencia do una serie de ndices cuantitativos
W 1 , W 2 , , uno de los cuales es deseable maximizar

57

!ijl
.i

11'
i
,1
.

1
'11

,1
f'

'l
t

t;

fl

\l

h
\
:

;tf
! ~1
,.

' t,'

lf

y otros, en cambio, minimizarlos (para salvar la cabrn

y la col).
Se pregunta, es posible encontrar una solucin
que satisfaga todos los requisitos a la vez? Hespondamos con toda franqueza que no. Una solucin que maximiza un determinado ndice no es capaz, como regla
! general, de maximizar ni minimizar 11ingn otro. Por
esta razn a menudo se plantea obtener un efecto mximo con gastos mnimos, lo que representa nada ms
que una frase que debe desecharse al efectuar un anlisis 'cien tfficb.
No obstante, cmo actuar si es necesario valorar
una eficiencia de operacin empleando varios ndices?
Las personas que entienden'poco de la investigacin
: de operaciones, de ordinario, 't ratan de reducir premai turamente el problema de criterios mltiples al de
uno solo, es decir, componen lina funcin cualquiera
partiendo de todos los ndices y la tratan como un
ndice generalizado que permita optimizar la solucin. Frecuentemente tal ndice generalizado tiene la
forma de un quebrado cuyo numerador contiene todas
las magnitudes que es deseable aumentar y el denominador, las magnitudes cuyo aumento no es deseable.
Por ejemplo, la productividad y ganancia se encuentran en el numerador, en tanto que el tiempo invertido
en el cumplimiento y los gastos, en el denominador, ele.
' Tal modo de agrupar varios ndices en uno 110 puede
ser recome11dado por los siguientes motivos: ste se
basa en la admisin implcita de que la insuficiellcia
en un ndice siempre puede compensarse a cuenta de
otro; por ejemplo, la escasa productividad, a cuenta
del bajo costo, etc., lo que, como regla general, resulta
incorrecto.
Recordemos el criterio de apreciacin del hombre
ofrecido por Len Tolstoy casi en broma, casi en serio
~ace mucho tiempo. Este representa un quebrado cuyo

?8

numerador contie1Je los verdaderos mritos del hombre

y el de11omi11ador, en cambio, la opinin del hombre
acercad e s mismo. A primera vis ta dicho enfoque parece lgico. Pero imaginmo11os un hombre que no tiene
mritos id presuncin. De actrnrdo con el criterio de
Tolsloy tal hombro deber:1 poseer cualidades de un
valor ilimilado, lo que parece absolutamente absurdo ...
A tales concl usioncs paradgicas se puede llegar
(y con frecuencia se llega) como resultado de utilizar
el ndic1i en forma de un quebrado que en el nominador contiene tod) lo que est bailando y en el denominador, lo que est6 llorando.
A menudo se utiliza otro procedimiento, un poco
ms complicado, para componer el ndice de eficacia
generalizado. Este represeuta 1111a snma ponderada
de los ndices de eficacia parciales en Ja cual cada uno
de ellos W; forrna parte co11 cierto peso a 1 , que refleja
su importancia:
W = a1W1
a 2 W2
(G.1)
(para los ndices que se aumentan los pesos se cogen
positivos y para los que se disminuyen, negativos).
Si los pesos a 1 , a 2 , se asignan arbitrariamente
este procedimiento no es mejor que el anterior (a no
ser por el criterio generalizado que no se convierte en el
infinito). Sus partidarios consi<leran que el hombre,
tomando un colllpromiso, tambin pondera mentalmente todos pro y conlrn conferiendo mayor peso a
los factores de mayor importa11cia para l. Tal vez
esto sea as, pc>ro, al parecer, los coeficientes de pesm1,
con los cuales entran en elclculoJosdistintosndices.
no son pernrnHentes, sino que varan segn la si tu a~
cin.
Aclaremos esta conclusin, cita11do u11 ejemplo elemental. Un hombre sale de casa para dirigirse al trabajo, teme 11egar tarde y razona sobre el medio de
transporte que debe u ti 1izar. E 1 tranva circula frecuen-

1
11

,
j

!tU

~I

11

II
11

;j~

,~

+ ...

59

,
tn

~
~

le

"
fo.~

lr

l1h

.~

R
[ ~

"i

!\

,.
i

1~

~.

'

.:l.. :.
l

l'

: !~

temente, pero lleva mucho tiempo; el autobs circula

ms rpidamente, pern con grandes intervalos. Por
supuesto, se puede tomar taxi, pero saldr caro. Hay
' otra solucin: cubrir una parte del viaje en metro y,
luego, tomar un taxi. Pero en la parada de taxis puede
1 no haber automviles, y si se va a pie do la estacin
del metro al trabajo, se corro el riesgo de llegar ms
' Larde que en el caso de tomar el autobs. ,Qu dcci. sin tomar?
Es un problema tpico (a sabiendas simplificado)
de la investigacin de operaciones con dos criterios
(ndices). El primero es el promcd io de tiempo <le retraso T esperado que se necesita m inirnizar. El segundo
es el costo de transporte esperado Sel cnal es deseable
tambin minimizarlo. Pero, como es sahido, estos dos
requisitos son incompatibles y por esla razn el hombre tiene que tomar un compromiso aceptable para
ambos criterios. Es posible que cu este caso l pondere
subconscientemente todos pro y contra, utilizando
algo parecido al ndice generalizado:

W = a1 T

+a S*
2

mn.

(6.2)

Pero el inconveniente consiste en que es posible considerar constantes los coeficientes a1 , a 2 Dependen, tanto de las mismas magnitudes T y S, como de la situacin. Por ejemplo, si hace poco el hombre
amonestado por llegar tarde, el coeficiente qne corresponde
a T, probablemente, aumentar, pero al da siguiente,
despus de recibir el sueldo disminuir, posiblemente,
sl coeficiente S. Si los pesos a 1 , a 2 se asignan arbitrariamente (lo que sucede habitualmente) la solucin
~ptima obtenida ser de hecho del mismo grado de
ubitrariedad.
Aqu nos encontramos con un ejemplo muy tpico
narn semejantes situaciones, con la lnrnsferencia de
1;11; arbitrari~dad de una instanqia a otra. Una "encilla

fue

eiecci11 de ia soh1cin de compromiso, Lasatia en uh

comparacin imaginaria de todos los pro y contra
de cada sol11ci11, pnrccc ser demasiado arbitraria, ins11ficieJ1 i(11w11 le cio11tJica. E11 cambio, una ma11ipulaci11 co11 la Irn111lu que i11clu~' e (anque sean
asig11ados arbitrnriamentc) los coeficirnt.cs a 1 , a 2 , ,
ya es olrn cosa. Esto ya es cie11cia! De ltecl10, no hay
nada cicnlfico en esto y 110 hay por qu engaarse.
Es i11til esperar que se logro liLerarse de la subjetividad de los prnLlemas vinculados con la eleccin
de soluciones. Est prcsen te, obligatoriamen le, incluso
en los problemas rn6s so11cillos de un slo criterio,
ma11i[estndose por lo menos en la eleccin del ndice
de eficacia y de la simulacin matemtica del fenmeno. La subjol iv id ad (011 trminos generales, la arbitrariedad) es aun ms inevitable al escoger la solucin en un problema de criterios mltiples. Verdad es
que hay casos, poco frecuentes, cuando es suficiente
familiarizarse con los valores de todos los ndices para
calla variai1le, para 1111e do inmediato est claro cul
de ellos debe ser escogido. Por ejemplo, imaginmonos que cierta varia11te de la solucin x es ms ventajosa que las olras respecto a todos los ndices; est claro
que es precisamente a esta variante a quien hay que
darle la preforencia. Pero con mayor frecuencia nos
encontramos con casos, cuando la situacin, a primera
vist.a, 110 est clara, es decir, cuando un ndice tira
por un lado y otro, por el ,otro. A este respecto es siempre til hacer ciilculos adicionales, utilizando, tal vez,
las frmulas del Lipo (G.l), sin confiarse en ellas ciegameuto y conservarnlo um1 actitud crtica.
,Es que los mlodos matemticos son nulos cuando
se resuelven prnblemas ele criterios mltiples? Dista
mucho de ser as , ya que pueden ayudarnos considerablemente. En primor lugar, permiten resolver los problemas directos ele la investigacin de operaciones, o
61

:o

l
t

tl

,1
,

{:

,.il
!

ti

n..

t:

,1

;
!I
~.

l~

';
.~ ~

,l\,

'

;'.

"
~i...

!,11.
sea, ehonlrar para cada solucin x 1os valores <le los
ildices de eficacia W1 , W 2 , ., cualquiera que sea
1 su cantidad (a propsito, la diversidad de criterios 110
obstaculiza la solucin <le los problemas directos).
Segu11do, lo que es especialmente importante, ayuda a
desechar del conjunto de las soluciones posibles X
llas notoriamente no acertadas, que no pueden competir
lco11 las dems en todos los aspectos.
Ilustremos cmo sucede esto en principio. Supongamos que exisle un problema de criterios mltiples
de la investigacin de operaciolles con k criterios
W 1, W 2 , ., JV. Para mayor se11cillez supongamos
que es deseable maximizar todas estas magnitudes (ya
sabemos cmo se pasa de mnimo a mximo). Supollgamos que el conjunto de soluciones posibles comprende dos soluciones x 1 y x 2 que hacen que todos los
criterios W 1 , W 2 , ., W1i relativos a la primera solucin sean mayores o iguales a los respectivos criterios
&te la segunda solucin, pero uno de ellos debe ser
realmente mayor. Es evidente que no conviene conservar la solucin x 2 en el conjunto X, ya que la solucin
,;1 la desaloja (o como se dice la domina). Pues bien,
desechemos la solucin x 2 , considerndola incapaz de
Competir, y sigamos comparando olras soluciones on
fodos los aspectos. Tal procedimiento de desechar do
q.ntemano las soluciones intiles y desventajosas da
R_Or resultado la disminucin considerable del conjunto
~. puesto que dentro del conjunto se conservan slo
las llamadas soluciones eficaces (con otras palabras
<tde Pareto) que se caracterizan por la ausencia de la
.siolucin dominante.
Ilustremos el procedimiento de la formacin de soluciones de Pareto, citando el ejemplo do un problema
~on dos criterios: W1 y W 2 (se plantea maximizar ambos). El conjunto X consta de un nmero finito n de
psibles soluciones x 1 , x 2 , ., x ... A cacla soluci11

t:ort'esponclcn dete rminados vaio res de ios ndices W1 ,

W 2 ; represe11lemos la solucill med ianl e un pun to en
el plano co11 las coo rd enadas 11/1 , H'2 y numeremos los
puulos en 1;011cordancia co11 los 11 111eros d e las solucio11es (fig. .1).
Es evidente q1w de lod o el con junto X slo sern
eficaces las soluciones x 2 , :r,,, :r10 , .Tn que se e11c11entran
en la frontera <l erech a suw
2
perior de la regin de so] ... ___ :--..5
'
luciones p osibles (vase
. 3
4 '
(i o 7 .
8 ;;-,10
en la fig. G. J los pu ntos gruesos u11i1los por el
.17 16 15 14 12
\11
punteado). Para cual18 19
13
.
20
quier otra solucin existe, por lo menos, una dominante para la cual
o
W1
b ien vV1 o W 2 , o bien amFig. 6.1.
bas, son mayores quepara la dad a. L as dominantes no existen slo para las soluciones que se encuentran en la frontera derecha superior.
Cuando las soluciones pficieJ1les sp destacan del
co njunto d e las posibles, las conversacioues se pueden
roalizarde11tro de los Jmilns d e este conjunto "eficiente". En la figura 6.1 puede verse <1ue este conjunto
est form ado por cuatro solucio nes: x 2 , X5 , x10 y
x11 , dond e x 11 es la mejor, partiendo del criterio W1
y x 2 es la mejor, partiendo del criterio W 2 La misin de la persona que toma las decisiones consiste ~en
escoger la variante preferibl e y aceptable partiendo
de ambos criterios.
De modo similar se const.ruye el conjunto de soluciones eficientes, en el caso cuando hay m s de dos
udices (si ha y ms de tres ndices la interpretacin
geomtrica pierd e su luslrat.ivi<lad, pero la esencia de
la cuestin se conserva). El conju nto de soluciones
0

63 .

Ti'

\11

'i

:1

.,

eficientes es miis evidente que el conjunto X. E11 cuanfo a la eleccin definitiva de la solucin, sta sigue
siendo una prerrogativa del hombre. Slo el hombre
con su impoderaLle habilidad de resolver problemas 110
1
' formales y tomar decisiones llamadas sol11cio11es do
compromiso (que no son rigurosamente ptimas, sino
' aceptables partiendo de una serie de criterios) puede
asumir la responsabilidad por la eleccin definitiva.
Sin embargo, el mismo procedimiento <le eleccin
de la solucin, repet~do varias veces, puede servir de
base para la elaboracin de algunas reglas formales,
aplicadas sin la participacin del hombre. Se trata de
los llamados mtodos eursticos de eleccin de las
soluciones. Supongamos que un hombre experimentado (o aun mejor un grupo de personas experimentadas) repetidamente escoge una soluciu <le compromiso
en un problema de criterios mltiples dP la investigacin de operaciones que se resuelve con distintas condiciones de a. Acumulando la estadstica basada en
los resultados de la eleccin SP puede, por ejemplo, de
manera razonable elegir los valores Je los pesos
a1 , a 2 , en la frmula (6.1), que en forma general
dependen de las condiciones a y de los propios ndices
W 1 , W 2 , , y hacer uso de tal criterio generalizado
para escoger la solucin que Pn este caso ya es auto1mtica, sin ' la participacin del hombre. A vfces hac'.)
falta conformarse cor+ esto cuando no ltay tiempo para
ponderar una solucin de compromiso (por ejemplo,
en las condiciones de combate) o cuando la , solucin
se elige mediante un sistema automtizado <le direc, .,

CIOn.

En algunos casos resulta muy til el procedimien lo

de eleccin de la solucin en el llamado rgimen de
dilogo cuando, una vez efectuados los c;fculos, la
calculadora suministra los valores <le los ndices
,W1 , W 2 , a la persona (persollas) que dirige la
1)4

operacin para que slti, utia vez estimada crticairieii-'

te la situacin, in lrod uzcn las modificaciones en los
coeficientes de peso (o en. otros patmetros del algoritmo de mando).
Existe un procetlimienl.o usado frecuentemente, ce
reducir un problema <le varios criterios al de un solo
criterio y que consiste en formar un solo ndice (principal) vV1 y tender a maximizarlo, mientras que en los
dems W 2 , W 3 , , so introducen slo determinadas
limitaciones, exigiendo que stas no sean inferiores a
ciertos utlices dados w 2 , w 3 , Por ejemplo, al
optimizar el plan de produccin de una empresa puede
exigirse que la ganancia sea mxima, el plan en surtido se cumpla o se supere y el precio de costo de produccin no sobrepase el programado. Dicho enfoque
permite pasar lodos los ndices, a excepcin de uno,
principal, a la categora de las condiciones programadas a. Claro est que en este caso la designacin de las
fronteras w 2 , w3 , es algo arbitraria; las correcciones en estas fronteras tambin pueden introducirse en
el rgimen de dilogo.
Existe otra forma ms para componer la solucin
de compromiso que puede ser dellominada mtodo de
concesiones sucesivas. Supongamos que los ndices
W1 , W 2 , eslfi11 ordenados segn la prioridad de decrecimiento. Prirnern, se busca una solucin que maximice el primer (ms importante) ndice W 1 = Wf.
Luego, partiendo de rnzonamiontos prcticos y tornando en consideracin la poca precisin de los datos
iniciales que nos son conocidos, se asigna una determinada concesi1rn L1
que estamos conformes hacer
para maximizar el segundo ndice W 2 Pongmosle un
lmite al ndice W1 , es decir, exijamos que no sea
inferior de vVj - i:1 Vl11 y luego, Pncontremos una solucin que maximice W 2 A continuacin, designemos
de nuevo una concesim> eu W 2 que posibilita maxi-

wl

5-0515

65

....

.--'r'".'9~

. . ,. _.,_

t
tnizar W3 , etc. Tal procedlrniento 11t,ilizado para cornponer la solucin de compromiso es bueno, ya que permite determinar de inmediato a cuenta de qu concesin en un ll(lice se adq uiern la ganancia en el
otro y cul es la magnitud de esta ganancia.
De un modo o de otro, el problema de argumentaci11
de la solucin utilizando varios ud ices, cualquiera
que sea su planteamiento, no queda determinado del
todo. La eleccin definitiva de Ja sol11ci11 siempre se
determina por la accin voluntariosa del jefe (as se
puede denominar convencio11almen Le la persona responsable de la eleccin). La tarea del i11vestigador consiste en ofrecer al jefe los datos que le permitan liacer
eleccin, tomando en consideracin las ventajas e inconvenientes de cada variante de la solucin y no a
ciegas 1).

Al lector que manifieste inters por los problemas de

varios criterios le recomendamos l lectura de manuales especiales (3).

talleres, etc. Optimizando (desde el p1rnto de vista de

tal <) cual crit.orio) el fot1ciom11nie11to de un eslabn
<lel complejo sistema no cabe olvidar los vnculos
existentes out.re Jos diforeules eslabones dd sistema,
as como entre los diferentes niveles de la jerarqua.
No se pnede t~xcluir de la cadeua un eslabn y analizarlo ignora1Jdo los dems.
Pongamos u u ejemvlo 11111 y sencillo: supongamos
que, optimiza11do el funcionamiento 1lel taller de una
pla11La, logramos i11cronw11lar llol.alde111e11te el volJTI()J1 de prod11cci11, lo que cs }Josilivo. 11ero puede
resulLar <rue los arlculos acabados se vayan acumulando (en el mejor do los casos en los depsitos, en el
peor, en el patio), ea tanto que Jos medios de transporte
no estn preparados para t.rasla<lar toda la produccin.
Tal situacin puede origiuar prdidas materiales y
reducir a la 11ada la ganancia obtenida del incremento
de la prod11cci11.
Citemos otro ejemplo: intentando superar el plan
de prod11cci11 global la J'hrica produce en grandes
ca11lidades nrtc11los que 110 gozan de gnw demanda y
pierde11 m11y prnnto su valor, lo que, naturalmente,
tambin provoca pn.lidas. Esto es res111Lado de la
planificacin local, 110 basada en llll sistema.
1'.Cmo salir de esta situacin? Por supuesto que no
consiste en pla11ificar rigurosamente el funcionamiento
de todo el i11me11so sistema, cuaHdo el eslabn superior
de direccin planifica Lodo sin excepciones, hasta el
ltimo clavo. Esto JJo e~ slo imposible, sino perjudicial. Una direccin apropiada de un sistema de jerarqua complejo debo prever que cada eslabn de una
categora superior determine la Larna para un eslabn
de categora inferior no de ma11era rigurosamente reglamentada, si110 en trminos go11erales, concedindole cierta i11iciativa. Tal pla11toamiouto requiere que
cada eslab11, persiguiendo su objetivo, trabaje, al

li6

***
Para concluir toquemos en breve el llamado enfoque sistemtico de los problemas de eleccin de soluciones.
En la actualidad debido a los volmenes de operaciones crecientes y a la complejidad de stas se necesita
resolver cada vez con ms frecuencia problemas de
direccin optimizada de los llamados sistemas complejos que incluyen gran cantidad de elementos y subsistemas y que se organizan, de ordinario, segn el
principio de jerarqua. Por ejemplo, cierta rama de la
economa incluye empresas especializadas relativamente independientes, las que a su vez tienen subordinadas unidades de produccin (fbricas, plantas); en
cada unidad de produccin estn incluidas secciones,
1)

67

.j

'1

'1

il

~"

ti

'!
i._'!

1 ~

n
1

;
-"

~:

.. f

'
~- i
~:f

i~
1

J~. 1
~'

. mismo tiempo, de acuerdo a los intereses del eslabn

de categora superior y del sistema en conjunto.
Ciertamente que es ms fcil decirlo que hacerlo.
La teora matemtica de los grandes sistemas de jerarqua se encuentra hoy en da slo en vas de elaboracin. Se crean mtodos matemticos destinados a describir tales sistemas, se elaboran procedimientos ele desmembramiento de los grandes sistemas en pequeos
elementos, cuyo estudio es ms fcil, pero hasta ahora
no existen mtodos eficientes de direccin de tales
sistemas. En la prctica el empleo del enfoque sislem tico en la investigacin de operaciones se red uco
hasta el momento a que cada eslabn cuyo funcionamiento se optimiza es til analizarlo como parte de
otro sistema ms extenso y, luego, determinar de qu
mo(lo el funcionamiento de dicho eslabn influye en el
trabajo del ltimo.
'

Captulo 111

i:

Programacin lineal

'

7. Problemas de la programacin lineal

En los captulos anteriores nos hemos dedicado slo
a la metodologa de la investigacin de operaciones, es
decir, a la clasificacin do problemas, enfoques de su
solucin, etc .... , dejando aparte los mtodos matemticos. En este captulo y en los posteriores examinaremos brevemente algunos mtodos matemticos utilizados ampliamente en la investigacin de operaciones.
No entraremos a hacer un anlisis detallado de estos
mtodos (pues este libro no da la posibilidad de aprender a aplicarlos); concentraremos la atencin en sus
principios fundamentales.
Anteriormente hemos analizado los problemas ms
sencillos en los cuales la orientacin hacia una finalidad de la operacin determina explcitamente la eleccin de un ndice de eficacia (funcin objetiva) W,
en tanto que las condiciones se conocen de antemano
(caso determinado). En este caso, el ndice de eficacia
depende slo de los grupos de parmetros: de las condiciones programadas a y de los elementos de solucin x,
es decir,

:.1
~ ~

ij

' i
,1
,~

11'

l
~j

t.J'.

W = W (a, x).

.,~i!J.lW.ti~~-~IS:ti~@@;st'lil'flY'::,'ll'

'!J'.lJ

!'iJ!lD!f:~C:'.'?:1.~t''.SL'.~;:?I"'.:..,.' "!" :::.-,. ;g;,

lJ
1

j
i
'I

-::-

Recordemos que entre las condicio11es dad as a figuran las limitaciones introducidas on los elementos
de solucin. Supongamos que la soluciu x representa
un conjunto den elementos de la solucin x1 , x 2 ,
.. , xn, o sea, un vector n-dirnonsional:
(x, X2, ' Xn)
Se requiere hallar tales valores x 1 , :i: 2 , , x"
que maximicen o minimiceJJ la magnitud W (a mbas
palabras en las matemticas se renen bajo el trmino
comn extremo).
Los problemas destinados a hallar los valores de los
parmetros que aseguran el extremo de la funcin on
presencia de limitaciones, sobrepuestas a los argumentos, llevan la denominain comn de problemas de
programacin matemtica 1 ).
Las dificultades que surgen en la solucin de los
problemas de programacin matemtica dependen de:
a) la forma de dependencia funcional que une a W
con los elementos de solucin, b) la dimensin del
problema, a saber, de la cantidad de elementos de solucin x 1 , x 2 , , Xn, c) do la forma y cantidad de
limitaciones impuestas a los elementos de solucin.
Entl:e los problemas de programacin matemtica
los ms sencillos (y mejor estudiados) son los proble' mas denominados de programacin lineal. La peculiari, dad de estos problemas consiste en que: a) el' ndice do
eficacia (funcin ele finalidad) W depende linealmente
de los elementos de solucin x 1 , x 2 , , .xn y b) las
limitaciones impuestas a los elementos de solucin
tienen la forma de igualdades o desigualdades lineales
respecto a x 1 ; x 2 , , xn.
Tales problemas se encuentra11 con frecuencia en
la prctica, por ejemplo, cuando se resuelven probleX =

1) La palabra programacin est cogida de la li1 era tura

1extranjera y significa siJnple.rnmte 1<planificacin,

>

mas vi11c11lndos a la distribuci11 de recun;os, planificaci11 d e la produccin, orga11izacin del funcionamiento del transporte, ole. Esto os nalnral, ya que
en muchos problemas pr:Jcticos Jos gastos y ganancias dependon linea l mente de la cantidad de mercancas compradas y utilizad as (por ejemplo, el costo sumario de una partida de mercancas depende linealmente de la cantid ad de unid ad es comprad as; los traslados so pagan proporcionalmente al peso de las cargas
a trasladar, etc.).
Ciertamente no se puede considerar que todos los
t ipos de dependencias que se encu entran en la prctica
son lineales; podemos limitarnos a una afirmacin
ms discreta, do que l as dependencias lineales (o prximas a las lineales) se encuentran muy a menudo, lo
que ya de por s es significativo.
Citemos u11a serie de ejemplos de problemas de
programacin lineal.

1. Problema dedicado a la racin alimenticia. Una

granja se ocupa de la ceba del ganado con destino comercial. Para mayor sencillez supongamos que hay
cuatro tipos de productos: P 1 , P 2 , P 3 , P 4 ; los costos
por unid ad do cada producto equivalen respectivamente a c1 , c2 , c3 , c4 Se requiere componer una racin
alimenticia a parti r de estos prod11ctos, la cual tiene
que incluir no menos de: b1 unidades de protenas;
b 2 nnidad es de h idratos de carbono ; b 3 unidades de
grasa. Para los productos P 1 , P 2 , P 3 , P 4 el contenido
de proten as, hidratos de carbono y grasas (en unidades
por unidad d e procluct.o) se conoce y viene dado en la
tabla 7.1, don de u (i 1, 2, 3, 4; j = 1, 2, 3) son
ciertos nm eros 1lol.crrni11ados; el p rimer ndice indica
el nmero dnl prod11cto, ol segundo , el nmero del
elemento (protenas, hidiatos de carbono, gras~f!)l).
1 ) Es compre11si bl e que para hacer el material ms ilustrativo pudimos haber utribudo tanto a los nnwro1:1 bi, b2 , bs,

11

l';I
,

:r1

1
;
:

11lf

~;

71

10'

\,
1

:,/.

f~

H
1\:,

T11bla 7.1
Elementos
Producto

protenas

Pi

grasas

21

'
u

1
P2

hidratos de
carbono

22

1
1

+ 21X2 + a3 ,.T3 + a41 X4;;:: b1, }

1 21:1+ 22X 2 + a 32X3 + a42X4 ;;:: b2,
1aT1+ 2ax2 -J- a33Xa+ a43X4 ;;:: b3.

2a

11X1

!1

Pa
1

P,

a1

as

a2

a42

a41

i
1

a43

1,

(7.2)

como a los a valores concretos, pero de todos los modos esto

no le habra formado al lector la imprei:;ir de <iue la autora es
especialista en la ceba de ganado.
1
1

72

X3, X4.

j,.,,.

Estns d esigualdades li neales representan las limitaciones impuestas a los el ementos de solucin x 1 , x 2 ,

las variables ::r1 , x 2 , x 3 , x 4 que satisfagan las limitaciones,

es decir, las desigualdades (7.3) y minimicen a la vez la
fun cin lineal de estas variable8:

L=lJcixi.

(7.3)

As p ues, el problema planteado se reduce a lo siguiente: es n ecesario h a llar tales valores no negativos de

Se requiere componer tal racin alimenticia (es

decir, designar la cantidad de productos que la integran P 1 , P 2 , P 3 , P 4), que asegure las condiciones relativas a las protenas, hidratos de carbono y grasas y,
al mismo tiempo, el costo de la racin sea mnimo.
Compongamos un modelo matemtico (muy sencillo de hacer en el caso dado). Designemos por x 1 , x 2 ,
x 8 , x 4 las cantidades de productos P 1 , P 2 , P 3 , P 4 que
integran la racin. El ndice de eficacia a minimizar
es el costo de la racin (designtnoslo por L) y depende
linealmente de los elementos de solucin x 1 , x 2 , x 3 , x 4 :
L = C1X1
C2X2 + C3X3
C4X4,
o ms breve

As pues, conocemos l a forma de la funcin de finalidad y saberno:3 que es lineal. Traduzcamos en frmulas l as limitaciones rel ativas a las grasas, protenas
y hidratos de carbono. Considerando que una unidad
del producto P 1 contiene a 11 unidad es de protena, x 1
unidades contienen a 11x1 unidades de protena, x 2
unidades del producto P 2 cont ienen a 21x 2 unidades de
protena, etc. , obtendremos tres desigualdades

'

2J
i=I

C; X ;

=:;.. mn.

Nos enco ntramos con 1111 problema tpi co de la

programac in lineal. Sin dete11ernos p or ah ora en los
procedimien tos de su solucin, citemos tres ejemplos
ms de problemas an logos.
2. Problema de planificacin de la produccin.
Una empresa fabrica artculos de tres t ipos: U1 , U 2 ,
U8 Cada artculo tiene su p lan segn el cual la empresa est obligada a fabricar no menos de: b1 unidades
del artculo U1 , b 2 unidades de artculo U 2 y b3 unidades del artculo U3 Se pued e sobrccumplir el plan,
pero dentro de determinados marcos; las condiciones

73

"llA\W

- .,

-m::
de la demanda limitan Ja cantid ad de unidad es fabricadas de cada tipo que deben ser no ms de
~ 1 , ~ 2 y f3 3 unidades; respec t iv amente. Para fabricar
los artculos se consumen ciertas materias primas; en
total se dispone de cuatro tipos de materias primas:
s1 , s2 , s3 , s 4 cuyas reservas estn limitadas por los nmeros y1 , y 2 , y 3 y y 4 unidades de cada tipo de materia
prima. Ahora es preciso indicar qu cantidad de materia prima de cada tipo se consume para fabric ar cada
tipo de artculos. Designemos por ali la can tidad de
unidad es de materia prima del tipos; (i = 1, 2, 3, 4)
necesaria para fabricar una unidad del artoulo
Ui (j = 1, 2, 3). El primer ndice al lado del nmero
ali representa el tipo de artculo, el segundo, el tipo
de materia prima. Los valores a li estn agrupad os en
una tabla (matriz); vase la t abla 7.2.

p roducci11 (q 11 ca 11ticlad y qu tip o ele a rtculos se

deben fabri car) de t al manera que se aseg ure el cump limiento o sohrcc11mplimi euto del plan (pero sin p rovocar un exceso de mercancas) con un benefi cio sumario
m ximo.
Expresemos el p robJcm"a en form a d e programacin
li11eal. Los elementos de soluc in sern x 1 , x 2 , x 3 , es
decir, la ca ntidad de u11id ades de los ar tCl1los U1 , ,
U 2 , U 3 q ne d ebemos fabricar. El ca rcter obligatorio
de cumplim iento del plan l o expresamos en forma d e
t res d esiguald ades de li rnitacines:
X1

Artculos
U1

1
S2

S3

S4

11

1 ,

ll3

14

Ua

21

ai

,- - 12

~,

U2

1;1

'I "
,

22

a32

za

X2

;>

X3

b2,

;>

(7.4)

ba .

La fal t a de produccin excesiva nos d ar tres desigualdades de limitaciones ms:

Tabla 7.2
Materia
prima

;> bi.

Xi

p,

X2

~ P21

X3

P3

(7.5)

Ad om<s, es necesa rio g ara11 tizar la ma teria p r ima.

Hespoctiv arn ente a los c uatro tip os de materi as p rimas
tendre mos c uatro desig uald ad es de limit acin :
11 ,r , + az 1X2+aa1Xa ~'\'1
Gz 2X2
a:12X3 ~ '\'21

+
+
ll3 X + ll22X2 -\- a33X3 ~ y3,

12X

(7 .6)

a11. x 1 + a24 xz + a 34 x 3 ~y 4

El be nefi cio re ndido p or el plan (.:r1 , x 2 , x 3 ) ser

igual a
L = CX + C2X2
C3X3.
(7. 7)
1

24

'

ll34

La r ealizacin del nttculo U 1 rindo a la emp resa un

beneficio de c1 , la realizacin de U 2 , un beneficio de
c2 y de U 3 , un beneficio de c11 Se requiere planificar la

De es t manera, de lllHivo ob tuvimos 11n p roblema

de program acin lineal consis ten te en l1alla r (seleccionar) tales valo res 11 0 negativos do las vari ables x 1 , x 2 ,
x 3 que sa tisfagan las d esigualdades d e limi taciones
(7.4), (7.5) , (7.6) y, ul mfomo tiempo, maxi micen l a

75

74

t:J;('-

AF

,;;.

l
:; ~
1'

;t
1

1
funcin lineal de estas variables:
L = c1x 1

+ c x + c3x 3 =?mx.
2

(7.8)

El problema es muy similar al anterior, diferencindose slo en que contiene ms desigualdades de

limitaciones y que en lugar del mnimo tenemos el
mximo (ya sabemos que esto no es esencial).
El siguiente problema nos ofrece limitaciones de
otra ndole.
3. Problema sobre la utilizacin del equipo. Una
tejedura cuenta con dos tipos de telares; de ellos N 1
telares son del tipo 1 y N 2 telares del tipo 2. Los telares pueden fabricar tres tipos de tejidos: 1'1 , 1' 2 , 1' 3 ,
pero con distinto rendimiento. Los datos a 11 relativos
al rendimiento de los telares se dan en la tabla 7.3
Ta/,Za 7.3
Tipo de
telar

Tipo de tcJido

1
2

X 11 X 12 X 13 }

(7 .9)

X21 Xzz Xz3

u
21

12

1!3

22

2s

(el primer ndice corresponde a la clase de telar, el segundo, al tipo de tejido).

Cada metro de tejido del tipo 1' 1 rinde a la fbrica
un beneficio de c1 , del tipo 1' 2 , un beneficio de c 2 y
del T 3 , un beneficio de c3
Segn el plan de la fbrica, mensualmente se debe
producir no menos de b1 metros d el tejido 1\ , b2 metros del tejido T 2 y b 3 metros del tejido T 3 ; la cantidad de metros de cada tipo de tejido no debe sobrepasar ~ 11 ~ 2 y ~ 3 metros respectivamente. Adems, todos

76

T3

T2
1

los telares sin excepcin deben ser utilizados. Se requiere distribuir l a produccin de los tejidos T 1 , T 2 , T 3
entre los tel ares de tal manera que el beneficio mensual sumario sea mximo.
A primera vista (superficial) el problema planteado
uo se distingue en nada del anterior. Se quiere extender
la ma1w parn desiguar por X, x 2 , x 3 las can t idades
planificadas de los tejidos T 1 , T 2 , T 3 y maximizar un
beneficio sumario de c 1x 1
c2x 2
c3 x 3 Pero no se
apresureH y pregntense: ~.do qu manera se toman en
cuenta las capacidades llel equ ipo? Hofloxionando llegamos a la conclusin que en esto problema los elementos do solucin uo son la cantidad do tejidos de
cada tipo, sino la cantidad de telares de los tipos 1
y 2 ocupados en la fbricacin de cada tipo de tejid os.
A este respecto, es ms cmodo designar los elementos
de solucin por las letras x con dos ndices (el primer
ndice corresponde al tipo de tHlar, el segundo, al t ipo
de tejido). En total sern seis elementos de solucin:

donde x 11 es la cantidad de telares tipo 1 ocupados en

la fabricacin del tejido T 1 , x 12 es la cantidad de telares tipo 1 ocupados en la fabricacin del tejido T 2 ,
etc.
Aqu tenemos otro problema de progra macin lineal. Escribamos primero las condiciones de limitaciones impuestas a los elementos de la solucin x 11 En
primer trmino hace falta asegurar el cumplimiento
del plan, lo que dar como resultado tres desigualdades do limitaciones:

+ z1X21> b1 ,
+ 22X22 > bz,
a 3X13 + Gz3:rz3:): b3 .

11 X11

a zXz

(7 .10)

l.

'

l11

1
1
1

1
1
~

:i
~

.i

77

:,R
. :1

r~
; ~

.1
Luego, limitemos el sobrecumplirniento del plan, lo
ttne dar como resultado otras tres desigualdades de
limitacin ms:
ll11X11
12X12
ll3X13

+
+
+

21X21

P1. }

22X22

P2.

nT23

Pa

(7 .11)

Ahora esribamos las limitaciones relacionadas con

el equipo y con la plena utilizacin de sn capacidad.
La cantidad sumaria de los telares del tipo 1 ocupados
en la fohricacin de todos los te]idos ha ele sor igual a
N 1 ; la del tipo 2, a N 2 De aqu se dcclucon dos limitaciones ms, las igualdades, siguie11tes:
i.''

x 11 + .r 12 + x 13 __'. __ N P
Xz1

(7 .12)

+ Xzz + X23 ~-= N2

Escribamos ahora el beneficio snrnario extraiclo de

la fabricacin ele todos los tipos do tejidos. La cantidad sumaria rle metros del tejido T 1 J'ahricallo por lodos los telares ser a 11.r 11 -+- a 21 x 21 y re11dir 1111 beneficio de c1 (a 11 x 11
a 21 .1 ' 21 ). Hazomrndo de modo similar, hallemos el beneficio snmnrio mcns1rnl de la fbrica, cuando el plnn equivale a lo indicado en el punto

De nuevo, 11os enconlrnrnos cll llll problema de prgramacin lineal, o sea: se req1ere hallar lnles valores
110 negativos de lns varialJles .ru, :rr 2 , x 13 , , x 23 ,
que, en primer Jugar, salisfogHn las desigualdades de
limitaciones (7.10), (7.11), eu segundo lugar, las igualdades de limitaciones (7 .12) y, por ltimo, maximicen
la funci11 lineal de es las 'variables (7 .l~~). Este problema de progra macin 1i11eal con l.icnc seis desigualdades de limitaciones y dos igu1ildades de limilnciones.
~. Problema sohrc el ahaslccimienlo con materia
prima. Tenemos tres empresas i11d11sl.riales E 1 , E 2 ,
H:i q11e recuieren el alrnslcci111ie11to de un tipo determinado de materia prima. Las necesidades de cada empresa e11 materia prima equivalen rospeclivamenle a a 1 ,
a 2 , a 3 u11idadcs. !lay cinco bases de materias, primas
distantes de las empresas a ciertos kilmetros y enlazadas con ellas por medio de vas de comunicacin
con distintas tarifas de fletes. La empresa E; paga e;
rublos (el primer ndice corresponde nl nmero de la
empresa, el scg1111do , al nmero de la hase, vase la
tabla 7.li) por una unidad de materia prima recibida
de la base nj.
Talla 7.4

i<7 .9):
1

IL

Da~ e

c1 (a11 xu

+a

21 x 21 )

+c

(a 12x 12

+ca

o ms breve,
3

[, = ~ e
3=1

-+- a 22x 22 )
(a1aX13

-+

I 1

B2

1-

D3

B~

B5

2aX23),

LJ a;x;.
i=i

Empresa

(7 .13)

Queremos maximizar esta funcin lineal de seis

argumentos
L ==?-mx.

E1

11

C 2

C3

C14

C5

E2

21

C22

C23

C24

C2r,

Ea

31

C32

C31

C34

C35

Las posibilidades de abastecimiento de materia prima de cada base estn limitadas por la capacidad de
produccin de stas, a saber, las bases JJ 1 , 1J 2 , B 3 , B 4 ,

79

78

'~

~""'.:::

...

;!

. ~

,,

,1
. B 6 pueden suministrar b1 , b 2 , b3 , b 4 , b 5 unidades de
materia prima, como mximo. Se requiere componer
tal plan de abastecimiento de las emprcsn_s con materia prima (de qu base, a dnde y qu cantidad de materia prima hace falta transportar) que asegure las
tier,esidades de stas con un gasto mnimo de materia
prima.
Planteemos una vez ms el problema de programacin lineal. Designemos por X; la cantidad de materia prima recibida por la empresa i de la base j. En
totlll el plan estar constituido por quince elementos
de solucin:
Xu :rt? X3 X14 X5 }
X21 Xzz Xz3 Xz4 Xz5

(7.14)

X3 X32 X3;j X34 X35

Pongamos limitaciones en las uecesidades. Estas

consisten en que cada empresa recibir una cantidad
necesaria de materia prima (justamente la cantidad
requerida):
X11
X21
X31

+ Xz + X3 + .T14 + X5 =a,
+ X22 + Xz3 + X24 + Xz5 = 2

X32

-j- X33

+ X3> -j- X35 =

(7.15)

a3.

A continuacin escribamos las desigualdades de limitaciones que se derivan de las capacidades de produccin de las bases:
x11+X21-l-Xa1<b1,
Xz

+ X22 + X32<bz,

X13-j-Xz3-j-X33<b3,
X4

+ Xz4 + X34 <b4,

X15+X25+X35<b5.

(7.1G)

80

Por ltimo, escribamos los gastos sumarios en materia prinrn q11e querernos rni11imizilr. Tomando en
co11sideraci11 los dnlos t>xpueslos en la tabla 7.4, obtendremos (1il i 1iza11do el f:igno de doble suma):
3

"l
l-'=.Ll
i=I

5
"1

..

i=1

,1

De nuevo, 11 os enconLramos con un problema de

programacin lineal, consisten le en hallar tales valores no negativos de las variables xu que satisfagan las
igualdades de limitaciones (2.15), las desigualdades
de limi Laciones (7 .1G) y minimicen su funcin lineal
(7.17).
As pues, liemos examinado varios problemas de
programacin lineal. Todos ellos son semejantes y se
diferencian slo l'll que en unos so requiere maximizar la
funcin linon_l y en otros tninimizarla; en unos problemas las limitaciones estn representadas mediante de:o:ignaldades, y en otros, mediante igualdades. Estas
diferencias no son de carcter principal, ya que es fcil pasar de las desigualdades de limitacio11es a las
igualdades do limitaciones y viceversa, como se demostrar en el siguiente p1rrafo.

8. Problema principal de la programacin

lineal
Cualquier problema de programacin lineal puede
ser reducido n una forma estndar, denominada problema priucipal de la progrnmacin lineal, que se enuncia del modo siguiente: hallar los valores no negativos
de las variables .T 1 , .r 2 , , .Tn que satisfagan las con-

~
-w~~"''~-

'

(7 .17)

L. CjXj=?-Tnlll.

6-0515

~
1

Ahora designemos os primeros iniembros de ias des.:.

igualdades (8.5) por y 1 y y 2 respectivamente:

diciones .de igu<t,ldades

+ ~ +a1nXn = b1' )
a21X1 -j- a22X2 + + aznXn = bz,
am:.r1+a~2;2 ~- .. a:nn~n == b~ '

1
"

y 1 =3x 1 -+ 2x2 -x3

ll11X1 -j- a12X2

(8.1)

y maximicen la funcin lineal de estas variables:

L = c1x1 -\- c 2:x 2 + ... -1- c11 .r11 ::=?- m:x.
Cerciormonos de esto. En primer h1gar, el caso
cuando se necesita minimizar Len ver. de maximizarla
se reduce fcilmente al anterior, si el signo L se cambia
simplemente por el inverso (se plantea maximizar no
L, sino L' = -L). Adems, se puC<le pasar de cualesquiera condiciones de desigualdades n las cond iciones
de igualdades, introduciendo ciertns variables adicionales nuevas. Demostremos cmo se hace esto con
un ejemplo concreto.
Supongamos que se requiere J1allnr los valores no
negativos de las variables x 1 , x 2 , .1~ qne satis[acen las
clesigu a lclades de limitaciones

3x1 +2x 2 -x 3 ::;:>4 }

x 1 -2x2 +3x 3 ::::;;; 10

(8.3)

y maximizan la funcin lineal 1lo estas variables:

L = 4:r1

x2

+ 2.r

=:;..

m:.x.

(8.!i)

Comencemos por reducir las condiciones (8.3) a 111rn

forma estndar para que el signo de de::;igualdad ::;en
~ , y la parlo derecha contenga cero. Obten1lrernos:

3x 1 +2x2- x 3 -4 ;;;?0 }
.
.
-X1 + 2Xz -.3X3+10~0.

(8 .5)

-1l,}

1 ) Las igualdades se denominan linealmente independientes

si ninguna de ellas puede ser obteni da, partiendo de otras, por
medio de la multiplicacin por ciertos coeficientes y de la suma,
o sea, cuando ninguna ele ellas ''s un corolario de las dems.

G*

82

(8.6)
Yz = --x 1 2x 2 -3x3 + 10.
De las condiciones (8.5) y (8.G) puede deducirse
que las variables nuevas y 1 y y 2 tambin tienen que ser
no negativ as.
t\Qu problema tenernos ahorn? El problema de
hallar los valores 110 11ogalivos de las variables x 1 , x 2 ;
X ;, y 1 , y 2 , que satisfaga n las condiciones de desigual<lades (8.) y m aximicen l a fun cin li11 eal de estas var iables (no tiene importancia que L no comprende las
variables adi cionales y 1 y y 2 ; puede considerarse q ue
es tn comprendid as, pero con coeficientes iguales a
cero). Tenernos ante 11osotros el problema principal de
Ja programacin lineal (PPPL) . La trnm;formacin
del prohlom n inicial con l as dcsig11aldade::; d e limi tac iones (8.~) al PPPL so ha conseguido a costa del
a umento .,el 11111 orn de variabl es en dos (cantidad de
designa 1dad es).
Tamhi11 es posible el paso i nverso del problema
principal de la programacin linea l al problema con
las desigual dades de limitacioues. Sea que se nos presente el problema principal de la programacin lineal
con las igualdades de limitaciones (8.1). Supongamos que entre es tas /n igualdades, r::::::;; m 1 ) son liuealmente independientes. En el lgebra lineal se demuestra (vase, por ejemplo, [4] ) que el nm ero mximo de las iguald a des linealmen te independientes q ue
u nen n variables x 1 , .r 2 , , ., x,, es igual a n, de tal
manera que r::::::;; n. En el lgebra lineal tambin se

83

111'
'

~
~

!;

.,

'l'

'.1

j.

1t

,,

...

;~

f
~.irr

I'

.demuestra que ei sistema de r lg11aidados Independientes con n variables Xp .r 2 , ., Xn siempre se puedo

resolver respecto a ciertas variables r (denominadas
bsicas) y puede ser oxpr13sado modia11Le las dems
k = n - r variables (denominadas libres). Las variables libres pueden lomar cualesquiera valores, sin
que se violen las condiciones (8.1). As pues, para pasar
de las condiciones de igual dados (8 .1) a las condiciones
de desigualdades es suficiente resolver las ecuaciones
(8.i) respecto a ciertas variables bsicas r y expresarlas por medio de las variables libres; luego acordarse
de que todas las variables tienen que seL' no negativas y
expresar esta condicin en forma do designal<lades de
limitaciones. Despus, olvidar las variables bsicas
y manipular slo con las libres cuyo nmero ser igual
a k = n - r. Al mismo tiempo, es 11ocosario suslitnir
las variables bsicas de la funcin L por las expresiones
de las variables libres. De esto modo al pasar del
problema principal de la programacin lineal al problema con desigualda1los de limitaciones el nmero ele
variables no aumenta, sino dismi1111ye e11 r condiciones
de igualdades independientes en el problema principal
de la programacin lineal. No os preciso citar ejemplos
de dicho paso, dejando que el lector curioso se cerciore
de sus posibilidades.
As pues, todo problema de programacin lineal
puede reducirse a la forma estndar del problema principal de la programacin! inoal. No nos dolendremos de, talla<lam~hte en los procedimientos de solucin de este
problema. A ellos estn dedic[ldos manuales ospocialos
(por ejemplo, [4, 5]) y estn descritos 011 muchos libros
de investigacin ele operaciones (por ejemplo, l6, 7]).
En el siguiente prrafo expondremos Slo algunos
conceptos de carcter general acerca de 1a exisloncia de
la solucin del problema principal do In programacin
lineal y de los mtodos para hallar esta solucin. No

nos ocuparemos de ningn algoritmo de clculo y remitiremos al lec tor interesado a los manuales mencionados.

9. Existencia de la solucin del problema

principal de la programacin lineal
y procedimiet1fos para hallarla

Examinemos el problema pri ncipal de la programacin .1 ineal consis tente en hallar l os valores no negativos do las variables x 1 , x 2 , , x 11 que satisfacen m
condiciones ele igualdades:

+
+ +
=
21:r 1 +
+ +
=
a ~x; -\:a~,2~2 ~1- : : a.111 ,:x~ . b~
ail x l

12X2

inX n

b,

22X2

2n Xn

b2,

111

(9.1)

C1X1

C2X 2

+ ... +

C11 Xn

=>-mx. (9.2)

~l

Para mayor sencillez suponga mos que todas las

condiciones (9.1 ) son linealmente independientes (r =
= m) y nurnl.011dremos los razon amientos en el marco
de estas s11posiciones1 ).
Denorninmnos solucin admisible del problema principal do la prog1amacin lineal t odo conjun to de valores no 111gal ivos .r 1 , x~ , ... , x,, que satisface l as
condiciones (9 .1 ). Denominemos clptima a aquella de
1 ) S entre lns C'ondiciones de iguald a des (9 .1) se encuentran
algunas que estii 11 demiis y se dedu cpn de otras, rnt onC'es, esto
se revelnr aul ornticnmente en el proceso de rernlucin del
problema principal de la progTarn acin lineal (vaEe [4, 6)).

85

$4

y maximiz:111 la funcin li11eal de estas vari ables:

'
\

fli

f: .

.rli
Jrl' '

H
-"" '~ ~,

las soluciones admisibles que maximiza la funcin

(9.2). Se requiere hallar la solucin ptima.
Este problema siempre tiene solucin? No, no
siempre. En primer lugar, puede resultar que las ecuaciones (9.1) sean totalmente incompatibles (se contradicen recprocamente). Puede resultar tambin que
sean compatibles, pero no en el campo de las soluciones
no negativas, es decir, no existe ni un slo conjunto de
nmeros x1 >O, x 2 >O, ... , Xn >O que satisfaga
las condiciones (9.1). Por ltimo, puede suceder que
existan las soluciones admisibles del PPPL, pero entre
ellas no se encuentre la ptima, o sea, la funcin L
no est limitada desde arriba en el campo de las soluciones admisibles. Todos estos riesgos nos acechan
principalmente cuando se trata de problemas inventados, planteados artificialmente, aunque a veces
u na planificacin superficial (no se consideran por
completo los recursos disponibles) da origen a problemas de la programacin lineal que no encuentran solucin.
Para que tengamos una idea del aspecto cardinal
del problema principal de la programacin lineal recurramos a la interpretacin geomtrica. Sea el nmero de ecuaciones m menor que el nmero de variables n en dos unidades (n - m = le = 2). Tal caso
particular permite interpretar geomtricamente en el
plano el problema principnl ele la programacin 1i11eal.
Sabemos que m ecuaciones linealrneute i11tlependie11tes (9 .1) siempre se pueden rnsol ver respecto a ciertas
variables bsicas m expresndolas por medio lle las
dems, libres, cuyo nmero es igual a n - m = k
(en nuostro caso k = 2). Supongamos que x 1 y x 2 son
variables libres (si no es as, siempre es posible enumerarlas de nuevo), y las dems, X:, .x.1 , , .xn, son
bsicas. Entonces en lugar de m ecuaciones (9.1) obtendremos tambin m ecuacio1ies, pero expresadas en otra

forma y resueltas respecto a x 3 , x 4 ,

Xn

Gt31X1

CX 11 1X1 -\-

+ <X32Xz +- fJa,
Xo = <X41X1 -\- <X42X2 + fJ4,

X3 =

1lJ

:1
(9.3)

<XnzX~ -1- fJw

Hepresenternos el pnr de valores de las variables

libres por llil punto con !ns coorclenadas x 1 , x 2
(fig. 9.1). Puesto qne las
x
varinhles x., 1 , .~ 2 deben (x 1 =0l~------------,(x ;x)
ser no negnt1vas, los
1 1 2
valores ntl n1 isihles de
i
las variables libres se
i
encuentran slo por eni
cima dol eje Ox 1 (en el
of/J'///j///////fi'l/~//~~ 0~ 1
cual x 2 =) y a la derecha del eje Ox 2 (en el
Fig. 9.1
cual X = O). Sealemos
esto con 1111 rayaclo que significa la parte admisible
de cada eje.
Ahora construyamos en el plano x 1 0x 2 un campo
de soluciones n(lmisihles o cerciormonos de que ste
uo existe. Las variables bsicas x 3 , x 4 , , Xn tambin
deben sor no nega\.ivas y sntisfaccr las ecunciones (9.3).
Cndn lllla de tales ec11acio11cs limita el cmnpo de solucio1ws ndrnisihlcs. Efectivarneillo, pongamos en la
pri111ern oc11:1cin (U.~~) :r:i = y ohtelldremos la ecuacin de l;i lnea recl.n:
0

CX.;11X1

CX;2X2

+ B3

o.

En estn rncta x 3 = O; por 1111 lado de la recta x 3 >

>O, por o\.ro, .T3 < O. Sealemos con llll rayado la
parle (scmiplano) donde :r,1 >O (fig. n.2). Supongamos
que esta parte so encuentre a la clprechn y por encima
de la meta .x: 3 = O. Hesnlla que todo el campo de las
87

86

1
f.

ill
ll.
lf

!Ji

H
,

soluciones admisibles se halla en el primor ngulo de

coordenadas, a la derecha y por encima de la recta
x 3 = O. Hagamos lo mismo con las dems condiciones
(9.3). Cada una de ellas se representar por una recta
con rayado que indica el
x2
semiplano admisible donde slo puede estar 1a solucin (fig. 9.3).
As pues, hemos construido n rectas: dos ejes do
coorde1wdas (Oxi y O.c 2 )
y n - 2 rectas, x:1 == O,
x,,
=O,, ... , Xn =O. Cada
x,=O
una de ollas define un
Fig. D.2
serniplano ndmi:=:iblc donde pueda hallarse la soluc1on, Una parte del primer ngulo de coordenadas perteneciente, 1 sifnultneamente a todos estos semiplanos

ij

qno exis te un co11 ju11Lo infini to do estas soluciones, ya

que cualq u iPr par de valores ele variables libres tomado
del campo de soluciones admisibles es vlido, en
Laido qne las variables bsicas pueden definirse de
X1

:J'.2

Puede resul lar que el campo de soluciones admisibles no oxi slo y, por esta razn , las ecuaciones (9.4) son

:
1Ji
1

(Xi= )

X2

i
Fig. 9.4.

incompatibles en el campo de l os valores no nega tivos.

Tal caso puede verse en la figura 9 .4 donde no hay un
campo qne esl, a la vez, en el lado necesario respecto
a todas las rectas . Eslo signi fica que el problema principal de la programacin lineal no tiene soluciones.
S11pot1gamos qne el campo de soluciones admisibles
exisle y lo hayamos construido. Cmo hallar entre
ellas la solucin ptima?
Con esle propsito interpretemos geomtricamente
la condicin (9.2) L
mx. Despus de sustituir por
las expresiones (9 .3) las expresiones correspondientes
en la frmula (9.2), representemos L median t e las variables libres :i: 1 , x 2 Una vez fin alizada la reduccin
de semeja 11 Les trminos obtenemos:

x6 =O

.. f~-'~....~?//</<//./<.//
=0

:'. 7

'X 1

x, =O

Fig. 9.3.

contituye el campo de soluciones a<lrn isi bles. La figura 9.3 ilustra el caso cuando existe nn campo ele solnciones admisibles, o sea, cuando el sistema de ecuaciones (9.3) tiene una solucin no negativa. Es de notar

L =

Y1X1

88

+ Y2X 2 + Yo

t-~

;t

(9.4)

r.

l l
'>I'

89

!'t
~r

':!r:

. donde y 1 , y 2 son ciertos coeficientes, Yo es un trmino

independiente ausente en la [orma inicial de la funcin L, que podra aparecer })l pasar a las variables
x 1 , x 2 Sin embargo, lo desechamos de inmediato,. ya
que el mximo de la funcin L se logra co11 los mismos
valores x 1 , x 2 qne el mximo de la funcin lineal homognea (sin el trmino independiente):

'

:j

este pu ni.o las varin bles libres Loman los valores ptin1os x~-, x;, parlio1ulo de los cuales se puede hallar de
acuerdo con las [rrnulas (!J.0) los valores ptimos de
las dems (bsicas) variables .:r~,
x~ 1 }. Es de

x;, ... ,

(9.5)

Veamos como se interpreta geomtricamente la condicin L * mx. Pongamos primeramente L' = O, es

decir,
y 1 x1 -+ y 2.:r 2 = O,
y
x2 1
construyamos en el plano
.x 10x 2 la recta representada por
tal ecuacin; es evidente que
sta atraviesa el origen de coordenadas (fig. 9.5). Califiquxi
mbsla como <rnna recta de
apoyo. Si a L' le damos cierL' = O
tos valores _C1 , C 2 , C 3 , . . ,
la recta se desplazar paraleFig. 9.5.
lamente a s misma; en el caso de desplazarse a un lado
L' crecer, en tan to que al otro, decrecer. Sealemos
en la figura 9.5 con flechas, puestas al lado de la
recta de apoyo, la direccin, Pn la cual L' crece.
En la figura 9.5 sta result ser la direccin a ln derecha, hacia arriba, pero pudo ser al coutrario,
pues todo depende de los coeficientes
y 1 , y2
Ahora, representemos la recta de apoyo y el campo de
soluciones admisibles en el mismo dibnjo (fig. 9.6).
Imaginemos que la recta de apoyo se desplaza paralelamente a s msma en direcci11 a las fleclias (crecimiento
de L'). 1~Cundo L' alcanzar el mximo? Es evidente
que en el punto A (el punto extremo del campo de soluciones admisibles en direccin a las flechas) . En

L'

Y1X1

Y2X2.

90

r
X1

Fig. 9.G.

110Lar que el mximo de L' se ohLiene en uno de los vrtices del campo de soluciones admisibles donde, al
menos, dos de las variables bsicas (en nuestro caso
son x 3 y x 5 } se anulan. Aun mayor can Lid ad de variables
bsicas habra podido anularse, si a travs del punLo pasaran ms de dos melas ;i,; = O.
1~Pucdc rcs11ltar q 110 110 exista la solucin ptima?
S, puede, si la fll 11ci11 L' (y por lo Lan Lo L) no est
limitada por e11cima. U11 ejemplo do tal caso anomal
se ilusLra en la Iig11rn \J.7 (en los problemas racionalme11 Lo plan Lea dos por lo g011era 1 no surgen tales equivocaciones).
En la figura 9.6 exista y era nica la solucin ptima. J\horn examinemos el caso, cuando Ja solucin

t.

I1
1

;,,
'

1 ) Si las flechas se hubieran orientado dl' otro modo (hacia

la izquierda, hacia abajo), el p11nlo B, habra sido el punto
extremo drl campo de soluciones eu direccin a las flechas.

91

~I

1~1
:

11
''I,

1,-

l
i

ptima existe, pero no es nica (existe un conjunto

'infinito de ellas). Este es el caso cuando el mximo
de L' no se obtiene en el punto A, sino en todo el
segmento AB que es paralelo a la recta de apoyo
(fig. 9.8). 'Tal caso puede encontrarse en la prctica,
pero no debe preocuparnos, pues, por igual, el mxiXz

x,

' -..... L'=O

Fig. 9.7.

Fig . 9.8.

mo de !/ se obtiene en cierto vrtice del campo de soluciones admisibles (no tiene importancia en A o en
B}, y en bsqueda <le una solucin ptima podemos
limitarnos a los vrtices del campo de soluciones admisibles.
De esta forma, hemos examinado la interpre tacin
geomtrica del caso n - m = k = 2 y nos hemos convencido de lo siguiente: la solucin ptima (si existe)
siempre se obtiene en uno de los vrtices del campo de
soluciones admisibles, en un punto donde, por lo menos,
dos de las variables x 1 , x 2 , , Xn son iguales a cero.
Una regla similar resulta vlida tambin en el caso
de n - m = k > 2 (pero en este caso la interpretacin geomtrica pierde su ilustratividnd). Enunciemos
esta regla, sin que se ofrezca su demostracin.
La solucin ptima del problema principal de la
programacin lineal (si existe) se alcanza, siempre que
,92

un conjunto de valores de las l'ariables x 1 , x 2 , .t11

sea tal que por lo menos se anulen k de ellas, en tanto
que la::i dems queden 11 0 negatiuas.
Si k = 2 ta l co11ju11lo de n dores se representa por
un punto en el plano q11e sP l1alla 011 11110 de los vrtices
del polgono de solucion es adm isibles. Si k = 3 el
campo de solucio nes admisibles ya no representa u11
polgono, sino u n poliedro , y In soli1cin p tima se
obtiene en un o de sus vrllces. Si k > 3 la interprntacin geom trica pierde su il ustrativ id ad , per o con todo
es cmodo seguir 11sand o los trmin os geomtricos.
V amos a seguir mencio1ia11cl o el poliedro de soluciones
admisihles en el espacio !.:-dimensional, mientras que
la solucin p t ima (si exist e) se obtendr en u no de los
vrtices de este poliedro , donde por lo menos se anulan 'le variables y las dems son no negativas. P ara ser
ms breves denominemos t al vrtice p11nt o de apoyo
y la solucin derivada de ste, solucin de apoyo.
De aqu se deduce una idea q ne sirve de base para
l a mayora 1lo los mtodos de tra bajo de l a solucin
del problema p rincipal de ln programacin lineal , a saber, la idea de pruebas sucesivas. Tratemos realmente de resolver las ecuaciones (9.1) respec to a cualesquiera m variables bsicis y expresarlas med iante las
dems le vari ables libres. Tra temos de anular est as
variables libres , por si tenemos suerte y encontrarnos
al azar un p1rnlo de apo yo. P ar tien do de las variables
1ibres anul a<las, calculemos las varia bles h sicas . Si
t odas ellas resnl laro11 ser no nega ti Y as , qu iero decir
que tuvimos suerte, ohtuv i1nos de inmediato una soluci6n admisible (rle apoyo) y nos resla slo optimizarla.
(\ Qu sucede si no os as ? Como vemos la eleccin dada
de las variables l ibres y bsicas no posibilita l a obtencin de una solucin admisible; el punto no se encuent ra en la front era, sino fo e ra del campo de soluciones

,.
1:

i
~ 1)

f!

\~

.ri

; '

9;:

;~

,
:
1

admis1bies. Como actuar en este caso~) Hace faita

resolver de nuevo las ecuaciones respecto a otras
, variables bsicas que no se escogen al azar, sino de manera que nos aproximen al campo <le soluciones ad111isibles (con este propsito en la programacin lineal se
utilizan procedimientos especiales en los cuales no
vamos a detenernos). Supongamos, por ltimo, q11e
despus de repetir este procedimiento varias veces
hayamos encontrado la solucin de npoyo del problema
principal ele la programacin lineal. Magnfico! Pero
esto no es todo, ya que es preciso plantearse si esta
solucin es ptima. Hepresentemos Ja f1mcin L mediante las ltimas variables libres obLenidas y tratems de aumentarlas por encima de cero. Si por este
moLivo el valor de L slo disminuye, esto quiere decir
que tuvimos suerte y hemos hallado la solucin ptima, o sea, el problema principal de la programacin
lineal est resuelto. Qu hacer en caso contrario? De
nuevo volvemos a resolver el sistema de ecuaciones
respecto a otras variables bsicas y de nnevo 110 de
cualquier manera, sino en una forma qne nos aproxime
a la solucin ptima, sin abandonar los mrgcnes de
las soluciones admisibles. Una vez ms la programacin 1ineal cuenta con procedimien Los especial os que garantizan que cada resolucin nueva nos aproxima obligatoriamente a la solucin ptima. Tnmpoyo nos detendremos en estos procedimientos. El objetivo ser
logrado despus de un nmero finito de tales pasos,, es
decir, la solucin ptima ser obtenida. ,Y si sta no
existe? El propio algoritmo tle la solncin del problema
principal ,d e la programacin' lineal nos mostrar que
la solucin no existe.
Puede ser que el lector pregunte: y esto es to<lo?
i.Para qn inventar mtodos ingeniosos d~ solucin
del problema principal de la programacin lineal?;
, acaso baste con revisar una por 1111a todas las combina-

clones posibles de k variables ib1es, an11ifindoias, hasta

q11e por ltimo, se halle la solucin ptima?
De hecho, para prnhlemas sencillos con un nmero
de variah!Ps peq1w11o Lal revisin ;1 ({Cil'gas puede
darnos, muy vronto Ja solucin. Sin omlrnrgo, en la
prctica frecuen l.eme11 te nos enco11 tramos con problemas que contienen muchsimas variables (y condiciones
impuestas), del orden do cen lenas y hasta millares.
Para tales problemas 11na simple revisin res111La prcticamente imposible, ya qne el nmero de combinaciones de variables libres y bsicas os demasiado grande.
Pongamos 11.11 ejemplo: solamente cuando 11 = 30 y
m = 10, el nmero <lo con1hiuacio11es do las variables
libres con las bsicas es igual a e ~~ = 30 045 015,
o sea, ms de 30 millones! Empero este problema
dista mucho de ser complejo.
Los mtodos de clculo (mtodo simple, doble
mtodo simple y otros, vase [4,. G, 81) elaborados en
la teora de la programacin lineill, permiten hallar la
solucin ptima me<lianle la revisin ori011lfla hacia
11na finalidad con una aproximacin constante a la
solucin, sin recurrir n las revisiones <{a ciegas. Cabe
aadir que lns calculadoras electrnicas modernas se
dotan, corno regla, do subprogramas para resolver los
problemas do la prognimaoin lineal; as que una persona que desee resolverlos no necesita saber solucionarlos n mano, lo que os muy desagradnhlc y extenuante.

94

1~

El prrafo nnl.erior fue detlicado a la descripcin de

algunos 1rnfoques generales a la solucin de los problemas de la programacin lineal. Pero existen tipos particulares de los prohlomas de la programacin lineal
qne debido a sn estniclura especial pueden resolverse,
~s

i
1

il
!11

i:
!

1-

~
'.~

:fl

1O. Problema de transporte

de la programacin lineal

'
1

-j

:~
'1

-,

t..11
~
J

l
1

, 1,;

utilizando mtodos ms sencillos. Detengmonos en

uno de ellos, e.l llamado problema de transporte
(PT). Se formula como sigue: se tienPn ni puntos de
partida (PP) A 1 ,. A 2 , , Am, en los cuales estn
concentradas las reservas de ciertas cargas similares en
cantidades respectivas de a 1 ,. a 2 , . , am unidades.
Existen tambin n puntos de destino (PD) B 1 , B 2 ,
... , B,. que solicitaron respectivamente b1 , b 2 ,
. . . , bn unidades de cargas. La suma de todos los podidos es igual a la suma de todas las reservas:
n

ai

=~ bj.

('10.1)

i=I

i=l

Se conocen los costos C;j de traslado de nna unidad

de carga, de cada punto de partida .11; a cada punto ele
destino Bi (i = 1, 2, ... , m; j = J, 2, ... , n) . 'Si
dan todos los numeras cii qno co11sliluye11 1111a tal la
rectangular (matriz):
cu
(

C12

C~. ~2~
Cm\

Cin
..

Cmz

C~".

Xll

X12

.Tln )

X21

X22

Xzn

.... . ....

(10.3)

( J0. 2)

Cmn

Xmi Xm2 Xmn

:r11 -j-

X12

-f-

X22

X21

+ ... + .x 1n

+ + Xzn

=: 1
ap

a2,

(10.4)

.............. . .

la que designaremos brevemente por (xii) El conjunto

de los nmeros (xii) (10.3) lo denominaremos plan de
traslados y Jas mismas magnitudes xih traslados.
Estas variahlos 110 negativas dohen satisfacer las siguientes condiciones.
1. La cantidad total de carga destinada a trasladar
de cada punto de partida a todos los puntos de destino, debe ser igual a la reserva de carga en un punto
dado:

\)

En breve la matriz (10.2) la designamos con (cij).

Se supone que el costo de traslado de viuias 1111 idades de carga es proporcion n l a su Hmero.
Se requiere componer tal plan de traslados (de dnde, a dnde y cantas unidades es necesario transportar) que permita satisfacer todos los pedidos y que el
costo total de todos los traslados sea mnimo.
Formulemos este problema como un problema ele la
programacin lineal. Designamos por .r nna cantidad de unidades de c:11'ga destinadas a enviar del p1111lo
de salida A; al punto ele destino ni. Lns vnrinbles no
negativas X;j tambin pueden escribirse en fornrn de
96

lllatriz

Xm1+Xm2-I- +xmn=am.

2. La cantidad total de carga destinada a trasladar

a cada punto de destino de lodos los puntos de salida,
debe ser igual al pedido hecho por un punto dado:
.ru + .:r21 + ... + xmi=b,
X12 + X22 + ... + Xm2 = bz,
X,, -/- X2n -/-

+ Xmn =

/
(10.5)

bn.

il
,1I~

'~'1

~,

1'

.
,.

3. El costo total de todos los traslados, es decir, la

suma de las mag11it11des .r u multiplicadas por los costos
respectivos C;j, debe ser mnima:
m.

L=

f,

-~ ~ cux;i '* mn,

i=1 i=I

11
(10.G)

~:

7-0515

97

i1'!
~

.....

'

--r

donde el signo de suma doble significa que la sum

se efecta en todas las combinaciones de los ndices i
y j, es decir, en todos los pares PP - PD.
As pues, se nos presenta un problema de la programacin lineal con las condiciones de igualdades
' (10.4), (10.5) y una funcin lineal a minimizar (10.6).
La particularidad de este problema consiste en que
todos los coeficientes en las conuiciones de (10.4), (10 .5)
son iguales a uno , lo que permite resolver el problema
utilizanuo procedimientos muy sencillos, descritos a
continuacin.
Ante todo,, observamos que las conuiciones de igualdades (10.4), (10.5) no son linealmente independientes,
ya que sus segundos miembros dependen de la condicin (10.1). El nmero de ecuaciones linealmente independientes entre las ecuaciones (10.4), (10.5) no es
igual a m
n (nmero de ecuaciones), sino a m
+ n - 1. Nuestro problema contiene un nmero total de variables X igual a m n; as que cualquiera
que sea el modo de resolver las ecuaciones (10.4) y
(10.5), el nmero de variables bsicas ser igual a
m
n - 1, y el nmero de variables libre~, a
k = mn - (m + n - 1) = (m - 1) (n - 1).

Sabemos que en los problemas de la programacin

lineal la solucin ptima se obtiene en uno 'de los vrtices del campo de soluciones admisibles, o sea, en el
punto de referencia donde por lo menos le variables son
iguales a cero. Esto quiere decir en nuestro caso que
para elaborar un plan ptimo, por lo menos, (m - 1) X
X (n - 1) traslados deben ser iguales a cero, lo que
significa que de un respectivo PP no se traslada nada a
un PD correspondiente.
Denominaremos admisible cualquier plan de traslados que satisfaga las condiciones (10.4), (10.5), es
; decir, en el que los pedidos estn satisfechos y las re98

servas, ngoladas. Un plan admisible se denominar de

referencia, si en l se diferencian <le cero no ms de
m
n - 1 de los traslados bsicos y los dems tras..:
lados so anulan. Un plan (:.cii) se denominar ptimo,

si entre todos los planes admisibles precisa1nente l

permite mi11imizar un costo total de los traslados
(L = mn).
Debido a la estructura especial del problema de
transporte su resolucin 110 requiere solucionar repetidas veces un sistema de eqiaciones, lo que resulta muy
tedioso. Todas las operaciones que tienen como objetivo hallar un plan ptimo so reducen a manipular directamente una tabla en la cual figuran en un orden
determinado las condiciones del problema de transporte: listas de PP y PD, pedidos y reservas, as como los
costos de los traslados e;. A medida que se va llenando
esta tabla en sus casillas so ponen los mismos traslados X. La tabla dfl lranspol'te se compone de m lneas
y n columnas. En la pal'le superior derecha de cada
casilla se pone ol costo e; de traslado de una unidad
do carga de A; a JJ i y el ceu lro de la casilla lo dejamos
libre para po11cr en ella el mismo traslado X. La
casilla de la tabla correspondiente a los puntos A;, B
la designaremos hrevemen lo (t, j).
Un ejemplo do tabla de transporto que tiene reproducidas las condiciones del problema y los costos de
traslados, pero sin citar los traslados mismos, se da en
la tahla 10.1, donde m = 4, n == 5.
Elaboremos en primer lugar un plan de referencia.
En cuanto al problema do transporto esto resulta muy
sencillo, es decir, so puede, por ejemplo, aplicar el
llamado mtodo do ngulo del noroeste. Ilustrmoslo
aprovecl1a11do los dalos coucretos de la tabla 10.1. Comencemos el llenado de la tabla de tra11sporto por el
ngulo superior izquierdo (del noroeste). El punto
B 1 hizo un podido para 18 unidades do carga; satisfa7

99

'

- --

- -

B1

B2

Tabla J0.1
-

Tabla 10.2

B3

Ds

B4

Reservas o

A1

131

A2

11

l'cdillos bj

14

j 18

s
10

A3

A4

71 141

s
27

12
10

81

11

30
/i 8

20

1U 1

151

30

10

71

2G

128

n,

n.,

1 18131 12 71

A2

1 111

Aa

A4

112 115

n,

15

n,

~m ;

n,

14 1 71

51

30

8 331il /

81

48

1 61 101 910 11 81 111

14/ s 101 410 2615/

l'cdidos bi / 1s / 27 1 42 / 15

lj
\'

f1

~.. J

20

".1

t'

~i

30

't'

26 /

1l

128

:J
~1

gmoslo, utilizando las reservas del punto A 1 Despus de esto, se dispondr de 30 - 18 = 12 uniclU<les
de carga; asignmoslas al punto JJ 2 Pero el pedido de
este punto todava no est satisfecho; asig11ernos 15
unidades que falta11, utilizando las reservas del prn1 lo
A 2 , etc. Hazonando de esta manera, dispongamos todos
los traslados xu en la tabla de transporte (tabla 10.2).
Comprobemos si el plan elaborado es admisible; s lo
es, ya que la suma de traslados tornada por la lnea es
igual a la reserva del punto de partida correspoudienle,
y la suma de traslados lomada por la colum11a eq11iv ale
al pedido del punto de destino correspo11die11l.e; esto
significa que todo est en orden, puesto que to<los Jos
pedidos estn satisfechos y todas las reservas estn
asignadas (la suma ele las reservas os igual a la suma
de pe<li<los y se expresa por el nmero 128 que se encuentra en la parte inferior derecha de la tabla) .

Aqui y on adelante ponemos en la tabla slo los

traslados no iguales a cero, en tanto que las casillas
pertenecientes a los traslados nulos quedan libres.
Comprobemos si es de referencta el plan de traslados
representado en la tabla 10.2 (acaso sea en ella demasiado el nmero de traslados bsicos no iguales a cero?). En la tabla '10.2 el nm ero de casillas libres con
traslados m ilos es precisamen te igual a (m - 1) X
X (n - 1) = 34 = 12, as que el plan es de referencia. Ya vemos, pues que hornos logrado h acerlo muy
fcil mento.
Es hora ya do aclarar si el plan en cuestin es ptimo, o sea, si se asegura un cos Lo mnimo do traslados.
Ms bien 110 se asegura, puesto que al hacer el plan de
referencia prescindimos do los cost.os. Y as resulta, el
plan no es pti mo. Por ejem plo, so ve de inmediato
que se puede mejorar, , aplicando una permut acin

100
f 01

:
.::

!
1

JI\1
~,

.2.1

~!

cclica de los traslados entre las casillas de la tabla y

disminuyendo el nmero de traslados en la casilla
cara (2.3) con un costo de 12, pero aumentando, al
mismo tiempo,. el nmero de traslados en la casilla
1.barata (2.4) con un costo de 6. Para que el plan siga
siendo de referencia tenemos que transformar una de
las casillas libres en bsica y una de las bsicas, en
libre. Cuntas unidades de carga (2.3) podemos transportar sBgn el ciclo (2.4)-+ (3.4)-+ (3.3)-+ (2.3),
aumentando los traslados en los vrtices impares del
ciclo y disminuyendo en los pares? Es evidente que no
ms de 11 unidades, (de lo contrario los traslados en la
casilla (3.4) llegaran a ser negativos). Es cierto que el
traslado cclico no altera el carcter del plan admisible,
es decir, el balance de las reservas y podidos queda intacto. As pues, despus de efectuar dicho traslado,
Tabla 10.3

1 B1

A1

Ac

1 B3

111

ni

141

Pedidos bJ 118

15

1 B4

71

I 22121

11 61

101 2d 1
1

101

1 Reservas a 1

1 B5

141

1 18131 12 71

A2
Aa

1 B2

51

30
48

111

20

!l101

2G151

30

1 27 1 42 115 1 26

128

escribamos en la tabla 10.3 11n nuevo plan mejorado de

traslados.
'
Veamos ahora, (;.q11 hemos logrndo, cunto hemos
ahorrado? El costo total del plan ilustrado en la tabla 10.2 es igual a L 1 = 1813 + 127
158 +
+ 3312 + 910 + 118 + 410 + 2615 = 1442; el
costo total del plan representado en la tabla 10.3 es
igual a L 2 = 1813 + 127
158+2212 -~ 116+
+ 2010 + 410 -+- 2615 = 1398. .
De esta manera logramos disminuir el costo de los
traslados en 1442 - 1398 = = 44 unidades, lo que se
pudo pronosticar fcilmente sin calcular el costo total
del plan. De hecho, la s11ma algBbrnica de los costos
que se hallan en los vrtices del ciclo tienen el signo
ms si el nmero de los traslados en este vrtice aumenta, y el signo menos, si diRminuye (el llamado
precio del ciclo) y en nuBstro caso es igual a 6 - 8
+ 10 - 12 = --4. Esto quiere decir que el traslado de
una unidad dfl carga segn este ciclo reduce el costo
de traslados en cuatro unidades. Pero como hemos
trasladado once unidades, el costo tnvo que disminuir
en 114 = H unidades, lo que sucerH en realidad.
Esto significa que todo el secreto de. la optimizacin del plan de transportes consiste en trasladar (distribuir) stos segn los ciclos cuyos precios son negativos.
En la tcorin de la programacin lineal se demuestra
que dado un pl:rn de referencia, para cada casilla libre
de la tabla de transporte exi$le un solo ciclo cuyo primer
vrrtice se encuentra en la casilla dada libre y lo.~ dems
en las casillas bsicas. Por lo tanto, buscando los ciclos
beneficiosos con lm precio negativo, debemos obser~
var si la tahln contiene casillas libres..-ms baratas
y adecuadas. Si contiene tal casilla es necesario hallarle un ciclo, calcular su precio y, de ser negativo, trasladar, segln este ciclo, nn nmero mximo posible de
unidades de carga (sin que ciertos traslados sean nega-

~02

103

!!;;._;.-._...;,,,,;;;.. -

.
tivos). En este caso, la casilla libre dada se convierte
en bsica, en tanto que alguna casilla de las que fueron
bsicas se hace libre . Es evidente que esto equivale a
solucionar un sistema de ecuaciones respecto a otras
variables bsicas, pero se hace esto ms fcilmente.
Intentemos mejorar nna vez ms el plan expuesto
en la tabla 10.3. Por ejemplo, nos atrae la casilla
barata (1.5) con un costo de 5. Tal vez sea posible
mejorar el plan, aumentando los traslados en esta
casilla y disminuyndolos en otras (adems, tambin
har falta aumentar en alguna parte los traslados).
Examinemos ms minuciosamente la tabla 10.3 y hallemos en ella un ciclo cuyo primer vrtice se halla en
la casilla libre (1.5) y los dems, en las casillas bsicas. Racionando un poco descubrimos el ciclo necesario que constituye una sucesin de las casillas (1.5)-+
Tabla 10.4

B1

B2

B3

Br;

111

Reservas a

A2

As

. A4

Pedidos bJ

l 1Jl12~71

141

l~1+ 51 30

1 11115~~12212!1\ ~11 81' 48

26 1 , 8, , 11, 20
1 141
81 , 101
~~l_t_15 I 30
.
: 4+ 1 26
! 18 1 27 .1 42 115 126 1 128
61

101

. -

-+ (4.5)-+ (4 .4) -+ (2.4) -+ (2.2) -+ 0.2) (cerrando el

ciclo, retornamos a (1.5)). Los vrtices impares del
ciclo estn marcados con el signo ms lo que quiere
decir que los traslados en estas casillas van aumentando
y los pares, con el signo menos (los traslados disminuyen). En la tabla 10.4 el ciclo est representado por
flechas.
Calcul emos el precio de esto ciclo. Este es igual a
10 -- G 8 -- 7 = --S. Puesto que el pre5 - 15
cio del ciclo es negativo , la transforencia de traslados,
segn oste ciclo, resulta heneficiosa. Observemos
,cuntas unidades podeinos trasladar, por este ciclo?
Esto se determina por el trasl ado mnimo que se encuentra en el vrtice negativo del ciclo. En el caso
dado es de nnevo 11 (pura coincidencia). Multiplicando 11 por el precio del ciclo igual a 5 obtendremos
que a costa de la transferen cia de tt 11nidades de carga
segn el ciclo en cuestin conseguimos reducir el costo
de traslados en 55 unidades ms (concedomos al lector
curioso la posibilidad de hacerlo por s mismo).
As pues, buscando en la tabla de transporte casillas
libres con un precio nngativo dnl ciclo y transferiendo
segn este ciclo una cnntidad mxima posible de carga
haremos cada vez menor el costo de traslados. Esta
reduccin no puede ser ilimitada (el costo no puede, de
ninguna manera , ser menor de cero) , es decir, tarde o
temprano hallamos el plan ptimo. No rp1edar ni una
sola casilla libre con precio negativo del ciclo para tal
plan, lo qne es un indicio de que la solucin ptima
fue hallada.
En la teora de la programacin lineal existen pro
cedimientos que permiten destacar automticamente,
sin recurrir a razonamientos, las casillas libres cuyos
precios del ciclo son nngativos (el 'IJamado mtodo de
potenciales), pero no nos detendremos en ellos, as
como en una serie de otros procedimientos de resolucin

i1r1
fi

i04

f05

11
'1

!f

:1
~
'
'
-

!',.

. ~

1.,

'l''l

l.
l

r
~

:!'

.~11~_,

li

\ I!

____ ____,f,.::::!'

del problema de transporte, dados a conocer en los manuales especiales (5, 7, 8].
En conclusin digamos unas palabras sobre el llama.do problema de transporte con balance incorrecto,
cuando la suma. de pedidos no es igual a la suma de reservas:
n

~ a =I= ~ b.

t=I

Si ,2; a
3=1

(10. 7)

j=I

> Lj

b1 (la suma de reservas es mayor que

Xu

X12 Xin

( X21 X22 Xzn

Xi)
Xz

.... . .....

Xml Xm2 Xmn Xmf

En este caso es necesario tener en cuenta que todos

los traslados X; situados en la columna derecha no se
transportan, de hecho, a ninguna parte, sino que se
quedan en los puntos de partida .

i=I

la suma de pedidos), todos los pedidos pueden ser satisfechos, sin que sean consumidas todas las reservas.
El problema puede reducirse al problema de transporte
con un balance correcto, introduciendo cierto punto
ficticio de destino B 1 y asignndolo un pedido equivalente a un exceso de las reservas sobre los pedidos:
m

b1

=2.J
i=I

a-~ b1

(10.8)

i=I

Entonces el problema se reduce a un problema con

un balance correcto, puesto que
m

2J a=~
b + b.
i=I
1=1

(10.9)

Surge la pregunta: cules son los costos de traslados de los puntos de partida A a un punto ficticio de
destino B? Es natural anularlos (pues, de hecho, al
punto B 1 no se transporta nada). Por esta razn el
costo cif = O para cualquier punto de partida.
Introduzcamos en la tabla de transporte una columna adicional que corresponde al punto de destino B 1
y pongamos en sta los costos nulos de traslados. Despus de esto, el problema se resuelve como un problema ordinario de transporte, y para l se halla un
106

plan ptimo de traslados:

Se nos puede presentar tambin el caso de

Lj

<

i=I

< 2J

b (las reservas no pueden satisfacer todos los

i= I

pedidos); a este respecto, es posible reducir el nmero de pedidos , recurriendo a tal o cual procedimiento
y obtener, de nuevo, el problema de transporte con un
balance correcto. Si es que no nos interesa por completo hasta qu grado de validez se satisfacen los pedidos
y slo tiene importancia la distribucin barata de
las reservas disponibles (da lo mismo a dnde), entonces se puede introducir un punto ficticio de partida
A 1, asignndolo, condicionalmente una reserva que
n

falta igual a a1

= i~ b1 --

iJj a.

En estas cuestiones

!
:J

;'

'l

.t

!,
~

no nos detendremos mfis detalladamente (vase [6]).

11. Problemas de programacin por medio

de nmeros enteros. Nociones sobre
la programacin no lineal
En la prctica se encuentran muy a menudo problemas cuyos planteamientos tienen semejanza con los
problemas de la programacin lineal, pero que requie107

ii

t.

. lt

i;en que los valores buscados de las variables sean obligatoriamente enteros. Tales problemas se denominan
problemas de la programaciOn por medio de nimeros enteros; la condicin adicional de que las variables representen nmeros enteros dificulta considerablemente
la solucin del problema.
Examinemos un ejemplo de tal problema. Supongamos que hay una serie de objetos (valores) 0 1 , 0 2 ,
. , n los cuales es deseable sacar de una zona amenazad_a. Se conocen los costos de estos objetos; c1 , c 2 ,
. , Cn y sus pesos q1 , q 2 , , qn. El tipo y la cantidad de objetos a sacar estn limitados por la capacidad de carga Q del vehculo. Se requiere elegir de todo
el conjunto de objetos un conjunto ms valioso (cuyo
costo sumario <le los objetos es niximo) con un peso
total que no sobrepase de Q.
Introduzcamos en el anlisis las variables x 1 , .r 2 ,
, Xn que se determinan por la condici11: X; = 1,
si cargamos en el vehculo el objeto O; y x; = O, si no
cargamos nada.
Dados lo .valores x1' x 2 ,
Xn el peso total de
los objetos a cargar en el vel1culo es igual a q1x1 +
q2 x 2
qnxn. La con<licin de la capacidad
de carga limitada se expresa en forma de desigualdad:
1

+ ... +
+
q1X1

q2X2

+ -t- qnXn < Q.

'

(11.1)

Ahora escribamos el costo total de los o bjetos el

cual queremos maximizar:
n

L=LJ

C;X=:?-mx.

(11.2)

i=I

As pues, a primera vista, el problema no se diferencia de un problema ordinario de la programacin

lineal, es decir, se requiere hallar los valores no negativos de las variables x 1 , x 2 , , Xn que satisfacen
la desigualdad (11.1) y maximizan la funcin linenl
de estas variables (11.2). A primera vista tambin
i

i08

puede parecer que haga falta resoiverio como un prablema de la programacin lineal, introduciendo las desigualdades de limitacio1tes adicionales (existe slo un
objeto del tipo dado):

< 1,

< '1,

<

;i; 2

.~

<

x3
1, ... , Xn
1.
Pero no es as. La solucin hallada de esta manera
puede resultar ser no un nmero entero, sino un quebrado, lo que significa que es irrealizable (pues no podemos cargar en un vel1kulo un tercio del piano o la
mitad del armario). Nuestro problema se diferencia
del problema ordinario de la programacin lineal, ya
que representa un problenia de la programacin por
medio de nmeros enteros.
Otra idea que se nos ocune es la siguiente: ,no ser
posible resolver el problema ordinario de la programa
cin lineal y redondear los valores obtenidos de X hasta el prximo de los nmeros O 1? Lamentablemente,
en el caso general, no se puede actuar as. La solucin
obtenida de esta manera puede no satisfacer la limitacin ('11.1), es decir, puede no conesponcler al peso
dado Q, o <listar rnucho ele ser ptima. En algu'n os casos
tal redondeo es udrnisible; por ejemplo, si en el problema 3 del prrafo 7 obtenemos el siguiente resultado:
para la fabricacin de un tejido tle primera clase es
preciso emplear 185,3 telarns de primer tipo, entonces
est claro que con todo fundamento podemos redondear esta solucin hasta 185. Si se trata de recursos indivisibles (de especial valor o nicos en su gnero) entonces el problema se formula como un problema de la
programacin por medio de nmeros en teros.
Es de sealar que en general los problemas de la
programacin por medio tle nmeros enteros resultan
mucho ms complejos que los problemas ordinarios de
la programaci{rn lineal. En la prctica se utilizan una
serie ele mtodos de solucin ele tales problemas; todos
.r 1

'

;1
'

109

,
.
ji

L
1

'
!

!I

it

d
.
'j

j; 1, 1

-F1

~llos son (con n nmero m.s o inllos considerable <l

variables) muy complejos y trabajosos. No pretendemos exponerlos aqu y remitimos al lector que manifiesta cierto inters por ellos a manuales ms detallados (por ejemplo, [7. 81).
En conclusin digamos unas palabras sobre los
problemas de 1a programacin no lineal.
En trminos generales, el problema de la programacin no lineal se formula de la manera siguiente. Se
requiere hallar los valores no negativos de las variables
x 1 , i 2 , , Xn que satisfacen ciertas limitaciones <le
tipo arbitrario, por ejemplo
lp1

(x 1 , x 2 Xn)>O,

:2.(~1. ~2: :~n~~~.

se encuon t rail ios problemas de la progrlnacin

cuadr tica, cuan<l o W es un polinomio de segundo
grado respecto a las variables x 1 , x 2 , , Xn y las
<lesigual<lades (11.3) son lineales (vase [7 , 81). En
una serie de casos de resolucin <le l os problemas de la
programacin no lineal puede dar buenos resultados el
llamado mtodo de funcio11es pecun iarias que reduce
el problema de bsqueda d e extremos con limitaciones
a un probl ema anlogo sin li mitacio1ies que se resuelve
habitualmeu to ms simplemente. L a idea del mtodo
consiste en pouer en l a soluciu, en vez de una exigencia rigurosa del tip o q:i (x 1 , x 2 , , X n) > O, una
mulla bastante grande por v iolar es ta condicin y en
agregar a un a funcin de fin alidad W (x 1 , x 2 , , Xn)
una multa del tipo aqi (x 1 , x 2 , , :i::n), donde a es
el coeficiente de proporcionalidad (en el caso cuando
una funcin de fina lidad se maximiza , a es negativo y
si se minimiza , positi vo). A continuacin, aumentando
el val or absolu to de a , se puede observar como v ara
la solucin p t ima (x;, x~ , ... , xri) y cuand o ,~prcticamente , deja de variar, detenerse en ella. E n una serie de casos de resolucin de los problemas de la programacin no lineal resultan tiles los llamados mtodos
de bsqueda a leatoria consistentes en utilizar u n
sorteo alea torio en vez de una seleccin ordenada de
las posibl es var iantes de sol uc in . En caso de necesidad
el lector puede fam iliariz arse con to dos estos mtodos
(y con algunos ms) en los manuales (7-9].
Por ltimo, mencionemos los llamados problemas
de la programacion estocstica. La particularidad de estos
problemas co nsiste en que la solucin ptima se busca
en condiciones de determi nacin in completa, cuando
una serie de parme tros quo forman parte de la funcin
de finalid ad W y las acotaciones puestas a la solucin
son magniludPs aleatorias. T al programacin se denomina estocstica. E xisten problemas en los cuales l a

(11.3)

<rm (x1, x 2 ,. ,xn)>O

y maximizan una funcin no lineal ele estas variables:
(11.4)
W = W (x1 , x 2 , , Xn) =*"mx.
No existen procodimentos generales de la solucin
de los problemas de la programacin no lineal; para
cada problema concreto el procedimiento so elige en
dependencia del tipo de funcin W y de las limi taciones que se sobreponen en los elementos de la solucin.
Los problemas de la programacin no lineal surgen
en la prctica bastante a menudo, por ejemplo, cuando
los gastos crecen no proporcionalmente a la cantidad
de mercancas compradas o producidas (efecto al por
mayor) y muchos problemas no lineales pueden ser
sustituidos aproximadamente por lineales (linealizados) por lo menos en el campo prximo a la solucin
lineal. Si esto es imposible, con todo , los problemas
no lineales que surgen en la prctica dan por resultado,
habitualmente, formas de la no linealidad relativa. mente aceptables. En particular, en no pocas ocasionl's

.uo
H!.a.

tH

'*'

waa:gg _

. . _. .,

S4!fi4Qf ,. . --~
.r1 ..

1
-

___ _

.. ~..,

_. ..- >-r:.:ne:.;*.at*3J!m~.iJ!#i
*
_ - ,
. .
;a;;:.
_.- 1-1r
::~~~
- -- --q-~- -""

- - -- - ...:.-

r1

i!

il
'

!!

'

;!

!!
''

'I
,

.!

Jt

i: i

ft.-'

11

rn

f,,

;; ;;;:r ;.;=

..,

''

programacion estocstica se reduce a la ordinaria, de~

terminada. Por ejemplo, cuando se realiza un promedio de optimizacin, la funcin <le fiunlid ad W depende linealmente de los elementos de solucin y slo
los coeficientes de los elementos de solucin son aleatorios, en tanto que las limitaciones sobrepuestas no
contienen la casualidad. En este caso se puede optimizar la solucin, sin tomar en consideracin el carcter
aleatorio, de los coeficieii'te,;, sustituyndolos por las
esperanzas matemticas (pues, como es sabido, la
esperanza matemtica de la funcin lineal es igual a la
misma funcin respecto a las esperanzas matemticas
de los argumentos). Es mucho ms complejo el caso
cuando las limitaciones estocsticas se sobreponen en
los elementos de solucin. Los problemas de la programacin estocstica estn bien esclarecidos en la
monografa (31].
A diferencia de los problemas de la programacin
lineal cuyos mtodos de solucin estn bien estudiados
y ajustados, y no presentan gra11des dificultades, los
problemas de la programacin por medio de nmeros
enteros, lineal y, especialmente, estocstica pertenecen
a los problemas de clculo complejo y difcil. Al resolverlos se necesita recurrir frecuentemente a los llamados mtodos eursticos de optimizacin que son
aproximados, ya que los mtodos exactos de la tcnica
moderna de cmputo resultan no aplicables a causa
de su complejidad. A veces sucede que toda la ganancia obtenida gracias a una optimizacin exacta de so1ucin no puede compensar los gastos, as que el juego
no vale la pena. Aqu de nuevo chocamos con la necesidad de utilizar un enfoqe sistemtico a los problemas de la investigacin de operaciones y de tornar en
consideracin no slo la ganancia directa obtenida con
ayuda de la operacin dada, sino los gastos en su optimizacin.

Captulo IV

11

Programac,in dinmica

1
.1
1
11
ff
:J

'

12. Mtodo de programacin dinmica

l'

La programacin dinmica (con otras palabras pla

nificacin dinmica) es un mtodo especial de optimizacin de soluciones, especialmente adaptado a las
llamadas operaciones <le mltiples pasos (o de
mltiples etapas).
Imaginmonos cierta operacin Q que se descompone en una serie de pasos o etapas sucesivos, por
ejemplo, la actividad de una rama de la industria en
el curso de varios aos; o la superacin de varias lneas
de la defensa antiarea por un grupo de aviones; o, por
ltimo, una sucesin de tests aplicados para controlar
l os aparatos. Algunas operaciones (similares a las
descritas anteriormente) se dividen en pasos naturalmente; otras requieren realizar la divisin l\rtificialm~n
te , por ejemplo, en el caso cuando el cohete se, dirige
al objetivo, el proceso puede dividirse condicionalmente en etapas, cada una de las cuales ocupa un lapso
de tiempo igual a M.
As pues, examinemos una operacin (9 que consta
de m pasos (etapas). Supongamos que la eficiencia de la
operacin se caracteriza por cierto ndice W que- para
mayor brevedad denominaremos en este captulo ga8-0!il!i

j~
t
1

!.

i'

_,
1

.I
1
't

-l.13
~ 1.~1

rl

tta.ncia. Supngams que la ganancia W de toda la

operacin se compone de las ganancias obtenidas en
algunos pasos:
m

(12.1)

W=2~w,
t-l

donqe w 1 es una ga1_1ancia obtenida en el i-simo

paso.
Si W posee tal propiedad, entonces la denominan
criterio aditivo.
La operacin @, de la cual tratamos es un proceso
dirigido, es decir, podemos elegir ciertos parmetros
que influyan en su curso y resultado, adems en cada
paso se elige tal solucin que determina la ganancia
en el paso dado y la ganancia total de la operacin.
Denominaremos esta solucin direccin por medio de
pasos. El conjunto de todas las direcciones por medio
de pasos representa la direccin total de la operacin.
Designmosla por la letra x y las direcciones por
medio de pasos, por las letras x 11 x 2 , , xm:
X

= {X 1 X2 1

. ,,

Xm)

(12.2)

Con viene tener presente que, en el caso general,

, Xm no son nmeros, sino, tal vez, vectores, funciones, etc.
.
Se requiere hallar tal direccin x que maximice la
ganancia W:

x1 , x2 ,

W=

~ w 1 ::::?- mx.

(12.3)

i=l

La direccin x* con la cual se alcanza el mximo

se denominar direccin ptima. Ella consta del conjunto de las direcciones por medio de pasos ptimos:
'

114

*-

(x*I x*21

x*m)

(12.4)

Tal ganancia mxima qlie se obtiene con esta diree~

cin la designaremos W*:
W* = mx {W (x) }.
(12.5)
X

La frmula (12 .5) se lee como sigue: la magnitud

W* es el mximo tomado de todos los W (x) con distintas direccion es de x (un mximo se toma por todas las
direccioues x que son posibles en las condiciones dadas). A Vces este ltimo h echo se toma en consideracin en la frmula y se escribe en la forma siguiente:
W* = mx { W (x)}.
(12.5')
xEX

Examinemos varios ejemplos de operaciones de

mltiples pasos y aclaremos para cada uno de ellos
qu se en tiende por direin y cul es la ganancia
(ndice de eficiencia) W.
1. Se planifica la actividad de un grupo de empresas industriales E 1 , E 2 , , Ek para un perodo de m
aos econmicos. Al principio del perodo para el desarollo del grupo se asignan ciertos medios !vf que debern ser distribuidos de alguna manera entre las
empresas. En el proceso del funcionamiento de la empresa una parte de los medios invertidos en ellU:se gasta
(se amortiza), otra se conserva y puede ser distribuida
de nuevo. Cada empresa rinde una ganancia anual dependiente de la cantidad de medios invertidos. Al principio de cada ao los medios disponibles se distribuyen
de nuevo entre las empresas. Se plantea la cuestin,
qu cantidad de medios es necesario asignar para
cada empresa al principiq de cada ao para que la
ganancia total de m aos sea mxima?
La ganancia W (beneficio total) representa una suma de benefi cios rendidos en ciertos pasos (aos):

r!i:

H
f

l
l,,

!
!

"' ~

'

W=~

W,

(1 2.6)

i=1

1i

y, por lo tanto, posee la propiedad de aditividad.

8

:;~

115

.i
h

l.

. La direcci6n xi en el i-simo paso consis~e en asig'nar ciertos medios x 1u xi 2 , , X;1i (el primer ndice
es el nmero del paso, el segundo, el nmero de la empresa) para las empresas al principio del i-simo ao.
De esta manera, la direccin por medio de pasos cons' tituye un vector con k componentes:
X

(X, .X 2 , , X1i)

X= (X, X2, , Xm)

= G1

+ G + Ga + . . . + Gm,
2

donde G es el peso del i-simo escaln.

Como resultado ele la i-sima etapa (combustin
y lanzamiento del i-simo escaln el cohete recibe un
incremento de velocidad igual a f.o. 1 que depende del
peso del escaln dado y del peso total de los segmentos
restantes ms el peso de la cabina. Se pregunta, cmo
se debe distribuir el peso G entre los escalones para
1

116 '

(12.9)

i=l

donde fli es la ganancia (incremento de velocidad)

en el i-simo paso.
La direccin x representa un conjunto de pesos de
todos los escalones Gi:
:r =

(G1 , G 2 ,

.,

]1
'

l
t

1
1

:j

Gm).

(12.8)

Se requiere hallar tal distribucin de los medios por

aos y empresas (direccin ptima x*) que haga mxima la magnitud W.
En este ejemplo, las direcciones por medio de
pasos fueron representadas mediante vectores; en los
ejemplos siguientes sern ms sencillas y se expresarn
simplemente por nmeros.
2. El cohete csmico consta de m escalones y el
proceso de puesta en rbita de ste, de m fases; al
final de cada fase el escaln inmediato se lanza. Para
todos los escalones (prescindiendo de un peso til
de la cabina) se asigna cierto peso total:
G

V=~i"l,

(12.7)

Por supuesto, las magnitudes w 1 en la frmula (12.6)

dependen de la cantidad de medios invertidos en el
funcionamiento de las empresas.
La direccin x de toda la operacin consta de un
conjunto de todas las direcciones por medio de pasos:
/

que la velocidad V del cohete sea mxima, al ponerlo

en rbita?
En el caso dado el ndice dn eficiencia (ganancia)
ser igual a

,'!

De direccin ptima x* servir tal distribucin

de los pesos por escalones que maximice la velocidad V.
En este ejemplo la direccin por medio de pasos est
representada por un nmero, precisamente por el peso
del escaln dado.
3. El dueo de un automvil viene explotndolo
durante m aos. Al comienzo de cada ao l puede
tomar una de las tres decisiones:
1) vender el coche y sustituirlo por uno nuevo;
2) repararlo y seguir emplendolo;
3) seguir emplendolo sin n~currir a la reparacin.
La direccin por medio de pasos representa, en
este caso, una d estas tres decisiones, las cuales no se
expresan directamente mediante nmeros, pero pueden designarsn la primera por la magnitud nmerica 1,
la segunda, por 2 y la tercera, por 3. Qu decisiones
hac falta tomar por aos (es decir, como combinar
las direcciones 1, 2, 3), para que los gastos totales
en la explotacin, reparacin y compra de automviles
nuevos sean mnimos?
El ndice de eficiencia (en el caso dado en vez de
ganancia, te1rnmos prdida, pero esto no tiene

117

1
1

.1

:1

.importancia) es igual a
m

W=h
W,
i=i

(12.10)

donde w 1 son los gastos en el i-simo ao. Se requiere

minimizar la magnitud W.
La direccin de operacin en conjunto representa
cierta combinacin de los nmeros 1, 2, 3, por ejemplo:
X

donde cada uno de los nmeros j 1 , j 2 , , jm tiene

uno de los tres valores: 1, 2 3. Es preciso elegir
un conjunto de nmeros (12 ..11) que haga mnima la
magnitud' (12.10).
4. Se construye un tramo de va frrea entre los
puntos A y B (fig. 12.1). El terreno es accidentado
y est constituido por bosques, colinas, patanos, as
como por un ro a travs del cual es necesario construir
un puente. Se requiere trazar un camino que una los
puntos A y B de tal manera que los gastos t otales
en la construccin del tramo sean mnimos.
En este problema, a diferencia de los tres ya citados, no hay una divisin natural en pasos y es necesario introducirla artificialmente; con este propsito
se puede dividir, por ejemplo, el tramo AB en m
partes, trazar a travs de los puntos de divisin las

U8

'

= (3, 3, 2, 2, 2, 1, 3, . , .),

lo que quiere decir que los dos primeros aos es ms

provechoso explotar el automvil sin repararlo, los
otros tres, repararlo y al comienzo del sexto ao,
venderlo y comprar uno nuevo; luego, explotarlo de
nuevo sin repararlo, etc. Cualquier direccin representa un vector (un conjunto de nmeros):
(12.11)
X = (j, j2, ., jm),

rectas perpendiculares a A B y considerar como paso

el traslado do una de stas rectas a otra. Si estas
rectas las trazamos bastante cerca una de la otra el
tramo de la va puede considerarse como rectilneo
en cada paso. La direccin por medio de pasos repre-

.r
'

Fig. 12.1.

senta en el i-simo paso un ngulo !p que constituye

con la recta A B un tramo do va. La direccin de tod a
la operacin est compuesta por un conjunto de direcciones por medio de pasos:
'
X = (!p1, !p2, ., !Pm).
So requiere elegir tal direccin (ptima) x que
asegure el mnimo de gastos totales en la construccin
de todos los tramos:

W = h"' w1 =~ mn .

(12.12)

i=I

l1

'

As pues, hemos examinado una serie de ejemplos

de problemas de mltiplos pasos do la investigacin
de operacion es. A11aliccmos ahora cmo se pueden
resolver dich os problemas.
U9
'
1

,\

i:r
1

' 1~

J
I~

' t
~

I"

'

H
.
. Existen diferentes maneras de resolver cualquier
problema de pasos mltiples: bien buscando a Ja vez
todos los elementos de la solucin en lodos los pasos m
o bien construyendo una direccin ptima paso a paso,
optimizando en ada etapa del clculo solamente un
paso. Corrientemente el segundo procedimiento de la
optimizacin resulta ms simple que el primero,
especialmente, cuando tenemos una gran cantidad de
pasos.
Tal idea de optimizacin gradual, paso a paso,
sirve de base del mtodo de programacin dinmica.
La optimizacin de un paso es, como regla, ms simple
que la optimizacin de todo el proceso: resulta ms
fcil resolver repetidas veces un problema relativamente simple, que resolver una vez, un problema
complejo.
A primera vista la idea puede parecer bastante
trivial. De hecho, no puede haber nada ms simple:
si es difcil optimizar toda la operacin, es razonable
dividirla en una serie de pasos. Cada paso representar
,una operacin separada, pequea, que se optimiza sin
dificultades. Es preciso elegir en este paso tal direccin que asegure una eficiencia mxima de este paso.
No es as?
! No, en absoluto no es as. El principio de la programacin dinmica no prev, de ninguna ma'nera, que
se optimice cada paso por separado, independientemen te de los dems. Por el contrario, la direccin por
medio de pasos debe elegirse con perspicacia, tomando
en consideracin todas las consecuencias futuras.
Qu hay de bueno, si, eligiendo una direccin en un
paso dado, obtenemos su eficiencia mxima y, al
mismo tiempo, este paso nos imposibilita rendir
buenas ganancias en los pasos que siguen?
Supongamos, por ejemplo, que se planifica el trabal jo de un grupo de empresas industriales, una parte

de las cuales se dedica a la produccin de artculos

de consumo y las dems, fabrican mquinas para
satisfacer sus necesidades. E1 problema de la operacin
consiste en obtener en el transcurso de m aos un
volumen mximo de produccin de artculos de consumo. Admitamos que las inversiones se planifican
para el primer ao. Partiendo de Jos intereses de
coyuntura de este ao (paso) tendramos que invertir
todos los medios disponibles en la produccin de artculos de consumo. ,'.Pero ser correcta tal decisin
desde el punto de vista de eficacia de la operacin
en sn conjun1o? Es evidente que no. Esta es una
decisin poco perspicaz y prdiga. Con vistas al futuro
es imprescindible asignar una parle de los medios
para la produccin de mquinas. Esto traer consigo
una disminucin de la produccin en el primer ao,
pero sern creadas las condiciones para aumentarla
en Jos aos siguientes.
Otro ejemplo ms. Supongamos que en el problema 4 (construccin de la va frrea entre A y B) nos
seduce la idea de dirigirse por el camino ms fcil
(ms barato). ,Qu hay de bueno si ahorramos en el
primer paso y , en adelante, nos vernos arruinados (en
sentido tanto literal, como figurado)?
As p11es, planificando una operacin de mltiples
pasos es necesario elegir una direccin en cada paso,
tomando en cuenta todas sus consecuencias futuras en los
siguientes pasos. La direccin en el i-simo paso no se
elige para asegurar una ganancia mxima en el paso
dado, sino para asegurar un a suma mxima de ganancias en todos los pasos, restantes incluyendo el dado.
Pero esta regla tambin tiene excepciones. Entre
todos los pasos hay uno que puede planificarse sencillamente, sin preocuparso por las consecuencias
futuras. 1\Cul es? Evidentemente este ltimo! Es el

i
l

l
1

[
1
!.

!j~
11

121

,120

?'*****'' ;

:wa. st!#f.fl!&&pill ..

1~

~
~r+~'f!Xx.-.f',~7!~. . , ..--s~- . .

..,_

-"-~----- . .-~

. nico paso que se puede planificar con vistas a obtener

de l un beneficio mximo.
Por lo tanto, et proceso de programacin dinmica
se desarolla corrientemente del final al comienzo: en
primer lugar se planifica el ltimo m-simo paso.
Pero de qu manera puede planificarse, si no sabemos
cmo termin el penltimo? Es decir, ,no sabemos las
condiciones en las cuales comenzamos el ltimo paso?
Precisamente aqui comienza lo ms interesante.
Planificando el ltimo pa!'\~ hace falta hacer distintas
. suposiciones acerca de como termin el penltimo
(m ~ 1) 'y para cada una de estas suposiciones hallar
la direccin ptima convencional en el m-simo paso
(convencional, ya que se elige a partir de la condicin de que el penltimo paso se termin de tal o cual
manera).
Supongamos que lo hicimos y que conocemos la
direccin ptima convencional y la ganancia ptima
convencional respectiva en el m-simo paso, para
cada uno de los posibles resultados del penltimo
paso. Perfecto.! Ahora podemos optimizar la direccin en el penltimo, (rn - 1)-simo paso. Hagamos
de nuevo todas las suposiciones posibles de cmo se
termin el (m - 2)-simo paso antecedente y para
cada una de las suposiciones hallamos tal direccin
en el (m - 1)-simo paso que maximice la ganancia
obtenida en los dos ltimos pasos (de los cuales el
m-simo ya est optimizado}. De esta manera para
cada resultado del (m - 2)-simo paso hallamos una
direccin ptima convencional en el (m - 1)-sirno
paso y una ganancia ptima convencional en los dos
ltimos pasos. En adelante, dando para atrs,
optimizamos una direccin en el (m - 2)-simo paso
y ele., hasta alcanzar el primero.
Supongamos que todas las direcciones ptimas
y ganancias ptimas convencionales de toda la cola

del proceso (en todos los pasos, comenzando por el

dado y hasta el fin) nos son conocidas. Esto quiere
decir que sabemos qu es necesario hacer, cmo realizar la direccin en el paso dado y qu obtendremos
por esto en la cola independientemente del estado
en el cual se encontraba el p roceso al comenzar el
paso. Ahora podemos construir n o una direccin ptima convencional, sino simplemente una direccin
ptima :i:* y hallar no una ganancia ptima convencional, sino simplemente una ganancia ptima W*.
Admitamos, en realidad, q ue sabemos el 'estad o S 0
en el que se encontraba el sist ema dirigido (objeto
de el ireccin S) al comienzo del p rimer paso. Entonces
podemos elegir en ste una d ireccin ptima x*.
Al utilizar el primer paso hacemos cambiar el
estado del sistema por cierto estado nuevo S~ ; comenzamos el segundo paso, encontrndose el sistema en
este estado. En tonces, tambin conocemos la direccin ptima convencional x~ que al final del segundo
paso hace pasar al sistema al estado S~, etc. En lo
que se refiere a la ganancia ptima W* en toda la
operacin, sta ya nos es conocida, pues, basndose
precisamente en que es mxima, elegimos la direccin en el primer paso.
De esta manera, en el proceso de optimizacin de
la direccin, u tilizando el mtodo de programacin
dinmica, el proceso de mltiples pasos se pasaT> dos
veces: la primera vez del fin al comienzo, lo que da
por resultado el hallar las direcciones y ganancias
ptimas convencionales referentes al resto del proceso;
la segunda vez del comienzo al final , cuando nos resta
slo leer las recomendaciones ya listas y hallar la
direccin indudablemente ptim a .r* que consta de
direcciones ptimas por pasos x~ , x~ , .. ., x~.
La primera etapa de la optimizacin convencional
es incomparablemente ms compleja y prolongada que

l
l

'

1 '

1
1

~,
~

123

122
-

+s itW

24!

tQffB
..~"...__.

. .,,~1?iJhb~7!""1-=~~..,.--~~-~---.---

-~

'I

se divide el proceso del traslado de A a 13 en pasos

separados (un paso es un segmento) y se optimiza la
direccin por pasos. El segundo procedimiento resulta
ser incomparablemente ms cmodo. Aqu, como [en
todos los casos de la investigacin (lo operaciones se

'la segunda. La segunda etapa casi no requiere clculos

adicionales.
La autora no alimenta la esperanza de que tal
descripcin del mtodo de programacin dinmica,
permita al lector que lo desconoca anteriormente
comprender profundamente su idea. La comprensin
verdadera surge analizando los ejemplos concretos que
damos ms adelante.

y (nort c) t

l'

'1

il-lI/=l=w=uLTTrTT
--t--f- + - t--l--+- t-1--I--

- ---' -+-4
'-t-+-+-1--1--

-- l--l-l--+-+---L---- 1---1--1---i---i--1--+--4__j

13. Ejemplos de solucin de problemas

,~rrt:JTI=tttttt

de la programacin dinmica
En este prrafo analizaremos (e incluso resolveremos hasta el final) varios problemas simples (extremadamente simplificados) de la programacin dinmica.
1. Construccin de una va entre dos puntos, que
satisfaga las condiciones ms ventajosas. Recordemos
el problema 4 del prrafo anterior y resolvmoslo
hasta el final en condiciones, a sabiendas, extremadamente simplificadas. Necesitamos construir una va
que una dos puntos A y B, el segundo de los cuales
se encuentra al nordeste del primero. Para mayor
sencillez admitamos que la construccin de la va
se realiza en una serie de pasos y en cada paso podemos avanzar bien sea rigurosamente al Este o bien
rigurosamente al Norte; cualquier va d e A. a B representa una lnea quebrada escalonada cuyos segmentos
son paralelos a uno de los ejes de coordenadas (fig. 13.1)
Los gastos en la construccin de cada uno de estos
segmentos son conocidos. Se requiere trazar tal va ele
A a B que asegure un mnimo ele gastos totales.
Cmo hacerlo? Se puede actuar de acuerdo con
uno de los dos procedimientos: bien se revisan todas
las variantes posibles de la va y se elige aqulla que
requiere menos gastos (lo que resulta muy difcil
t~niendo una gran cantidad de segmentos); o bien

~-+--+-

r11- r--1n1rtJJJ

1--

x (e s t e )

Fig. 13.1

manifiestan las ventajas de una bsqueda de solucin

bien organizada y orientad a hacia una finalidad respecto a una seleccin a ciegas ingenua.
Ilustremos la manera de hacerlo, poniendo un
ejemplo concreto. Divid amos la distancia entre A
y B en direccin oriental, digamos, en siete partes
y en la septentrional, en cinco (la divisin en partes
puede ser, en principio, lo que se quiera de pequea).
Entonces, cualquier va de A a B consta de m =
= 7 5 = 12 segmentos dirigidos al Este o al Norte
(fig. 13.2). Pongamos en cada uno de los segmentos un
nmero que exprese (en ciertas unidades convencionales) el costo de coustruccin de la va en este segmento.
Se requiere elegir tal va de A a B que minimice la
suma de los nmeros puestos en los segmentos.
Vamos a examinar una va en construccin como
un sistema dirigido S que se desplaza bajo la influen-

'!
i

t25

tz4

kf.11

ri
1

.i.
.

~
.f,
'

'

.i

i;~:

'

tli
"1
~

"6
41

;mua a

:.."t

li'

g:..:::.-,..."!JME'
, =

e-!!f.t-'*'Z!,_;e .. ..-:--:.:::
__,.----=-...,,.,,,..______ _

'

.....-::::1

,1

'

El procedimiento de optimizacin convencional lo

desarrollaremos eu direccin opuesta, es decir, del
final :d comienzo. Ante todo realicemos unn optimizacin convencional del ltimo 12-avo paso. Examinemos
separadamente la parte superior derecha de nuestra
red rectangular (fig. 13.3). Dnde podemos encon-

.cia de la direccin del estado inicial A al de destino B.

El estado de dicho sistema antes de comenzar cada
paso se caracterizar por <los coordenadas~ I,a oriental
(x) y la septentrio11al (y), que coustan de nmeros
enteros (O ~ x ~ 7, O ~ y ~ 5). Para cada uno de
, los estados del sistema (el punto noclal de J;:i red rec-

y 1(norte)

C,(21> 11~10-r

t-10-- 9--10 s -t- 9-11--1-10-,

11 12
10 10 11 12
13
14
t-s+ 9+14+10+ 9+12+14-+
10 13
11
15 10 10
9
8
t-10+12+13+10--f- 8+10+ 9-t
11
15 12 14
15
JO
9 11
t-s+10+11+13+16+12+10--+
12 14 11
10 12
11
10
12
t-12+10+15+13+ 15-f--12+ 104
10
13 12 12 11
10 12 15
AL14-+-14-+- 13-+-12-+- 10-+- 14___ 13-+---

13

B'OHl'B
14

Jd.

14-$
8

~B,

'-----'--~c3

Fig. 13.3.

Fig. 13.-1.

tramos despus del undcimo paso? Solamente all de

donde de un paso (el ltimo) podemos llegar al punto
B, es decir, a uno de los puntos B 1 o B 2 Si nos encontramos en el punto B 1 , no podemos elegir (direccin
forzada): es necesario ir al Este lo que nos costar
diez unidades. Escribamos este nmero 10 en un crculo al lado dl punto B 1 e indiquemos la direccin
ptima con una flecha corta que parte de B 1 y se
dirige al Este. La direccin para el punto B 2 tambin
es forzada (Norte), el consllmo hasta el final es igual
a 14, y lo escribirnmos en un crculo al lado del punto
8 2 As pues, Ja optimizacin convencional del ltimo
paso est hecl1a y la ganancia ptim: convencional
para cada uno cJe los puntos B 1 y B 2 est determinada
y escrita en el crculo correspondiente.
Comencemos ahora la optimizacin del penltimo
(undcimo) paso. Despus del penpenltimo (dcimo)
paso pudimos encontrarnos en uno de los puntos

x (este)

Fig. 13.2.

tangular representado en la fig. 13.2) debemos hallar

una direccin ptima convencional: avanzar de este
punto al Norte (direccin C) o al Este (direccin
h). Esta direccin se elige de manera que el costo
de todos los pasos restantes sea mnimo. (incluyendo
el dado). Dicho costo continuamos denominndolo
ganancia ptima convencional (aunque en el caso
dado no es una ganancia, sino una prdida) para
el estado dado del sistema S antes de comenzar el
siguiente paso corri~nte.
1

126 .

f!flr

127

Ei@ WA*.Q f i

Siid l :.....;.;!;. ~:;o>

_.

.;...!r!?~!.:$\~~?t"i -"- ~ '

. .,;; ..e_w_.

=-~----~~ --

_ ..

' ,

C1 , C2 , C 3 (fig. 13.4). Hallemos para cada uno de

ellos la ganancia y direccin ptimas convencionales.
La direccin para el punto C1 es forzada: hace falta ir
al Este, lo que nos costar hasta el fiual 21 unidades
(once en el paso dado ms diez escritas eu el crculo
al lado de B 1 ). El nmero 21 lo escribimos en el crculo
al lado del punto C1 La direccin para el punto C 2
ya no es forzada, pues podemos ir tan to al Este como
al Norte. En el primer caso gastaremos en el paso
dado 14 unidades y de B 2 al final, 14 unidades ms,
en total 28 unidades. Si seguimos al Norte, gastaremos
10 = 23 unidades. De esta manera, la
en total 13
dirccin ptima convencional en el punto C 2 consiste
en seguir al Norte (lo sealamos con u11a flecha y el
nmero 23 lo escribimos en un crculo al lado de C 2).
La direccin para el punto C 3 es de nuevo forzada
(c) y costar hasta el final 22 unidad es (ponemos una
flecha hacia el Norte y el nmero 22 lo escribimos en
un crculo al lado de e3).
De manera anloga, haciendo atrs del penltimo
paso, hallaremos para cada punto con coordenadas de
nmeros enteros la direccin ptima convencional
(c o b) que la sealaremos con una flecha, as como
la ganancia ptima convencional (consumo hasta el
final de la va), escribi;idola en un crculo. Esta
' se calcula as: el consmq ,13n el paso daQ.o se suma
con el consumo ya optimizado, escrito en el crculo
al cual se dirige la flecha. As pues, en cada paso
optimizamos solamente este mismo paso, en tanto
que los que le siguen ya estn optimizados. El resultado final del procedimiento de optimizacin se
muestra en la figur. 13.5.
De esta forma, la optimizacin convencional est
cumplida, ya que cualquiera que sea el punto nodal
donde nos encontramos, ya sabemos a dnde ir (la
flecha) y cunto nos costar el camino hasta el final

11

(el nm ero eu el crculo). En el crculo al lado del

punto A est. escrita Ja ganaHcia ptima de toda la
collslrnccin de la va que une A y B: W* = 118.
A11orn 11os res ta sol amente coustrnir una direccin
indudableme1Lte ptima, es decir, una trayectoria que
co11d11ce de A a /J, de Ja mallera rn: s lJarala. Con este
propsito hacn fa11"1 solarne11te seguir la" flechas,

1l
11

'y/ (norte)

@>10~9-&J008-e9-W11-@-10-- B

10 JO 11 12 lJ 14
@rs--9-$-14~!0~
10
13 11 15 10 9-&12-<$>-14-$
IO
9
8
11

12

@-1~12~1347J0~8~l0~9~
15
9
$-s~10-~11~13~~164p-12~10~
11

12

14

12

14

)5

JO

JI

lO

12

JI

11

JO

12

$)-12~lO~l5~J34JS~l24lO~
10 13 12 12 11 10 12 15

&14--M-4-13~12-10--14--13-@A

x (este)

Fig. 13.5.

es decir, kC'r Jo que presc riben hacer a cada paso.

Tal trayectoria ptima se seala en la figura 13.5
mediante los crculos contorneados dos veces. La
resp ectiva direccin indudablemente ptima ser la
siguiente:
x* = (e, c, c, c, b, b, c, b, b, b, b, b),
es dec ir, los primeros cuatro pasos tenemos que hacerlos en direccin al N orle, los dos siguientes, al Este,

128

;!

11- 0515

129
I'

t' '""

A-MS

IW@F?

''**n=r!my ..._
,_

-j _.

, ___ ..l._,'.t-ttU1
- : ~ ~-., .'
llSS
"' ~JMW-

- . . ;;:

~"" .. ~. '!'. ,. ; f~~~~"~~~,

l 1
-

"4'

luego, un paso al Norte y los otros cinco al Rste.

'El problema est resuelto.
Observemos que en el curso <le la optimizacin
convencional podemos chocar con el caso, cuantlo
ambas direcciones para cierto punto en el plano son
ptimas, es decir, nos llevan a un mismo consumo
de medios desde este punto hasta el final. Por ejemplo, ambas direcciones c y b en el punto con coordenadas (5; 1) son ptimas y dan hasta el final un consumo igual a 62. Entre ellas elegimos arbitrariamente
cualquiera (en nuestro caso escogimos c; pero habramos podido escoger con el mismo xito b). Tales
casos de eleccin multiforme de la direccin ptima
son muy frecuentes en la programacin dinmica; en
adelante no los destacaremos especialmente, sino que
elegiremos arbitrariamente cualquiera de las variantes equivalentes. Tal vez la direccin ptima de todo
el proceso pueda depender de tal arbitrariedad, pero
11<) la ganancia ptima. En general, en los problemas
de la programacin dinmica (al igual que en Jos
problemas de programacin lineal) la solucin dista
mucho de ser siempre nica.
Volvamos ahora al comienzo y probemos resolver
el problema, utilizando un procedimiento primitivo
sea, eligiendo en cada paso, comenzando por el
primero, la direccin (si hay dos, elegimos cualquiera)
ms vetajosa (para este paso). De esta manera,
obtendremos la direccin
x = (c, c, b, b, b, b, c, b, b, b, c, c).

Calculemos los gastos referentes a esta trayectoria.

Estos sern iguales a W = 10 -l- 12 + 8 + 10 +
+ 11 13 15 8 10 9 8 14 = 128, lo
que es sin duda ms que W* = 118. En el caso dado
la diferencia no es muy grande, pero e11 otros puede
ser sustancial.

' 130

+ +

+ + +

En el problema resuelto anteriormente las condiciones ,fueron, con intencin, ex tremad amen le simplificadas. Por supuesto, nadie trazar una va ferroviaria por escalones, desplazndose rigurosamente
slo al Norte o al Este. Hicimos tal simplificacin con
el propsito de elegir en cada punto solamente de dos
direcciones: e o h. Se habra po<lido iutroducir
en vez <le dos direcciones posibl es, varias y, adems,
coger pasos ms pequeos; esto 110 tieue una importancia primordial, pero, ciertamen Le, hace los clculos
ms complejos y largos.
Es de notar, que los problemas que tienen cierta
semejanza con el analizado anteriormente son muy
frecuentes en la prctica; por ejemplo, cuando elegimos
la va ms rpida entre dos puntos o cuando un aparato de vuelo toma la velocidad y la altura m :s econmica (desde el punto de vista tlel co11sumo de combustible).
Hagamos de paso una observacin. El lector atento, probablemente, not que los puntos A y IJ (comienzo y final) en nuestro probl{ima, en principio, no se
diferencian en nada: pudieron haberse construido
direcciones p t imas convencionales tanto del final al
comienzo, como, viceversa y direcciones no convencionales en direccin opuesta. Es, realmente, as: en
cualquier problema de la programacin dirnmica el
comienzo y el final pued en ser cambiados de
lugar. Con relacin a los clculos, esto es totalmente .
equivalente a la metodologa descrita con anterioridad, pero resul ta un poco menos cmodo, cuando hay
que explicar oralmeule l idea del mtodo; pues es
ms f :cil arg11men lar refirindose a las cornliciones
ya formadas al comienzo del p aso dado, que refirindose a las condiciones que tendremos en adelante
despus de este paso. Estos dos enfoques son, de
hecho, totalmente equivalentes.
9

131

1
1

!111
1

!;

i
:i
1

In

vi
2. l,rohletna sobre Ja distribucin (le recursos. El
mtodo de la programacin dinmica permite resolver
con xito muchos problemas econmicos (vase, por
ejemplo, [6, 10]). Examinemos de tales problemas uno
de los ms simples. Tenemos a nuestra disposicin
cierta reserva de medios (recursos) K que debe ser
distribuida entre m empresas E 1 , E 2 , ., Em. La
inversin de ciertos medios x e11 cada uua de 1as
empresas E rinde un beneficio que depende <le x, es
decir, representa una funcin <p (x). Todas las funciones cp (x) (i = 1, 2, ... , m) estn dadas (por supuesto, estas funciones no son decrecientes). Se pregunta
cmo es necesario distribuir los medios K entre las
empresas , para que rindan en conjunto un beneficio
total mximo?
Este problema se resuelve fcilmente, utilizando el
mtodo de programacin dinmica. Aunque en su
planteamiento el problema no menciona el tiempo,
se puede, no obstante, desarrollar mentalmente la
operacin de distribucin de medios en cierta sucesin,
considerando la inversin de medios en la empresa E 1
como el primer paso, en la empresa E 2 , como el segundo, etc.
En el caso dado, el sistema dirigido S constituye los
medios o recursos a distribuir. El estado del sistema S
antes de comenzar cada paso se caracteriza por el
nmero S, o sea, por una reserva disponible de los
medios todava no invertidos. En este problema las
direcciones por pasos son los medios x 1, x 2 , , Xm
que se asignan para las empresas. Se requiere hallar
la direccin ptima, es decir, tal conjunto de nmeros
x 1 , x 2 , , Xm que haga mximo el beneficio total:
m

W = ~ cp (x 1) '*mx.

(13.1)

W m (S) = crm (S) .

Programand o toda la gama de los valores S (disponindolos muy aproximados), sabremos Xm (S) y
W m (S) para cada valor S. El ltimo paso est optimizado.
Pasemos al penltimo, (m - 1)-simo paso. Sea
que hemos llegado a este paso, con una reserva de
medios igual a S. Designemos por W m-I (S) la ganancia ptima convencional en los dos ltimos pasos:
en el (m -- 1)-simo y en el m-simo (que ya est
optimizado). Si asignamos en el (m - 1)-simo paso
Jos medios :i: para la (m -- 1)-sima empresa, ent onces
en el ltimo paso quedar S - x. Nuestra ganancia
en los dos ltimos pasos ser igual a

(jlm-1

i=1

1,.

Hesolvamos este problema, primeramente, en t rminos geHerales, con ayuda ele frmulas, y, luego,
para datos numricos concretos. Hallaremos para
cualquier i-simo paso una ganancia ptima convencional (comenzando por este paso y terminando con el
ltimo), si llegarnos al paso dado con una reserva de
medios igual a S. Designemos la ganancia ptima
convencional con W (S} y Ja respectiva direccin
ptima co11ve11cio nal, o sea, los medios a invertir en
la i-sirna empresa, por X (S).
Comencemos la optimizacin por el ltimo, m-simo paso. Sea que hemos llegado a este paso, con un
resto <l e med ios igual a S. (.Qu hacer en este caso?
Evident.ern enle , inver tir por completo toda ila suma S
en la empresa E m. Por lo tanto , la direccin ptima
convencional en el m-sirno paso es asignar todos los
medios disponibles S para la ltima empresa, es decir,
Xm (S) = S,
y la ganaucia ptim a convencional

(x)

+ W m (S -

x),

I'

I.
11
t

11.

'

,1
,J:

133

132

"

LU.

bMWP:IA@

+!@!@4i!Mi* ~

-, -. __ fitlT.h$l;:e;:p;~$~
~
#1-~ f~':::
.. --~ ,..., .. -~'!'f'!'j
- '

'*F*' '!:l

L!.h

Si

="""'

y es necesario hallar tal x que maximice esta ganancia:

W m-l (S) =

mx

{cpm-l (x)

x<S

El signo

mx

+ Wm (S

x)}.
(13.2)

significa que de la expresin que

x~S

est entre llaves se toma el valor mximo en todos los x

posibles (no podemos invertir ms de S). Este mximo
es una ganancia ptima convencional en los dos ltimos pasos y el valor x, con el cual se obtiene este
mximo, es la direccin ptima convencional en el
(ni - 1)-simo paso.
Optimicemos en adelante los (m - 2)-simo,
(m - 3)-simo, etc, pasos. En general, para cualquier
i-simo paso hallaremos la ganancia ptima convencional de todos los pasos, comenzando por ste y hasta
el final segn la frmula.
W (S)

= mx

{<p1 (x)

x,;;;s

+ W+ 1 (S -

x)}

(13.3)

y la direccin ptima convencional que le corresponde

X (S), o sea, el valor x con el cual se alcanza este
mximo.
Continuando este procedimiento llegaremos, por
ltimo, hasta la primera empresa E 1 Aqu no tendremos que hacer variar los valores S; sabemos con precisin que la reserva de medios antes del primer paso
es igual a K:

medios en la primera empresa, tendremos a nuestra

disposicin [( - xj medios. Analizando la recomendacin para este valor S, asignamos para la segunda
empresa una cantidad ptirna de medios: x =
= x 2 (K - xj) y as sucesivamente hasta el final.
Resolvamos ahora un ejemplo numrico. La reserva
inicial de medios es K = 10 (unidades convencionales), y se requiere distribuirla de la manera ms ptima
entre cinco empresas (m = 5). Para mayor simplicidad
supongamos que se invierten slo las cantidades
enteras de medios. Las funciones de ganancias <p (x)
estn dadas en la tabla 13.1.

1
2
3
4

5
6
7

rp (x)

0,5
1,0
1,4

2,0
2,5
2,8

3,0
3,0

<1'2 (cp)

1
1

n, 1

0,5
1 ,2
1,8

2,5
2,!J

3,5
3,5

Ql3 (x)

<p4 (x)

0,6
1 '1

1,2
1 ,4

0,3
0,6
1,3
1,4

'l ,6

1,5

1,7
1,8
1,8

1,5
1,5
'.l ,5

1,0
1,2
1,3
1 ,3
1,3
1,3
1,3
1,3

"
t

13&

mx {cp 1 (x)
x~K

+W

(K -

x)}. (13.4)

As pues, la ganancia mxima (beneficio) de todas

las empresas est hallada. Ahora nos resta solamente
leer las recomendaciones. El valor x con el cual
se alcanza el mximo (13.4), es la direccin ptima
en el primer paso. Despus que invertamos estos
l

;i

tp5 (X)

134

xt

= W 1 (K)

Tabla 13.1

Los beneficios dejan de crecer en cada columna

comenzando por cierla suma de inversiones (realmente
esto corresponde a que cada empresa es capaz de
asimilar slo u11a cantidad limitada de medios).
Healicernos la opti111iiaci11 convencional en la
forma que fue descrita mls ardba, come11za.11do por
el ltimo, qui11to paso. Ci,ida vez que llegamos al
paso siguie11 le, l e11ieml o a 11ueslra disposicin una
rei:erva de medios igul fl S,. probamos ;i.signa~ parSJ,

W*

-1

~
r,
1

;t

1~
1 ,.

. este paso tal o cual cantidad de medios, tomamos

. la gananGia en el paso dadv segn la tabla 13.1, la
sumamos con la ganancia ya optimizada en todos los
pasos posteriores hasta el final (tornando en cuenta
que ya quedan menos medios, precisamente la misma
cantidad que hemos asignado) y hallamos la inversin
con la cual esta snma alcanza el mximo. Esta inversin es la direccin ptima convencional del paso dado
y el propio mximo es la ganancia ptima convencional.
En la tabla 13.2 se dan los resultados de Ja optimif. J'nl1la 13 .2

s
x 5 (S)IWr, (S) x .1

1
2
3

CD
2
3

4
5 5
6 6
7 7
8 8
9 9
10 10
4

1,0
1,2
1,3
1,3
1,3
1,3
1,3
1,3

1,3
1,3

(S)IW~

1o1
1
2
3
3
4
5
5
6
7

; =2

i= 3

i = 'l

i=!J

(S) "3

(x)I \V3(S) X2 (S)ll1'2 (S) .q

,o o

1
1 ,3
1,6
2,3
2,5
2,6
2,7
2,8
2,8
2,8

i = I

l2 I
2
1
2
2
4
5
5

1,0
1,6
2, 1
2,4
2,9
3,4
3,6
3,7
3,9
4, 1

o
o

1,0
1,6

()

2,1

2,4
2,9
3,5
!1, 1
4,6
5, 1 .
5,6

()

sl
7
7

(S)lll'1 (S)

l2 \

\ 5,6 \

zacin convencional en todos Jos pasos. La tabla est

compuesta de la manera siguiente: en la primera columna se dan los valores de reservas de los medios S
con los cuales llegamos al paso dado. Luego, la tabla
est dividida en cinco parils de columnas de acuerdo
con el nmero del paso. En la primera columna de
cada par figura el valor de la direccin ptima conven-

cional, en la segunda, Ja ganancia ptima convencional.

La tabla se llena de izquierda a dereclrn y de arriba
hacia ahajo. La solucin en el quinto, ltimo paso
es forzada, ya que se asignan todos los medios; en
todos Jos dems pasos es necesario optimizar la solucin. Como res11Hado de Ja optimizacin s11cesiva del
quinto, enarto, forcero, srg11ndo y primer pasos obtendrmnos imn Jisln fotn] de to<lns las recomendaciones
referentes n ln direccin ptinrn y imn gmrnncia absoluta H'* de todn In operncin, qne en e] caso dado es
ig1rnl a 5,6. En Jns dos ltimas columnns de Ja tabla 13.2
est Jlenn solnme11te imn fila, p1iesto q11e sabemos
exactamente el est.ndo del sistema antes de comenzar
el primer pnso: 8 0 = [( == 10. Las direcciones ptimas
en todos los pasos se enc11entran en los marcos. De esta
manera, llegamos a la conclusin definitiva: es necesario asignar para la primera empresa dos unidades
de diez, para Ja segunda, cinco unidades, para la
tercera, una unid ad. Tal distribucin hace un beneficio mximo, igual a 5,6.
Para que el lector pueda comprender cmo se llena
la tabln 13.2 ilustrmoslo con ayuda de una muestra
de clculo. Supongamos, por ejemplo, que tenemos que
optimizar la solucin a::i (7); se pregunta, cmo
actuar en el tercer paso, si llegamos a l con una reserva de medios igual S = 7? y cal es la ganancia
mxima de todos los pnsos que quedan, incluyendo
el tercero? Supongamos que todos los pasos despus
del tercero (el cuarto y quinto) estn ya optimizados,
es decir, estn Henos los dos primeros pares de las
columnas de la t.abla 13.2. Hallemos x 3 (7) y W 8 (7).
Con este propsito compongamos una tabla auxiliar
(vase 1n tabla 13.3). En su primera columna estn
enumerndas todns las inversiones posibles x en el
tercer paso, las cuales no sobrepasan de S = 7. En la
segunda columna, lo que queda de la reserva de

100

137

"!i

'

1,.~

il

'f94

g.,f!!!+;!H;.. .

,-4 1

:,.

_ ...,

...-

..

'!f'nf.!!J~~'!'h-~,_:~ ,~ J-

..,.. n

"=---

.. ,,.... _'f

.___.;WWWa

---...;

' !iiJ

Tabla 13.3

!pJ

7-x

(x) ,

1 ,8

!II

0,6

5
4
3
1

W4 (7-x)

1p3 (x)

+ W .1 (7 -

x)

1,7
1 ,6
1,4
1,2
1, 1

(j

1
2
3
4

J ,O

1, 3
1,6
2,3
2,5
2,6
2,7

1,8

2,7
2,9
3,0

3,5

3,6 1
3 .2
2,7

medios S = 7, despus de realizar tal inversin.

En la tercera columna, la ganancia en el tercer paso
obtenida gracias a las inversiones de medios x en la
tercera empresa (se llena la columna Cl'a (x) de la
tabla 13.1). En la cuarta columna, se enumera la ganancia ptima en los dems pasos que quedan (cuarto
y quinto) a condicin de que hayamos llegado al
cuarto paso con los medios restantes (se llena la
columna i = 4 de la tabla 13.2). En la qui11ta colum'na, la suma de dos ganancias: por pasos y ulterior
optimizada, con una inversin x dad a en el tei'cer paso.
De todas las ganancias de la ltima columna se
eJige'la m~ima (en la tabla ' 13.3 es igual a W 3 (7) =
= 3,6 y la respectiva direccin x (7) = 2).
Surge la pregunt1J.: qu pasa si en la tabla auxiliar tipo 13.3 el mxim se obtiene no con un solo
valor x, sino con dos o varios? Respondemos: no tie11e
ninguna importancia cal de ollos se elige, ya q11e la
ganancia no depe11de de esto. En general, en los problemas de la programacin dinmica la solucin en
, absoluto no debe ser nica (lo que ya mencionamos).

138

l
l

3. Problema sobre la carga de una mquina. Utilizando el mtodo de la progrnrnacin dinmica se

puede resolver con xito una serie de problemas de
optimizacin descritos en el captulo 3, en particular,
algunos problemas de la programacin con nmeros
enteros. Es de sealar que la solucin con el empleo
de nmeros enteros, que hace ms complejos los problemas de la programacin dinmica , en el caso dado, por
el contrario, hace ms simple el procedimiento (al
igual que las inversiones representadas por nmeros
enteros, simplificaron el prnblema antecedente).
Examinemos, como ejemplo, el problema sobre la
carga de una mquina (ya fue mencionado en el captulo anterior): tenemos un determinado surtido de
objetos 0 1 , 0 2 , , On (cada uno en un solo ejemplar);
se conocen sus pesos q1 , q2 , , q11 y costos c1 , c2 ,
... , c11 La capacidad de carga de la mquina es
igual a Q. Se pregunta cales son los objetos que deben
cargarse en la mfiquina, para que su costo total (para
un peso total ~Q) sea mliximo?
No es difcil darse cuenta de que este problema
no se diferencia prcticamente en nada del anterior
(distribucin de recursos entre n empresas), pero es
algo ms simple. De hecho, el proceso de carga de una
mquina puede presentarse como un proceso que
consta de n pasos; en cada paso respoi;idemos a la
pregunta: cargar el objeto dado en la mquina o no?
La direccin en el i-simo paso es igual a uno, si cargamos el objeto dado , y a cero si no lo cargamos. De esta
manera, en cada paso tenemos solamente dos direcciones, lo que es agradable.
Con qu vamos a caracterizar el estado del sistema S antes del paso siguiente? Es evidente q11e con el
peso S que todava queda a nuestra disposicin hasta
el final (carga total de la mquina), despus que se
cumplan los pasos anteriores (ciertos objetos estn
139

.cargados en la mquina). Para cualquiera de los

valores S debemos hallar W (S), o sea, el costo mximo total de los objetos con los que podemos acabar
de cargar la mquina, para el valor dado S y hacer
x 1 (S) = 1, si cargamos en la m:quina el (i-simo)
ohjeto dado y X (S) = O, si no lo cargamos. Luego,
estas recomendaciones convcncionale11 Re deben analizar y todo est hecho!
Resolvamos hasta el final un ejemplo numrico
concreto: tenemos seis objetos, cuyos pesos y costos
estn indicados en la tabla 13.4.

Objeto

01

02

03

7 1 11

O1

12

Tabla 13.4

01

16 \ 20

Peso q

1 4

Costo

1 7

1 10 1 15 1 20 1 27

Ou

1 34

La capacidad total de carga de la mquina es Q =

35 unidades de peso. Se requiere indicar los nmeros de los objetos que es necesario incluir en la carga,
para que su costo total sea mximo 1).
Aduzcamos a S, al igual que ant1~riormente, valores solamente enteros. La optimizacin convencional
de la solucin se muestra en la tabla 13.5 donde en
cada columna para el correspondiente nmero de paso
(nmero de objeto) se alegan: la direccin ptima con1 ) Los objetos estn enumerados en la tabla 13.4 en el orden
de crecimiento de peso; sus costos tambin crecen , lo que no es
obligatorio, sino natural. Est claro de antemano que no es
conveniente cargar el carro con objetos que tienen un peso
, grande y un costo pequeo.

140

::i-1:;

1Xij ,=o\\~

o o1
o
2
R
4
5
6
7
8
9
10

u
12
13
14
15
16
17
18
19
20
21
L.2
23
24
25
2
27
28
29

()

o
()

o
o
o
o
o
o
o
o
o
o
o
o
o
(1

o
1
1
1
1

1
1
1

1
1

()

o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
34
34
34
34
34
34
34
34
34
34

1.'abla 19.5

- -

l~jj 1=~~' 1 ,=\:,_- ,=\~lj 1 ,=\:f

Xi

o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o

o o
o o
(i

o ()
o o
o o
()
o
o o
o o
o o
o o
o o
o 1
o l
o l
o 1
1 27
o
-1
27 o
1 27
o
1 27
o
o 34 o
o 34 o
o 34 ()
o 34 o
o 34 o
o 34 o
()
o
&1
o 34 o
o 34 -1
o 311 1

o
o
o
o
o
()

o
o
o
o
o
o
20
20
20
20
27
27
27
27
34
34
34
34

34
34
34
34
47
47

Xi

Xi

o
o
o
o
o
o
o
o
o
o
o

o o
o o
o o
o o
o o
o o
o o
o 1
o 1
o 1
o t

o
()

o
o
o
o
o
o
o
o
o
1
l
1
1
1

oo

15
20
20
20
20
27
27
27
27
34
34
34
35
35
35
35
42
!17
47

()

o
o
o
o
o
o
o
l

o
o
1
1
1
1
1

1 Xi1

\:'

o
o
()

o
o
o
o
10

10
10

10

J5
20
20
20
20
27
27
27
30
34
311
34
37
37
37
37
44
47
47

141

,'.,.
~

I',

1'abla 13 .5 (continuacion)

s
30
31
32
33
34
35

so: ei niimero de combinaciones crece excesivamente

con el aurueuto del nmero de objetos. El aumento del
nmero de p11sos no es peligroso para el m todo de la
prograrnaciu dinmica, JJUeslo que lleva al crecimiento proporcional del volumen de clculos.

lxi;l lxiili~1 i lxil1~i lxiI: lxiJ 1 ~i lxiI:'

1
1
1
1
1
1

34
34
34
34
34
34

o
o
o
o
o
o

34
34
34
34
34
34

1
1

J
1
1
1

47
47
47
47
47
47

o
1

o
o
o
o

47
49
54
54
54
54

o
o

47

(1

54
54
54
57

o
()

-1

49

1
/111

~:

14. Problema de la programacin dinmica

en forma general.
Principio de optimizacin

o -57
-

/"

Los problemas ms simples <le la programacin

dinmica examinados auteriormente ofrecen una nocin sobre la idea general del mtodo: la optimizacin
por pasos desarrollada en una d ireccin convencionalmente, y en otra, incondicionalmente. El mtodo
de la programacin dinmica es un mtodo muy potente y fructfero de optimizacin <le la direccin; resulta
invulnerahlo an te una solucin por medio de nmeros
enteros, ante el carcter no lineal de la funcin de
finalidad y ante cualquier tipo de limitaciones puestas
a una solucin. Pero a diferencia de la programacin
lineal la programacin din mica no se reduce a cualquier proced irniento de clculo estndar; sta puede
ser pasada a la calculadora solamente despus que
estn escritas Jas respectivas frmulas, lo que a menudo
no resulta fcil.
Ofreceremos en este p rrafo algo parecido a un
resumen de consejos para debut antes: se explica cmo
se formulan los problemas de la programacin dinmica, en qu orden se resuelven, cmo se escriben, etc.
La primera pregunta a responder, cuando se plantea un problem a es, qu parmetros caracterizan el
estado de un sistema dirigido S antes de comenzar
cada paso? La eleccin acertada del conjunto de estos
parmetros determina frecuentemente la posibilidad de
resolver exitosamente el problema de optimizacin.

vencional x 1 (O 1) y la ganancia ptima convencional

W (el cqsto de todos los dems objetos que quedaron,
para una direccin ptima en todos los pasos). No
explicaremos cmo se compo11e esla tabla, ya que
existe una semejanza total pon el problema anterior,
a excepcin de que las direcciones posib~es son slo
o 1.
En la tabla 13.5 estn destacadas: la ganancia
ptima W* = 57 y las direcciones por pasos ptimas
que aseguran esta ganancia: xi = O, x~ = 1, xj = O,
x! = 1, x~ = 1, x6 = O, etc., es decir, es necesario
cargar la mquina con objetos 2, 4 y 5 cuyo peso
total es precisamente igual a 35 (en caso general,
no es obligatorio, ya que la eleccin ptima de las
cargas permite cierta carga incompleta).
Es de sealar que en nuestro ejemplo elemental
tal vez sea ms simple buscar una solucin por medio
de una seleccin sencilla, probando todas las combinaciones posibles de objetos, comprobando en cada una
de ellas si corresponden al peso dado y eligiendo la
combinacin, para la cual el costo es mximo. Pero
para un nmero grande de objetos esto sera dificulto-

1
i

.,
1l!

~
.~

~l

142

-'

143

H.

;~ ~
1

i1

+u

* S&:J! ,,. . .
i...: ... ,...__

_._,.,~

~.

az
. _htS=-~.}tf. . .
-

'j!";

--~ . , . .~...-.~~~-_...,.,_..._~

:w

_ _ __ __

crna:::::r_

---

u
Rn tres ejemplos conoretos resueltos en el prrafo
anterior el estado del sistema se caracteriz por un
nmero no grande ele parmetros: por dos coordenadas
en el primer ejemplo y un nmero ell los ejemplos
segundo y tercero. .Pero tales problemas demasiado
simples no son muy freC11entes en la prctica. Si el
estado de un sistema se describe por mltiples parmetros (por las llamadas coordenadas de fase),
lo que sucede corrientemente, resulta difcil revisar
antes ele cada paso todas sus variantes y hallar para
cada una la direccin ptima convencional. Lo ltimo
se dificulta aun ms en el caso, cuando el nmero
de variantes posibles de direccin es grande. En estos
casos nos encontramos, segn la expresin acertada
de R. Bellman, bajo la maldicin ele dimensiones
mltiples, que es una calamidad no slo del mtodo
de la programacin dinmica, sino tambin de los
dems mtodos de optimizacin. Los problemas ele la
programacin dinmica se resuelven, habitualmente,
no a mano, sino con ayuda de ordenadores; pero
muchos problemas de esta ndole son. demasiado
complejos incluso para las calculadoras modernas.
Por lo tanto, tiene gran importancia saber plantear
el problema correcta y acertadamente, sin sobrecargarlo con detalles superfluos, simplificando en lo posible
la descripcin de sistema dirigido y las variantes de
direccin. As que, en el mtodo de la programacin
dinmica mucho depende de la habilidad y experiencia
del investigador.
Una vez descrito el sistema y enumeradas las
direcciones, se plantea el segundo problema que
consiste en dividir en pasos (etapas). A veces, esta
divisin se da (por suerte) en el planteamiento mismo
del problema (por ejemplo, los aos econmicos en los
problemas econmicos), pero frecuentemente resulta
necesario introducir la divisin en pasos artificialmen-

te, como hicimos, por ejemplo, e11 Pl problema 1, 13.

Si no os hubiramos limitado en este problema al caso
ms primitivo de slo dos dil'ecciones (c y b),
habra sido ms convenim1te realizar la divisin en
pasos ele otra manera, considerando, por ejemplo, como
un paso el traslado ele m1a m eta, paralela al eje de
coordenadas, a otra. Habra sido posible examinar
en vez de rectf;, circ1111fere11ciaR con el centro en el
punl.o A u otras curvas. Todos es tos procedimien tos
de eleccin de la va ms ventajosa inevitablemente
limitan la eleccin de direcciones posibles. Si consideramos como pasos los traslados de una recta, paralela
al eje de ordenadas, a otra, entonces el conjunto de
d irecciones posibles no prev aqu el camino atrs,
es decir, el traslado de un a recta qtie est ms al
Este a la que est ms al Oeste. En la mayora de
los problemas de la prctica tales limitaciones son
naturales (por ejemplo, es muy d ifcil imaginar q ue
la trayectoria ms ventajosa de un cohete csmico
lanzado desde la Tierra incluya eu ciertos tramos el
movimiento atrs, hacia la Tierra). Pero las cond iciones pueden ser diferentes. Por ejemplo, un camino
por un terreno muy accidentado (camino en forma de
serpentJl>) en los montes) a menu d o da vueltas y retorua ms cerca al pu uto inicial. Al plantear el problema
de la programacin dinmica, eligiendo, e11 particular,
un sistema de coordenadas y un procedimiento de
divisin en pasos, deben tomarse en consideracin
todas las limitaciones razonables que se ponen a la
d ireccin.
Cmo h acer con el nmero de pasos rn? A primera_
vista puede parecer que cuanto mayor sea el nmero
de pasos, ta11to mejor. Pe1:0 no PS del todo as. Con el
aumento de rn crece el vol 11men de dlculos, lo que
110 siempre est justificado. Es 11ecesario elegir el
11mero de pasos considei:ando dos circunstancias:

144

10-0515

145

! 1111

f. llli

1
1

....
---m!~!!l"Il!!!!!!!!l!!!!Z~ - ' -- .. _.
. .r. ...
~

11~t

l.I
~!"

1
'I

--

-#4f! , ':'!.".fi'-W1 r.:=.!."""~""'- :'."'!':::_~~-====--

__.,..

1) el paso debe ser lo suficiente pequeo, para que

el procedimiento de optimizacin de la direccin por
pasos sea suficientemente simple, y 2) el paso no debe

set dem~siado pequeo, para evitar los clculos innecesarios que pueden solamente hacer ms complejo el
procedimiento de bsqueda de la solucin ptima,
pero que no pueden cambiar sustancialmente el ptimo
de la funcin de finalidad. En cualquier caso de la
prctica nos interesa, no una solucin rigurosamente
ptima, sino aceptable, que no se diferencie sustancialmente de la ptima en cuanto al valor de la ganancia W*.
Enunciemos el principio general que sirve de base
de solucin de todos los problemas de la programacin
dinmica (frecuentemente lo denominan principio de
optimizacin):
Cualquiera que sea el estado del sistema S antes del
siguiente paso, es necesario elegir una direccin en este
paso de manera que la ganancia en el paso dado, ms
la ganancia ptima en los pasos sucesivos, sea mxima.
Por lo visto, una compresin completa de este
principio se hace posible (para personas con un desarrollo matemtico corriente) slo despus de examinar
una serie de ejemplos; por lo tanto, enunciamos este
principio fundamental no al comienzo del captulo
(como sera natural para los matemticos), sino
despus de resolver una serie de ejemplos.
Enunciemos ahora algunas recomendaciones prcticas, tiles para el debutante en el planteamiento de
los problemas de la programacin dinmica. Este
plantamiento es cmodo realizarlo en el orden siguiente.
1. Elegir los parmetros (coordenadas de fase) que
caracterizan el estado S del sistema dirigido antes
de comenzar cada paso.
2. Dividir la operacin en etapas (pasos).

Observemos que los argumentos de las funciones (14.1),

(14.2) no representan, por lo general, nmeros, sino conjuntos
de nmeros (vectores) .

t46

10

-# ...,.,,;A\:..u">~-~!.-.

~ --1

W = t (S, X) .
(14.1)
5. Delen:ninar cmo cambia el estado S del sistema S bajo Ja influencia de la direccin: x 1 en el i-simo
paso: este pasa a un estado nuevo

11

S' = <p (S, Xt).

(14.2)
Tambin debeu ser escritas las funciones de
cambio de estado (14.2) 1).
6. Escribir la ecuacin principal recurrente de la
programacin dinmica que expresa la ganancia ptima convencional W (S) (comenzando por el i-simo
paso y 11ast.a el fi11al) a travs de la funcin conocida
Wi+1 (S):
W 1 (S)

= mx
{/;
X

(S,

X;)

+ W1+1 (cp, (S, x

1)) }.

(14.3)

A esta ganancia le corresponde la direccin ptima

convencional en el i-simo paso x 1 (S) (subrayemos
que en la funcin ya conocida Wt+ 1 (S) es necesario
poner en vez de S, el estado modificado S' = qi{(S, x 1))
7. Realizar la optimizacin convencional del ltimo (m)-simo paso, programando una gama de estados S, que permitan de un slo paso alcanzar el estado
fina], calculando para cada uno de ellos la ganancia
ptima convencional segn la frmula
W m (S) = mx {/m (S, Xtn)}

(14.4)

xm

147

ft:~
--:.

' lj
!

3. Determinar el conjunto de direcciones por pasos

X; para cada paso y las lmitacio11es que se ponen sobre
ellas.
4. Se determina cal es la ganancia obtpnida en el
i-sim o paso dt: la direccin x 1 si antes de esto el sistema se encontraba en el estado S, es decir, se escribe
la funcin de ganancia:

WWW:S';:~.,.,~ ~~~"t-.fJ..::':.:~;?"~..:-

'"'

_ t.., _.

.1

,I

_ _,,,........

1m~.
y hallando la direccin ptima convencional

Xm

forma de producto:

(S)

para la cual se alcanza dicho mximo.

8. Healizar la optimizacin convencional del
(m - 1)--simo, (m - 2)-simo, etc. pasos segn la
frmula (14.3), suponiendo en ella que i = (m - 1),
(m - 2), ... , y se indica para cada uno de los pasos
la direccin ptima convencional x 1 (S) con la cual
se obtiene el mximo.
Es de sealar que si el estado d el sistema en el
momento inicial es couocido (como sucede habitualmente), no es necesario hacer variar el estado del
sistema eu el primer paso, sino que hallamos directamente la ganancia ptima para el estado inicial
dado S 0 Esta es la ganancia ptima de toda la operacin

W*

o=

l W
i=I

(14.5)

(S) = mx {/; (S, x;) X

W -1-1

q
i

(si las ganancias W son positivas). Estos problemas se

resuelven de la misma manera que los problemas con
criterios aditivos, con la nica diferencia de que en la
ecuacin principal (14.3) en voz del signo ms se
pone el signo x:
W;

!1

(cp (S, x 1)) }.

(14.6)

,l

,lll

En conclusin, unas palabras sobre los llamados

problemas con pasos infinitos de la programacin
dinmica. En la prctica hay casos cuando es preciso
planificar una operacin no para un perodo de tiempo
rigurosam ente determinado, sino para un largo perodo
indeterminado, y nos puede interesar la solucin del
problema de la direccin ptima, independientemente del paso en que termina la operacin. En este
caso, resulta cmodo examinar en calidad de modelos
del fenmno el proceso dirigido de paso infinito,
que no contiene el ltimo, en comparacin con
los dems, paso especial (todos los pasos son
iguales). Con este propsito, por supuesto, es necesario
que la funcin f 1 de ganancia y la funcin fr 1 de cambio de estado no dependan del nmero del paso. Al
lector que manifieste inters por este caso, podemos
ofrecerle el marrnal (10]. En general, para familiarizarse ms <l etallnrl amente con el mtodo de la programacin dinmica es do utilidad e] estudo de los
manuales [(), 10, 11, 7l.

W 1 (So)

9. Healizar la optimizacin incondicional de la

direccin, leyendo las respectivas recomendaciones
en cada paso. Coger la direccin ptima hallada en el
primer paso xi = x1 (S 0 ); modificar el estado del
sistema segn la frmula (14.2); hallar para el estado
nuevamente encontrado una direccin ptima en el
\segundo paso x~, etc. hasta el final.
!

***
Hagamos algunas observaciones adicionales de
carcter general. Hasta ahora hemos examinado solamente los.' problemas aditivos de la programacin
dinmica, en los cuales la ganat1cia de toda la operacin es igual a la suma de las ganancias obtenidas
en parte de los pasos. Pero el mtodo do la p,rogramacin dinmica se aplica tamLin a los problemas con
1os llamados criterios multiplicativos, que tienen

148
f~

~J.-~

..1_

'

az
"I
.-;f~:iMlt'ivL..,...

.,, .

......~~.,,...-~ .+

-- .

.,...

'l!~

Captulo V
Procesos aleatorios markov1anos

15. Nocin sobre el proceso markoviano

Hasta ahora hemos examinado, principalmente, los
problemas determinados de la investigacin de operaciones y los mtodos de la optimizacin de soluciones
en estos problemas. Comenzapdo por este taptulo
y hasta el final del libro, nos ocuparemos de lvs problemas de la investigacin de operaciones en condiciones
de indeterminacin. Este captulo est dedicado
11 un caso relativamente favorable de la indeterminacin
ibuena o estocstica (vase 5, cap. 2), cuando los
factores indeterminados que constituyen el problema
representan magnitudes aleatorias (o funciones aleatorias), cuyas caractersticas probabilstica~ bien son
conocidas o bien pueden ser obtenidas del experimento.
Estudiaremos, principalmente, los problemas directos
de la investigacin de operaciones, es decir, la construccin de modelos matemticos de ciertos fenmenos
aleatorios, detenindonos de paso en los problemas
recprocos (optimizacin de soluciones), ya que por
regla general, son complejos. En los problemas estocsticos de la investigacin de operaciones con frecuencia
es difcil, incluso, la construccin de u11 modelo matemtico, ya no digamos de la optimizacin. En la

mayora de los casos no se logra construir un modelo

matemtico simple que permita hallar en una forma
clara (analtica) las magnitudes que nos interesan
(ndices de eficacia) en funcin de las condiciones de la
operacin a y de los elementos de solucin x. Pero
en algunos casos especiales se logta construir tal
modelo matemtico. Esto sucede, cuando la operacin
que se estudia representa (exacta o aproximadamente)
el llamado proceso aleatorio markoviano.

Qu se entiende por'proceso aleatorio markoviano?

La definicin de esta nocin no la daremos de inmediato; primeramente trataremos sobre lo que signifi
can, en general, los procesos aleatorios.
Sea que tenemos cierto sistema fsico S que cambia
su estado con el transcurso del tiempo (pasa de un
estado a otro) de un modo aleatorio y desconocido de
antemano. Entonces oiremos que ~n el sistema S
transcurre un proceso a.leatorio.
Por sistemn fsico su puede entender cualquier
cosa~ un <lispositivo tcnico, un grupo de tales dispositivos, una empresa, una rama de la industria, un
organismo vivo , una populacin, etc .. La mayora
de Jos procesos q11e se producen en los sistemas reales
se caracterizan, en una u otra medida, por los rasgos
de casualidnrl e indeterminacin.
Supongamos, por ejemplo, que el sistema S es
Hna nave csmica a poner en una rbit.a dada. El
proceso de p1iest.a en rbita es acompaado, obligatoriamente, por errores cnsnales y desviaciones del
rgimen dado , en Jos c11ales es necesario introducir
correcciones (si no funa por los errormi casuales, la
correccin estara dem:s). Entonces, el proceso de
p11esta en rbita es im nroceso aleatorio.
DPscenclnmos ahora clPl espacio csmico a una zona
circm1f('rrrstrC'. El sislrmn fsico Ses im avin corriente que realiza el vuelo a nna a1t11ra dada, en un rumbo

i!
4

'

1
J
,J

Jl

l.

150

i51

1
;:

...,

determinado. Se pregunta Este proceso es aleatorio?

Indudablemente s, ya que es acompaado inevitablemente (debido a la turbulencia de la atmsfera y otros
factores) por perturbaciones y vibraciones casuales (de
esto no duda nadie que haya experimentado el llamado
meneo o alteracin del grfico do vuelos).
Pongamos otro ejemplo: el sistema S es un dispositivo tcnico que consta de una serie de bloques, que
de vez en cuando salen fuera de servicio, se reemplazan
o se restablecen. El proceso que se produce en este
sistema es, sin duda, aleatorio. Pero, <~cmo funciona
el comedor de autoservicio? En l de vez en cuando,
pueden formarse y desaparecer las colas, surgir demoras, carencia de bandejas, etc ..
En general, pensndolo bien, es ms difcil poner
un ejemplo de un proceso no aleatorio que de un
aleatorio. Incluso el proceso de la marcha del reloj que
es un ejemplo clsico de funcionamiento preciso, bien
ajtistado, (se dice fu,nciona como un reloj) est
sometido a alteraciones casuales (se adelanta, se
atrasa, se para).
As pues, resulta que todos los procesos de la
naturaleza son aleatorios? S, hablando con rigor, es
as: las perturbaciones aleatorias son propias de cualquier proceso. Pero, mientras estas perturbaciones no
sean sustanciales y afecten poco a Jos parmetros de
inters, podemos prescindir de ellas y tratar el proceso
como determinado, no aleatorio. La necesidad de
tomar en consideracin las casualidades surge cuando
stas tienen influencia directa en nuestros intereses.
Por ejemplo, componiendo el horario de vuelos de los
aviones se puede prescindir de las oscilaciones aleatorias del avin en torno al centro de Ja masa, pero,
cuando se proyec1a el autopiloto, esto no es, de ninguna manera permitible. La mayora de los procesos q11e
estudiamos en la fsica y tcnica son, de hecho, alea-

.,

'

torios, pero solamell te algunos de ellos los examinamos

como alealorios, cuando surge u11a necPsidad imperiosa.
Ahora, cuando aclaramos qu es un proceso aleatorio, daremos Ja defiI1icin del proceso aleatorio
markoviano. El prnceso ale<1lorio que se produce en
el sistema se denomina markoviano, si para cualquier

i1

~
~~

"<lo)

17

~tutU

_J__

10 (S0 J

Fig. 15.1.

1
J

152

'
momento de tiempo t 0 las caractersticas probabilsticas
del proceso en el futuro dependen solamente de su estado
en un momento dado t 0 y no dependen de cundo y cmo
el sistema lleg a este estado.
Esta importante definicin merece ser, explicada
detalladamente. Supongamos quo en el momento
actual t 0 (vase fig. 15.1) el sistema se encuentra en
cierto estado S 0 Observamos el proceso de lado,
y en el momento t 0 conocemos el estado del sistema
S 0 y toda la prehistoria del proceso, o sea, todo lo que
pas con t < t 0 Como es natural, nos interesa, el
futuro de (t > t 0 ). Podemos o no adivinarlo (predecirlo)? Exaclamente no podemos, puesto que nuestro
proceso es aleatorio, o sea, no predecible. Pero, en el
futuro podemos hallar ciertas caractersticas probabilsticas. Por ejemplo, una probabilidad de que pasado
cierto tiempo T el sistema S se encontrar en un estado
S 1 o conservar e] estado S 0 , etc ..
As pues, tal prediccin probabilstica para el
proceso alPalorio marl<oviano resulta ms simple que
parn 1111 procPso de cnalquiPr olro lipo. Si el proceso
es mnl'!rnvinno, c11to11cos se puede prPdccir solamente,

'l
1

li
~

153

i
l !.

G - E

__,

., .

'

1'J

-=

. tomando en consideracin el estado actual del sistema

S 0 y prescindiendo de su prehistoria (tratamiento
del sistema cuando t < t 0). El mismo estado S 0
depende, por supuesto, del pasado, pero una vez alcanzado este estado, el pasado puede ser olvidado. Formulando de otra forma, en el proceso markoviano el
futuro depende del pasado a travs del presente>}.
Pongamos un ejemplo del proceso markoviano: el
sistema S es un contador de Geiguer que capta de
vez en cuando las partculas csmicas; el estado del
sistema en el momento t se caracteriza por la lectura
del contador, o sea, por el nmero de partculas llegadas hasta el momento dado. Supongamos que en el
momento t 0 el contador muestra S 0 La probabilidad
de que en el momento t > t 0 el contador muestre tal
o cual nmero de partculas S 1 (o no menos de S 1)
depende, por supuesto, de S 0 , pero no depende de en
qu momentos, precisamente, llegaban las partfoulas
antes del momento t 0
En la prctica, se encuentran a menudo procesos
que aunque no son exactamente markovianos, pueden
ser tratados, en cierta aproximacin, como procesos
markovianos. Por ejemplo: el sistema S es un grupo
de aviones que participan en un combate areo. El
estado del sistema se caracteriza por el nmero de
aviones rojos)) x y azulesl} y, que quedaron activos
(no derribados) hasta cierto momento. En el momento
t 0 conocemos el nmero de las partes, que son x 0 y Yo
Nos interesa la probabilidad de que en cierto momento
t0
i: los rojos>} tengan una superioridad m1mrica.
Preguntmonos de qu df.'pencle esta probabilidad?
En primer lugar, del estado en el cual se encuentra el
sistema en el momento dado f 0 y no de cuando y en
qu sucesin se d estruveron 108 aviones d erriba<l os
hasta el momento t 0
As pues, ms o menos est claro qu representa

el proceso aleatorio markoviano. Ahora dejemos perplejos al lector, con una paradoja inesperada: cualquier
proceso puede ser tratado, de hecho, como un proceso
de Mrkov, si todos sus parmet ros del pasado, de
los cuales depende el futuro se incluyen en el presente. Por ejemplo, supongamos que se trata del
funcionamiento de cierto dispositivo tcnico; en cierto
momento t 0 este dispositivo est todava en buen
estado y nos interesa saber la probabilidad de que
pueda funcion ar un tiempo ms igual a T. Si el presente estado del sistema se considera simplemente
como sistema apto>}, el proceso indudablemente no es
markoviano, ya que la prohabiJidad de que el sistema
no falle durante un lapso igual a , depende generalmente del tiempo que trabaj y cundo tuvo lugar la
ltima reparacin. Si estos dos parmetros (el tiempo
total de funcionamiento y el tiempo transcurrido
despus de la ltima reparacin) se incluyen en el
presente estado del sistema, el proceso se podr considerar, tal vez, como proceso markoviano. Pero tal
enriquecimiento del presente a cuenta de la prehistoria>} dista mucho de ser siempre til, ya que (si el
nmero de parmetros del pasado es grande) , en no
pocas ocasiones, lleva a la maldicin de las dimensiones mltiples, la cual ya mencionamos. Por lo
tanto, rnfirindonos en adelante al proceso markoviano,
lo consideraremos corno un proceso simple, no sofisticado, con un nmero pequeo de parmetros que
determinan el p resente.
Por lo general l os proc<.'sos markovia11os no se encuentran
en la prctica en forma pura, pero con frecuencia
nos vemos en la necesidad de tratar los procesos, para
los cuales se puede prescindir de la influencia de la
prehistoria>}. Estudiando tales procesos, se puede
aplicar co11 xifo los modelos markovianos. Veremos
en adelante cmo se hace esto.

:\''

\.

:,

t
'

..
l.

!T'
.:

;n

155
.

154
22

A
'l

Z:r:=r=z::arr

J ... : _..,,

..

""'
1'

~ \~N * :. r--~

.,

-------

~p~

. .-. . . . . . . . .

--i~~-.----~

En la investigacin de operaciones tiene una gran

importancia los denominados procesos aleatorios markovianos con estados discretos y tiempo continuo. El proceso
se denomina proceso con estados discretos, si sus estados
posibles S 1 , S 2 , S 3 , pueden ser enumerados (enumerados de nuevo) de antemano, y el paso del sistema
de un estado a otro se produce a saltos, prcticamente en forma instantnea. Un proceso se denomina
proceso con tiempo contfnuo, si los momentos de pasos
posibles de un estado a otro no se establecen de antemano, sino que son inaeterniinados, aleatorios; y si
el paso puede realizarse, en principio, en cualquier
momento. Examinaremos aqu solamente los procesos
con estados discretos y tiempo continuo.
Demos un ejemplo de tal proceso: un dispositivo
tcnico S consta de dos bloques, cada uno de los cu a les
puede ponerse fuera de servicio (fallar) en un momento
casual, despus de lo cual comienza momentneamente
la reparacin del bloque que tambin dura un lapso
de tiempo aleatorio, de antemano desconocido. Los
estados posibles del sistema pueden ser enumerados:
S 0 -ambos bloques estn en buen estado;
S 1 -el primer bloque est en reparacin, el segundo
est en buen estado;
S 2 -el primer bloque est en buen estado, el
segundo est en reparacin;
S 3 -ambos bloques estn en reparacin.
Los pasos del sistema S de mi estado a otro se
producen, en la prctica, instantneamente, en los
momentos casuales de ruptura de tal o cual bloque
o cuando termina la reparacin.
Para el anlisis de los procesos aleatorios con estados discretos es cmodo utilizar el esquema geomtrico,
o sea, el llamado grafo de estados. Los estados del sistema se reproducen por rectngulos (por crculos, o incluso puntos) y los pasos posibles ele un estado a otro, por

)
1

flechas qne 11nen los estados. Hepresentaremos los

estados vor recl<ngulos que tienen inf'crifas las designaciones de los estados: S 1 , S 2 , , Sn.
Construyamos un grafo ele estados para el ejemplo
examinado anteriormente (vase fig. 15.2). La flecha
que se dirige de S 0 a S 1 significa el paso en el momento
de fallo del primer bloque; la
flecha dirigida inversamente de
S\ a 8 0 , significa el paso en el momento de terminacin de Ja reparacin de este bloque. Las dems flechas tienen la misma interpretacin.
El lector atento puede pregunFig. 15.2.
tar, por qu est ausente la flecha
que conduce directamente de S 0
a 8 3 ? Acaso no puede ser que ambos bloques fallen
al mismo tiempo, por ejemplo, a causa de un cortocircuito? Es una pregunta justa. Hesponcleremos que
estamos suponiendo bloques que se ponen fuera de
servicio independientemente uno del otro y prescindimos de la probabilidad de que se pongan fuera de
servicio al mismo tiempo (ms ahajo esta suposicin
se argumenta ms rigurosamente).
Si un proceso, que se produce en un sistema con
estados discretos y tiempo continuo, es markoviano,
entonces para su descripcin se puede construir un
modelo matemtico bastante simple. Pero antes de
construirlo es til familiarizarse con una importante
nocin de la teora de probabilidades, la nocin de
flujo de sucesos.

jl

lj
1

"'
,,lli

'j
f.1

i1

16. Flujos de sucesos

Se denomina flujo de sucesos la sucesin ele sucesos
homogneos que siguen uno ti'as otro en ciertos momen-

156

157
\!,--L .

''I'(

fi_''
"

. L1
!JI.

.:~~

'

~ ..,

"'

QSi
..-" .!'..!!:'-.~:::j. . .q. ';;;;:. ,_;,;s,r

"f .r,

..... .

~--~.....--.-..~-, _"""'!~~
...,...

_-..'..:

j,,
111
. '

como variaLle, dependiente del tiempo. Por ejemplo,

el flujo del trfico es ms intenso de da que de noche,
y ms intenso en las horas de punta que en cualesquiera
otras.
El flujo de sucesos su denomina regular, si los
sucusos siguen uno tras otro cada determinado espacio
de tiempo iguales. En la prctica son ms frecuentes
no los flujos regulares, sino los flujos con intervalos
aleatorios.
El flujo de sucesos se denomina estacionario, si sus
caractersticas probabilsticas no dependen del tiempo.
Por ejemplo, la intensidad /.. de un flujo estacionario
debe ser invariable. Pero esto de ningn modo significa
que el nmero real de sucesos que se producen en una
unidad de tiempo, es r,onstante; nada de eso, el flujo
inevitahle!ll.ente (si es que no es regular) posee ciertas
condensaciones y enrarecimientos, como, por ejemplo,
se muestra en la figura i.1. Es importante que para
el flujo estacionario estas condensaciones y enrarecimientos no 'son de carcter regular: en tramo de longitud igual a 1 pueden caber ms sucesos y en otro
menos, pero el promedio ele sucesos que corresponden
a una unidad de tiempo es invariable y no depende
del tiempo.
,
Uno de los errores ms tpicos de los debutantes
consiste en considerar las condensaciones y enrarecimientos aleatorios del flujo como variacin de su
intensidad. Es indispensable precaver al lector contra
este error!
Las alteraciones del carcter estacionario pueden
ser explicadas, como regla, por ciertas causas de ndole
fsico. Por ejemplo, es completamente natural que lit
intensidad del flujo de llamad as que llegan a una
central telefnica sea menor deLnoche que de da (pues
por la noche la gente prefiere dormir). El aumento
de la intensidad del flujo <le compradores que visitan

tos casuales de tiempo. Por ejemplo, un flujo de

llamadas en una central telefnica; im flujo ele fallos
(intermitencias) de calculadoras electrnicas; un flujo
de trenes que llegan a una estacin de clasificacin;

Fig. Hi.1.

un flujo de partculas que llegan a un contador de

Geiguer, etc ..
El flujo de sucesos puede ser ilustrado con evidencia
por una serie de puntos en el eje de tiempo Ot
(fig. 16.1); no hay que olvidar que la posicin de
cada uno de ellos es casual, y en la figura 16.1 est
representada solamente una de las realizaciones del
flujo. ,
En cuanto al flujo de sucesos, hace falta tener
presente que el trmino suceso tiene, en este caso,
un significado algo distinto al que se usa habitualmente
en la teora de probabilidades. En esta teora, se
denomina suceso (o suceso aleatorio) cierto resultado del experimento que posee tal o cual probabilidad.
Los sucesos que forman un flujo no tienen~ de por s,
probabilidades; probabilidades poseen otros sucesos
derivados de stos, por ejemplo: en un lapso de tiempo 't (fig. 16.1) caben exactamente dos sucesos o en
un lapso de tiempo /),,t cabe, por lo menos, un suceso,
o .e l espacio de tiempo ()ntre dos sucesos contiguos
ser no menos de t.
,
Una caracterstica importante del flujo de sucesos
es su intensidad "A, o sea, el nmero medio de sucesos
que corresponden a una: unidad de tiempo. La intensidad del flujo puede ser thnto constante ("A = const)

159
158
~

!!

1e .;.>~..__,,.,

6.n

'

..,

~1";
Ka::
~~ ft{t..ft'To~~tf ,..,;.

_ Wf

J'."\ .

-------~-- ~.~~----~-,=----

In:

1,"

~i

!
ti

!\!!

'i
'
l

:
l

"'1

1''

I~

. los comercios despus de terminar la jornada!laboral

tambin puede explicarse por razones de carcter fsico. Si el flujo de sucesos tiene tendencias expresadas
claramente por condensaciones y enrarecimientos (sobre
todo peridicas) es necesario sospechar siempre de la
causa fsica y esforzarse en revelarla.
En la prctica, se encuentran a menudo flujos de
sucesos que pueden considerarse (por lo menos, en un
lapso de tiempo limitado) como estacionarios. Por
ejemplo, un flujo de llamadas que llegan a una central
telefnica entre la una y las dos de la larde, es prcticamente estacionario; este mismo flujo durante las
24 horas del da ya no es estacionario 1 ).
Un flujo de sucesos se denomina flujo sin consecuencias si para cualquiera de los dos lapsos de tiempo
T 1 y 2 que no se cruzan (vase fig. 16.2), el nmero
T2

Fig , Hi.2

de sucesos correspondientes a uno de ellos no depende

del nmero de sucesos correspondiente al otro. Esto
significa, en realidad, que 1013 sucesos que forman el
flujo aparecen en tales o cuales momentos de tiempo
independientemente uno del otro, provocado cada uno
de ellos por sus propias causas. Por ejemplo, el flujo
de pasajeros que entran en el metro no tiene prcticamente consecuencias. Pero el flujo de compradores que
salen de la tienda despus de hacer las compras, ya
Es de sealar que as sucede con la mayora de los procesos que se denominan estacionarios en la fsica y la tcnica,
ya que en realidad son estacionarios solamente en un tramo de
tiempo limitado y su extensin sin limitnciones no representa
nada ms que un procedimiento cmodo.
1)

160

tiene consecuencias (aunqtie sea porque el intervalo

de tiempo entre las salidas de parle de los compradores
no puede ser menor que el tiempo mnimo t 0 de prestacin de servicio a cada uno de ellos). As sucede con
el flujo de trenes que llegan a una estacin (entre ellos
siempre existe cierto intervalo mnimo t 0 , para garantizar la seguridad del trfico). Pero, si el intervalo
mnimo entre los sucesos es mucho menor que el intervalo medio entre ellos
1/'A, se hace posible, a veces,
prescindir Je Jas consecueucias.
Un flujo de sucesos se denomina ordinario, si los
sucesos en ste aparecen uno a uno, en vez de formar
grupos. Por ejemplo, el flujo de visitantes que se
dirigen a la peluquera o al dentista es, habitualmente,
ordinario, lo que no puede decirse de los clientes que
se dirigen al registro civil para contraer matrimonio.
El flujo de trenes que llega a una estacin es ordinario,
mientras que el flujo de vagones no lo es. Si el flujo
de sucesos es ordinario, se puede prescindir de la probabilidad de que dos o ms sucesos caigan dentro de uii
lapso de tiempo pequeo f...t.
Un flujo de sucesos se denomina simple (estacionario de Poisson) si posee a la vez las tres propiedades:
es estacionario, ordinario y no tiene consecuencias.
La denominacin simple es el resultado de que los
procesos referentes a los flujos simples tionen una
descripcin matemtica muy sencilla. A propsito
sea dicho, el flujo regular que es, a primera vista, el
ms sencillo, no es simple, ya que posee consecuencia: los momentos de aparicin de sucesos en tal flujo
estn relacionados con una dependencia funcional
rigurosa. Tal suceso por lo general no se crea sin aplicar esfuerzos especiales para mantenerlo regularmente.
El flujo simple desempea entre los dems flujos
un papel especial 11 algo semejante al rol ele la ley
normal entre las otras leyes de distribucin. Precisa-

1~

r=

11- 0515

,:x,-r~~1-:.,-~-:;r;;,~ .

161

-~~-

... ------...---~

r
1

!
'!

:'l

'

i:!"

.- l t

fuente cuando superponemos (sobreponemos) un nmero bastante grande de flujos independientes, estacionarios y ordinarios (igualables entre s por la
intensidad),, se obtiene un flujo prximo al simple.
f(t)

J.

Fig. 16.3,

Es fcil demostrar (vase, por ejemplo, l12l o cualquier manual de la teora de las probabilidades) que
para un flujo simpl con una intensidad igual a 'A el
intervalo T entre los sucesos p~ximos posee la llamada
distribucin exponencial con una densidad igual a

(t)

= A.e-1.t (t > O)

(16.1)

(vase fig. 16.3). La magnitud f.. en la frmula (16.1)

se denomina parmetro de la ley exponencial. Para
u.u magnitud aleatoria T que posee una distribucin
exponencial, la esperanza matemtica mx es una
mc1. ~ nitud inversa al parmetro, y la desviacin estndar o T es igual a la esperanza matemtica:
mT = oT = 1/f...

(16.2)

En la teora de las probabilidades como medida

de casualidad de una magnitud aleatoria no negativa
162

figura a menudo e1 llamado coeficiente de variacin:

Vx = oxlmT.

(16.3)
1

De las frmulas (HL2), (16.3) se deduce que para la

distribucin exponencial vT = 1, es decir, para un
flujo simple de sucesos el coeficiente de variacin de los
intervalos entre los sucesos es igual a la unidad.
Es evidente que para un flujo regular de sucesos
cuyo intervalo entre ellos no es por lo general, del
todo casual (oT = O), el coeficiente de variacin es
igual a cero . Para la mayora de los flujos de sucesos
con los cuales nos encontramos en la prctica,. el
coeficiente de variacin de los intervalos entre los
sucesos se comprende entre el cero y la unidad y puede
servir de cierta medida del grado de regularidad del
flujo : cuanto ms prximo al cero sea vT tanto ms
regulan> ser el flujo. El flujo simple es el menos
regular de los que se encuentran en la prctica1 ).
En los clculos relacionados con los flujos de sucesos es muy cmodo emplear la nocin de elemento
de probabilidad>l. Examinemos en el eje 0 1 ' un flujo
simple con una intensidad igual a '). . y un lapso de
tiempo elemental (muy pequeo) lit dispuesto arbitrariamente. Se denomina elemento de probabilidad,
la probabilidad de que caiga en este intervalo por lo
menos un suceso del flujo. Es fcil demostrar (no lo
haremos) que el elemento de probabilidad (con una
precisin de hasta infinitsimas de mayor orden de
infinitud en comparacin con lit) es igual a
f..11t,
(16.4)
es decir, para el flujo elemental el elemento de probabilidad es igual a la intensidad del flujo multiplicado por la duracin del lapso elemental. Observemos
Pt..t ==

1 ) Se pueden inventar ejemplos artificiales de flujos para los

cuales v 1 > 1, pero la naturaleza no forma tales trucos.

11

163

J
11111

.,'.,
1

 que el elemento de probabilidad a causa de la ausencia

de consecuencias, no depende totalmente ni del nmero
de sucesos ni de cundo aparecieron stos anteriormente.
Tambin es de sealar que con una precisin de
hasta valores de mayor orden de infinitud la probabilidad de aparicin por lo menos de un suceso en el
Japso elemental M es igual a la probabilidad de apa-

Otro ejemplo ms. Un vendedor en la tienda continuameule est. ocupado sirviendo a los compradores
(como sucede en las horas de mayor rendimiento).
El servicio al comprador dura un tiempo aleatorio T.
Entonces el flujo de los compradores atendidos ser
recurrente (si se considera que los tiempos de servicio
a los diferentes compradores son independientes . y,
(/) ( t)

o
Fig. 16.4.

nc1on justamente de un suceso en este lapso. Esto

se deduce del carcter ordinario del flujo simple1 ).
Un flujo de sucesos se considera recurrente (con
otras palabras, flujo de Palma) si es estacionario,
ordinario y los intervalos entre los sucesos T1 , 1' 2 ,
T 3 , , (vase fig. 16.4) representa magnitudes aleatorias independientes con una <listribucin arbitraria
similar (por ejemplo, con la densidad indicada en la
fig. 16.5). Pongamos un ejemplo de flujo recurrente.
Un elemento tcnico (digamos una lmpara de radio)
funciona ininterrumpidamente hasta su .fallo (hasta
ponerse fuera de servicio); el elemento averiado se
sustituye sin demoras por uno nuevo. Si algunos ejemplares del elemento se ponen fuera de servicio independientemente uno del otro, entonces el flujo de fallos
(o flujo de reemplazos o <le reparaciones) ser
recurrente.
1 ) Recordemos cmo no hemos trazado las flechas del estado S 0 al S 3 y viceversa en la figura 15.2. Esto se explica, porque
hemos considerado ordinarios tanto los flujos de fallos, como
los flujos de reparacin de bloques.

164

()

Fig. 16.5.

por ejemplo, una ria entre el comprador y el vendedor no influye en el tiempo de servicio a otros com~
pradores).
Es evidente que el flujo simple representa un caso
particular de flujo recurrente, cuando los intervalos
entre los sucesos tienen una distribucin exponencial
(16.1). Otro caso particular (degenerado) del flujo
recurrente es el flujo regular de sucesos donde los
intervalos no son casuales, sino constantes.
Se puede obtener una gama entera de flujos recurrentes de sucesos de distintos grados de ordenacin,
revisando el flujo simple. Supongamos, por ejemplo,
que cierta oficina recibe un flujo simple de visitantes
y a la entrada hay un guardia que manda al primer
visitante a la primera mesa, al segundo a la segunda,
etc. Si hay n mesas, entonces a cada una de ellas llega
165

grafo de estados), entonces nos lo imaginaremos de tal

forma, como si sobre el sistema, mientras ste se
encuentra en estado S;, acta un flujo simple de sucesos, que lo hace pasar en direccin de la flecha de
S -+ S 1. Tan pronto aparezca el primer estado de
este flujo, se produce el salto del sistema de S 1 a S J
Para mayor ilustratividad es muy cmodo poner
en el grafo de estados al lado de cada flecha la intensidad del flujo de sucesos que traslada el sistema de
acuerdo a dicha flecha. Designaremos por /.J;J la intensidad del flujo de sucesos que hace pasar el sistema
del estado S; a S 1. En la figura 17.1 se da el grafo
de estados con las intensidades puestas al lado de
las flechas (denominarnmos tal grafo como trazado).
Hagamos un grafo ele estados trazado para el
ejemplo citado en el prrafo 15 (dispositivo tcnico
consistente de dos bloques). Recordemos el estado
del sistema:
S 0 - ambos bloques estn en buen estado,,
S 1 -el primer bloque est en reparacin, el segundo, en buen estado,
S 2 -el segundo bloque est en reparacin, el
primer, en buen estado,
S 3 -ambos bloques estn en reparacin.
Calcularemos las intensidades de los flujos de
sucesos que hacen pasar el sistema de un estado a otro,
suponiendo que el tiempo medio de la reparacin
del bloque no depende de que se estn reparando un
bloque o ambos a la vez. Esto ser precisamente as,
si cada especialista se ocupa de la reparacin de un
solo bloque. Hallemos todas las intensidades de los
flujos de sucesos que hacen pasar el sistema de un
estado a otro. Sea que el sistema se encuentra en el
estado S 0 Qu flujo de sucesos lo pasa al estado S 1 ?
Es evidente que es el flujo de fallos del primer bloque.
Su intensidad /,, 1 es igual a la unidad dividida por el

el llamado flujo de Erlailg de n-simo orden. Tal

flujo se obtiene del simple, si se conserva en el flujo
cada n-simo suceso, y se desechan los sucesos intermedios. El flujo simple no es otra cosa que el flujo
de Erlang de primer orden. Se puede mostrar que tal
revisin del flujo simple disminuye el coeficiente de
variacin de los intervalos, en tanto que con el aumento
del orden n el flujo de Erlang se aproxima al regular.
El coeficiente de variacin de los intervalos entre los
flujos de Erlang de 7i-si010 orden es igual a v!,ri' =
= 1/Vn. Los flujos de Erlang forman una gama entera
de flujos con distintos grados de ordenacin, comenzando por el desorden completo (flujo simple) y terminando con la ordenacin completa (flujo regular).

17. Ecuaciones de Kolmogorov para

las probabilidades de estados.
Probabilidades finales de estados
Examinando los procesos markovianos con estados
discretos y tiempo continuo, ser cmodo imaginarnos que todos los pasos del sistema S de un estado
a otro tienen lugar bajo la accin de ciertos flujos de
sucesos (flujo de llamadas, flujo de fallos, flujo de
reparaciones, etc.). Si todos los flujos de sucesos que
hacen pasar el sistema S de un estado a otro son simples, entonces el proceso que tiene lugar en el sistema
ser markoviano 1 ). Esto es natural, ya que el flujo simple no tiene consecuencias: el futuro>) no depende en
l del pasado.
Si el sistema S se encuentra en cierto estado S;
del cual existe un paso directo a otro estado S 1 (lo que
corresponde a la flecha que conduce de S; a S 1 en el
1 ) El carcter simple de dos flujos es una condicin suficiente, pero no necesana para que el proceso sea markoviano.

167

166

mll!W"A'' '

gg,_-................ ~'

'

..

EJ*i~~: t~t;" i~--- '.:__

~~~~-- ...,.;-~--~,.--~~!"!:"--:

1'

'

. lh
tiempo medio del funcionamiento sin fallos del prim~r
bloque. ~.Qu flujo de sucesos retorna el sistema del
estado S 1 al S 0 ? Evidentemente que el flujo de terminacin de las reparaciones del primer bloque.
Su intensidad 1 es igual a la unidad dividida por el
.tiempo medio de la reparacin del primer bloque.
Se calculan de manera anloga las intensidades de

Teniendo a su disposicin un grafo trazado de los

estados, se pueden hallar todas l as probabilidades de
los estados Pi (t) como funcin del tiempo. Con este
propsito se componen y se solucionan las llamadas
ecuaciones de Kolmogorov, un tipo especial de ecuaciones diferenciales en las cuales las probabilidades de es- >- 21
tados son funciones desconocidas.
Mostremos en un ejemplo
concreto cmo se componen
estas ecuaciones. Sea que el
sistema S tiene cuatro estados: S 1 , S 2 , 8 3 , S 4 ,cuyografo trazado se muestra en la
Fig. i7.3.
figura 17 .3. Examinemos una
de las probabilidades de estados , por ejemplo p 1 (t).Esta
es una probabilidad de que en el momento t el sistema
est en el estado S 1 Aadirnos a t lin pequeo increM) , es decir, la probamento 11t y hallamos p 1 (t
bilidad ele que en el momento t
M el sistema est
en el estado S 1 ~.Cmo puede suceder esto? Ciertamente en dos formas: bien 1) el sistema ya estuvo
en el estado S 1 en el momento t y no lo abandon
durante el tiempo M; o bien 2) en el momento t el
sistema estuvo en el estado S 2 y duran te el tiempo 11t
pas de este estado al estado S 1
Hallemos la probabilidad de la primera variante.
La probabilidad de que en el momento t el sistema
estuvo en el estado S 1 es igual a p 1 (t). Es necesario
multiplicar esta probabilidad por la probabilidad de
que, encontrndose en el momento t en el estado S 1 ,
el sistema durante el tiempo 11t no pas de este estado
ni al S 2 ni al S 3 El flujo sumario de sucesos que hace
sa:lir el sistema del estado S 1 tambin ser~ simple
con una intensidad igual a A.12
A.13 (cuando super-

A.41

A.54
A.62

. Fig. 17.2.

Fig. i 7.1.

los fiujos de sucesos que pasan e( sistema poi todas

las flechas del grafo de la fig. 17 .2.
,
, :, Teniendo a s disposicin un grafo trazado de
'estados del. sistema, es fcil construir el_modelo _mate'W~tico de un proceso dado.

..
' __Supongamos, de hecho, que se examina un sistema
$ que _tiene n estados posibles s 1 ,, S2' s :H '- sn.
Denominemos como probabilida<f, del i~simo estado,
la .probabilidad p; (t) de que en el momento t el sistema
se encuentre en el estado Si Es evidente que para
cualquier momento la suma de todas las probabilidades
de. estados es igual a la unidad:
n .

~ P' (t) =1

;'11 )

t=i

'

(17.1_)

Hn>

1l>8

""""",.,.__ ~

..., ~

...

~ ~"~ ll:A.r""~ ~ _.~;~----~-..

'1
1

'11
!

.:. .

.,1
!1

~ ~ ~ .;

......, .......

'!1

'

tendremos:

. ponemos dos flujos simples se obtiene de , nuevo un

[lujo simple, ya que se conservan el carcter estacionario y ordinario de ste y la ausencia de consecuencias). Esto quiere decir que la probabilidad de que
el sistema salga del estado S 1 durante el tiempo M
es igual a (A. 12
A. 13 ) M; la probabilidad de que no
salga ser: 1 - (A. 12
A. 13) lit. De aqu se deduce que
la probabilidad de la primera variante es igual a
P1 (t) [1 - (A.12
A.13) MJ.
Hallemos la probabilidad de la segunda variante.
Ser igual a la probabilidad de que en el momento t
el sistema est en el estado S 2 y durante el tiempo M
pasar de este estado al estado S 1 , es decir, dicha
probabilidad es igual a p 2 (t) A. 21 lit.
Sumando las probabilidades de ambas variantes
(de acuerdo a la regla de adicin do las probabilidades), obtendremos:

ddp 1 =

+ M) =

P1 (t) [1 -

(A.12

:f =
1

dp4
dt

Abramos los parntesis angulares,.' traslademos

p 1 (t) al primer miembro y dividam(ls ambos miembros por L\t:

(A. 12 -tA. 13 )p 1 (t)

1
1,
11
1
l

(17.3)

== Aa1P1

= A. 24 p 2-

A43p4 .

1111

'1

,,1

It

Sea, como se hace en estos casos, qu(l lit tiende hacia

cero; en el primer . miembro obtendremos en el lmite
la derivada de la funcin p 1 (t). De esta manera,, escribamos la ecuacin diferencial para p 1 (t):

dp~y> = "-21P2 (t) ~ (A.12 + A13) Pt (t),

1 para ser ms breves, deshechando el argumento t
de la funcin p 1 y p 2 (pot ahora no lo necesitamos)

Enunciemos ahora la regla general para componer

las ecuaciones de Kolmogorov. En el primer miembro
de cada una de ellas est la derivada de probabilidad
de cierto (i-simo) estado. En el segundo miembro,
est la suma de los productos de las probabilidades
de todos los estados, de las cuales provienen las flechas
en direccwn al estado dado,, por las intensidades de
los respectivos flujos de sucesos, menos la intensidad
sumaria de todos los flujos, que hacen salir el sistema

,j'

171

1'70

Esto es un sistema de cuatro ecuaciones diferenciales lineales con cuatro funciones incgnitas p 1 , p 2 , p 3 ,
p 4 Sealemos que una de ellas (cualquiera) puede
desecharse. aprovechando el hecho que p 1
p2
p3
p 4 == 1: expresar cualquiera de las probabilidades p por medio de las otras, poner esta expresin
en la (17 .3) y desechar la ecuacin respectiva con la
1
derivada

+ Pz- (t) A.21M

A21P2 -('A12 + lv1a) p 1,

:,e ~ ,,, p, + A,,p, - (A,. .!-A,,) p,,

:i
+ A43p4 -lv32p3,

+ A.d Ml +

P1(t+M)-pi(t)
-A.
6.t
- 21 p 2 (t)

( 17 .2)

P1

Razonando de manera anloga para con todos los

dems estados, escribamos tres ecuaciones diferenciales ms. Incorporando a stas la ecuacin (17 .2), obtendremos el sistema de ecuaciones diferenciales para
las probabilidades de estados:

P1 (t

'A21P2 - -('A12 + A13)

- -- - . .

__,,

:;;:; 0.~fit~:~~ .... .: /t'1;v._c..

!ij... ,;,.-.

:~

'!

'*"':a

,, (

lJ

ji

.
>

aj

!.
. del estado dado, multiplicada por la intensidad del
estado dado (i-simo).
Aprovechado esta regla,. escribamos las ecuaciones de Kolmogorov para el sistema S cuyo grafo trazado de estados se da en la figura 17 .2:
~

dpo

---- = 1P1 + zP2 - (A1 -l- Az)

~

1
Po.,1

'~

dt = A1Po + zp3 - (Az + 1) P1

dp

Planteemos ahora la cuestin: qu suceder con

las probabilidades <le es tados, s i t --+ oo? Tendern
o no p 1 (t) y p 2 (t) a cier t os lm ites? Si estos lmites
existen y no dependen del estado inicial del sistema,
entonces se denominan probabilidades finales de estados. En la teor a de los procesos aleatorios se demuestra que si el n mero n de estados del sistema es fi nito
y de cada uno de ellos es posible pasar (tomando un nmero
f inilo de pasos) a cualquiera otro, podemos decir que
existen las probabilidades fi nales1 ) .
Supongamos que esta condicin se cumpli y existen las probabilidades finales:

d/ = AzPo + 1Pa -

('f..1 + z) pz,

Jt = A2P1+ 'A1P2 -

(1 + z) Pa

(17 .4)

lrn p (t)

= 1, 2, ... , n).

(17.5)

Designaremos las pr.obabilida<les fiu ales con las

mismas letras p 1 , p 2 , , que las probabilidades
propias de estados , pero entendiendo por ellas no las
variables (func iones de tiempo). sino los nmeros
constantes. Ciertamente ellas tambin forman en
suma la uni dad :
n

'1
.L.J

P l= 1

(1 7.6)

t =i

Qu se entiende por probabilidades f inaleg? Si

t-+ oo en el sis tema S so establece un rgimen esta-

cionario lmi te en cuyo curso el sistema cambia casualmente sus es tados , pero sus probabilidades ya no
dependen del t iempo. La probabilidad fin al de estado
Si puede in terpretarse como tiempo medio relativo de
permanencia del sistema en este e.9tado. P or ejemplo,
si el sistema S tiene tres estados S 1 , S 2 , S 3 y sus
probabilidades finales son iguales a 0,2, 0,3 y 0,5,
esto significa que en un rgimen esta cionario , lmite,
1 ) Esta condicin es suficiente, pero no necesaria para la
existencia de las probabilidades finales.

173

<f72

(i

t ~oo

Para resolver las ecuaciones de Kolmogorov y hallar

las probabilidades de estados, es necesario ant e todo
dar las condiciones iniciales. Si sabemos exactamente
la condicin inicial del sistema S , entonces en el
momento inicial (cuando t = O) p (O) = 1 y las dems probabilidades iniciales son iguales a cero. As,
por ejemplo, es natural resolver las ecuaciones (17 .4)
con las condiciones iniciales Po (O) = 1, p 1 (O) =
= p 2 (O) .-3t= Pa (O) = O (en el momento inicial ambos
bloques estn aptos) .
Cmo resolver tales ecuaciones? Generalmente, las
ecuaciones diferenciales lineales con coeficientes constantes es posible resolverlas analticam't mte, pero
esto es cmodo solamente cuando el nmero de ecuaciones no sobrepasa de dos (a veces, de tres). Si el
nmero de ecuaciones es mayor, ellas se resuelven por
medio de los mtodos numricos, a mano o utilizando
la calculadora electrnica.
As pues, las ecuaciones de Kolmogorov dan la
posibilidad de encontrar todas las probabilidades de
estados en funcin del tiempo.

!ji

~_.........,.

'l
1,

'

'

,..

Ji!if3

ff"'t,J. ~!;i~!< :.-. ; "1

"~.~-.:::.: ~_.:_;"'!~'!~~~-~ - __; :::: !".'~!'.'.'::':'"'::~=::'.!~~:'."'::====~

,,,
el sistema pasa ~orno promedio dos dcimas de tiempo
en el. estado S 11 tres dcimas, en el estado S 2 y la
mitad de tiempo, en el estado S 3
Cmo calcular las probabilidades finales? Es muy
simple. Si las probabilidades Pu p 2 , , son constantes, sus derivadas son iguales a cero. As pues,
para hallar las probabilidades finales, es preciso anular
todos los primeros miembros en las ecuaciones de
Kolmogorov y resolver el sistema obtenido de las
ecuaciones ya no diferenciales, sino algebraicas lineales. Se puede no escribir las ecuaciones de Kolmogorov, sino, partiendo directamente del grafo de estados,
escribir el sistema de ecuaciones algebraicas lineales.
Si trasladamos un miembro negativo de cada ecuacin del segundo miembro al primero, obtendremos
de inmediato un sistema de ecuaciones que contiene
en el primer miembro la probabilidad final del estado
dado Pi multiplicada por la intensidad sumaria de
todos los flujos provenientes del estado dado, y en el
segundo, la suma de los productos de intensidades de
todos los flujos contenidos en el i-simo estado por las
probabilidades de aquellos estados de los cuales estos
flujos provienen.
Empleando esta regla~ escribamos las ecuaciones
algebraicas lineales para las probabilidades finales
de estados del sistema, cuyo grafo se muestra en la
figura 17 .2:

neas (no tienen un trmino libre) y, por lo tanto, determinan las incgnitas solamente con una precisin
de hasta el factor arbitrario. Afortunadamente pode
mos aprovechar la llamada condicin de normalizacin:

Po -!- P1
P2 -!- Pa = 1
(17 .8)
y resolver con su ayuda el sistema. En este caso,
podemos desechar una (cualquier) ecuacin (esto se
deduce como corolario de las dems).
Demos los valores numricos de las intensidades
'A1 = 1, 'A 2 = 2, 1 = 2, 2 = 3 y resolvamos el
sistema (17 .7). Sacrifiquemos la cuarta ecuacin
agregando en su lugar la condicin de normalizacin
(17 .8). Las ecuaciones adquieren la forma siguiente:
3po = 2p1 -1- 3p2,

4p1 =Po -!- 2f1,

4p2 = 2p0 +2p3 ,

(17.9)

Po+ P1 + h -1- Pa= 1.

Hesolvindolas obtendremos:
Po

= 6/15 = 0,40;
p2

p 1 = 3/15 = 0,20;
~ 0,27; p 3 = 2/15 ~ 0,131

= 4/15

175

174

!1
1

1.1

11

!11
,1

es decir, en el rgimen estacionario, lmite,, el sistema S se encontrar como promedio en el estado S 0

(ambos bloques estn aptos) el 40% del tiempo, 20%,
en el estado S 1 (el primer bloque est en reparacin,
el segundo, funciona), el 27 % , en el estado S 2 (el segundo bloque est en reparacin, el primero funciona)
y el 13 % en el estado S 3 de inutilidad completa (ambos conjuntos estn en reparacin). Conociendo estas
probabilidades finales,. se puede valorar la eficacia
media del funcionamiento del sistema y la utilizacin de los organismos d~~ reparacin. Supongamos
que el sistema S en el estado S 0 (completamente

(A.1 + A.2) Po= tP1 + 2P2

(A.2 1) Pt = A1Po + zp3,
(17.7)
(A.1 + z) P2 = A2Po + tPa
(1 + z) Pa = A2P1-!- 'A1P2
Al parecer, este sistema de cuatro ecuaciones con
cuatro incgnitas p 0 ,, p 1 , Pu p 3 puede resolverse bien.
Pero por desgracia,, las ecuaciones (17.7) son homog~

11

11

"'
1
1r
1~

~'.'

11~

g; ;g;;g

J..,

>

'

'. e

,l
;r
: '

- . .. ,_ .

,.....,.~- -- ,- ~~

~~~~~~~~-~

Captulo VI

apta) produce por unidad de tiempo un beneficio de 8

'(unidades convencionales), en el estado S 1 ,, un beneficio de 3, en el estado S 2 , un beneficio de 5, en el
estado S 3 , no produce ningn be1wficio. Entonces
en el rgimen estacionario, lmile,. el promedio de
beneficio por unidad de tiempo ser igual a:

w=

0,408

+ 0,20 3 + 0,,27. 5 =

Teora de colas

5,15.

Valoremos ahora la utilizacin de los organismos

de reparacin (obreros) que reparan los conjuntos 1 y 2.
El bloque 1 se repara en una parle de tiempo igual
a p1
p~ 0,,20
0,13 = 0,33. El bloque 2 se
repara en una parte de tiempo igual a p 2
Pa =
= 0,40.
Aqu puede ya surgir la cuestin sobre la optimizacin de la solucin. Supongamos que )Jodemos reducir
el tiempo medio de la reparacin de tal o cual bloque
(o, puede ser, de ambos), pmo eslo nos va a costar
cierta suma. Se pregunta la cosa merece la pena?
Es decir, se puede compensar el aumento de gastos
destinados a la reparacin por el aumento de beneficio
relacionado con la aceleracin do la reparacin?
Dejemos al lector que plantee y resuelva por s
mismo tal problema econmico. A este respecto, tendr que resolver un sistema de cuatro ecuaciones con
cuatro incgnitas, pero esto no tiene importancia
{como es sabido, el carcter se templa en las calamidades!).

18. Problemas de la teora de colas. '

Clasificacin de los sistemas de colas

En la investigacin de operaciones tenemos que

tratar a menudo el funcionamiento de sistemas peculiares denominados sistemas d!l colas (SC). De ejemplos de tales sistemas pueden servir: las centrales
telefnicas, los talleres de reparacin, las taquillas,
oficinas de informacin, tiendas, peluqueras. etc.
Cada sistema de colas consta de cierto nmero de
unidades de servicio (o de aparatos) que denominaremos canales de servicio. Los canales de servicio
pueden ser: lneas de comunicacin, puntos de trabajo, taquilleros, vendedores, ascensores, automviles, etc. Los sistemas de colas pueden ser de un
solo canal y de varios.
Cualquier sistema de colas est destinado a servir
cierto flujo de pedidos (o de demandas) que llegan
en ciertos momentos aleatorios de tiempo. El servicio a un pedido dura, hablando en general. cierto
tiempo aleatorio 1'8 er despus de lo cual el canal se
libra y est listo a recibir el siguiente pedido. El
carcter aleatorio del flujo de demandas y de tiempos
de servicio hace que en ciertos perodos de tiempo a la
entrada del sistema de colas se acumule un nmero

i77

12-0tHli

-. ...

.- : '

'

j.

'V ~/t_ lfl\. 1 ..,*J1,~

'!'. ,

-~'f"" "t -.r~-...- ... -r !<-~

l
J

'

demasiado grande de demandas (estos hlen Ornrn11

cola o hien aba11donan el sislema de colas sin ser
atendidos); en otros perodos los sistemas do colas
funcionarn con una utilizacin incompleta o estarn
parados.
El proceso del funcionamiento del sislema de colas
es un proceso aleatorio con estados discretos y tiempo
continuo; el estado del sistema do colas se camhia
por medio de sallos en morne11los c11a11do aparecc>11
ciertos sucesos (sea cuando llega Hll pedido n11evo,
o se termina el servicio o bien en el mornenlo cuarnlo
el pedido, cansado de esperar, abandona la cola).
La teora de colas tiene como objetivo conslruir
modelos matemticos que enlazan las condiciones
programadas del funcionamiento del sistema de colas
(nmero de canales, su rendimien lo, carcter del
flujo de demandas, reglas de funcionamiento) con las
caractersticas que nos interesan, es decir, con Jos
ndices de eficacia del sistema de colas los cuales
describen desde tal o cual punto de visla su capacidad
<le cumplir con el flujo de pedidos. En calidad de tales
ndices (en funcin de la situacin y de 1as finalidades
de investigacin) se pueden utilizar distin las magnitudes, por ejemplo: el nmero medio de demandas
atendidas por el sistema de las colas por 11nidad de
tiempo; el nmero medio de canales en ftincionamiento; el nmero medio de demandas en la cola y el tiempo medio de espera del servicio; la probabilidad de
que el nmero de demandas en la cola sobrepase cierlo
valor, etc. Entre las condiciones dadas del funcionamiento del sistema de colas no destacamos,. a sabiendas, los elementos de solucin: estos pueden ser,
por ejemplo, el nmero de canales, su rendimiento,
el rgimen de funcionamiento de se, etc. Es importante saber resolver los problemas directos de la investigacin de operaciones, en tanto que los problemas
1'

178

i'eCprocos se Onnuian y resueiven en funcin d

cules son precisamen le los parmelros que necesitamos elegir o cambiar. l~n Jo que se refiere a los
problemas de 011limizac.in no 11os dedic.aremos a ellos
aqu~ a no ser en los casos ms simples.
El anlisis matemtico del funcionamiento del se
se facilita considerablomenle,. si el proceso de dicho
Juucionamie11 lo es markov iano. Y a sabemos que
para esto es suficionlc q ne todos los flujos de sucesos
11ue pasan ol sisloma de un estado a otro (flujos de
pedidos, flujos de servicios), sean simples. Si esta
propiedad no se cumple, la descripcin matemtica
del proceso se hace mucho ms compleja y solamente
en casos muy raros se logra llevarla a formas evidentes, analticas. Pero el mtodo de la teora markoviana
simple de colas puede ser til para describir aproximadamente el funcionamiento del se incluso en
los casos cuando los flujos de sucesos no son simples.
En muchos casos para tomar una decisin razonable en
la organizacin del funcionamiento del se no se requiere el conocimiento exacto de todas sus caractersticas, puesto, que muy a menudo basla con tener un
conocimie11 to a pro xi mado, de orieu lacin.
Los sislcuws do las colas se dividen en tipos (clases) segn una serio 1lo indicios. La primera divisin
os la siguionle: el se con respuestas negativas y ol se
con cola. En el sislema de colas con respuestas negativas el pedido que llega en momento cuando todos los
canales esln ocupados recibe una respuesta negativa,
abandona el sislema de colas y no parlicipa en adelante en el proceso de servicio. Los ejemplos del se con
respuestas negalivas podemos encontrarlos en la
telefona: el pedido para ' una conversacin que llega
en el momento cuando lodos los canales de comunicacin estn ocupados, recibe la respuesta negativa y
abandona el se sin ser atendido. En el sistema de colas
179

12

' ""'"

-.......,.,..,,..,.....

r.,.1
1

,!
11
11

:1

il
11

!
!:

!
con cola' el pedido que ltega eh un momento cuando
todos los canales estn ocupados no abandona dicho
sistema, sino que se pone en la cola y espera la posibilidad de ser atendido. En la prctica se encuentran
ms frecuentemente (y tienen mayor importancia)
los sistemas de colas con cola; no sin razn el trmino
teora de colas tiene la palabra cola (lneas de
espera).
Los se con cola se dividen en distintos tipos en
funcin de cmo est organizada la cola, es decir,
si est limitada o no. Las limitaciones pueden referirse tanto a la longitud de la cola, como al tiempo
de espera (los llamados SC con pedidos impacientes). Analizando el SC se debe tambin considerar
la disciplina de servicio, es decir~ los pedidos se
pueden tratar bien en orden de llegada (los que llegan
antes, se tratan antes) o ben en orden casual. No son
raros los casos del llamado tratamiento con prioridad,
cuando ciertos pedidos se tratan sin ponerse en la
cola. La prioridad puede ser tanto absoluta,. cuando
el pedido con una prioridad superior desaloja al
pedido con prioridad inferior (por ejemplo, un cliente
que vino a la peluquera y tiene un rango superior
expulsa del silln al cliente ordinario), como relativa,
cuando el servicio comenzado so realiza hasta el fin
y el pedido con una prioridad superior tiene slo derecho a ocupar en la cola un 1ugar mejor.
Existen se con el llamado servicio de fases mltiples que constan de varias etapas o fases sucesivas
(por ejemplo, el comprador que vino a la tienda debe,
en primer lugar. elegir la mercanca, despus pagarla
en la caja, 1u ego, recibirla).
Adems de estos ndices los sistemas de colas se
dividen en dos clases: abiertos y cerrados. En el
sistema de colas abierto las caractersticas del flujo
de pedidos no dependen del estado en el cual se en-

cuentra el propio sistotna (c11ntos canales estn ocupados). En el sistema de colas cerrado, s dependen.
Por ejemplo,. si un obrero presta servicios a un grupo de
mquinas herramientas que requieren de vez en cuando
un ajuste, entonces la intensidad del flujo de requerimientos por parte de las mquinas herramientas
depende de la cantidad de mquinas defectuosas que
esperan el ajuste. Este es un ejemplo del se cerrado.
La clasificacin de los sistemas de colas no se reduce
a las variedades ya dadas, pero nosotros nos limitaremos a ellas.
La optimizacin del funcionamiento del Se se
puede efectuar bajo diferentes modos de ver: desde el
punto ele vista de los organizadores (o dueos) del se
o desde el punto de vista de los clientes a quienes se
les presta servicio. Partiendo del primer punto de
vista es deseable utilizar los sistemas de colas al
mximo y conseguir que todos sus canales estn
extremadamente cargados. Desde el punto de vista
de los clientes es deseablB reducir en lo posible las
colas que se convierten muy a menudo en calamidad
de la vida cotidiana provocando gastos absurdos de
fuerzas y tiempo y reducen, al fin y al cabo, la productividad del trabajo. Hesolviendo los problemas
de optimizacin en la teora de colas es sustancialmente necesario un enfoque sistemtico y un examen completo y profundo de todas las consecuencias
de cada deci sin. Por ejemplo, desde el punto de
vista de los clientes del se es deseable aumentar el
nmero de canales de p restacin de servicio; pero
hace falta pagar el trabajo de cad a canal, lo que hace
el servicio ms costoso. La construccin del modelo
matemtico permite resolver el problema de optimizacin dPl 111mero razonablo de canales, considerando
todos los pro y contra. Por esta razn, en los problemas de colas no destacamos un ndice cualquiera

:tJ

'

t'
'.ll

!
l.

\>

jl

:t
l!

11

11'

r
f!'
111

!/

!ll

l
~i!

"f
.

180

181

1l

~
...._~~

<~

- ----

de eficacia, sino que formulamos directamente eRtos

problemas como problemas ele criterios mltiples.
Todas las varied ades del SC enumeradas ms arriba
(y otras muchas no mencionadas aqu) se investigan
en la teora de las colas, de la que se posee en la act1rnlid ad una inmensa literatura. Demos slo algunos
libros [13-17]. Adems, una serie de libros dedicados a la investigacin de operaciones [1 , 6, 7] contienen partes sobre la teora de colas. Sin embargo,
casi nunca la exposicin se realiza a nn nivel metodolgico debido: las conclusiones se hacen frecuentemente
de manera rn11y compleja; las frmulas correctas (casi
siempre) se demuestran no de la mejor manera 1). En
la presente exposicin (breve por necesidad) de Ja
teora de cofas ofreceremos dos procedimientos metodolgicos q1rn permiten simplificnr considerablemente las deducciones d e frmulns. El prrafo siguiente
se dedicar a estos procedimientos.

El grafo d e estados para el esq11ema de nniquilacin

y rnultipl icaci> n tiene la forma representada en la
figurn Hl.'I. Ln particularidad do este grafo consiste
011 q11e lodos los estados del sistema p11ede11 ser extendidos l' ll 1111n cade 11n en la cual cada 11110 1le los estados
111edios (S,, S 2 , , S,, _1) esl ; rolacionaclo medi ante
A111

A1!

>.k-1,k

A23

Ak, k+1

An-1,n

rzi--rs.r-rs.i--~ -~

l.:'.Jr-L_
5j-..----L~
>. ~: --~
1:1
I :1
>..1!
k. k-1
>., 1, k
>. ,, ,,,.,

f
1

Fig. 19 .1.

1,

las Ueclias direc ta e inversa con cada estado contiguo,

derecho o izquierdo, y los estados extremos (S 0 , Sn),
sol amen te con un estado contiguo. El trmino esquema de a11iquilacin y multiplicac in tiene su origen
en los problemas biolgicos en los cuales con un esquema similar se describen l os cambios de la cantidad
do populacin.
,
El esquema de aniquilacin y multiplicacin se
11!.iliza-mu y frecuentemente en los diversos problemas
de ln pn'ctica, en particular, en la teora de colas,
por lo tanto es til encontrar para ellos, de una vez
para sicmprC', las probabilidades finales de estados.
SupongamoH
q11e todos los flu jos de sucesos,
que

1
pnsan el sistema do acuerdo a l as flechas del grafo, son
simples (parn ser ms brev es, de nominaremos t anto
el sistema S, como el proceso q ne transcurre en l,
como s imple).
Empleando el grafo en la figura Hl.1 compougamos
y resolvamos las ecuaciones a lgebraicas para las
prnlrnhil iclades finales de estados (su existencia se
deduce de que de cada estado se puede pasar a cada
otro, y el nmero de estados es finito). Para el primer

19. Esquema de aniquilacin y multiplicacin.

Frmula de Litle

1. FS(fUemn ele nniquilacin y multiplicacin. Snhemos que, teniendo a <lisposicin lln grafo trazado
de estados, se puede fcilmente escrihir las ecuaciones
de Kolmogorov para las probabilidades de estados, as
como escribir y resolver las ecuaciones algebraicas
para las probabilidades finales. Para ciertos casos
estas ltimaR ecuaciones se logran rPsolver <le antemano en formn de letnis. Esto se logra l1acer, en partic11lflr, si e) grafo de estarlos fle) SRtema representa el
Jlflmado esq1iema de aniquilacin y m11ltiplicacirn>.
1 ) Desgraciadamente, este inconveniente lo tiene l.amhin el
libro [61 ne Ja m1tora , en el c11al una serie de conclusiones Ee
hacen en forma bastante compleja.

182

183

1'1
.

:~
~
!~
li,

,.

:1 r.
1

E~

}<;-.

..

:f.

1-P~-~:~--'11~" !'.''""t~i-

H4 _.W"

;;

~----........ ....~--~-~-.- - - - - -

..

qj
estado S 0 tenemos:

11

'>.01Po = '>.10P1
(1!).1)
Para el segundo estado 8 1:
('>.lll + "-10) Pt = "-01Po + '>.21P2
Debido a (19.1) la ltima igualdad se reduce a la
forma
'J..11lP1 = '>.21P2;
luego, de manera completamente anloga
A2sP2 = "-a2Pa
y, en trminos generales
"-1t-1 1t = '>.1t,1t-1P1t
donde k toma todos los valores de O a n. As pues,
las probabilidades finales p 0 , p 1 , , Pn satisfacen
las ecuaciones
)
Ao1Po = '>.10P1
"-12P1 = "-21P2
... ........1
(19.2)

An-1, nPn-1 = An, n-1Pn

0h~h~I.

')., h,
0

l..01

J~

Partiendo de la segunda y considerando (19.4),

obtendremos:
A1.
l..1 .l..01 .
(19.5)
Pz=-r- P1 =~Po
"'21

P1t =

'

1i '12Ao1
,A1i-1.
, , Po
IV/1, h-1 "'.I''lO

(19.7)

Pongamos atencin en la frmula (19. 7). En el

11umerador se encuentra el producto de todas las
intensidades que estn al lad o de las flechas dirigidas
de izquierda a derecha (desde el comienzo y hasta el
estado dado S1t) y, en el denominador, el producto de
todas las in tensidades al lado de las flechas que se
dirigen de derecha a la izqu ierda (desde el comienzo
y hasta S n)
As pues, todas las probabilidades de los estados
Po, Pi, ... , Pn estn expresadas por medio de una
de ellas (p 0 ). Pongamos estas expresiones en la condicin de normalizacin (19.3). Sacando del parntesis
p 0 , obtendremos:

Po ( 1

+ Ao1
+
A10

A12Ao1
A21A10

--1- .

+ An , .. A12Ao1) =
An . -1 .. A21A10

de aqu olJtendremos la expresin pnra p 0 :

Po -_ ( 1 -- -Ao1 , A1 2Ao1 -,1 _ . - -- .A. n - 1 ,, A12Ao1

f,

l..10

'n.

l..21A10

11-1

A21A10

1
1

i lll

1,

1,

)-t .

11

!l

(19.8)
(Para no escribir quebrados de dos pisns la expresin entre parntesis la elevamos a la potencia -1.)
Las dems probabilidadps estn expresadas por medio
de Po (vanse las frmulas (19. LJ) -(19.7)). Es de sealar que Jos coeficientes al lad o !hi p 0 en cada una
de ellas, representan trminos de sucesin de la seriP
que se halla tras la unidad en la frmula (19.8). De

!(19.4)

Pi=~Po
IVQ

'

1
1

y, en gen eral, para cualquier k (d e 1 n n):

adems, hace falta considerar la condicin de normalizacin

Po + Pi + P2 + . + Pn = L
(19.3)
Resolvamos este sistema de ecuaciones. Expresemos partiendo de la prhnera ecuacin (19.2) p 1 por
medio de p 0 :

"'21

-1.a2A21f..10

0 h~l~lt:

"'.h- 1,

y, partiendo de la tercern y considerando (19.5), tendremos:

P3 __ Aza l..12!..01 /J
(19.6)

10

185

184

i'
!

,
t''
{

t
I'ri
;

~ ,,

r, t
~
.;;.'-.'

-----

...

_ -

~?""------ -

,..

. .... .

_~ -

. . . . . ,.

~~~~~~~- -~--~-

esta manera, calculando Po hemos hallado todos estos

coeficientes.
Las frmulas obtenidas son muy tiles para la solucin de problemas sencillos do la leora ele colas.
2. Frmula de Litle. Deduzcnmos ahora 11na Jrmula muy importante que une (para el rgimen lmite
estacionario) el nmero promedio de pedidos L s is l. q 11e
se encuentran en el sistema de colas (os decir, los q 11e
son atendidos o estn en la cola) y el promedio de
tiempo de. permanencia del pedido e11 el sistema W 81 , 1.
Examinemos cualquier s istema tlo colas (de 1111
solo canal, de canales mltiples, markovirlno, 110
markoviano, con cola limitada y no limitada) y dos
flujos de sucesos vinculados con sle: el flujo de pedidos que llegan al sistema dn colas, y el flujo de pedidos
que abandonan el sislema tic colas. Si en el sistema
se ha establecido un rgimen lm i Le, estacionario, el
promedio de pedidos que llegan al s istema do colas
por unidad de tiempo es igual al promedi? de pedidos
que lo abandonan: ambos flujos tienen la misma
intensidad /..,.
Designemos por X (t) el nmero de pedidos q110
llegaron al sistema de colas hasta el momento t y por
Y (t) el nmero de pedidos que abandonaron el sistema
de colas hasta el momento t. Ambas funciones son
aleatorias y s cambian por salto (aumentan en m1a
unidad) en los momentos de los ingresos X (t) y salid ns
Y (t) de pedidos. La forma de las funciones X (t) o
Y (t) se muestra en la figura 19.2; ambas lneas so11
escalonadas, la superior es X (t) y la inferior, Y (t).
Es cierto que para cualquier momento t su diferencia
Z (t) = X (t) - Y (t) no es otra cosa , sino el mmero

1'
'4

(imagi11ariarnente pl'olonga11do el grfico lejos, fuera

do los lmites del plano) y calculemos para l, el
promedio do pedirlos que se encuentran en el sistema
de colas. Ser igual a la integral de la funcin Z (t)
e11 es lc i11fo1'v;-ilo , dividida por el largo del intervalo T:

r, , isl .

= -;- .\

z (t) dt.

(Hl.9)

Pero ostH i11tegrnl no. representa ot ra cosa, sino la

s up erficie de In figura rayada e11 la fig. t!l.2. Examinnrnos min11ciMa111ente esta figura . Ella consta de
X

111 !' 11 1

'

X 111

~ r'111

Ef~r( '

r-:LJ

4
2

~'7
-__

__._

---

T t

l"ig . 19.2.

rec l.11gulos, cada uno de los cuales tiene una altura

igual a la lll1idarl y la base es igual al tiempo de permanencia en el sis lerna del pedido respectivo (primero;
scgu11do, ele.). Des ignemos estos lapsos por t 1 , t 2 ,
Verdad es q11e al final del inlervalo T algunos rectngulos entrarn en la figura rayada no completa, sino
parcialmente, pero para un T bastante grande estas
pequeeces no jugarn papel. As pues, se puede
co11 s id erar que

de pedidos que se encuentran en el sistema de las colas.

Cuando las lneas X (t) e Y (t) se jnntan, el sistema
no tiene pedidos.
Examinemos un lapso muy grande de tiempo T

(' z (t) dt=;;

.w t,

pj

11

(19.10)

187

~ :an::nn-=-

11
t
r;

180

lllll!!!!!!!!!!!IB~---!!!!!ll!Pll!l!!lllll
,, ' . __,
di
o

t:

"'.

' .,><:~-

~-

. '. ' . .

-.----~--- -....

1,,

.., ..,.~-....,.......~~~--====

:i~

.1
donde la suma se extiende a todos Jos pedidos que
'llegaron durante un lapso de tiempo igual a T.
Dividamos el primer y segundo miembro (19.10)
por la longitud del intervalo T. Considerando (19.10),
obtendremos
Lslst.

t.

(19.11)

~ t; A.

Pero la magnitud TA. no es otra cosa, sino el promedio de pedidos que llegaron durante el tiempo T.
Si dividimos la suma de todos los tiempos t 1 por el
promedio de pedidos, obtendremos el promedio del
tiempo de permanencia del pedido en el sistema Wstst
As pues,
Lslst.

= A.Wstst.1
1

=T

Lstst.-

~V col.

== T1L cul

(19.13)

20. Sistemas simples de colas y sus caractersticas

En este prrafo examinaremos algunos sistemas
simples de colas y deduciremos las expresiones para
sus caractersticas (ndices de eficacia). Adems demostraremos los procedimientos metodolgicos principales propios de la teora markoviana de colas.
No nos esforzaremos por obtener la mayor cantidad
de muestras del se para las cuales se deducirn las
expresiones finales de las caractersticas; esto libro no
es una gua dedicada a la' teora de colas (con tal misin
cumplen mejor los manuales especiales). Nuestro
objetivo es dar a conocer al lector ciertos artificios

de donde
Wslst.

Lco1.

Para deducir esta frmula es suficiente tomar en

vez de la lnea inferior en la figura 19.2, la funcin
U (t), o sea, la cantidad de demandas, que abando11aron antes del tiempo t no el sistema, sino la cola
(si el pedido que lleg al sistema no se pone en la
cola y va de inmediato a ser servido, puede considerarse, sin embargo, que este pedido se pone en la cola,
pero permanece all un tiempo nulo).
Las frmulas de Litle (19.12) y (19.13) desempean gran papel en la teora de colas. Por desgracia,
en la mayora de los manuales existentes estas frmulas (demostradas en forma general recientemente ' no
se exponen 1).

Dividamos y multipliquemos el segundo miembro

(19.11) por la intensidad /...:
Lslst. = :').,

cola

(19.12)

Esta es la magnfica frmula de Litle: para cualquier sistema de colas, cualquiera que sea el carcter
del flujo de demandas, la distribucin del tiempo de
servicio y la disciplina de servicio, el tiempo medio
de estancia de la demanda en el sistema es igual al nmero medio de demandas en el sistema, dividido por la
intensidad del flujo de demandas.
Exactamente de la misma manera se deduce la
segunda frmula de Litle que estabJece Ja reJacin
entre el tiempo medio de estancia de la demanda en
la cola Wcol. y el nmero medio de demandas en la

1 ) En el libro de divul .g-acl1n (18] se <la una <!educcin de

la frmula de Litle que se diferencia un poco de la citada. En
general, es til familiarizarse con este libro (Segunda pltica) para tener una idea inicial ' de la teora de colas.

188

1/

':1
1
14~

'ji

[1,

~ ! ~11

'
_,

189

;m
' '" , : ., , ;.::

"'

~~;<1*?';"'!~'"'

.,...........,....,.,,....,,. :~~~r--::-- -~-;~.~'::::~~=-====~:1

pequefi.os, que faciiitan el camino a irav6s de la

teora de colas, la cual pqedo parecer en una serie de
los libros dispo11iblos (que tienen a11 prel.onsioues a la
popularidad) como un co11junto incoherente de ejemplos.
Todos los flujos de sucesos que pasan el sistema de
las colas de un eslado a otro los consideraremos en PI
prrafo dado como simples (sin hacer referencia osvocial en cada caso), Denominaremos entre ellos el
llamado flujo de servicios. Por este trml10 se e11tiende el flujo de demandas que se atienden a travs
de un solo canal continuamente ocupado. En este f1 ujo
el intervalo entre los sucesos, como siempre sucede
en el flujo simple, tiene una distribucin exponencial
(en muchos manuales en vez de este trmino se dice:
el tiempo de servicio es exponeucial y, nosotros
mismos, vamos a emplear en adelante tal trmino).
En el prrafo dado la distribucin exponencial del
tiempo de prestacin servicio ser, sin ninguna duda,
como siempre para el sistema <(simple.
Vamos a introducir en el curso de la exposicin
las caractersticas de eficiencia ele los sistemas de
las colas examinados.
1. se con respuestas negativas de 1l canales (problema de Erlang). Examinemos aqu uno de los primeros problemas <(clsicos de la teora de Jas col as; las
necesidades prcticas de la telefo11a diero11 origen a
este problema el cual fue resuello a principios de
nuestro siglo por el matemtico dans Erla11g. El
problema se formula as: existen n canales (l11eas ele
comunicacin) que reciben el flujo de demandas con
una intensidad igual a 'A. El flujo de servicios tiene
una intensidad igual a (magnitud inversa al tiempo
medio de servicio fser). Es necesario hallar las probabilidades finales de los estados del se, as como las
caractersticas de su eficiencia:

, ia capacidad absoiuta iie re11riimienio, es decir,

Pl 11111ero llll'dio de dernall(I as q 11e se sirven en la unidnd dP 1i!'111pr1;
,
(J, ca1rncid;1d relativa de l'l'lld irnieuto, es decir, la
jJal'll' rnedia dt las demandas recibidas del sistema al
f[lH' se pnsfa servicio.
P, prnh;ihilidad dP rPSJlllPSla negativa, es decir,
dr q11n la dP111anda nh;indona l'i sislema de colaR,
sin olilrnp1 sp1vicio;
( 11l11iero 111l'dio de ca11aJPs ocupados.
Sol11ci11. E1111mer;11trnos los tslados dl sistema S
(SC) de acllerdo al nmero de demandas que se enc11r11tran e11 el sistrnui (P11 esl caso coincide con el
111riro de canales ocupados):
8 0 : se 110 tiene ningmia demanda,
8 1: SC tiene 1111 sola demanda (lln canal est ocupado, los 11Pm:s estn 1ihrPs).

.. ...
S,,: se 1.iene k drmautlas (k canales estn ocupados, los dems est:11 lilires);
Sn: Se tiene n demalldas (lodos los canales n
est;n ocupados).
El grafo de estados de se corrrsponde al esquema
dP ;iniq11il:1cin y 1111111.iplicacitin (Jig. 20.1). Tracemos

~-;l_:_r-71~ ...

L'~--~
--JI
2p
~

Fig. 20:1.

rste grafo, rs decir, pongamos al lado de las flechas

las i11tensidadcs de los flujos do sucesos. El sistema
pasa del estado S 0 al 8 1 bajo la accin d~1l flujo de

190

P~

:-[skt;~~
kt
k(k1 ') -nLJ

191

s 51!""

-"'- .

-t

"'

'

!r.,~c.frW~'..;,.. +'t _i-~2_:_:'' f -- ~-:

ow~~---~

--

demandas con una intensidad igual a A (tan pronto

como llegue la demanda el sistema pasa del S 0 al S 1 ).
Bajo la accin del mismo flujo de demandas el sistema
pasa de cualquier estado izquierdo al prximo derecho
(vanse las flechas superiores en la figura 20.1).
Pongamos las intensidades al lado de las flechas
inferiores. Sea que el sistema se encuentre on el estado
S 1 (funciona un solo canal). Esto efecta t tratamientos por la unidad de tiempo. Pongamos al lado de la
flecha S 1 -+- S 0 la intensidad . Imaginmonos por
ahora que el sistema se encuentre en el estado S 2
(funcionan dos canales). Para pasar al estado S 1 ,
es necesario que termine el servicio bien del primer
canal o bien del segundo; la intensidad sumaria de
sus flujos es igual a 2i; pongmosla al lado de la
flecha respectiva. El flujo total de servicio asegurado
por tres canales tiene una intensidad de 3, el asegurado por k canales, de kt. Ponernos estas intensidades
al lado de las flechas inferiores en la figura 20.1.
Ahora, sabiendo todas las intensidades, hagamos
uso de las frmulas ya listas (19. 7), (Hl.8) destinadas
a las probabilidades finales en el esquema de aniquilacin y multiplicacin. Segn la frmula (19.8) obtendremos:
(

;i..

Po= 1 +

;i..2

Es de sefialar que en las frmulas (20.1), (20.2) las

intensidad es 'A y eu tran no separad amen te, sino en
forrna de relaci11 'A/. Designemos

'Af ~L

-,-n

_ (

Po -

..} ;

P~
+ P T, -:Ji
+ +-p h1 -j- ... +-pnn.1 )- 1 ,
~.

- - . _.,. _ , . . ,

(20.4)

ph

Po ,

P11=;: Po

ptl

(20.5)

Las frmulas (20.4), (20.5) para las probabilidades finales de estados se denominan frmulas de Erlang, en honor del fundador de la teora de colas. La
mayora de l as otras frmulas de esta teora (hoy da
hay ms que ho11gos en el bosque) no llevan ningn
uornLre esvecial.
'
As pues, las probabilidades finales estn halladas.
Con ayuda de ellas calcularemos las caractersticas de
eficiencia del SC. En primer lugar hallaremos Pres. neg. 1
o sea, la probabilidad de que la demanda llegada reciba
la respuesta negativa (no ser servida). Pa,ra esto es
preciso que todos canales n estn ocupados, por lo
tanto

(20.1)

pn

Pres. neg.

= Pn = "T Po

(20.6)

De aqu, hallamos la capacidad relativa del sistema, o sea, Ja probabilidad de que el pedido estar

(20.2)

. . ~-

fJ2 =--=Ti

, Pn === nT Po

13-0515

p~

192

111 = Pfio

.n
> '
'
"'
f,.2
Los termmos
de desartollo
,
, , - 1 n
22

n
representarn coeficientes <;on p 0 en las expresiones
para p 1 , p 2 , , p,:
t.
.,2
,.,k
P1 =Po
P2 = 2ft2 flo P11 = kl fth Po
1.n
1P11=nf[tn

(20.3)
y de11orni11aremos la magnitud p como <dnt-eSid"8ci
nducida del flujo de demandas, lo que significa el
nmero medio de demandas que llegan durante el tiempo
medio de servicio de una demanda. Utilizando esta
designacin, volvamos a escribir las frmulas (20.1),
(20.2) en la forma siguiente:

;\3

-!- 2ft2 -1- 23s -1-

'A,k
.,n )-1
-1- -.kkl + + n

, -----
;;,
.

19..>

~""':'~~~~~-:-====::::::=

servido:

tiempo medio de seivicio de una demanda ttr. -

p~

Q = 1-Pres. neg. = 1---; Po

= 2 (mili), todos los Hujos de sucesos (al igual que

(20. 7)

Hecomendamos al lector que resuelva por s mismo

el ejemplo siguiente. Tenemos una central de comunicaciones con tres canales (n = ~~); la intensidad del
flujo de demandas 'A= 1,5 (pedidos eu 1 minuto); el

en Ludo este prrafo) ::;on sirupli::;iruo::;. Hallar las

probabilidades 1inales de los estados y las caractersticas de la eficiencia de SC: A, Q, Pres. neg., 'ft. Por
si acaso, ofrecemos las respuestas: Po = 1/13, p 1 =
= 3/13, p 2 = U/:, p 3 = \J/2 ;:::;; U,iY1, A ~ U,U81,
Q ~ U,G4, Pres. neg. ~ U,34, k;:::;; 1,\:J{),
De los resultados se deduce, entretanto, que nuestro se e::;l, eu grau medida, sobrecargado: de tres
canales esUu1 ocupados uu promedio de dos, y de las
demam.las reciliiuas quedan siu servir cerca del 35%
Vlrecernos al lector curioso y no perezoso aclarar:
cuntos cauales se necesitan para satisfacer, por lo
menos, un ~U% de los pedidos llegados? .Entonces
que parte de los 1.:auales estarn inutilizados?
Aqu ya se aclvierLe cierta alusin a la optimizacin.
De hecho, el coulenido ele cada canal rnr unidad de
tiempo costar cierta sllma. Al mismo tiempo, cada
<lemanda salisledw da cierto Leueiioio. Multiplicando
este beuelicio por el nmero rne<lio <le demandas A
salisleciias en la uni<lad de tiempo, obtendremos el promedio de Leuelicio producido por el sistema de colas
en la uni<la<l <le tiempo . .Es uatural que cou el aumento
del 11mero de can al es este beneficio crece, pero creceu, tambiu, los gastos relaciuuados con el manteuimieulo de los 1.:auales. <..u prevalecer, el aumeuto
<le Leuelicios o <le gastosi' .Esto deJJen<le de las condiciones de la operacin, del pago por el tratamiento
del pe<li<lo y del costo de mantenimiento del canal.
Conocieudo estas magnitudes, se puede hallar el
nmero JJ Limo <le canales, el ms ventajoso econmi1.:ameute. No vamos a resolver tal problema, dejando al
lector curioso y uo perezoso inventar un ejemplo
y resol verlo. .En general, la invencin del problema

194

13*

El rendimiento mximo lo obtendremos mulLiplica11<lo Ja intensidad del flujo <le pedidos 'A poi' Q:

l,

pn

(20.8)
A= 'AQ =l.. 1 - 7i1 Po
Nos resta slo hallar el nmero medio de canales
ocupados k. Esta magnitud se podra encontrar directamente como esperanza maLerntica de la magnitud
aleatoria discreta cou los valores posibles U, 1, ...
. . . , n y con las probabilidades de estos valores iguales a p 0 , p 1 , , Pn:
k = Op 0 + 1p + 2P2 + . + nPn
Sustituyendo aqu las expresiones (20.5) para
P1t (k =O, 1, ... , n) y cumpliendo las transformaciones respectivas, obtendramos, al fin y al cabo,
la frmula exacta para k. Pero nosotros la deduciremos de una manera mucho m3s sencilla (He aqu
uno de los pequeos artificios!). De hecho, couocemos rendimiento mximo A. Esto no es otra cosa que
la intensidad del flujo de demandas seruidas por el
sistema. Cada canal ocupado sirve por unidad de tiempo un promedio de demandas igual a . Entonces,
el nmero medio de canales ocupados es igual a
k = Al,
(20.V)
o co11siderando (20.8),
-k

P"
)
p ( 1 --;--Po

(20.10)

&94-RMMW' 13

t~ r.;

195

... ...__

~~--------~

.,

Resolucin. N umeraremos, como an t es, los estados

del sistema de acuerdo al nmero de dem andas que se
encuentran en el sistem a de colas:
S 0 sign ifica que el canal est libre,
S 1 quiere decir que el canal est ocupado (est atend icndo l a demanda) , no hay cola,
S 2 significa que el ca n al est. ocnp ad o, nna demanda
est en l a cola,

desarrolla ms que Ja resolucin del problema formulado por alguien.

2. se de Ull solo canal con cola ilimitada. En la
prctica se encuentran muy frecuentemente se de
un canal con cola (el mdico que presta asistencia a
los pacientes; el telfono automtico con una cabina;
la calculadora electrnica que cumple pedidos de los
clientes). En la teora <le colas los SC <le un canal
con cola tambin ocupan un lugar especial (precisamente con estos sistemas de colas est rel acionada
la mayora de frmulas analticas ob tenid as hasta el
momento para los sistemas no markovianos). Por esta
razn prestaremos una atencin especial al se de
un canal con cola.
Supongamos que existe un se de un canal con
cola que no tiene sobrepuestas ningunas limitaciones
(ni por la longitud de la cola ni por el tiempo de espera). Este sistema de colas tecibe el flujo de pedidos
con una' intensidad igual u A.; el flujo de servicios tiene
una intensidad de inversa al tiempo medio de servicio
de la demanda ltr. Se requiere hallar las probabilidades finales del estado del sistoma d e colas, as
como las caractersticas de s u eficiencia:
Lsist. es el nmero medio de demandas en el sistema,
W816 t. es el tiempo medio de estancia de la demanda en el sistema,
L eo!. es el nmero medio de dema11das en la cola,
Wcol. es el tiempo medio de estancia de la demanda
en la cola,
Pocup. es la probabilid ad de que el canal est ocupado (grado de utilizacin d el canal).
En lo que se refiere al rendimiento m ximo A
y relativo Q, no hay necesidad calcularlos: debido
a que la cola es ilimitada, cada demanda ser , tarde
o temprano, servida, por lo tanto, A = 'A y por la
misma razn Q = 1.

s,, significa qu e el canal est ocu p ado, k mand as estn en Ja col n,

;
I

1 de-

./

T ericamente el nm ero de estnd os est: ilim itado

(es infini to). El grafo de estados t iene l a forma mostrada en la figura 20. 2. E ste es tm esquema de aui uilacin

''l

'..:
lj

>.

).

[5;1-:-[
_:_:_J- s, J~~ si t:-

11

I'

I'

>.

).

... ~
k
-..

.[

Fig . 20. 2.

y multiplicacin, p ero con un nmero infinito de estados. De acuerdo a todas las flech as el fluj o d e demandas con un a intensidad de 'A pasa el sistema de izquierda
a derech a, y de derech a a izquierd a, es pasado p or el
fluj o de servicios con u na in tensid ad igual a .
Pregun tmonos, ante todo, existen, en este caso,
prohahilidaclcs finales!' Pues, el nm ero de estados
del sistema es infinito y si t ~ oo , la~col a puede crecer, en principio, ilimi t adamen te. S, as es: l as probnhilid adcs finales p ara tal se no siempre existen ,
sino slo cuand o el s istema no est sobrecargado.
Se puede demos trar qu e si es rigurosamente inferior
a la unidad (p < 1), entonces las probabilidades fin a~
les existen , y si p :;:?: 1 la cola crece ilimit adamente,
cuando t-+ oo . Este hecho parece sobre todo in-

,,

di

~t''

lj ~

lt ~ !

jitj

:t:.I

197

i96

~f'

ili
JI
'i~

},

'

.,_ ,_,.;

--~- ~ ~~ ),..,~~.

""

..

......

~-1,

---

-~--~

-~

. . -----

..

~-- --~=--=====


comprensible, cuando p = 1. Parece ser que nnte el
sistema no se plantenn Jos requisit.os no cmanlirlos:
durante el tiempo de servicio prestado a una demandn,
lJega, como promedio, una demanda , y todo dehe
estar en orden, pero de hecho no es as. Si p = 1 el
sistema de colas cumple con el flujo de pedidos, solamente si este flujo es regul ar y el tiempo de trntamiento , que tampoco es aleatorio, es igunl al intervalo
entre las demandas. En este caso ideal en el SC no
habr ni una sla cola, el canal estnr: continuamente
ocupado y entregar:' regularmente las demandas servid as. Pero npen ns el flujo de pedid os o el flujo de
servicios adquiera un pequeo grado de casualidad
y Ja cola crecer liasta el infinito. Esto en la pr:'ctica
no sucede, solamente debido a que el nmero infinito
de demandas en la cola es pura abstraccin. IPues a
tales errores graves puede llevar la smititu cin de
magnitudes aleatorias por sus esperanzas matemticas!
Pero volvamos a nuestro SC de un canal con cola
ilimitada. Hablando en rigor, las frmulas para las
probabilidades finales en el esquema de aniquilacin
y multipJicacin fueron deducid as solamente para el
caso de un nmero finito de estados; pero, permitmonos libertades, hagamos uso de ellas tambin para el
nmero infinito de estados. Calculemos las probabilidades finales segn las frmulas (19.8), (in.7). En nuestro
caso el nmero de sumandos en la frmula (19.8) ser
infinito. Obtendremos para Po Ja expresin siguiente:

Po

= [1

no rigurosa , de que las probab ilidades finales de lcis

es tados p 0 , p 1 , , p ,,, ... , existen slo cuando
p < 1). Supo ngamos por ahora que es ta con dicin est
cumplida y p < 1. Smnando '.la p rogresin en (20.11),
tenemos:

~f

+ p + p2+ ... + p" + ... = -1-_1 -p

iii
q

1
de dornle

'

Po = ' 1 - p.
(20.12)
Las p rnh abilidades p,, p 2 , , p 1,, se hallarn seg n l as frmul as:
Pi = PfJo, P2 = P2fJ o, , P1t = Ph Po,
d e dond e, cousiderando (20. 12), hallamos defin it ivam e11Le:
P1 = P (1 - - p), P2 e= P2 (1 - p), . . . , P1t =
= r" (1 - - p), . . . (20.13)
Como se p uede v er , l as probabilidad es p 0 , p 1 ,
.. , Ph fo rm an una progresin geomt r ica con el
denominad or p . Por extrao que sea, l a m xima de
ellas Po es l a probabilid ad d e q ue el canal est libre
totalmen te. Cualquiera q1rn sea el grado d e ocup acin
del sistem a con cola, s i es que slo l cumple,. en
general, con el flujo de p edidos (p < 1), el nmero
ms p robDble de d emand as en el s istem a ser igual a O.
H allem os d 11m e ro m edi o de d e m a nd as en el s istema de colas L sis t. . E s to n os dar al g un os q uebrad eros
ele caheza. L a m agni t ud al eatoria Z , es el nmero de
dmnarnlas en el sistem a y tiene los v alores posibles de
O, '.I , 2, . .. , le cou las probab ilidades de p 0 , Pi
p 2 , , p 111 Su esp eranza m atem tica es igual a
ls ist.= flo + 1 p 1+ 2 fJ2 + ...

+ 'A/ + ('Aht) 2 + ... + pJ~t)h + ... J-1 =

(1 + r + r2 + ... + r" + .. . )- 1
(20.11)

La serie en la frmula (20.11) representa una progresin geomtrica. Sahemos que si p < 1 la serie
converge y es una progresin geornt.rica decreciente
infinita con el denominador p. Si p
1 la serie el iverge
(lo que representa. una demm;itr:1cin Indirecta, . aunque

"

i
1

"
11

:
'
1

j
;)

I!

,;'

1
!\

,
~

00

. .. + k p1i + ... = )_ 1J k p11.

>

(20.14 )

h= !

(la suma n o s!J toma de' O a oo, sino de 1 a oo,

yaque

199

198

' '

'i h"'

---

... ~

. '

~ -+.

---

<+ -~--~-

.......,......ri..--......,. --

- ,.._,,,_..,..._..

__

~~---------

'

el trmino nulo es igual n cero).

Pongamos en la frmula (20.14) la expresin para
Pk (20.13):
00

2J

Lstst. =

kpk (1- p).

"

h=l

Saquclrnos, ahora, del signo do Ja suma p (1 -

Lstst. = P (1- p)

j';

p):

kpk-t.

h=l

Aqu, de nuevo, empleemos un pequeo artificio:

kpk-l no es otra cosa que la derivada en p de la expresin pk, lo que quiere decir,
00

Lstst.

= p~(1-- p)~h :p

ph.

k=I

Cambiando de lugares las operaciones de diferenciacin y adicin, obtendremos:

Por consiguiente, el nmero medio de demandas bajo

servicio es igual a
(20.19)
L1r = p,
de aqu

00

Lstst.=P(1-p) :p

pk.

(20.15)

k=l

Pero la suma en la frmula (20.15) no es otra cosa,

que la suma de una progresin geomtrica decreciente
infinita con el primer trmino p y el denominador p;
esta

(t~ps

suma

es igual a

Sustituyendo

obtendremos:

l.

'slst. =

J, col =

X(i~p).

. Hallemol!l el nmero medio de demandas en la

'

:1

Ir

'!

I~

w
~
i

p2
==

J -p .

p2

C IJ

l - ..,,-c-:-----:. ---

f.(f-p)

(20.21)

. De esla 111a11L'rn, esl11 l1allaclas Lodas las caractersticas de la eJ'icic11cia del sistema de colas.
Propongamos al lector que resuelva por s mismo,
un ejemplo: el se de un canal representa una estacitt
de ferrocarril de clasificacin, que recibe un flujo
simple de trenes con una intensidad de f. = :2 (trenes

2Pi.

2()

1
i

(20.20)

De acuerdo a Ja frmula de Lit.le (HJ.13) hallaremos

el tiempo rncd io de esta11cia de la demanda en la cola:

(2U.1!i)

(20.17)

11

Lstst. - P = T~p -- P
LcoJ.

Apliquemos, ahora, la frmula ele Lille (1!1.'12)

y haIJemos el tiempo medio de esta11cia de la demm1d<1
en el sistema:
Waut.=

y defiuitivautenle

-1 P
, y su derivada, a
-p
esta expresin en (20.15),
p
1 -p

cola Leo!.. Hazonarernos ' as: el nmero de demandas

en la cola es igual al nmero de demandas en el sistema
menos el nmero de demandas que estn bajo servicio.
Esto quiere decir que (de acuerdo a la regla de adicin
de las esperanzas matemticas) el nmero medio de
demandas en la cola Leal. es igual al nmero medio
de demandas on el sistema Lsist. menos 'el nmero
medio de demandas que estn bajo servicio. El nmero
de demandas bajo servicio puede ser igual bien a cero
(si el canal est libre) o bien a la unidad (si est ocupado). La esperanza matem:tica de tal magnitud
aleatoria es igual a la probabilidad de que el canal
est ocupado (lo designamos por Pocup.). Es evidente
que Pocup. es igual a la unidad menos la probabilidad
Po de que el canal est Ubre:
(20.18)
Pocup. == 1 - Po = P

.!

'I1
;I
.l

;1;h

m.

g a ISWPI
il<"!'.

E?! "-~ -~------

-- - .. ,

-----~- . - - - - - - -

"'i

por hora). El servicio (descomposiciu) al tren dura

un lapso de tiempo aleatorio (exponencial) con un
valor medio de ttr = 20 (min). En el parque de llegada
de la estacin hay dos vas en las cnales pueden esperar el servicio los trenes que llegan; si ambas estn
ocupadas los trenes se ven obligados a esperar en las
vas exteriores. Se requiere hallar (para un rgimen
lmite, estacionario del funcionamiento de la estacin): el nmero medio de trenes Lsist . relacionados
con la estacin, el tiempo medio Wstst. de estancia
del tren en la estacin (en las vas interiores, exteriores y bajo servicio), el nmero medio de trenes Leo!.
que esperan la cola para su descomposicin, y el
tiempo medio de estancia del tren en la cola WcoJ.Adems, hace falta tratar de hallar el nmero medio
de trenes qne esperan la descomposicin en las vas
exteriores Lext. y el tiempo medio de esta espera
Wext.
(las dos ltimas magnitudes estn ligadas
a travs de la frmula de Litle). Por ltimo es necesario hallar la multa sumaria diaria M que hay que
pagar por la inutilizacin de los trenes que se encuentran en las vas exteriores, si la estacin paga por hora
de inutilizacin de un tren una multa igual a a (rub.).
Ofrecemos, por s acaso, las respuestas: Lsist. =
= 2 (trenes), W slst. = 1 (hora) .,. Leo J. = 4/3 (de
tren)., Wc 0 i. = 2/3 (de hora), Lext. ''= 16/27 (de tren),
Wext. = 8/27 ~ 0,297 (de hora). El promedio de
multa diaria M que se paga por la espera de los trenes en las vas exteriores , lo obtendremos , m111Liplica11do el 11mero medio de lrones que llegan a la estacin durante 24 horas, por el tiempo medio de espera
del tren en las vas exteriores y por la multa por
1 hora a : M ~ 14,2a.
3. Sistema de colas den canales con cola ilimitada.
De manera anloga al problema 2, pero un poco ms
complicada, se resuelve l problema <le
de n can3;.

j
l
l

,
q

les con cola ilimitada. La n11111eracin do estados se

renlza, de nuevo, de aclwrdo al nmero de demandas
que se encuentran eu el sistema :
S 0 significa que en el sistem a de colas no hay de11n111das (lodos los can~iles estn libres),
S 1 significa quo est ocupado un canal, los dems
osLn libres,
S 2 sig nifi<;a que estn ocupados dos canales, los
dems est:n 1ibres,

;,
.

S\ signi[ica q110 esl;11 ocupados k canales, los

dems estn Jihres,

sil signific;i q11e estn ocnparlos todos los n ca nales

(no lin y cola) ,
Sn +i s ign if ica q11 0 f'sln oc11 pados 11 canales y una
demanda esl : en la co la ,
S,, .,. s ignif ica que estn oc11 paclos Lodos los canales y r derna11das estn en cola,

El grafo de estados se reproduce en la figura 20.3.

Proponemos que el lector mismo razone y argumente
los valores de intensidades p uestos al lado de las
flechas. El grafo en la figura 20.3 representa el esquP-

~-r~~1-~ -:fs,-l_:_ ... ~_:.._1~-~-rcJ .: ... ~-L ..

!~.\.J. --LJ----~---L.:J--LJ--~
- ---

1'

2 1

I'

1'- 11i11 1'

Fi .~ .

111

111

111

11

20.3.

n1a do Hniqnilncin y mult.iplicacin, poro con un

nmero in[in ilo do estados. Ofreceremos, 'sin demostraciones, la co ndicin na tural de existencia de las
probabilidades finales: pin < 1. Si pin> 1 1 la cola
c.rPce hasta el infinito.

se

202

203.
i:

11!111:'.'.r.

"

- .... ~ -

..

'

'

' ::;:;:;........~--....~~!"""~"'--..- ..............--....._.. ...... ,_....,~,,.-- - - -

Supongamos que la condicin pin < 1 se ha cumplido y existen probabilidades finales. Aplicando
las mismas frmulas (19.8) , (19.7) para el esquema de
aniquilacin y multiplicacin, hallaremos estas probabilidades finales. En la expresin para p 0 tendremos
una serie de trminos que contienen factoriales ms
la suma de una progresin geomtrica decreciente
infinita con el denominador pin. Sumndola, hallaremos:
p

Po= 1 + 11

p2

+ 21 +

pn+l

pn

+ ~+-n!(n- p)

)-1

p
~
' pn
p, = -11 Po p,=-kl Po ... , fin = - , Po

pn +l
P11+1 =

n.

pn+r

'

Dividiendo las expresiones para Leo!. y L8 18 t. por

/.., segn la frmula de Litle, obtendremos los tiempos
medios de estancia de la demanda en la cola y en el
sistema:
1

Weol .= ):'Lcol.

l
l

(20 .22)

Hallamos, ahora, las caractersticas de eficiencia

del sistema de colas. De ellas se halla fcilmente el
nmero medio de canales ocupados k = /..,/ = p
(esto es, en general, justo para cualquier se con cola
ilimitada). Hallemos el nmero medio de demanda s
en el sistema Lst s t. y el nmero medio de demandas
en la cola Leo! . . De ellos es ms fcil calcular segn
la frmula L eo! . = j rPn+ri el segundo; realizando

r=i

las transformaciones rospecti vas sim llares a ] as del

prnLlema 2 (diferenciando la serie), oLlendremos:
p"+lPo
L e o!.

(20.23)

n nl (l-p /11}!

Sumando a sla el nmero mcd io de demandas Lajo

servicio (que es, al mismo tiempo, el nmero medio
de canales ocupados) k = p, obtendremos:
(20.24)
L.1.t. = Leo1.
P

205

:~

w.

(20.25)

Hesolvamos., ahora, un ejemplo curioso. Una taquilla ferroviaria con dos ventanillas representa un se
de dos canales con cola ilimitada que se forma, al
mismo tiempo, en dos taquillas (si una ventanilla
se libra, el pasajero prximo a sta la ocupa). La taquilla vende los billetes del ferrocarril para dos puntos
de destino: A y B. La intensidad del flujo de demandas
(pasajeros que quieren comprar un billete) es igual
para ambos puntos A y B: ')..A= f.. 8 = 0,45 (pasajeros
por minuto). formando en suma un flujo total de
demandas con una intensidad de AA
f.. 8 = 0,9.
El taquillero invierte un promedia de dos minutos
para servir a un pasajero. La experiencia muestra
que en la taquilla se forman colas y los pasajeros
se quejan de la lentitud de servicio. Se recibi una
propuesta de racionalizacin consistente en crear
en vez de una taquilla que vende billetes para A y B,
dos taquillas especializadas (con una ventanilla en
cada una) que ve11den billetes, una para el punto A
y otra para el punto B. Lo razonable de esta propuesta
s discutible, ya que se sostiene que las colas quedan
las mismas. Se requiere comprobar la utilidad de la
propuesta, recurriendo a los clculos. Puesto que sabemos calcular las caractersticas solamente para los
sistemas de colas simples, supongamos que todos los
flujos de sucesos son simplsimos (esto no afecta los
aspectos cualitativos de las deducciones).
Bien, pues, manos a la obra. Examinemos dos

n n! Pu P11 +r = 7 .-;-;yfJu

H's1s1 . =-;Ls1st.

4:.i:-n ..J

-~~---

.1'Z, ~

._

;_;:;f .~~

__ "

- --~- ------- ...... _.__ .. ___ ~.

l
i

11
1

j
1
1

variantes <le la organizacion de vm1la de hilletes,

el existente y el propuesto.
Variante 1 (existente). Al sislerna de colas de dos
canales llega un flujo de demandas con una 1tensidad de 'A = 0,9; la intensidad del flujo de servicios
es = 1/2 = 0,5; p = 'A/ = 1,8. l'ueslo que p/2 =
= 0,9 < 1 exislen probahilidadl's finales. Hallamos,
segn la primera frmula (20.22) fio ::::::::: U,052fi. El
nmero medio de demandas CJI la cola lo hallarnof'
segn la frmula (20.23): Leot. ::::::::: 7 ,68; el tiempo
medio de estancia de la demanda en la cola (segn
la primera frmula (20.25)) es igual a W col. :::::::::
: : : : : 8,54 (min).
Variante 11 (propueslo). Es 1rncesario exarni11ar
dos sistemas de colas de dos canales (dos ventanillas
especializadas); cada una de ellas recibe 1rn flujo
de pedidos con una intensidad ele 'A = 0,45; ~t sig11e
siendo igual a 0,5; p = 'A/~t = 0,9 < 1; existen probabilidades finales. De acuerdo a la frmula (20.20)
hallamos la longitud media de la cola (en una ventanilla) Lcol. = 8,1.
'
Vaya una historial El largo de la cola no slo
se redujo, sino que aument! ;,Tal vez haya dismin11ido
el tiempo medio de esper:1 en la coln? VP,rernos. Dividiendo Leol. por 'A = 0/l5, o obtendremos Wcot. :::::::::
: : : : : 18 (min).
Que racionalizacin! En vez de redul.irse, m1me11taro11 tanto el tiempo medio do espera como Ja longitud media de la cola!
Probemos adivinar por qu sucedi eslo'? Parando
mientes en esto, llegamos a la conclusin: esto t11vo
lugar porque en la primera variante (sistema de dos
canales) es menor la parle media de tiempo en la
cual estn parados cada uno de los dos lnq11illeros;
pues si el taquillero no est ocllpndo sirviendo al
pasajero que compra el billete en el pu11to A, puede

icuparse dei servicio al pasajero qe cornpra el billete

en el punlo /J y viceversa. E11 In segunda variante no
exisle lal i11lerc<11J1hiabilidad, ya que el taquillero
desocupado csl senlado, sin hacer nada ..
- P11es hien, - est:'t disp11esto el lector a conformarse,- se p11ede explicar el aumento, pero, por
qu es tan suslancial? ,No hahr aqu un error en
el clculo'?
Hespondiondo n esta pregunla afirmamos que no
hay error. El caso es que en nuestro ejemplo ambos
sistemas do colas foncionan en el lmite de sus capacidades; es s11[icie11Le a11me11lar 1111 poco el tiempo de
servicio (es decir, dis111i11uil' ~t) para que ellos dejen de
cumplir co11 el flujo de pasajeros, y la cola comenzar
a crecer ilimitadarneute. Las horas muertasi> del
taquillero son eq ui val en les en cierta medida a la
re1lucci11 de su productividad .
As p1rns, el rcs1dtado de los clculos que inicialmente parece paradjico (o incluso incorrecto) resulta
correclo y hiln explicable.
Tales concl 11siones paradgicas cuyas causas distan
m11cho de ser evidentes, son abundantes en la teora de
colas. La autora personalmente fue sorprendida repetidas veces por los resullados de clculos, que resultaron
ser posteriorme11 te correct.os.
J\naliznndo el ltimo problema, el lector puede
for11111lar la prcg1111la do la rnanera sig11ienle: si la taquilla vendo hilleles para 1111 solo p11nlo, es nalural que el
lie111po de servicio lie110 q11e disminuirse, sino no en
tlos voces, por lo menos en algo; sin embargo hemos
consiclerado que sigue siendo como promedio igual a 2
(111i11). Propo11gamos que 1~l leclor tan riguroso responda
a la preg1111la: en crninlo hace falta disminuir el tiempo para que la propuesta de razionalizacin sea venlajosa? Nos encontramo~ de n11evo con un problema de
oplimizaci11, aunque ste es elemental. Recurriendo
207

206

!lJI
t

.ll
!'
:1
I
!1.1

'

~1

fI[

~
:1

i
~

.1

!f'
'i!

__ ,._.,._ . . , ,_

T
~
: '.~~ .._ ..,............,.._......-~----- --

- ' --"\__....._,....,..

______

__........:-::=====::::::

a. los clculos <le referencia, incluso en los modelos ms

mquiirns hcrramientRs q11e necesitan, do vez en cuando,; ajuste (reparacin). La i1Jte11si<lad del flujo de
demandas de cada mquina en funcionamiento, es
igual a 'A. Si La mquina se puso fuera de servicio en el
momento cuando el obrero est desocupado, l empieza
de in rned i a to a prestarla servicio. Si se puso fuera de servicio en el momento c11a11do el obrero est ocupado, la
miq11ina se pone e11 la cola y espera l1ast.a fJllfl el obrero
se 1ihrn. El tit>mpo medio de ajusto do la mquina
herramienta PS de ltr. = 1/p.. La intensidad del flujo
de demm1das que l logan al obrero depende de la cantidad ele mquinas en fu11c.ionarnie11to. Si funcionan k
mquinas, es ig11al a //A.. Se requiero hallar las probabilidades de estados, el nmero medio de mquina
herrarn ienta e11 fu 11ci 011ai1J ien lo y Jn proba bilida<l de
que el obrern est ocupado.
E s de seialar que tambin en esto sistema de colas
las prolrnbi 1idades fi11a]ps existirfin para cualesquiera
de los valores qt1e tornen 'A y p. = Vt 1n puesto que el
nmero de estados es finito.

simples, markovianos, se logra aclarar el aspecto cualitativo del fenmeno, es decir, qu manera de actual' os
ventajosa y cual no. En el prrafo siguiente daremos
a conocer ciertos modelos elementales no markovianos,
que ampliarn nuestras posibilidades.
Despus que el lector so familiariz co11 los procPdirnicmtos de clculo de las probabilidades filiales de
estados y caractersticas de eficiencia para los sistemas de colas simples (o sea, aprendi a dominar el
esquema de aniquilacin y multiplicacin y la frm11la
de Litle), se le puede proponer, para analizarlos independientemente, dos se simples ms.
4. SC de un canal con cola limitada. El problema
se diferenda del problema 2 solamente en que el nmero de demandas en la cola es limitado (no puede sobrepasar cierto m dado). Si la demanda nueva llega en el
momento cuando todos los lugares en la cola estn
ocupados, sta abandona el sistema de colas sin ser
servida (recibe una respuesta negativa). Es necesario
hallar las probabilidades finales de estados (a propsito,
stas existen en este problema para cualquier p, ya
que ol nmero de estados es finito), 1n probabilidad do
respuesta negativa Pres. neg., el rendimiento mximo A,
la probabilidad de que el canal est ocupado P oc.,
la longitud media de la cola Leo!., el nmero medio de
demandas en el sistema de colas Lstst.., el tiempo medio
de espera en la cola W col. el tiempo medio de estancia
de la demanda en el sistema de colas W515 t .. Cuando
calculamos las caractersticas de la cola se puede utili
zar el mismo procedimiento que hemos utilizado en el
problema 2, a diferencia de que hace falta sumar la
progresin finita en vez de la infinita.
5. se cerrado con un canal y m fuentes de demandas.
Para que el problema sea ms concreto, formulmoslo
en la forma siguiente: un obrero presta servicio a m

'

'l

i
'.I

:1
:

;
i

'i

21. Problemas ms complejos de la teora

de colas
En este prrafo examinaremos brevemente ciertas
cuestiones relativas a Jos sistemas do colas no markov ianos. llast.a al10ra todas las frmulas fueron deducidas por 11osotrns y pudieron ser deducidas por el
lector armado del esquema de aniquilacin y multiplicacin, de _la frmula de Lit.le y que sabe diferenciar.
EL lector tendr qne creer de buena fe lo que se va
a exponer en este prrafo.
Hasta ahora nos hemos dedicado solamente a los
sistemas de colas simples, parn los cuales todos los
flujos de sncesos q ne pasaban a stos de un estado

208

14-0515

209

li

;
i!

;;I"
1

-~

-.

-~

.:,.,. . , ....,,.
-~----

~--~ .. -~ ...; .. _.__ ,,

. ---- ~----

"

. a otro eran simplsimos. Qu hacer, si no son simples?

Hasta qu punto es real esta adrnisiu? Hasta qu
grado son significantes los errores que trae consigo
esta admisin cuando se viola? Probaremos responder
a todas estas preguntas.
Por muy triste que sea, es necesario reconocer que
en el campo de la teora de colas no mnrkoviana no
podemos ofrecer nada especial. Para estos sistemas
existen ~olamente algunos contados resultados que
permiten expresar en forma explcita, analtica, las
caractersticas del se a travs de las condiciones
dadas del problema, a saber, nmero de canales, carcter de flujo de demandas, forma de distribucin del
tiempo de servicio. Demos algunos do estos resultados.
1. Sistema de colas de n canales con respuestas negativas, con flujo simple de demandas y distribucin
arbitraria del tiempo de servicio. Hemos deducido
en el prrafo anterior las frmulas de Erlang (20.4),
(20.5) para las probabilidades finales de estados con
respuestas negativas. Relativamente no hace mucho,
en 1959, B. A. Sevastianov (19] demostr que estas
frmulas son justas no slo para una distribucin
exponencial, sino tambin para una distribucin arbitraria del tiempo de servicio.
2. Sistema de colas de un canal con cola ilimitada,
flujo simple ele demandas y distribucin aribraria del
tiempo de servicio. Si un flujo simple de demandas
con una intensidad igual a 'A llega al se de un canal
con cola ilimitada y el tiempo de servicio tiene una
distribucin arbitraria con una esperanza matemtica
de fser. = ti y con un coeficiente de variacin v 1t,
entonces el nmero medio de demandas en la cola es
igual a
p2
Leo!.=

(1+v~)

P~~+v~)

Lstst. = 2

p2 (1

_.._

l. - ~

(21.2)

+v~)

p2

(~ + v~)

vVstst.= 2A.(1-p)

+ 1//L

t'

111, i'
'!5j

;;
; ~j

.!,

'

,
1
1

(21.3)

I1

(21.4)

I'

,\

Es do sealar que en el caso particular. cuando el

tiempo de servicio es exponencial, vL = 1 y las frmulas (21.1) (21.2) se transforman en frmulas, que nos
son conocidas (20.16), (20.20), para el se simple de
un canal. Examinemos otro caso particular, cuando,
en general, el tiempo de servicio no es casual y V = O.
Entonces, el nmero medio de demandas en la cola se
reduce en dos veces en comparacin con el caso simple.
Esto es natural: si el servicio a la demanda tiene lugar
de manera ms organizada, regular, el sistema de colas
funciona mejor, que en el caso de un servicio mal organizado y desordenado.
3. Sistema ele colas de un canal con flujo arbitrario
ele demandas y con distribucin arbitraria del tiempo
ele servicio. Se examina el se de un canal con cola
ilimitada al cual llega un flujo recurrente arbitrario de
10

~-~~-.

+ p,

l1Vcol.= --2A. (1-=Pf'

210

111!!!!11Jll!-.

(1-p)

donde, como a11teriorme11te, p = 'A/p., y V es la relacin eu tre la desv iaci11 cuadrtica media dnl tiempo
de servicio y la ospera11za matemtica. Las frmulas (21.1), (21.2) se denominan frmulas de PoMachek Jinchin.
Dividiendo Leo!. y Lstst. por 'A, obtendremos, de
acuerdo a la frmula ele Li tle el tiempo medio de estancia de la dcmm1da en la cola y el tiempo medio de
estancia e11 el sistema:

(21.1)

2 (1-p)

:I

y el nmero medio de demandas en el sistema ser,

,,

1
1

!:

JI
h:
'" !

211

--....----~---- ... - - ~

,, . . .. .. ,_ ...

~-' -~---------=::::-_;__~

cuando l os fluj os de dern a11das y do sel'vicios no son

simples.
Surge una pregu11ta n atural: qu pasa con el SC de
canales m l tiples no m arkovianos? Podemos contestar
con toda franqueza que 11ada do bueno. P ar a estos sistemas n o existen m tod os analticos exactos. Lo nico
que siempre podemos h allar es el nm ero medio de
canal es ocupados Tc = p. En lo que so r efiere a L cot. ,
L s1st.t Wcol. vV s lHl. 11 0 se logra escribir para ellos
tales frrn 11las gen eral es.
E s verdad que si l os ca11ales so n realmente numerosos (4 5 incluso m s) , el tiem po no ex p onencial de
servicio 110 es peligroso , si el flu jo entrante es simple.
El flujo total do liberaciones ele canales se forma de
los flujos do liberaciones de canales por separado como
resultado de tal superposicin ,, so obtiene como sabemos, un f1 11jo prximo a l simple . As que, en este
caso, la sustitucin d e la distribucin no exponencial del t iempo de ser v icio por l a exponencial lleva
a errores relativam ente pequeos. Afort11nadamente,
en muchos problemas de la prctica el fl11jo entrante
de demandas es prximo al si mple.
El asmllo es peor,. cu an do el flujo en trante no es,
a sabiendas, si mple, As que en este caso debemos
actuar ingonio:;am en te. Seleccion ar, por ejemplo , dos
sistemas de colns do un cannl, imo de los cuales t iene,
a ciencia cierta, mejor eficiencia q11 e el sistema dado
de canales m ltiples, y el otro, a sabiendas, peor (la
cola es mayor y el tiempo ele espera es tambin mayor)
Poro para el sis tenrn de 'col as de mi ca nal ya sabemos
hallar, po r lo monos, 1as caractersticas en cualquier caso.
Cmo seleccionar tales sistemas de colas de un
canal . es decir, el mejor y el peor? Puede hacerse de "diferentes maneras. R esulta que la v ariante que es
a todas luces, la peor se puede ob tener, desmembrando
el SC dado de n canales Cll n sistemas tle Ull canal y el

demandas con una intensidad igual a 'A y nn coeficiente

de variacin v), de los intervalos entre l as demandas
comprendidos entre cero y la unidad: O < v), < 1. El
tiempo de servicio 1'ser. tambin tiene una distribucin
arbitraria con un valor medio de tser . = 1 /~t y un coeficiente de variacin V que tambin est comprendido
entre el cero y la unid ad. Para esto caso n o se logra
obtener frmulas analti cas exac tas: se puede estimar
aproximadamente slo la longitud medi a de l a cola
y limitarla por ar riba y por abajo.
Se ha demostrado que en este caso
p(i- v~)

p2(vl+"f,)
2 (1-p)
-

p2 (vl+v~)

< Leo!.<

(1-p) (1-vj)

<
2(1-p) + -~--
(21.5)
Si el flujo entrante es simple , ambas estimaciones,
superior e inferior, coinciden y se obtiene la frmula
de Poliachek - J i11chin (21.1). Para estimaL' muy
aproximadamente la longitud media de la cola
M. A. Fainberg (vase [181) obtuvo una frmula muy
sencilla:

2(t-Pr .

p2 (v2+ v2)

(21.G)
El nmero medio de demandas en .el sistema se
obtiene de Leol. adicionando simplemente p, o sea, el
nmero medio de demandas de servicio:
Lsist. = Leo!.
P
(21.7)
En lo que se refiere a los tiempos medios de estancia
de las demandas en el sistema y en la cola , stos se
calculan a travs de Lcol. y L 818 t . segn la frmula de
Litle dividiendo por 'A .
- As pues, las caractElrsticas del SC de un canal con
cola ilimitada tambin pueden ser halladas (si no exac,
tamente, por lo menos, aproximadamente) en los casosLeoi.

213
212

_..

..

'

'

"' -

----

_.,.,,..,.....,...._...,.. ~_,,,

...

_____ . ...,. .... ..... --~

---------~--

---=- -::___-==...:.::..-

flujo simple total, que llega a ellos, distribuirlo entre

estos sistemas de cola de un canal segn el orden de la
cola: la primera demanda en el primer se, la segunda,
en el segundo, etc. Sabemos que en este caso cualquier
sistema de colas recibir urt flujo de Erlang de n-simo
orden con un coeficiente de variacin igual a 11V.
En lo que se refiere al coeficiente de variacin del
tiempo de servicio, ste queda sin cambiarse. Ya
sabemos calcular para tal sistema de colas de un canal
el tiempo de estancia de la demanda en el sistema
W 818 t.; ser, a sabiendas, mayor que para el se inicial
de n canales. Sabiendo este tiempo, se puede estimar,
de manera pesimista, el nmero medio de demandas en
la cola, aplicando la frmula de Litle y multiplicando
el tiempo medio por la intensidad del flujo total de
demandas. Se puede obtener una estimacin optimista, sustituyendo el se de n canales por el de un canal,
pero con una intensidad del flujo de servicios n veces
mayor que la dada, igual a n. Es natural que, en este
caso, el parmetro p tambin tiene q11e ser cambiado,
disminuido en n veces. El tiempo de estancia de Ja
demanda en el sistema wslsf. se redncir para tal se
a costa de que el servicio durar n veces menos tiempo.

Captulo VII
Simulacin estadstica de los procesos
aleatorios (mtodo de Montecarlo)

22. Idea, utilizacin y campo

de aplicacin de l mtodo
En los captulos anteriores aprendimos a construir
algunos mo delos analticos de operaciones con indeterminacin estocstica (de buena calidad). Estos
modelos permiten establecer la dependencia analtica
(por frmulas) entre las condiciones de operaciones,
elementos de solucin y el resultado de la operacin
que se caracteriza por uno o varios ndices de eficacia.
En numerosas operaciones los sistemas de colas u otros
anlogos (por ejemplo, dispositivos tcnicos con bloques que se ponen fuera de servicio) figuran como subsistemas o partes>) del sistema total dirigido. No cabe
duda de que las construcciones de los modelos matemticos analticos (aunque aproximados) son tiles y deseables. El inconvenientH consiste en que se logra
construirlos slo para los sistemas ms simples, sencillos)), y lo principal es que ellos requieren admisiones
sobre el carcter markoviano del proceso lo que no
siempre corresponde a la realidad. En los casos, cuando
los mtodos analticos no son aplicables (o se requiere
comprobar su exactitud), se debe recurrir al mtodo
universal de l a simulacin estadstica o, como lo denominan con frecuencia, mtodo de Jl,fontecarlo.
La idea del mtodo es extremadamente sencilla

Empleando el valor cambiado p = pin, el coeficiente

de variacin del flujo entrante Vi., y el tiempo de servicio v, podemos calcular aproximadamente el nmero medio de demandas en el sistema Lsi s t .. Sustrayendo de ste el valor inicial (no cambiado) p, obtendremos el nmero medio de demandas en la cola Leo!.=
= Lstst. - p. Ambas caractersticas sern menores que
para el se inicial den canales (representarn estimaciones optimistas). De ellas, dividindolas por A,, se
puede pasar a las estimaciones optimistas>) para el
tiempo de estancia en el sistema de colas y en la cola.

215
11

... _

..

""""'" i

'

....

""-.;.

------

----

- - -

y consiste en lo siguiente: en vez de describir el proceso

con ayuda del aparato analtico (de ecuaciones diferenciales o algebraicas), se realiza tm sorteo del fenmeno casual con ayuda de un procedimiento especialmente organizado que incluya la casualidad y de resultado aleatorio. En realidad la realizacin concreta del
proceso aleatorio se produce cacla vez de dislinta
manera; de la misma manera, tambin como resultado
de la simulacin estadstica (sorteo) obtenemos cada
vez una nueva, diferente de otras, realizacin del proceso investigado. 1\Qu nos puede proporcionar"? De
por s casi nada, lo mismo que,, digamos, un caso de
curacin de un enfermo con ayuda de cierto medicamento (o a pesar del medicamento). Otra cosa es, si se
obtuvieron muchas de tales realizaciones. Este conjunto de realizaciones puede utilizarse con10 1111 material
estadstico obtenido artificialmente, q 110 pu e de ser
tratado por medio de mtodos corrie11les de la estadstica matemtica. Una vez terminado tal tratamiento
pueden ser obtenidas (por supuesto,, aproximadamente)
cualesquiera caractersticas que presenten inters
para nosotros, a saber, probabilidades de sucesos,
esperanzas matemticas, variaciones de variables aleatorias, etc,. Simulando los fenmenos de carcter casual
con ayuda del mtodo de Montocarlo utilizarnos la
casualidad como aparato de investigacin, hacindola
trabajar para nosotros.
Tal procedimiento resulta, a veces, m':s simple que
la tentativa de construir i111 modelo analtico. Par:i
las operaciones complejas en las cuales participa una
gran cantiacl de elementos (111q11i11as, hombres, organismos, medios ~rnxiliares), ci1yos factores cas1rnles estn
entrelazados en forma compleja, donde el proceso no
es evidentemente markoviano, d mtodo de simulacin
estadstica resulta, como regla, ms sencillo qne el
analtico (y a menndo es, el nico posible).

.,
.l

Cualquier problema probabilstico puede ser resuelto, de hecho, por medio del mtodo de Montecarlo, pero
resulta justificado slo cuando el procedimiento de
sorteo es ms simple que el clculo analtico. Pongamos un ejemplo, cuando el mtodo de Montecarlo es
posible, pero demasiado irrazonable. Sea, por ejemplo,
que se producen tres tiros independientes a cierto blanco y cada uno de ellos da al blanco con una probabilidad
igual a 1/2. Se requiere hallar la probabilidad de, por
lo menos, un impacto. El clculo elemental nos da la
probabilidad de un impacto igual a 1-(1/2) 3 = 7/8.
Se p1iede resolver el mismo problema,. en principio,
con ayuda 1lel sorteo o simulacin estadstica. En
vez d~ !res tiros se pm~de tirar, digamos, tres monedas, considerando, quti la cara es un impacto y la
cruz, un fallo. El experimento se considera acertado,
si, por lo menos, en 11na moneda aparece la cara. Realicemos 1111a enorme canti.dacl rle experimentos, calculemos la ca11t11l total de xitos y dividmosla por el
nmero N de experimentos efectuados. As pues, obtendremos una frecuencia de sucesos que es, para un
nmero grande de experimentos, prxima a la probabilidad. ,Bien, y qu'? Quizs una persona que no conoce
en absoluto la teora de las probabilidades podra
utilizar tal procedimiento; ste, 110 obstante, es posible 1 ) .
Examinemos, ahora, otro problema. Sea que funciona el SC de mltiples canales COI\ cola, pero el proceso
que se prod11cc 011 este caso, es evidentemente no
111arkoviano: los intervalos entre las dcnrnndas tienen,
al ig11al que el tiempo de tratamiento, una distribucin
110 exponencial. Aun ms, los canales, de vez en cuando
1 ) Algo parecido sucede a veces, cua11do las personas que
conocen mal la teora de las prohaliilidad('S se ocupan, utilizantlo PI mtorlo de l\fonlecArlo, ele la simulAcin de los problemas que tienen resolucin analtica.

216

217

..,..,,.

.... .....,.~

--.

...

- ~.

--

1
se ponen fuera de servicio y se someten a reparacin;
tanto el tiempo de funcionamiento sin fallos del canal,
como el tiempo de reparacin son no exponenciales.
Se requiere hallar las caractersticas de los sistemas
con las colas: probabilidades de los estados en funcin
del tiempo, longitud media de la cola, tiempo medio
de estancia de la demanda en el sistema,, etc. Al parecer, el problema no es tan complejo. Sin embargo, cualquier persona que conoce algo de la teora de colas escoger para resolverlo, sin vacilar, el mtodo de simulacin estadstica (las perspectivas de crear aqu un modelo
matemtico visible son, hablando francamente, bastante malas). Ella tendr que interpretar una serie de
realizaciones del proceso aleatorio (por supuesto, utilizando las calculadoras electrnicas, pero no manualmente) y hallar, partiendo de tal estadstica artificial, aproximadamente las probabilidades que le
interesan (como frecuencias de los sucesos respectivos)
y las esperanzas matemticas (como valores aritmticos medios de las variables aleatorias).
En los problemas de la investigacin operativa el
mtodo de Montecarlo se utiliza en los tres casos principales siguientes:
1) para simular operaciones complicadas y complejas que tienen muchos factores aleatorios que accionan recprocamente;
2) para comprobar la aplicabilidad de mtodos
analticos ms simpies y aclarar las condiciones de su
aplicacin;
3) para elaborar las correcciones de las frmulas
analticas del 'tipo frmulas empricas de la tcnica.
En el prrafo 3 (captulo 1) ya hemos mencionado,
en trminos generales, las ventajas y los inconvenientes comparativos de los modelos analticos y estadsticos. Podemos, ahora, puntualizar que el inconveniente principal de los modelos analticos consiste en que
218

,.J
j
.1

!
"

requieren inevitablemente ciertas admisiones, especialmente, sobre el proceso markoviano. No siempre se

puede valorar la aceptabilidad de estas admisiones sin
recurrir a clculos de control, los cuales se efectan
por medio del mtodo de Montecarlo. Hablando
figurativamente, el mtodo de Montecarlo desempea
on los problemas de la investigacin operativa el papel
de una seccin de control tcnico original. Los modelos
estadsticos no requieren admisiones y simplificaciones
serias. En el model estadstico puede entrar, en principio, cualquier cosa, cualquiera do las leyes de distribucin, cualquier complejidad del sistema, mul tiplicidad de sus estados. La principal deficiencia de los
modelos estadsticos consiste en que son voluminosos
y trabajosos. La gran cantidad 1le realizaciones, necesaria para hallar los parmetros buscados con precisin
aceptable, requiero un gran consumo de tiempo de
maquinado. Adems, os mucho ms complicado interpretar los resultados de la simulacin estadstica, que
los clculos de los modelos matemticos y mucho ms
difcil, respectivamente, optimizar la solucin (por lo
que hace falta encontrarla a tientas). La combinacin
correcta do los mtodos analticos y estadsticos en la
investigacin do operaciones depende do la habilidad,
intuicin y experiencia del investigador. Utilizando
mtodos analticos se logra describir, bastante a menudo, ciertos subsistemas que se destacan en el sistema
gran1le y, luego, partim1do de tales modelos, como de
ladrillos, co11slruir el edificio de un modelo grande
y co1nplojo.

23. Sorteo unitario y formas

de su organizacin

..

El elemento fundamental, del conjunto del cual se

form::i. el modelo estndstico, es una realizaciOn aleatoria
del fenmeno simulado, por ejemplo, <mn caso de fun-

..

-----~-----IE~~,-',...,---~-~-----

219

- -~---------~7~_:_;_.:..:,....__

cionamiento de una mquina hasta su fallo, un <la de

trabajo de un taller industrial, una epidemia, etc.
La realizacin es como si fuera un ejemplar de un
fenmeno aleatorio con todas las casualidades que le
son propias. Las realizaciones se diferencian entre s
a cuenta de estas casualidades.
La realizacin concreta se interpreta con ayuda del
procedimiento (algoritmo) m;pecialmento elaborado en
el cual un papel muy importante desempea el sorteo . Cada vez qne en ol desarrollo 'lel fe11me110 intervien!) el azar, su inflliencia se valora 110 a travs de
clculos, sino por el sorteo .
Aclaremos el concepto de so1too. Supongamos
que en el curso del proceso lleg el mom ento cuando sn
desarrollo ulterior (por consignientJ, el resultado)
dependen do si sncedi o llo cierto sucoso A? Por
ejemplo, (.di al hlnn co el proyectil ? (1. Esti11 011 1>110 11
estado los nparatos? ~. Est localiz:ulo el ohjetivo?
Est liquidado el desperfecto? Enton ces, es preciso
resolver por medio del sorteo el problema: tuvo lugar
el suceso o no . ,Como se puede realizar este sorteo? Es
necesario poner en accin cierto mecanismo de eleccin
casual (por ejemplo, tirar la moneda o el dado o extraer la ficha con cifra del tambor en revoh1cin, o ejogir
al azar cierta cifra de la tabla). Nos son bien conocidos
ciertos mecanismos de la eleccin alentoria (por ejemplo, la revolucin catica de las bolas antes de ammciar las ganancias en el Sportloto 1 )). Si el sorteo se
efecta para snber si se pro,lnjo el s11ceso A, lince falta
organizarlo <le man era cp1e el resultad o convencion al
del sorteo tenga la misma probabilidad que el suceso' A.
Cmo se hace esto, lo veremos ms abajo. Adems de
los sucesos aleatorios, en el curso y resultado de la
operacin pueden influir distintas variables aleatorias,
1)

por ejempl o: el tiempo trnnscurrid o h nsta el primer

fallo del disposili vo tcnico; el tiempo do serv icio de la
demanda a travs del canal del sistema de colas; el tamao de la pieza; el peso del tren q ue llega a cierto
tramo de la va; las coordenadas del p unto de impacto
del proyoctil, etc . Con ayuda dol sorteo se puede determinar t.nm bi11 t.a11t.o el valor de cu alquier variable
nlealori a, como e l conjunto de vnlorcs de varias magnitudes.
P o11gam o11os de ac uer do denomina r sor teo un itario cualqu ier experieucia co11 res ulta d o alea torio que
responda a una de l as siguientes preg untas:
1. (fuvo l 11gar o 110 el suceso A?
2. ,:,Cn: l do Jos s11cesos A 1 , A 2 , ., A1i s11cedi?
3. Qu valor to m Jn variable aleatoria X?
4 . Qu conjun to de valorns tom el sistema de
varia bles aleatorias X 1 , X 2 , ., X,,?
Cualquier realizacin <lo u11 fe nmeno aleatorio por
medio dol mtodo de Montecnrlo se fonn a de una cadena de sortoos 1111itarios que so alternan con clculos
ordinarios . Ellos cons ideran la influencia del resultado
del so rteo sobre el curso ulterior de l os sucesos (en
particular , sobre las condiciones en las cuales se efectuar el siguiente sorteo).
El sor teo unitario puede ser efectuado u tiliz ando
diferentes p roce el im ien tos, pero existo un mecanismo
estn dar co n a yuda del cual se puede realizar cualquier
tipo de sor teo . Es decir, para cada u no de ellos es
suficie11t.e saber ob ten er el nmero aleator io R cuyos
valores de O a 1 son del m ismo grado de probabilidad 1 ).
Pong monos de ac uerdo denominar brevemente la
magnit ud R corno nmero aleat orio de O a h . Mostremos qu e con a yuda de t al nmern puede ser realizado
cualquiera de los cua tro t ipos de sort eo unitario.

1 ) Ms exactamente, tienrn la misma densidad de probabilidad.

Lotera deportiva.

220

11

221

...

..

. - . ----.:... -

...

......

~ - -~ -~~.,..,---~- -- -~ ---

1. ;,Se produjo o no el suceso A? Para responder a

esta pregunta hace falla saber la vrobabilidad p del
suceso A. Sorteemos el nmero alea torio R de O a 1,
y, si resulta menor que p. como se muestra en la figura 23.1, consideraremos que el suceso se produjo y si
es mayor que p, que no se produjo.
1~Qu hacer,- preguntar el lector,- si el nmero fl result exactamente igual n p? Se puede prescinp

f
l'

3. Qu valor lom la variable aleatoria X? Si

la variable aleatoria X es discreta, es decir, tiene los
valon~s x 1 , x 2 , ., xk con las probabilidades p 1 ,
p 2 , , p 1,, entonces, evidentemente el caso se reduce
al anterior. Examinemos, ahora, el caso cuando la variable aleatoria es continua y tiene una densidad dada de
prohabilidacl igual a f (x). Para sortear su valor es
suficiente realizar el siguiente procedimiento: pasar de
la densidad de probabilidad f (x) a la funcin de distribucin F (x) segn la frmula
X

F (x) =

_J_,

l.

dir de la probabilidad de tal coincidencia. Pero si se

produjo, se puede actuar de cualquier manera: bien
cualquier igual debe considerarse como mayor,
o bien como menor o alternativamente como uno y lo

<

:i

,,

~ ~

,;

f (x) dx,

(23.1)

-oo

Fig. 23.1.

r1
r1
rJ
~

rk

c="=l

Fig. 23.2

otro, pues de este resultado no depende prcticamente

la simulacin.
2. De unos cuantos sucesos, cul se produjo? Sea
que los sucesos A 1 , A 2 , , Ah son incompatibles
y forman un grupo completo. Entonces, la suma de sus
probabilidades p 1 , p 2 , , Pk es igual a la unidad.
Dividamos el intervalo (O, 1) por k tramos con una
longitud de p 1 , p 2 , , Pk respectivamente (fig. 23.2).
El suceso se produjo en el tramo, donde se encuentra
el nmero R.

luego, hallar para la funcin F la funcin inversa 'l'.

Despus sortear el nmero aleatorio R de O a 1 y tomar
de ste, esta funcin inversa:
(23.2)
X= 1f (R).

:t
t

1
(

if
l

,,
l

'f
t

Se puede demostrar (no vamos a hacerlo) que el valor obtenido X tiene, precisamente, una distribucin
f (x) necesaria para nosotros.
El procedimiento del sorteo del valor X se muestra
grficamente en la figura 23.3. S~ sortea el nmero R
de O a 1 y se busca para l tal valor X, con el cual
F (X) = R (esto se muestra con las flechas en la
figura 23.3).
En la prctica frecuentemente resulta necesario
sortear el valor de una variable aleatoria que tiene
una distribucin normaL Para ella, al igual que para
cualquier variable aleatoria continua, la regla de
sorteo (23.2);queda verdica, pero se puede actuar de
otra manera (ms, simple). )~s sabido que (de acuerdo al
teorema central lmitEi de la teora de probabilidades)
cuando sumamos un nmero bastante grande de variables aleatorias independientes se obtiene una variable
aleatoria qun tiene aproximademente una distribucin
.;,
223

222

1!!

11:
.'
1i

t'

'1
.Y p'-

,.-

..--.''t'#.'

..,

-.r--- .. .__ .. ,.. ___ .,.,.. ......,.

normal. Para obtener 11na el istrihucin normal es suficiente sumar, en la prctica, seis ejemplares de un
nmero aleatorio de O a 1. La suma de estos seis nrneros es
(23.3)
Z = Ri
R2
Ro

+ . . . \-

y tiene una distrib11cin tan prxima a la normal que

en la mayora de los problemas prcticos se puede
sustituir por .e llos la distribucin normal. Para que la
Frx

Fig. 23.3

esperanza matemtica y la desviacin estndar 1le esta

distribucin normal sean iguales a mx, ax programadas, es necesario someter la magnitud Z a una transformacin lineal y calcular

X= <Jx

V2 (Z -3) +-mx_.

(2:3.4)

Esto ser la variable aleatoria normalmente distribuida

necesaria para nosotros.
4. ;,Qu conjunto de valores tomaron las variables
aleatorias X17 X 2 , , X1i? Si las variables aleatorias
son independientes, es suficiente repetir k veces el procedimiento descrito en el punto anterior. Si son dependientes, entonces es necesario sortear cada uno de los
224

procedimientos posteriores, basndose en su ley convencional de distribucin a condicin de que todas las
anteriores tomaron los valores que <li el sorteo (no
Hos detendremos ms detalladamente en este caso).
De esta manera, examinamos todas las cuatro variantes del sorteo unitario y nos convencernos de que
todas ellas Sil reduceu al sorteo (unitario o mltiple)
del umero aleatorio R de O a 1.
Surg(J la pregunta: cmo se sortea este nmero R?
Existe una serie de variedades de los llamados detectores de nmeros aleatorios destinadas a resolver este
problema. Detengmonos en breve en algunos de
ellos.
El ms seucillo de los detectores de nmeros aleatorios es un tambor giratorio en el cual se remueven las
bolas nurnradas (o fichas). Supongamos que, por
ejemplo, tenemos que sortear un nmero aleatorio R
de O a 1 con una precisin de hasta 0,001. Pongamos en
el tambor 1000 bolas numeradas, hagmoslo girar
y despus d pararlo, escojamos al azar una bola,
leamos su nmero y dividmoslo por 1000.
Se puede actuar de manera un poco diferentQ: en
vez de 1000 holas poner en el tambor slo 10 con las
cifras O, 1, 2, ... , g, Despus de sacar una bola, leamos el primor signo decimal del quebrado. Hetornmosla, volvamos a hacer girar el tambor y tomemos otra
bola que nos dar el segundo signo decimal, etc. Es
fcil demostrar (no vamos a hacerlo) que el quebrado
decimal obtenido de esta manera tendr una distribucin uniforme de Oa L La vntaja de este procedimiento
consiste en que no est relacionado de ninguna manera
con la cantidad de signos con la cual querernos conocer a H.
Estamos a un paso <le la proposicin de racionalizacin: no sortear el nmero H cada vez que hay necesidad, sino hacerlo de ante1nano, es decir, componer una
1 -- U I

.....-~----
~
~-.,.--;--- r~; ~--->
~~

225

.J

tabla bastante amplia en Ja cual todas las cifras O, 1,

2, .. ., !) se encuentran casualmente y con la misma
probabilidad (frecuencia). Hace mucho que los hombres inventaron este procedimiento: tales tablas estn,
de hecho, compuestas y so emplean en la prctica. Se
denominan tablas de nmeros aleatorios. Extractos de
las tablas de nmeros aleatorios se exponen en numerosos manuales dedicados a la teora de las probabilidades y la estadstica matemtica (por ejemplo, [20]).
Extractos breves de las tablas de nmeros aleatorios
figuran en el libro de divulgacin de la autora [21),
donde, a propsito, se dan ejemplos de simulacin de
los procesos aleatorios con ayuda de las tablas de
nmeros aleatorios.
Si el mtodo de Montecarlo se utiliza <<manualmente las tablas de nmeros aleatorios son el mejor procedimiento para el sorteo del nmero R de O a 1. Si la
simulacin se realiza no a mano, sino utilizando la
mquina calculadora electrnica, no resulta racional
recurrir a las tablas de nmeros aleatorios (al igual
que a cualesquiera tablas), ya que pueden sobrecargar
la memoria. Para el sorteo de R por medio de las
mquinas calculadoras electrnicas, se utilizan detectores especiales con los cuales estn dotadas muchas de
estas mquinas. Para este propsito pueden servir
tanto los detectores fsicos, basados en .la transformacin de los ruidos aleatorios, como los algoritmos de
clculo, de acuerdo a los cuales Ja propia calcula<lora
calcula los llamados nmeros seudoaleatorios. El
prefijo seudo significa como si, patece que. Los
nmeros que, de hecho, se calculan con ayuda de tales
algoritmos no son realmente aleatorios, pero se compol'tan, en la prctica, como los nloatorios; todos los
valores de U a 1 se encuentran, corno promedio, igualmente a menudo, y adems, Ialt.a prcticamente la
relacin eutre los valores sucesivos de los nmeros oble226

24. Determinacin de las caractersticas

del proceso aleatorio estacionario
por medio de la realizacin
En la i11vest.igaci11 de operaco11es frecuentemente
nos onco11trnmos con prnblemas dolllle el proceso aleatorio dura 1111 periodo haslaule largo en condiciones
1 ) Este arg11111e11to nos recuerda de manera sospechosa los
razonarnicntos ele la sciiura l'rostakova (t;l lg11ora11tc de Fouvizin) acerca ele la i11utilidad del estudio tic la geografa:
Entonces para qu sirve11 los cocheros'? Es su obligacin.
Esta ciencia 110 t>s de la nobleza. El noble slo tieue que decir:
llvame all y le llevarn a donde desee.

...

----~~-

nidos. Existc 111in serie rle algoritmos rle clcnJo de los

nmeros seudoaleatorios que se diferencian entre s por
su simplicidad, uniformidad y otros indicios (vase
[22)). Uno de los algoritmos ms simples de clculo de
los nmeros seudoaleatofios cousisle en lo siguiente. Se
toman dos nmeros binarios n-dgitos arbitrarios a 1
y a 2 , se multiplican y en el producto obtenido se tornan n signos medios; ser el nmero a 3 Luego se
multiplica a 2 por a 3 y en el produclo se toman de nuevo
n signos medios, ele. Los nmeros obtenidos de esta
manera se consideran como una sucesin de quebrados
binarios co11 n signos despus de la coma. Tal sucesin
de quebrados se comporta, prcticamenle, como una
serie de valores del nmero aleatorio R de O a 1.
Existen otros algoritmos cue no se basan en la multiplicacin, sino en la adicin con desplazamiento.
No tiene sentido detenerse ms detalladamente en los
algoritmos concrelos de 'obtencin de nmeros seudoaleat.orios; en la actualidad prcticamente todas las
calculadoras estn dotadas bien de transmisores de
nmeros aleatorios o bien de algoritmos comprobados
de calculacin de nmeros seudoaleatorios 1).

15*

-~.-,~~~--~-- -- .... -.

227

!:~;

(<

i
,
iguales y nos interesan, precisamente, las caractersticas de este proceso en uu rgimen lmite, establecido.
Por ejemplo, la estacin ferroviaria de clasificacin
funciona durante las veinte cuatro horas del da y la
intensidad del flujo de trenes que llegan a ella casi no
dependen del tiempo. Se pueden citar otros ejemplos de
sistemas en los cuales el proceso aka torio pasa bastante
rpido al estado estable: las calculadoras electrnicas,
lneas de comunicacin, uispositivos tcnicos que se
explotan continuamente, etc.
El rgimen lmite, estacionario y las probabilidades lmites (finales) de estados, ya han sido mencionados en el captulo 5 ( 17) en relacin con los procesos
markovianos. Pero, existen stos para los procesos no
markovianos? S, existen en ciertos casos y no dependen de las condiciones iniciales. Hesolviendo la cuestin sobre si existen stas para un problema dado,
se puede actuar en primera aproximacin de la manera
siguiente: sustituir mentalmente Lodos los flujos de
sucesos por simples; si resulta, para este caso, que las
probabilidades finales existen, existirn tambin para
un proceso no markoviano. Si esto es as, se puede determinar para el rgimen lmite, estacionario, todas las
caractersticas probabilsticas utilizando el mtodo de
Montecarlo no con ayuda de un conjunto de realizaciones, sino con ayuda de una sola, pero bastante prolongada realizacin. En este caso una realizacin bastante
prolongada ofrece la misma informacin sobre las
propiedades del proceso que el conjunto de realizaciones con igual duracin total.
Sea que tenemos a nuestra disposicin una realizacin bastante prolongada del proceso aleatorio
estacionario de una duracin total igual a T. Entonces,
las probabilidades de estados que nos interesan se
pueden hallar como parte del tiempo que el sistema
pasa en estos estados y los valores medios de las

variables aleatorias pueden obtenerse, mediando no

el conjunto <le realizaciones, sino que el tiernpo invertido en la realizacin.
Examinemos un ejemplo. Se simula por medio del
mtodo de Montecarlo el trabajo del Se de un canal
con cola no markoviano. La cantidad de lugares en la
cola est limitada por dos. La demanda que llega en
el momento cuando ambos lugares en la cola estn
ocupados, abandona el se sin ser servido (recibe la
respuesta negativa). El canal puede ponerse de vez en
cuando, fuera de servicio. Si el canal est averiado,
las demand as que se encuentran en el sistema de
colas (tanto las que estn bajo servicio como las que se
encuentran ()Il la cola) no abandonan el se y esperan
hasta el final de la reparacin. Todos los flujos de
sucesos no son simples, sino arbitrarios recurrentes.
Los estados probables del se son los siguientes:
8 01 significa que el canal est en buen estado, el
sistema contiene i demandas,
8 11 significa que el canal se est reparand o, el sistema contiene i pedidos (i = O, 1, 2, 3).
El grafo de estados del se se muestra en la figura 24.1. Partiendo de la forma del grafo concluimos que
las probabilidades finales existen. Supongamos que la
simulacin del funcionamiento del se, utilizando el
mtodo de Montecarlo, est realizada en un intervalo
de tiempo prolongado T. Se requiere hallar las caractersticas de eficiencia del Se: Pres .neg . es la probabilidad de que la demanda abandone el se sin ser servida, Ph .es t.. es la probabilidad de que el canal est en
buen estado, A es el rendimien t o mximo absoluto del
Se, Lsist. es el nmero medio de demandas en el SC,
Lcol. es el nmero medio de demandas en la cola,
W s ist . y .. W c 0 1. es el tiempo medio de estancia de la demanda en el sistema y en la cola, respectivamente.

228

229

ti;

'

.7 r~~.,...,_

------

---~-----

,,;

Hallemos en primer lugar, las probabilidades finales

de estados Poo' Po1' Poz, JJ03, P10' Pu, P12, P13 Para
esto es necesario calcular a lo largo de toda la realizacin, el tiempo sumario de la permanencia del sistema en cada uno de los estados: 7' 00 , T 01 , 1' 02 , T 03 ,

Fig., 24.1.

1'10 , T 11 , 1' 12 , T 13 y dividir cada uno de ellos por el

tiempo T. Obtendremos:
Toi
Po1=y,

1'11
P11=y

(.i= 0 , 1',

2 , 3) .

La probabilidad del fallo es igual a la probabilidad de que la demanda llegue en el momento cuando en
el se ya se encuentran tres pedidos:

P res.neg. = Pos
JJ13
El rendimiento mximo es igual, a
A =A (1 - Pres.neg .);
donde A. es la intensidad del flujo de demandas.
Obtendremos la probabilidad de que el canal est
en buen estado, sumando todas las probabili<lades cuyo
primer ndice es igual a cero:

dolas:
1

'

Lslsl.

= 1 (Po1 + pu)

El tiempo modio de estancia de la demanda en el

sistema y en la cola lo obtendremos segn la frmula
de LiLle:
Lstst.
= --')..,-,

r,V
r

col.

;
,

i~
t~.,i
'fl
.l

il

Ju

,J
t-i
~

Terminamos con esto la exposicin breve del mtodo

de Montecarlo, remitiendo al lector interesado a los
manuales [6, 22], en los cuales este mtodo se expone
con mayor plenitud y se examina la cuestin relativa
a la precisin de la simulacin matemtica.

230

--~--~~
- ~

Leo J.
= --')..,-.

P apt. = Poo
Poi
Po2
Po3
El nmero medio de demandas en el Se lo calcularemos, multiplicando los nmeros posibles de demandas en el se por las probabilidades respectivas y sumn-

~k

+ 2 (Po 2 + pu}+ .3 (po3 +Pd

Esto es lo m isrno que si hubiramos marcado en el

eje del tiempo segrneJJ tos, en los cuales en el se se
euc11011tra11 O, 1, 2, 3 dernanrlas y la duracin sumaria
de los tramos la rnultiplicramos por 1, 2, 3 respectivamente, la sumramos y dividiramos por T.
El nmero medio de demandas en la cola Lcol. lo
obtendremos, sustrayendo de Lsist . el nmero medio
de demandas hajo servicio (para el sistema de colas de
rn1 canal esta es la probabilidad de que el canal est
ocupado):
P 0 c up. = J -- (poo + P10).

W sist.

.. 1;

-,--.......--~-'"---------

~---M-.

'!

r
l

Captulo VIII
Mtodos de juego para la argumentacin
de soluciones

25. Objetivo y problem.as de la teora

de juegos

ll\
1\
:lL

En los tres captulos anteriores hemos examinado

las cuestiones relacionadas con la simulacin matemtica (Y a veces con la optimizacin de soluciones) en
los casos cuando las condiciones de la operacin contienen una indeterminacin, pero relativamente de
buena calidad, estocstica, que puede ser, en principio, considerada, si se conocen las leyes de distribucin (por lo menos, las caractersticas numricas) de los
factores aleatorios que figuran en el problema.
Tal indeterminacin no es un mal tan grande.
Examinaremos en este captulo (por necesidad, superficialmente), una forma de indeterminacin mucho peor
(en el 5 la hemos denominado como mala), cuando
ciertos parmetros, de los cuales depende el resultado
de la operacin, son desconocidos, y no hay indicios
algunos que permitan juzgar qu valores suyos son ms
probables y qu valores menos probables. Pueden
considerarse indeterminadas (en el peor sentido) tanto
las condiciones exteriores objetivas de la operacin,
como las subjetivas, o sea, las acciones conscientes
de los enemigos, adversarios o otras personas. Como es
sabido, nadie conoce el alma ajena, y es aun ms

232

\1

11\

1\'.
11

difcil predecir cmo se com portarn estas personas,

que hacer pronsticos en el dominio de fenmenos
aleatorios.
Por supuesto, cuando se trata de una situacin
indeterminada (en el peor sentido) las conclusiones
que se hacen a partir de la investigacin cientfica no
pueden ser ni exactas ni unvocas. Pero tambin en
este caso el anlisis cuantitativo puede ser til para
elegir una solucin.
Una parte especial de la matemtica que lleva el
nombre extravagante de teora de juegos y soluciones
estadsticas, se dedica a los problemas de esta ndole.
En ciertos (bastante raros) casos los mtodos elaborados en ella dan la posibilidad de hallar, de hecho, la
solucin ptima. Con ms frecuencia estos mtodos
permiten analizar ms profundamente la situacin,
valorar cada decisin desde los diferentes (a veces
contradictorios) puntos de vista, considerar sus ventajas e inconvenientes y, al fin y al cabo, adoptar una
solucin, que si no es la nica correcta, est, por lo
menos, meditada hasta el fin. No hay que olvidar
que, eligiendo una solucin en condiciones de indeterminacin es inevitable cierta arbitrariedad y el elemento de riesgo. La insuficiencia de informacin es
siempre un inconveniente y no una ventaja (aunque
precisamente cuando falta la informacin, el investigador puede ostentar mtodos matemticos ms finos).
No obstante, en una situacin complicada, mal visible
en conju nto, cuando , como se dice, se hacen chiribitas
los ojos a causa de tantos detalles, siempre es til
representar las variantes en tal forma que la arbitrariedad de eleccin se haga menos grave y el riesgo, en
lo posible, mnimo. El problema se formula, a menudo,
as; (,qu precio debemos pagar por la informacin
que falta para aume)ltar, a costa suya, la eficiencia
de la operacin ? Es de sealar que a veces para elegir
23

,,.

~~~~~~~~,~~--~~---"
'

\'

una solucin no se requiere una informacin exacta

sohre las condiciones, si110 que e8 suficiente indicar
slo la regin donde stas se encuentran (mtodo
de regiones ele l. Ya. Diner, vase (23]).
En el captulo dado so exponen algunos datos mnimos relativos a la teora de juegos y soluciones estadsticas. Para familiarizarse con ellas ms detalladamente, se pueden recomendar los libros [24-28].
De las situaciones quo contienen una indeterminacin mala, las ms sencillas son las llamadas situaciones de conflicto. As se denominan las situaciones en
las cuales chocan los intereses de dos (o ms) partes
que persiguen objetivos distintos (a veces, opuestos);
adems, la ganancia de cada parte depende del comportamiento que tengan las otras.
Los ejemplos de situaciones de conflictos son muy
diversos. A ellas pertenece sin duda alguna cualquier
situacin que se forma en el curso de las operaciones
combativas, una serie de situaciones en el campo de la
economa (especialmente en las condiciones de la
competencia capitalista). El choque de intereses opuestos tambin se observa en el procedimiento judicial,
en el deporte, en la lucha de especies. En cierta medida
tambin son contradictorias las relaciones recprocas
de diferentes eslabones de la jerarqua en los sistemas
complejos. En cierto sentido puede ()Onsiderarse de
conflicto una situacin con varios criterios: cada
uno plantea ante la direccin sus requerimientos que
son, como regla, contradictorios.
La teora de juegos representa una teora matemtica de situaciones de conflicto. Su finalidad consiste en
elaborar recomendaciones relativas al comportamiento
razonable de los participantes del conflicto.
Toda situacin de conflicto tornada directamente
de la prctica es muy compleja y su anlisis est dificultado por la existencia de factores accesorios, no

,~1

sustanciales. Para hacer posible el anlisis matemtico

del conflicto, se construye su modelo ,matemtico.
Tal modelo se denomina juego.
El juogo se diferencia del conflicto real en que se
realiza de acuerdo a reglas determinadas. Estas reglas
indican derechos y obligaciones de los participantes,
as como el resultado del juego, es decir, la ganancia
o prdida de cada participante en funcin de la situacin formada. Hace mucho que la humanidad utiliza
tales modelos de conflictos formalizados, juegos, en el
sentido estricto ele la palabra (las damas, el ajedrez,
las cartas, etc.). Aqu tiene origen la denominacin de
teora de juegos y su terminologa: las partes en conflicto so denominan convencionalmente jugadores,
la realizacin de un juego, partida, el resultado del
juego, ganancia o prdida. Consideraremos que
las ganancias (prdidas) de los participantes tienen
una expresin cuantitativa (si sto no es as, siempre
se puede atribuirla, considerando, por ejemplo, en el
ajedrez la ganancia como una unidad, la prdida
como -1 y el empate, como un cero).
En el juego pueden chocar los intereses de dos
o mns participantes; en el primer caso el juego se denomina pareja, en el segundo, conjunto. Los participantes ele un juego conjunto pueden formar coaliciones
(permanentes o provisionalos). Uno ele los problemas
ele la teora de juegos consiste en revelar coaliciones
razonables en el juego conjunto, as como las reglas de
intercambio de informacin entro los participantes.
El juego conjunto con dos coaliciones permanentes se
reduce, naturalmente al juego en parejas.
El desarrollo del juego cm tiempo puede ser presentado como u na serie ele jugadas sucesivas de los participantf~s. Se denomina juga<la 1& eleccin por el jugador ele una de las acciones previ;ta por las reglas del
juego y s11 realizacin. Las jugadas pueden ser persa-

234

~-=a'!ml-------~
~rA

,.__ - - -

235

nales y aleatorias. Cuando la jugada es personal el

jugador conscientemente elige y realiza tal o cual
variante de acciones (por ejemplo, cualquier jugada en
el ajedrez). Cuando la jugada es aleatoria la eleccin
se efecta no por voluntad del jugador sino por medio
de cierto mecanismo de eleccin aleatoria (echar la
moneda, el dado, extraccin de una carta de la baraja,
etc.). Algunos juegos (los IJamados puramente de
azar) constan slo de jugadas exclusivamente aleatorias, pero la teora de juegos no se dedica a ellas. Su
finalidad es optimizar el comportamiento del jugador
en el juego que contiene jugadas personales (tal vez
conjuntamente con las casuales). Tales juegos se
denominan estratgicos.
Se denomina estrategia del jugador el conjunto de
reglas que determinan la eleccin de la variante de
acciones para cada jugada personal, en funcin de la
situacin plasmada.
Corrientemente, participando en el juego, el jugador no se rige por cualesquiera reglas rigurosas, frreas: la eleccin (dcisin) se adopta por el jugador en
el curso del juego, cuando observa directamente la
situacin. Pero tericamente la cosa no cambia, si
suponemos que todas estas decisiones estn tomadas
por el jugador de antemano (si se forma tal situacin,
actuar de esta manera). Esto significar que el jugador eligi una estrategia determinada. Ahora, puede no
participar en el juego personalmente, sino entregar la
lista de las reglas a una persona no interesada (al rbitro). La estrategia tambin puede ser dada a una mquina automtica en forma de programa (precisamente de
esta forma juegan al ajedrez las calculadoras electrnicas).
En funcin del nmero de estrategias los juegos se
dividen en finif.os e infinitoR. El juego se denomina
finito si cada jugador tiene a su disposicin slo un

nmero finito <le estrategias (en caso contrario el

juego se <leuomina in/inito). Existen juegos (por ejemplo, el ajedrez) en los cuales el nmero de estrategias
es, en principio, finito, pero tan grande que su revisin
completa es, prcticameute, imposible.
Se <le110rniua estrategia ptima <lel jugador la que le
asegura la mejor posicin en un juego dado, es decir,
u1rn ganaocia mxima. f el juego se repite varias veces y coulieue, a<lems de juga<las personales, jugadas
aleatoris, la estrategia ptima asegura una ganancia
media mxima.
La tarea de la leora de juegos consiste en revelar
las estrategias ptimas de los jugadores. La principal
suposiciu, partiendo de la cual se hallan las estrategias ptimas, consiste en que el adversario (en el caso
general, los ad versaios) es, por lo menos, tan razonable
como el jugador mismo y hace todo lo posible para
obtener su objetivo. La orientacin hacia un enemigo
razonable es solamente una de las posiciones posibles
en el conflicto, pero en 1a teora de juegos precisamente
ella sirve de base.
El juego se denomina juego de suma nula si la suma
de ganancias de Lodos los jugadores es igual al cero (es
decir, cada juga<lor gana solamente a cuenta de los
otros). El caso ms sencillo es el juego de parejas con
suma nula denominado antagnico (o el juego con competencia rigurosa). La teora de los juegos antagnicos
es la parle ms desarrollada de la leora d~ juegos que
conliene las rncomendaciones ms precisas.
La teora de j uegos, al igual que todo modelo matemtico, tiene sus limitaciones. Una de ellas es la suposicin sobre Ja razonal1ilidad completa (ideal) del
enemigo (enemigos). En un conflicto real la estrategia
ptima consiste, frecueutome11le, en adivinar en qu es
ton lo el enemigo y en aprovechar dicha tontera.
Los esquemas de Ja teora de juegos o incluye elemen-

236

...--~------~~~::=:-.,......,-===-~m,....-------' <'

237

tos de riesgo que acompaan irnwit.ablemente las ::mlnciones razonables en los conflictos reales. En la teora
de juegos se revela el ms cauteloso y seguro comportamiento de los participantes del conflicto. Recogiendo
estas limitaciones y por lo tanto,, no siguiendo ciegamente las recomendaciones obtenidas por mtodos del
juego, se puede, sin embargo, utilizar el mtodo de la
teora de juegos como consultivo, al elegir la solucin
(lo mismo que un jefe militar joven y enrgico puede
prestar atencin a la opinin de un a11ciano prudente,
lleno de experiencia).

estn nnmrnulas las estrategias do los j11gadores y las

ganancias respectivas (vase la tabla W.1).

~
A1

A2

Am

El caso ms sencillo, detalladamente elaborado en

la teora de juegos es el juego de parejas finito con suma
nula (juego antagnico de dos personas o dos coaliciones). Examinemos tal juego Gen el cual participan dos
jugadores A y B cuyos intereses son opuestos: la ganancia de un jugador equivale a la prdida del otro. Puesto
que la ganancia del jugador A es igual a la del jugador 13
tomada con signo inverso, podernos interesarnos solamente por la ganancia a del jugador A. Es natural que A
tiende a maximizar y B a minimizar a. Para mayor
sencillez identifiqumonos imaginariamente con uno de
los jugadores (que sea A) y 1o deno.m inaremos <<nosotros, y el jugador B, contri11cante (por supuesto, A
no saca ninguna ventaja real de esto). Supongamos que
tenemos rn estrategias posibles A 1 , A 2 , ., Am, y el
enemigo tiene n estrategias posibles 131 , B 2 , , JJ 11
(tal juego se denomino. rn X n). Designemos por au
nuestra ganancia en el caso de nplicar la estrategia A,
y por JJi la estrategia del contrincante. Snpongnmos q110
para cada par de estrategias A;, JJi se conoce la ganancia (o ganancia media) ii El1tonces, podemos trazar,
en principio, una tabla recla11gular (matriz) en la cual

!!

ill

. ..
26. Juegos de matriz, antagnicos

Tabla 26.I

Il2

.. .

Bn

...
...
...
...

1n
2n

11

12

21

. ..

m1

. ..

. ..

mn

Si tal tabla est compuesta. se dice, que el juego G

est reducida a una forma de matriz (la reduccin del
juego a tal forma puede constituir de por s un problema complejo y a veces imposible de cumplir a causa
de la existencia de un conjunto inabarcahle de estrategias). Advirtamos que si el juego est reducido a una
forma de matriz, entonces el juego de muchas jugadas
est, de hecho, reducido al de una jugada, es decir, se
requiere que el jugador haga solamente una jugada,
que elija la estrategia. Designemos brevemente la
matriz del juego por (au).
Exam inemos un ejemplo del juego G (4 X 5) en forma de matriz. Tenemos a nuestra disposicin (a escoger) cuatro estrategias,, en tanto que el contrincante,
ci11co. La matriz del juego se da en la tabla 26.2.
Heflexionemos soLro q11 estrategia tenemos que
(el j 11gador A) utilizar? En la matriz 2G.2 hay una ganancia seductora 10; Lodo nos lleva a elegir la estrategia A 3 que nos permitir alcanzar este buen bocado.
Pero esperen: el conlrinca11Le tampoco es tonto!
Si elegimos la estrategia A 3 , l elegir,, para contrariar-

238

239

;;

,,

..

' -~!'~...........- ~-~ . ....,..-r-,. ... - -.. ........._, __

- - --- ----

Tabla 26.2

B1

D2

}13

B4

B5

A2

1
10
4

8
3
5

3
7
4

A4

1
B1

B2

Ba

B4

"'

Ai

A1

Aa

Tabla 26.3

1
3

3
4
6
8

nos, la estrategia B 3 , y obtendremos slo una miserable

ganancia de i. No, no se puede elegir la estrategia A 3 1
Qu hacer? Por lo visto, parLiendo del principio de
precaucin (el cual es al principio fundamental de la
teora de juegos),, es necesario escoger aquella estrategia que haga mxima nuestra ganancia mnima. Es el
llamado principio de mnimo-mximo: acta de tal
manera que para un comportamiento del contrincante que
menos te convenga se obtenga la ganancia mxima.
Reescribamos la tabla 26.2 y escribamos en la columna adicional derecha el valor mnimo de la ganancia
en cada ln.e a (el mnimo de la lnea); designmoslo
por a; (vase la tabla 26.3) para la i-sima lnea.
De todos los valores a; (columna derecha) se destac
el mximo (3). A l le corresponde la estrategia A 4 . Al
elegir esta estrategia, podernos, en todo caso,, estar seguros de que (cualquiera que sea el comportamiento
del contrincante) ganaremos, por lo menos,, 3. Esta
magnitud es nuestra ganancia garantizada; actuando
con cautela, no podemos obtener menos que esto
(o posiblemente obtengamos ms). Esta ganancia se
denomina como precio de valor del juego inferior (o max240

A1
A2
Aa

1
1()

4
8
;3

5
4

A4

~j

10

2
3

fil

3
4

()

2
1
1

mnimo, o sea, mxima de las mnimas). Lo designaremos por a. En nuestro caso a = 3.

Hazonemos ahora por el contrincante, partiendo de
su punto de vista; pues ste no es un pen, sino tambin
una persona razonable. Escogiendo una estrategia, l
quisiera perder lo menos posible, pero tiene que tener
en cuenta nuestro comportamiento que no es el mejor
para l. Si elige la estrategia B 1 , responderemos con A 8 ,,
y l perder 10; si elige Bh le responderemos con A 2 ,
y l perder 8, etc. Agreguemos a la tabla 26.3 una
lnea iuferior adicional y escribamos en ella los mximos de las columnas ~i Es evidente que el contrincante
prudente debe elegir aquella estrategia, con la cual
esta magnitud es mxima (el valor respectivo 5 est
sealado en la tabla 26.3). Esta magnitud ~es el valor
de ganancia mximo que puede darnos,. a sabiendas,
un contrincante razonable. Se denomina valor superior
del juego (o min imximo, es decir, ganancia mnima
do las mximas). En nuestro ejemplo B = 5 y se alcanza
si el enemigo elige la estrategia B 3
16-0515

241

r~,

.. . . .

. .1:11=r:111........

.. .. -- .....,...
!lllllllllllllllllllllllllllll..ll"'"lllllJ~~..~~~======

..........

-~~

'

1,

As pues, partiendo del principio de precaucin (de

la regla excesivameute prudeJ1te que dice espern siempre lo peor). tenemos que elegir Ja estrategia A 4 y el
contrincante, la estrategia Ha. Tales ei'tratcgias so
denominan minimximas (que se derivan del principio de minimximo). Mientras que lFis partes sigan,
en nuestro ejemplo, sus estrategias minimximas, la
ganancia quedar igual a a 43 =" :3.
Ahora, imaginmonos por un minuto que nos hemos
enterado de que el enemigo sigue la estrategia B:i
Castigumoslo por esto y elijamos la estrntegia A 1 ;
obtendremos, en este caso 5 lo que no est tan mal.
Pero el contrincante no es manco; supongamos ql1e se
enter de que nuestra estrategia es A 1 y tarnbi11 se
apresurar a elegir B4> reduciendo a 2 nuestra ganancia,
etc. (los contrincantes comenzaron a agitar las estrategias). En una palabra las estrategias minirnxirnas en
nuestro ejemplo son inestables respecto a la informacin
sobre el comport<Lmiento de la otra parte; estas estrategias
no poseen propiedad equiponderante.
Tabla 26.4

~I

B1

A1

A2

~I

As

B2

Da

li

1
1
1

~,

~I

8
1

Es siempre as? No, no siempre. Hxarninemos uh

ejemplo con la mnLriz dnda en la tabla 26.4.
Eu este ejemplo el valor uel juego inferior es igual
al superior: a = /3 = 6. Qu se deduce do esto? Las
estrategias minimximas de los jugadores A y B son
estables. Mientras ambos jugadores las sigan, la ganancia ser igual a 6. Veamos qu pasar si nosotros (A)
llegamos a saLer que el contrincante (B) sigue la
estrategia /J 2 ? No cambiar nada. Porque cualquier
alteracin do la estrategia A 2 slo puede empeorar nuestra posicin. De la misma manera, la informacin
obtenida por el contrincante no Jo har renunciar a su
estrategia B 2 El par de estrategias /J. 2 y B 2 , posee propiedad equiponderan te (par de estrategias equiponderante), y la gana11cia (e11 nuestro caso igual a 6) obtenida
con este par de estrategias, se denomina punto de
asiento de la matriz 1). El indicio de la existencia
del punto de a sien to y del par eq uiponder:rn te de estrategias es la igualdad del val or superior e inferior del
juego; el valor total de .a y f3 se denominan valor del
juego. Lo designaremos por v:
a == f3 = v.
(26.1)
Las estrategias A; y B 1 (en el caso dado A 2 y B ),
2
con las cuales se alcanza esta ganancia, se denominan
estrategias nll'as ptimas y su conjunto, solucin del
juego. En lo lJ ue se refiere al juego mismo se dice, en
este caso, qne se resuelve en estrategias puras. Se puede
indicar pa rn ambas partes A y B sus estrategias ptimas,
con las cuales la posicin de stas es la mejor de las
posibles. Y el que, el jugador A gana en este caso 5 y el
jugador B pierde 6,, quiere decir que tales son las con-

'

'I

jl

1) El trmino punto d asiento est tomado de la geometra; as se denomina un punto en la superficie donde se obtienen a la vez el mnimo en una' coordenada y el mximo en la
otra.

242
10

243

....
fi
1,, . ; "
' "' '" :'( ;,1 .,.,
a
~
'Y"" ~
-~~
.......~~~~-.--..-~"-""'"
--'_,.',"..--.-=-=-~---~----
,,

,.,..

dtciones del juego: venta]osas para

cinco centimos sobre una mesa redonda,, eligiendo

arbitrariamente la posicin del centro de la moneda
(no se permite cubrir recprocamente las monedas).
El ganador ser el que ponga la ltima moneda (cuando
no quede lugar para poner las dems). Es fcil convencerse de q ue el resultado de este juego est, en esencia,
decidido de antemano. Existe una estrategia determinada qne asegura la ganancia al jugador que ponga la
moneda el primero. Prncisamente, l debe poner, la
primera vez,.la moneda en el contro de la mesa, y despus
responder a cada jugada del contrincante con una
jugada simtrica. Es evidente que cualquiera que sea
el comportamiento del contrincante ste no podr
evitar la prdida. Exactamente as sucede con el
ajedrez y, en general, con los juegos con plena informacin: cualquiera de ellos escrito en form a de matriz
posee un punto de asiento y, por lo tanto, una solucin en estrategias puras; por consiguiente, tiene sentido slo hasta que esta solucin no haya sido hallada.
Digamos , en el caso del ajedrez el juego siempre t ermina ganando las blancas o las negras o bien con un eIUpate; pero por ahora no sabemos , precisamente, con qu
resultado (por suerte para los amantes del ajedrez).
Agreguemos que es poco probable que en un futuro no
lejano lo sepamos, ya que el nmero de estrategias es
tan grandeqno resulta extrem adamente difcil (si no
imposible) reducir el juego a 1ma forma d"l matriz
y encontrar en l rl pun to de asiento.
Ahora prognntrnonos, ~.c mo proceder si el juego
no tiene 1111 punto de asiento: a =f- ~? P ues bien, si
ca(la jugador se ve obli1~ado a elegir nna estrategia
pura nica, en tonces, no hay nada que h acer : hay que
gi1iarso por ol princip io (lol minimximo . Otra cosa es si
so pnerlen mix turar>) nu estras cstrategifls, alternarlas,
de 11n a manera nlent.oria ,. con ciertas prohabilidades.
La util iz ncin do es trategias mix tas se in terpreta de la

A,. y desventa]osaS

para,AlB.
lector le puflde , svrgir la pregunta: por qu las ;
estrategias ptimas se denoJUinan (<puras>)? Adelantndonos un poco respondereJUoS a esta pregunta: existen
estrategias (<mixtas>) consistentes en que el jugauor
aplica no una estrategia, sino varias, combinndolas
aleatoriamente. As pues,. si admitimos ,, adems de las
puras, las estrategias mixtas, todo juego finito tiene
una solucin. es decir, un punto de equilibrio. Pero
sobre esto hablaremos ms adelante.
La existencia de un punto de asiento en el juego
dista mucho de ser la regla, ms bien es una excepcin.
La mayora de los juegos no poseen un punto de asiento.
Con todo, existe un tipo de juegos,. que siempre poseen
este punto y, por lo tanto, se resuelven en el marco de
las estrategias puras. Son stos los llamados (<juegos con
plena informacin>). Se denomina juego con plena
informacin tal juego, en el cual cada jugador sabe,
para cada jugada personal, t.o<la la prehistoria de su
desarrollo, es decir, los resultados de todas las jugadas
anteriores tanto 11ersonales como casuales. Sirven de
ejemplo de tales juegos las damas, el ajedrez, etc.
En la teora de los jHegos se demuestra que cada
juego con plena informacin tiene su punto de asiento
y, por lo ti.nto, se resuelve en estrategias puras. En
cada juego con plena informacin existe un par de
estrategias ptimas que da una ganancia estable igual al
valor del juego v. Si tal juego consta solamente de
jugadas personales, entonces aplicando cada jugador
su estrategia ptima, ste tiene que terminar de una
manera bien definida, o sea, con una ganancia igual al
valor del juego. Por consiguiente, si la solucin del
juego se conoce, ste no tiene sentido!
Tomemos un ejemplo elemental del juego con plena
informacin: dos jugadores ponen por turno monedas de

\
11

1\
1\

1\
.1

.J

245

244
p;

: a:. ..t
1

't~,,.~~-

~-------~-- ----

para el otro

manera siguiente: el juego se repite muchas veces;

antes de cada partida de juego, cnando al jugador se le
otorga una jugada personal, l confa su clece;n
a la casualidad, sortea y coge la estrategia q11e le toc
(cmo organizar el sorteo ya lo sabemos del capt.nlo

110

puede ser ventajoso renunciar de la suya.

Esto par de estrategias forma en el juego cierta situacin

de equilibrio: 1111 jugador tiende a maximizar la
ganancia, el otro, a minimizarla, cada uno tira para su
lado, y, en el caso de un comportamiento razonable por
amhos, se Pstahlece un equilibrio y una ganancia
est<1hle u. Si u> O, entonces, el juego es ventajoso
para nosotros, 8i u< O, 08 ventajoso para el enemigo.
Cuando l' ~-= O el juego es juslo, es decir, es igualmente ventajoso para ambos participantes.
Examinemos un ejemplo del juego sin un punto de
asiento y demos (sin demostracin) su resolucin. El
juego consiste en lo siguiente: dos jugadores A y B
muestran 8imultneanumte,, sin ponerse de acuerdo,
uno, dos o tres dedos. La ganancia la decide la cantidad
total de dedos: si el nmero es par gana A y recibe de B
una suma igual a este nmero; si es impar, entonces al
contrario, A paga a B una suma igual a este nmero.
Cmo debern proceder los jugadores?
Compongamos la matriz del juego. Cada jugador
tiene en una partida tres estrategias: mostrar uno, dos

anterior).
Las estrategias mixtas representan en la tPora de
los juegos un modelo de tctica variable, fle-xihlo, cnando ninguno de los jugadores sabe cmo se com11ortar
el enemigo en una partida dada. Tal tctica (verdad
es que, por lo comn, sin argumentaciones mat.emtica"algunas) es muy usada en los juegos de cartas Ademns
es de notar que la mejor maner:=i de ocultar del contrincante lfl conducta propia es alljnclicnrle 1111 carctrr
nleatorio y, por lo tanto, no~saher uno mismo, de
antemano, cmo actuar.
As pues, expongamos las e8trategias mixtas. Designemos las estrategias mi-xtas de los jugadores A y B,
como SA = (p,, P2 ., Pm) Y Sn = (q,, q2, qn)
respectivamente, donde p 1 , p 2 , , Pm (cuya suma es
igual a la unidad) son las probabilidades de que el
jugador A aplique lns estrat<'gias A 1 , A 2 , , Am;
q1 , q 2 , , q" son las probabilidades de qne el jugador B aplique las estrategias B 1 , B 2 , , Bn. En un
caso particular,. cuando todas la8 probabilid:=ides,
a excepcin de un a, son igm1ks a cero y esta mia es
igual a la unidad, ln estrategia mi-xta se transforma

Tabla 26.5

'~

Bj

A~

/] 1

B2

ll:i

----

en pura.
Existe el teorema principal de la teora de jnegos:

cualquier juego finito entre dos personas con nna snma

nala tiene, por lo menos, una solucin, o sea, 1m 11ar de

,1,

estrategias ptimas, q1ie son, en ca8o general, mi-xtas

(SA, Sj) y un valor correspond.ente a v.
El par de estrategins ptimas (S'.'.'i, Sh)qne fonnnn
la soh1cin del jnego tiene ln signientc propieclnd: si

,1.,

11;

-3

- -5

- 5

(j

uno de los jugadores sigue

sii

i\l'J

estrategia ptma 1 entonces 1

/i

l.~

l- l
3

-5
-5

(i

247

24n

fm,/

A
,_I

~
~- -------

----

o tres dedos. La matriz 3 X :1 S(~ expo110 en la tahla 26.5;

en la columna adicional derecha se clan los mnimos
de las filas, en la fila adicional inferior los rn;1ximos
de las columnas.
El valor inferior del juego a es igual a -3 y corresponde a la estrategia A 1 . Esto significa que con un
comportamiento cauteloso y razonable, garantizamos
que no perderemos ms de 2. Vaga esperanza, pero es
mejor que, digamos, una ganancia de ---5 que se encuentra en algunas casillas de la matriz. Estamos mal
nosotros y el jugador A ... Pero consolmonos: parece
ser que la situacin del contrincante es an peor: el
valor inferior del juego [1=4, es decir, con lm comportamiento razonable el contrincante nos dar por lo
menos 4. En general. la situacin no es muy h11ena
tanto para una parte como para la otra. Pero veamos:
,se podr mejorar? Resulta que se puede. Si cada parto
aplica no una estrategia pura cualquiera, sino b mixta
en la cual la primera y la tercera entran con las probabilidades 1/4 y la segunda, con la probabilidad 1/2,
es decir
S_ = (1/4, 1/2, 1/4). S!J = (1/4,. 1/2, 1/4),
la ganancia media ser establemente igual a cero
(entonces, el juego es justo e igualmente ventajoso para
ambas partes). Las estrategias S'A y S forman la
solucin del juego, cuyo valor es v = O. Cmo encontramos sta solucin? Esto ya es otra cosa . En el prrafo
siguiente mostraremos cmo, en general, se resuelven
los juegos finitos.
27. Mtodos de resolucin de los juegos
finitos
Antes de comenzar a resolver el juego m X n, hay
que tratar, ante todo, do simpli[icarlo, librndose de
las estrategias que estn ele ms. Esto se hace de la

misma mnncrn que cuando nosotros hemos desechado,

a sahir11das, las soluciones desventnjosas en el prrafo (). Introduzcamos el concepto del dominio. La
estrategia A; del jugador A se llama dominante sobre
la est.ralegin A,,, si en la fila A; se encuentrnn ganancias
no menores que en las casillas respectivas de la fila Ah
y de ellas , por lo menos, una os realmente mayor que
en la casilla respectiv de la fila Ah. Si todas las ganancias de la fila A; son iguales a las ganancias respectivas
de la fila A 1,, entonces, la estrategia A; se denomina
estrategia que duplica la estrntegia Ah De manera
nnloga se determina Pl dominio y la dllplicacin para
las estrnlegias del jllgador JJ: su estrategia se llama
dominan lo cuando dondequiera hay ganancias no mayon's que 011 las casillas respeclivas de la otra estrategia y, por lo menos, una de ellns es realmente menor;
la duplicacin significa la repeticin total de una
columna por otra. Es natural que si pnra cierta estrategia hay urw. dominante, entonces, esta estrategia se
puede desechar; se desechan lamhin las estrategias
duplicativas.
Aclaremos lo expuesto con un ejemplo. Supongamos
Tabla 27.1

--

lJ J

1l2

/J;

lr

lJ5

4
3

7
!i

4
3
3

2
6
2

()

!i

(j

3
8
2
2
8

4
9
8
4
9

Ai
Az
Aa

A4

il5

24!l

248
-~'T'..._--...,..,...., . .,~

-- -

que el juego 5 X 5 est representarlo por medio de la

matriz de la tabla 27 .1.
Ante todo sealemos, que en esta tabla la estrategia
A 5 duplica la estrategia A 2 , por lo tanto, cualquiera
de ellas puede ser desechada. Desechando Ar,, observamos que en la fila A, todas las ganancias son mayores (o iguales) a las ganancias respectivas de la fila A 4 ;
por consiguiente, A 1 domina sobre A 4 Desechemos A 4
y obtendremos una matriz 3 X 5 (la tabla 27.2).

Ta bla 27.3

~
11,

A.

A;

Tabla 27.2

fl2

4
3
4

17
5
4

TJ3

B.1

A2

~
Ai
Az

Pero esto, todava no es todo! Si observamos Ja

tabla 27.2, nos damos cuenta de que en ella algunas
estrategias del jugador 8 dominan sobre otras: por
ejemplo, B 3 sobre 8 4 y B 5 ; JJ 1 sobre la estrategia 8 2
(no olviden que B tiende a entregar lo menos posible).
Desechando las columnas 8 2 , 8 4 , 8 5 obtenemos el
juego 3 X 2 (table 27.3).
Por ltimo, en la tabla 27.B Ja lnea A 3 duplica
A 1 , por lo tanto se la puede desechar. Definitivamente
obtenemos el juego 2 X 2 (tabla 27.4).
Este juego, cualquiera que sea el esfuerzo es imposihlll simplificarlo. Tenemos que resolverlo. Sealemos de paso que, desechando las estrategias que est11

4
3
4

2
6
2

3
8

11:!

Tabla 27.4

Il5

A1

..

1
~

4
3

113

2
6

de ms (duplicativas o d e antemano desventajosas)

en el juego con un punto de asiento, llegaremos a la
solucin en estrategias puras. Pero es mejor comprobar de inmediato, si el juego posee un punto de asiento,
pues esto es m ;s simple que comparar por trminos todas
las filas y columnas.
En los manuales sobre la teora de juegos generalmen t.e se detienen en la resolucin de los juegos ms
simples 2 X 2, 2 X n y m X 2, que admite una interpretacin geomtrica, pero nosotros no haremos esto,
sino que cogeremos al toro por los cuernos y demostraremos, cmo se puede resol ver cualquier juego m X n.

250

251
.. ..... ......- ..............__

"f
...
l.

Sea que tenemos un juego m X n sin punto do asiento con una matriz (aiJ) (vase la tabla 27.5).

sotros seguimos persovotantomonto co11 la estrategia

S~). En cualquier caso n uestra ga11a11cia ser no menor
de v:

Tabla 27.5

+ 21P 2 + + m1Pm>v,
~t~P~ :- ~t2~P.2: . . .+. r:~P.m~V'.
1nP1 + 211P2 + + mnPm >v.
11P1

111

B2

...

Bn

.~

A;

A2

n
n

i2
22

An

mi

m2

.. .

....

. ...

...

...
. ..
...

in
2n

(27.2)

Divjdarnos las desiguald ades (27.2) por la magnitud

positiva v o introduzcamos las designaciones:

. .. .

X1=".!!.1_

m.n

'

X2

= _!!_~ ,
V

Xm

Pm.

(27.3)

Entonces las condiciones (27.2) toman la forma

1
1

Supongamos que todas la ganancias a 1i son positivas (esto siempre se puede lograr agregando a todos los
trminos de la matriz un nmero suficientemente grande M; esto hace aumentar el valor del juego en M y la
solucin S_, S~ no se alterar). Si todas las ganancias
a 0 son positivas, est claro que el valor del juego, es
decir, la ganancia media con una estrategia ptima,
tambin es positiva: v > O.
Queremos encontrar la solucin del juego, es decir, dos estrategias ptimas mixtas
SA_ = (p1, P2, ., Pm),
S;J = (q1~ q2, ., gn),
(27 .1)
que dan a cada parte una ganancia media que es para
ellas la mxima posible (prdida mnima).
Hallemos primero, S'.4_. Sabemos que si uno de los
jugadores (en el caso dado es A) aplica su estrategia ptima, entonces"el otro (B) no puede mejorar su posicin,
renunciando a~la suya. Obliguemos al enemigo (R)
a renunciar de su estrategia ptima, recurriendo a las
estrategias puras B 1 , B 2 , , B,. (mientras tanto no-

+21X2 + +am1Xm> 1,
'.'~' + '.'~' + . + ~m.. ~m.> 1_,
1 1,.rt + z nX:i + -1- mnxm> 1
11X1

}
(27.4)

donde x 1, x 2 , , Xm son variablos no negativas. En

vigor do (27.3) y de que p 1 + P 2 + ... + Pm = 1,
las variables x1 , x 2 , . , Xm satisfacen la condicin
X1 -i- X2-/-

+ xm=_J_.
r;

(27.5)

Poro v 110 es otra cosa que nuestra ganancia garantizada; es natural que queremos hacerla mxima y, por
Io tanto, la magnitud _!_,
es mnima. As pues, el prov
hlerna <lo rosolucin del juego so rPdujo a un problema
rnatem:ilico: hallar talos valoros no negativos de las
variables .r1 , x 2 , , Xm quo satisfagan las desigualdades Je limitaciones Jinealos (27.4) y minimicen la funcin lineal de estas variables:

L =

252

X1

+ X 2 + ... +

Xm ===?

mn.

(27.6)
253

'

'

ZC:.t . ..+

~ ~~ r

......~-~ ...

~~~~--------~--~

Bah! - pueJe decir el lector,- es algo conocido.

S, exacto, estamos en presencia de un problema de la
programaciu lineal. De esta manera, el problema de
resolucin del juego m X n se redujo al problema de la
programacin lineal con n desigualdades de limitaciones y m variables. Conociendo x 1 , x 2 , , Xm, mediante las frmulas, (27.3) se puede hallar p 1 , p 2 , , p 111 y,
por l tanto, la estrategia ptima S;t y el valor del
juego v.
La estrategia ptima del jugador B se halla de modo anlogo, con la diferencia de que B tiende a minimizar, en vez de maximizar la ganancia y, por consiguiente, no minimizar, sino maximizar la magnitud

!,
V

y en las desigualdades de limitaciones en lugar de

los signos> estarn~. Un par de problemas de la

programacin lineal con el cual se hallan las estrategias ptimas (S.A, SZ), se denomina par de problemas
dobles de la programacin lineal (est demostrado que
el mximo de una funcin lineal en uno de ellos es igual
al mnimo de la funcin lineal en el otro; as que
todo est en orden, pues, no obtendremos distintos
valores del valor de juego).
As pues, la solucin del juego m X n es equivalente a la solucin del problema de la programacin lineal. Hay que sealar que, viceversalnente, para
cualquier problema de la programacin lineal puede
ser construido un problema equivalen Le de la teora
de juegos (no nos detendremos en plantear cmo se
hace esto). Esta relacin entre los problemas de la teora de juegos y los problemas de la programacin lineal
resulta til no slo para la t(Jora de juegos, sino tambin para la programacin lineal. El caso consiste en
que existen mtodos numricos aproximados de la resolucin de los juegos, los cuales en ciertos casos (cuando la dimensin del problema es grande) resultan ser

ms simples que los mtoJos cl:'tsicos1> do la programaci1J li11 ea l.

escriLarnos uuo de los wlodos numricos ms
simJJles de 1u resolucin de los juegos, el llamado mtodo de iteraciones (con otras palabras el mtodo de
lJrauu -- .Houinson). Su idea consiste en la siguiente. Se
interpreta un experirnen to 1ne11 tal en el cual las partes A y B aplican por turno 1111a contra la otra sus estrategias, lratando de ganar Jo mximo posible (o perder
lo menos posilile). El expf)rneuto consiste en una serie
de partidas del juego. Este comienza cuando uno de
los jugadores (digamos, A) elige arbitrariamente una
de sus estrategias A i El contrincante (B) le responde,
utiliza11do 1111a de sus estrategias /Ji que es la ms perjudicial para A, es decir, reduce la ganancia de sta para la estrategia A i al rnuimo. Luego, de nuevo, le
toca el turno a A que responde a B, recurriendo a su
estrategia A 1,, la cual da una ganancia mxima para
la estrategia Hi del co11trincanto. Luego, de nuevo, le
toca el turno al contrincante. El nos responde con aquella de sus estrategias la cual es la ms perjudicial no
para la ltima estrategia Ah aplicada por nosotros,
sino para la estrategia mixta en la cual, hasta ahora,
las estrategias A i A i utilizadas se encuentran con iguales probabilidades. Y as sucesivamente: a cada paso
del proceso de iteraciones cada jugador responde a la
siguiente jugada del otro, con aquella de sus estrategias
que es para l ptima con relacin a la estrategia mixta
del otro, en la cual todas las estrategias aplicadas hasta
este momento entran propocionalmente a las frecuencias
de su aplicacin. Para no calcular cada vez la ganancia
media se puede, simplemento, hacer uso de la ganancia
acumulada en el curso de las jugadas anteriores y elegir aquella de sus estrategias con la cual esta ganancia
acunr11lada es mxima (mnima). Estn demostrado que
tal mtodo converge: con el aumento del Iimero de

254

255

u _;,;;_,..,

----

Tabla 2

partidas la ganancia media de una partida tender

;d valor del juego y las frecuencias le aplicacin de
las estrategias, a sus probabilidades en las estrategias
mixtas optimales de los jugadores.
Con todo, se puede comprender lo mejor posible el
mtodo de iteraciones, citando un ejemplo concreto.
llustrmoslo citando el ejemplo del juego 3 X 3 del
prrafo anterior (la tabla 26.5). Para no tratar con nmeros negativos, agreguemos a los elementos de la
matriz de la tabla 26.5 el nmero !) (vase Ja tabla
27 .G); adems el valor del juego aumc11tar, en este

h 1 i 1 B1

B1

IJ2

Ba

Ai
A2
As

7
2
9

9
2

11

Ba I j 1 Ai 1 A2 1 Aa I

11

2 11
2 13
2 15
1 22
3 31
1 38
2 40
2 42
10 1 49
11 3 58
12 2 60
13 2 62
14 1 69
15 3 78

11

18
27
29
29

11

1
2
3
4
5
6
7
8
9

Ta.bla 27.6

B2 '

31
40
49
51

51
60

if
71
71

11
20
31
40
4ll
40
49
60
60
60
69
80

2
2
3
3
3
2
2
2
3
1

2
4
13
22
31

33

35
3'7
46
53
55
57

66

73

75

9
18
18

18
18
27

36
45
45
47
56
65
65
67
76

-V

o o
o 4,5
11
22
33
33
33
33
44
53
53
53
64
73
73

3,67
2,75
4,00
4,84
4,43
5,00
4,45
4,90
4,64
5,00
4,61
4,93
4,74

9
9

6
5,50
6,60
5,50
5,14
5,61
5,11
5,30
5,09
5,41
5,07
5,21
5,06

v
4,5
6,75
4,84
4,13
5,30
5,17
4,79
5,30
4,78
5,10
4,87
5,20
4,84
5,07
4,90

k primeras partidas para aquellas estrategias que fueron aplicadas por los jugadores en las partidas anteriores y para las estrategias B1' B 2 , B 3 del jugador B
aplicadas en la partida dada (se obtiene, agregando los
elementos de la fila respectiva a lo que estaba en la fila ms arriba). De las ganancias acumuladas en la tabla 27. 7 se subraya la mnima (si hay varias se subrayan
todas). El nmero subrayado determina la eleccin de
la respuesta dd jugador B en la partida dada, puesto
que l elige aquella estrategia que corresponde al nmero subrayado (si son varios se toma uno cualquiera).

caso, en 5 y la solucin S', S1 no cambiar.

Comencemos por la estrategia del jugador A elegida arbitrariamente, por ejemplo, por la estrategia
A 3 . En la tabla 27.7 figuran los quince primeros pasos
del proceso de iteraciJL de acuerdo al mtodo de Braun
- Robinson (el lector puede continuar pos s mismo los clculos). En la primera columna se da el nmero de la partida (par de elecciones) k, en la segunda,
el nmero i de la estrategia del jugador A, elegida en
la partida dada. En las tres columnas siguientes se
encuentra la ganancia acumulada en el curso ele las
,

257

.,, 17-0010

256

,..

-----

cado anteriormente, a 1/4 = 0,25, 112 = 0,50, 1/4 =

= 0,25 para la primera , segunda y tercera estrategias,
respectivamente. Tales aproximaciones relativamente
buenas ya las hemos obtenido para 15 iteraciones, lo
que da esperanzas! Por desgracia, en adelante el proceso de aproximaciones no ir tan ligero. La convergencia del mtodo Braun-Hobinson es, como muestra
la experiencia, muy lenta. Existen procedimientos
que permiten instigar el proceso que se desarrolla muy
lentamente, pero no nos detendremos en ellos.
Una ventaja mny importante del mtodo de iteracin de la resolucin de juegos consiste en que su volumen de trahajo crece, con el aumento de la dimensin
del juego m X n, relativamente despacio, en tanto que
el volumen de trabajo del mtodo de programacin lineal crece, con el aumento de la dimensin del problema, mucho ms rpido.

De esta manera se determinad nmero j (en la partida dada) de la estrategia ptima H (se pone en la columna siguiente). En las tres columnas ltimas se da la
ganancia acumulada en el cmso de las k partidas, respectivamente para las estrategias A 1 , A 2 , A 3 del jugador A (s obtiene, agregando los elementos de la
columna H j a lo que estaba en la fila ms arriba). De
estos valores en la tabla 27. 7 est marcado con una raya puesta arriba el mximo que determina la eleccin
de la estrategia del jugador A en la partida siguiente
(en la fila de ms abajo). En las tres ltimas columnas
de la tabla 27. 7 se dan: v, la valoracin inferior del precio del juego que es igual a la ganancia mnima acumulada dividida por el nmero de las partidas k;
es
la valoracin superior del precio del juego que es igual
a la ganancia mxima acumulada dividida por k;
v*, es la media aritmtica entre ellas (sta sirve mejor
como estimacin aproximada del valor del juego, que
la estimacin superior e inferior).
Como se puede ver, el valor v* flucta un poco alrededor del valor del juego v = 5 (el valor del juego inicial fue igual a O, pero hemos agregado 5 a los elementos de la matriz). Calculemos segn la tabla 27. 7
las frecuencias p 1 , p 2 , p 3 , q1 , q2 , q3 de las estrategias de
los jugadores. Obtendremos:

u,

Pt = 4115 ~ 0,266,

***
As pues, el lector se familiariz en cierta medida
con la teora de los juegos antagnicos y con los mtodos
de resol11ci11 de los juegos de matriz.
Digamos unas palabras crticas sobre esta teora
y su significado prctico. En su debido tiempo, cuando la teora de juegos acababa de surgir, en ella se pusieron muchas esperanzas en cuanto a la eleccin de
soluciones para las situaciones de conflicto. Sin embargo, estas esperanzas se justificaron solamente en poca
medida.
Ante todo, en la prctica, los conflictos rigurosamente antagnicos no son frecuentes, a no ser en los
juegos verdaderos (las damas, el ajedrez, las cartas,
etc.). Fuera de estas situaciones artificiales en las
cuales una parte tiende a toda costa a maximizar la
ganancia, en tanto que la otra tiende a minimizarla,
tales conflictos son muy raros. Diramos, en dnde,

;2=1115 ~ o,468,

lia = 415 ~ 0,2()6,

q = 2 / 15~o,133,

q2 = 8/15;::::::; 0,534,

qJ = 5/15 ~ 0,333,
1

lo que no se diferencia mucho de las probabilidades

p 1 , p 2 , p 3 , q11 q2 , q3 que son iguales, como hemos indi258

259

17

""!-~''" -~- .. ....-

cin qu e se rep ite mltiples veces, en la cual cada p arte

puede Ecilmente (sin gastos adicionales) v ariar, de
cuando en cuando, su comp or tamiento , l as estra t egias
mix tas p t imas pueden, de h ech o, aumentar la g anancia media. P ero suele haber si tuaciones cua nd o es necesario lomar u na solucin nica (por ejemp lo, elegir
u n plan de construccin clt~ l sistema de fortificaciones).
Ser razonable confiar su eleccin al azar? o, hablando en trmin os generales, tirar la moneda y elegir,
-e n caso de cara, la prim e ra variante d el plan o la seg und a en caso de cruz ? Es poco probable encontrar un
d irigen te q ue se decida a hacer la eleccin al azar en
u na s ituacin compleja y responsable, aunque esto se
desprenda de los principios de la teora d e juegos!
Ofrezcamos, po r lti mo, una consideracin ms:
e n la teora de los juegos se considera que cada j ugador
conoce tod as las estra tegi as p osibles del contrincante,
y es sol amen te desconocido , cul de ellas ser ap licada
por l e n una p artida dada d el j uego. En un confl icto
real , por lo general , esto no es as : a propsito, es d esconocida la enumeracin d e l as estrategias p osibles del
contrincante y Ja mejor solucin en una sit,uacin de
con.flicto col1 fo~cuencia consistir , precisamente, en
salir fuera de los lmites de las estrategias con ocidas por el
contrincante, turb arle con algo totalmente nuev o,
imprevis to!
Como se deduce de lo expuesto ms a rriba, la teora
d e juegos como base para elegir una solucin tiene m uchos puntos db iles (incluso en situaciones d e conflicto agudo). Q u iere decir esto que no es necesar io estudiarla, que no es absolut am enle necesaria en l a inves ligacin de operaciones? No, no quiere decir esto. El
valor de la t eo ra de juegos consiste, en primer lugar,
e n el pla nteamiento mismo d e los p roblemas que ensea no olvidar, eligiendo la solucin en una situcin
de conflicto, que el contrincante tambin razona, y

si no en las operaciones combativas, debera aplicarse

con xito la teora de juegos? Precisamente aqu nos
encontramos con los antagonismos ms irreconciliables, con la contradiccin de intereses ms evidente!
Pero resulta que las situaciones de conflicto en este
dominio, relativamente raras veces se logra reducirlas
a los juegos pares con una suma nula. El esquema del
antagonismo riguroso es aplicable, como regla, solamente a las operaciones de poca envergadura con un
valor limitado. Por ejemplo, la parte A es un grupo
de aviones que atacan un objetivo, la parte B son los
medios de defensa antiarea del objetivo; la primera
parte tiende a maximizar la probabilidad de destruccin del objetivo, la segunda a minimizarla. El esquema del juego de pareja con una suma nula puede ser,
en este caso, aplicable. Pero , pongamos un ejemplo un
poco ms complejo: dos grupos de unidades combativas
(tipos de tanques, aviones, buques) mantienen comba te. Cada parte tiende a batir un nmero lo mayor
posible de unidades combativas del enemigo. El antagonismo de la situacin pierde, en este ejemplo, su pureza, ya que no se reduce al juego de pareja con suma
nula. Si los propsitos de los participantes en el conflicto no son directamente opuestos, sino que simplemente no coinciden, el modelo m atemtico se hace mucho ms complejo, ya que no podemos interesarnos
por la ganancia de una sola parte; surge el llamado
juego bimatricial en el cual cada participante tiende a maximizar su ganancia y no solamente a minimizar la ganancia del contrincante. La teora de tales
juegos es mucho ms compleja que la teora de los juegos antagnicos, y lo principal consiste en que de esta
teora no se consigue obtener recomendaciones precisas
relativas al modo ptimo de acciones de las partes [26].
La segunda observacin crtica se referir a la nocin de estrategias mixtas. Si se trata de una situa260

261

1
~.1 r .

.- . .?~
~ f~

--,..
!""'!!!'

__ ...

...___

....

a considerar sus astucias y argumentos capciosos posibles. Supongamos que las recomendacio11es que se
deducen del enfoque del juego no siempre son determinadas y realizables; sin embargo, eligiendo la solucin
es til orientarse, entre los otros modelos, al modelo de
juego. Slo que no es necesario cons iderar las deducciones que parten de este modelo, como definitivas e indiscutibles1).

2B. Problemas de la teora

de decisiones estadsticas
Los mtodos e ideas de la teora de juegos son muy
parecidos a los de la teora de decisiones estadsticas. Se
diferencian slo en que la situacin indeter minada en
la ltima no tiene matiz de conflic to, ya qu e nadie opone resistencia a nadie, pero el elemento de ind eterminacin es evidente. En los problema s de decisiones
estadsticas las condiciones desconocidas de la operacin no dependen del contrincante que acta conscientemente (o de otros participantes del conflicto),
sino de la realidad objetiva que habitualmente se denomina en la teora de decisiones estadsticas como
naturaleza. Las situaciones resp ec tivas se denominan
frecuentemente como juegos con la naturaleza. La
naturaleza se representa como cierta instancia imparcial (la naturaleza indiferente, segn Pushkin) , cuyo
comportamiento es desconocido , pero, por supuesto
no es malintencionado.
Poda pensarse, qu e la ausencia de una reacc10n
consciente simplifica el problema de eleccin de l a
El punto de vista de la autora expuesto aqu y relati vo
al papel y significado de la teora de juegos no es enteramen te
adopt.a do por todos. Algunos autores consideran , por el contrario, los enfoques del juego como principales en la investigacin
de operaciones (vase, por ejemplo, (28)).
1)

resoluc in. Hesulta que no se si mplifica, sino se complica. Es verdad qu e a quien loma decis in en el juego
con l a na turaleza le es, de hecho, ms fcil log rar xito ( jJJues nadie le impide!), pero le es ms difcil
argumentar su eleccin. En el juego con t ra el con trincante consciente el elemento de indetermi Haciu pierde, en parte, su validez debido a que e n vez del contri ncante, somos nosotros quienes razonamos y tom a mos por l una d ecisin, ms desfavora ble p ara no-.
sotros m ismos. En el jtwgo con la natu raleza tal concepcin no conviene: Quin sabe cmo se comportar?
Por est a razn la teora de decisiones estadsticas es
la ciencia ms inestable en lo qu e se refiere a las recomend ac iones. Sin embargo, tiene derecho a la existencia, as como a la atencin por p a rte de las personas
que se ded ican a la investigac in d e operaciones.
E xa minemos el j uego con la n a turaleza : tenemos
(la par te A) m. es trategias posibles A 1 , A 2 , , Am;
en lo t oca n te a l a situac in, sobre e lla se puede h acer
n suposiciones : S 1 , S 2 , . , S 11 Consid ermoslas como las estrategi.as de l a n aturaleza. Nuestra ganancia u est representada mediante una matriz (tabla
28.1) con cada p areja de las estra tegias A 1 , S j .

~
.

Ai
A2

Am

S2

. ..

sn
-

11

....

21

12

. ...

22

m1

m2

....

...
...
. ..
.. .

in
2n

....

mn

262
263

.. -.........

'~~

~ ~ -

,......

-------~
,Por tu, no obslallle, guiarse, para elegir la soluci11? Corno es natural deber considerarse la matriz
de ga11ancias (au). f11 muLargo, 011 cierto sentido el
cuadru de la siluaci11 que nos <la J;l 111alr;1, (au) es
iJJt.:ornpleto y 110 refleja Llel,idameute los mritos y defoclos de cada soluciu.
!\claren10s esta idea (que dista mucho de ser simpll~). Supo11ga111os que la gana11cia a 1 en nuestra estrategia A i y e11 el estado de Ja naturaleza N, es mayor
que
en nuestra estrategia A k y 011 el estado do la natura-:
1 ).
cia .Razonemos
sobre dicho problema. El caso ms simloza N : aii > ahL Pero,<: a costa <le qu es mayor?
ple de eleccin de la solucin en ol juego con la naturaA costa de que hemos elegido con acierto la estratele1.a es cuando (por suerte) cierta estrategia del jugagia A;'? No es oldigaLoriamente as. Tal vez el estado
dor A supera a las dems (dorninal} sobre ellas), code la naturaleza N sea sencillamente ms ventajoso
mo, por ejemplo, la estrat{Jgia A 2 en la tabla 28.2.
para uosol.ros que para iV; . Por ejemplo, el estado de la
Aqu la ganancia para la estrategia A 2 en cualquier
naturaleza en condiciones normales es ms ventajoso
estado ele la naturaleza no es menor que para otras
para calquicr operacin que la inundacin, el terreestrategias y para algunas de ellas es mayor; entonces,
moto, ele. Es deseable introducir tales udices que
todo est claro, hay que elegir, precisamente, esta estrauo couced an simplernen te la ganancia para una estrategia dada en cada situacin, sino que reflejen la suertegia.
Si en la matriz del juego con la naturaleza no hay
te o i11forLullio de la elecciu do una estrategia dada
una estrategia dominante sobre las dems, es, con todo,
en uua situacin dada.
til examinar si la matriz contiene estrategias duplicaCon este propsito, en la teora de las soluciones se
tivas que cedan a otras con todas las condiciones (como
i11l ro<luce el concepto do riesgo. Utilizando la estrahicimos, simplificando la matriz del juego). Pero aqu , tegia A; 011 Jns condiciones N denominemos como rieshay un detalle consistente en que podemos el isminuir
go rii del jugador A la diforeucia entre Ja ganancia que
solamente el nimero de estrategias del jugador A, pero no
hubiramos obtenido si hubiramos sabido las condiciodel S, ya que para l es lo mismo que ganemos mucho o
nes N y la ganancia que obtendremos, desconocindolas
poco. Supongamos que revisamos la matriz y no revey eligieud o la estrategia A i
lamos en ella las estrategias duplicativas ni, a sabien~Es cierto que, si nosotros (el jugador A) supiramos
das, desventajosas para el jugador A.
el estado de la naturaleza N, elegiramos tal estratel) Pofdesgracia, no son raros los casos, cuando las personas gia en la c1tal JJuestra ganancia es mxima. Esta gapoco expertas en la investigacin de operaciones, al encontrarse nancia es mxirna en la columna N. Anteriormente la
en la prctica con tal situacin se olvidan de la indiferencia& ,
de la naturaleza y comienzan inmediatamente a resolver el encontrnrnos y la desig11amos por ti. Para obtener el
problema, utilizando los mtodos de la teora de los juegos riesgo r es 11ecesario sustraer de f:I la ganancia real

Se requiere elegir tal estrategia del jugador A

(pura o, tal vez, mixta si es posible) que sea la ms
ventajosa en comparacin con las dems.
A primera vista parece que este problema es similar al juego de dos jugadores A y S con intereses <)puestos y deber resolverse mediante los mismos mtodos.
Pero esto no es as. La situacin se hace cualitativamente distinta cuando la naturaleza no opone resisten-

antagnicos. Tales recomendaciones se encuentran en los libros

(preferentemente de divulgacin).

204

18 -- 0515

265

a u:

(t:d 1Lt '.!,'-l.:1) 1 11 /;i s1g1111dn fi/;1 I' / 11i111 1'1' .1 ~'<'~r1 111do cl1i11 1 11lo." .'-'u11 i.L:11 ;tl 1'.'-' 111i r1 ": 11:! ,
'':!
::. Si11 1' 11 t/1ar1

('.!K. l )

r ;; '=' j); - a; i

g 11 1s l;1," ~;111; 1 11 1 ia.s 1111 .'-'1111 l'q111-. tl111/1'.'-' 111 ('.t tartlo a]
l'l C'('('11 ;1nr l.ir/ ;i i/1 l "' l 1-; 1! 1gi<1: J><tt'i1 1/ 1'.s fm/1 1 d1' Ja 11 ;1l11 r:tlc1;1 ,f 1 p 11d i1110.-: .L:u11n1 1111 n1;.-. ilt' ~ - y 11 11psfra 1l1c1 1u11 d1 l;1 1.-:!r;1l1gi;1 , [ ~ t';: 1-;1:-. i / ; 1111jur, 1'11 1<1 111 0 lJ Ul'
p <tra t'l Psl :1dn ;r. 1 11 ud1:111 10.; ohlt 11c1, ;1/ Pl 1gi1 la ps frnleg in , 11, () 11 11 id:ul1s 111;;.; , <'s d1c ir. In elPcc:i rt d e la
l's l r11 lcgi;i 1:! t'.'' P;'' i11:t. .; l'('~,g"<> r'" 1111 ((pago po r L1
fal 1;1 d<' i11 f(lr111 c i1.111: 1 11 la t ;/ 11:1 '.!i) . r:!, ~ 1, ,.~_ ~'
(j (111iP11lr;1s q 11 1 /;1.: g-;111;111('j;~ 11 r 11 ;1111/JOs eac-:os so11
i).'. 11 ;i /p;:). E.'-' 11a l11 1'iil q111 q11 i.-,ir; l'i1111 ,h 111i11i 11 1i1.;11 el l' ie::;go q111 il< 'o111p; 1ii :1 /;1 ,/1 '('l'i1'111 r/ p /;1 .'-'1i/11ci11 .

T o me111os eo1110 nj e 111pJo L1 111 n l l'i z d1' l11s ).'.1 11;1 111 i: 1."
28.:~) y ('Oll :i l'll YillllOS Jl<ll"<I l'I J:1 l;i 111;1!1i ;

(11u) (l lJJ;i

~"'

F11f,,,

.,

- - - - - - - - -

N1

A1
J\.,

11:;

;3

114

~-------'-------~--------

:~

--

de Jos riesgos (r;;) (lah la 28./1).

Ana li zando la 111alr iz d1' Jos l' 1sg1Js ( lal>l a 2iH).

N~1

0. 2

N1

--~:_-T-~T

:\ 1

__------------~----------~---

-- -- -------2

il
ll '

,,:,

'.)

j) j
1

!I

()

(i

>
~

(j

!)

______l___ ~__

A:- [J llr's, le 11l'111 os a n le 11u:::oll'os dos pLulluamie11to;.;

del 1>rolil1;111 ;t so/Jre la e leccic)11 dp la solucin: }Jara e l
pri 11wro 110::; ts deseable 01Jlc11er u11a ga11a11cia 1u x im a,
para l'1 olt'o 1111 l'il'sgo m11i1110.
---

acl aramos cierl.os rasgos del j 111'go co n l a ll< 111n

dad o. 1\ s pues , c 11 Ja mal.riz 1k l as g aJ1a11d w; (11 ;1)
2 (i(j

----,

Ta lla 28 .<J

--~:-----~--r-- r~~--r ~

'/'11/1/11 28.:J
- - - - -4--

N1

SaJw111 os 1111c <'J caso 11 1;.s si111p lu de Ja i11dulel'mi HaciJt es u1w i11 dl'lur111 iJ1nc i11 de 1JwJ1111 calidad o estoci1s tie<1, c11;u1du los l'.~Ltdos d u la Jla lu l'afoza lie1JeJ1 c ierlas ro b ab ilidad es Q1 , Q~, . .. , (!,, .r las co1t0cen10s.
E11 to 11 ces, es J1at. 11 ra l eleg i r (co11 lud as Jns rcslr iccioucs
La! esl.rai egi a, var a la cual
ltPcli as :d rns11relo u1 1 u!

s :))

18*

267

el valor meJio Je la ganancia lomaJa en la fila, es el

mximo:
n
(28.2)
a 1 = 2.} QJil ==;.- mx.
J= l

'

Es curioso destacar que la misma estrategia que

maximiza la gauanica mcJia, minimiza, el riesgo medio:
l't

11

Q1'tj ==? IUll

(28.3)

j =' l

as que en caso de la indetermiuaciu eslocstica ami.Jos

enfoques (de la ganancia y Jel riesgo) ofrecen la
misma solucin ptima.
Empeoremos un poco nueslra inJeterrninacin y
supongamos que las probabilidades Q1 , Q2 , , Qn
existen en principio, pero las desconocemos. En este
caso a veces suponen todos los estados de la naturaleza
como del mismo grado de probabilidad (el llamado
principio de la insuficiencia de argumentacin de
Laplace), pero generalmente no se recomienda actuar
de esta manera. Sin embargo, habitualmeute est
ms o menos claro, cuales eslados son ms y cuales menos probables. Para encontrar los valores de referencia
de las probabilidades Q1 , Q2 , , Qn se puede recurrir, por ejemplo, al mtodo de valoraciones de expertos
(vase 5). Por lo menos es mejor tener algunos valores de referencia de las probabilidades de los estados
de la naturaleza, que desconocerlo todo. Los valores
imprecisos de probabilidades de los estados de la naturaleza pueden ser, en adelanle, corregidos, con ayuda
de un experimento especial. El experimento puede ser
tanto ideal, que aclara por complclo el estado de la
naturaleza, como no ideal, donde las probabilidades de
los estados se precisan medianle datos indirectos. Cada
experimento, por supuesto, requiere cierlos gaslos y
surge la pregunta: se compensarn estos gastos con

el aumento de la eficiencia? Hesulta que es razonable

hacer un expPrimento ideal solamente en caso de que
sn costo sea menor qne el riesgo medio mnimo (vase,
por ejemplo, [6]).
Pero dejemos do frnt.ar el caso do la indeterminacin
esfoc:.sf.ica y examinemos el caso de la indeterminacin mnla, cuando Jns probabilidades de los estados
de la nnt11rnlf'za no existen en general o no pueden ser
valorados incluso aproximadamente. Qu hacer?
La situacin es poco favorable para tomar una decisin
huena, probemos, por lo m~nos, encontrar una decisin que no sea la peor.
Aqu todo depende del punto de vista que tenemos
rle la situacin, de la actitud del investigador, de los
riesgos que eorramos, haciendo una eleccin de solucin desacertada. Describamos nlgunos enfoques o
puntos rle visfa posibles (o, como dicen, algunos criterios, para elegir ln solucin).
1. Criterio maximnimo de Vald. Segn este criterio el juego con la naturaleza se realiza como un juego
con el contrincante razonable y agresivo que hace todo
lo posihle para impedir que logremos el xito. Se considera ptima mm estratgia que garantice, en todo
caso, la g:rnancia no menor que el valor inferior
del jnego con la naturaleza:
Si nos gninmos por esfe d -= mfx mn a 0 . (28.4)
i

.i

criterio qu!l plnsma Ja actif.nd del pesimismo extremo

lrn.v q1w oril'11far::::e siemprt) por las condiciones psimas, sahienrl o con cprfrza q11e peor qne rHto no ser.
Es evirfonte que tal enfoque fle caufela excesiva es
natural para aqul que feme mucl10 perder, aunque no
es lo nico posible, pero como im caso extremo, merece
ser est.wliadn.
2. Criterio de riesgo maximnimo 1le Savige. Este
criterio tambin es extremadamente pesimista, pero
26tl

..

------~~m:!!!l4. .-

L-l
~:

-~- ..

,.,,.,...
__:::::::__:_:_:_:::__

al elegr una estrategia ptima aconseja orientarse 110

por la ganancia, sino por el riesgo. Como ptima se elige
nquella estrategia cuyo grado de riesgo es mnimo
en condiciones psimas:
(28.5)
S = rnn max ru.
i

Lo esencial de tal enfoque consiste en evitar, por

todos los medios, un riesgo grande, cuando se toma una
decisin. En lo que se refiere al <qrnsimismo el crilerio
de Savige tiene mucho parecido con el criterio de Vald,
pero el pesimismo como tal aqu se interpreta de otra
manera.
3. Criterio de pesimismo-optimismo de Hurwilz
Este criterio recomienda al elegir la solucin, no guiarse ni por el pesimismo extremo (cuenta siempre con
lo peor) ni por el optimismo extremo, irreflexivo (co11fiando en la buena ventura). De acuerdo a este criterio la estrategia se elige, partiendo de la condicin

mx {x mn au
j

+ ('L

-- x) mx au},
i

(28.6)

donde x es el coeficiente de pesimismo comprendido

entre el cero y la unidad. Cuando x = 1 el criterio do
Hurwits se transforma en criterio de Vald; cuando x =
= O, en criterio de optimismo extremo que recomienda elegir tal estrategia en la cual la ganancia mayor en
la fila es mxima. Cuando o< x < 1, se obtiene algo
medio entre uno y otro. El coeficiente x se elige, partiendo de razones subjetivas, o sea, cnauto rn{1s peligrosa sea la situacin, cuanto ms queremos ' asegurarnos
en ella, tan to menor ser{ 111wstra iu el i1rncin hacia el
riesgo, tanto 1rns prxima a la unidad se elegir x.
Si se desea, se puede formular 1111 criterio anlogo a
H, partiendo no de la ganancia, sino del riesgo, pero
no nos detendremos en esto.

Pues qu,-pregunt.ar;) el lector,- la eleccin del

criterio es subjetiva, la eleccin del coeficiente x
lamhin es subjetiva, y, por lo tanto, la solucin tambju se toma de manera subjetiva, o sea, en trminos
generales, arbitrariamente? 1'.Dnde est la ciencia?
1~Qu tiene que ver aqn la matemtica? Tal vez hubiera sido mejor elegir la solucin arbitrariamente, sin
recurrir a las sofisticaciones matemticas?
El lector tiene razn, en cierta medida, ya que la
eleccin de la solucin en condiciones indeterminadas
siempre es conveucional, subjetiva. Pero a pesar ele todo, en cierta medida (limitada) los mtodos matemticos tan1hiu son tiles. Ante todo, permiten conducir
el jnego con la naturaleza a una forma de matriz, lo que
no siempre resulla fcil, sobre todo, cuando disponemos
de muchas estrategias (en nuestros ejemplos hubo muy
pocas). AdEmus, ellos permiten sus tituir la mera contemplacin de la matriz de ganancias (o riesgos) de la
cual, cuando la matriz es grande, puede sencillamente
hacer chiribitas en los ojos, con el anlisis numrico
sucesivo do la situacin de~.de distintos puntos de
vista, considerar las recomendaciones de cada uno
de ellos, y, por ltimo, detEmerse en algo determinado. Esto es semejante a la discusin de la
cuesfi11 desde diversos puntos de vista, pues, como es
sabido, en la d ispn I a nace Ja verdad. As que no esperen
de la ~ora de soluciones recomendaciones definitivas,
indiscutibles; con lo uico que puede ayudarnos es con
co11sejos . ..
Si las rncomonrlaciones quo SE) deduceu do diferentes criterios coi11ciden, tanto mejor, entonces se puede
elegir, sin vacilar, la solnci11 reconiendarla: sta, precisamente no nos jugar una mala pasada. Si, corno
sucede frcc11e111eme111 e, las recornend aciones son contrad iclorias, no hay q11e olvidar que tenernos la cabeza
!'obre los hombros. Hazonmnos sobre estas recomenda-

27Cl

~
,)

:.

271
~
:~

--~
1111111.-illl'!ll_ _ _ _....,_ _ _ _""""'_ _ _ _ _ _ _ _ _ _-:"_ _ _....._._ ~--
_ _____
.___.

-r .

.--~-- -

ciones, aclaremos hasta qu punto divergen los resultados obtenidos, precisemos su punto de vista y hagamos
la eleccin definitiva. No hay que olvidar que en cualesquiera problemas de arg11mentacin de soluciones es
inevitable cierta arbitrariedad, por lo menos, conslruyendo el modelo matemtico o eligi endo el ndice de
eficiencia. Todas las matemticas q11c se aplican en la
investigacin de operaciones no revoc an esta arbitrariedad, sino que permites solament.e ponerln en su lugar.
Examinemos un ejemplo elemental del juego con
la naturaleza>) 4 X 3 cuya matriz de ganancias a
se expone en la tabla 28.S. Venmos la mntriz y probe-

Tabla 28.6

- - - - - - - - ----lf j

A;~I

111

11 2

ll ;

- - - - --,1 l
,12

20

31 )

15

15

75

2!l

:15

20

A~

25

Si l

@]

A4

85

[)

45

Tab!a 28 .5

~1
Ai
A2
Aa

A4

NJ

Nz

Ni

Tabla 28.7

1
20
75
25
85

15
35

30
20

25

80

45

!)

1
1

lfj

A ~

111

()5

ll 2

11~

A~

A4

111

lill
1

()

i
11;

;)

;----1- (\5

(ill

10

(l

~ll

75

ll

--

mos indicar, de inmediato, sin recurrir a los clculos,

qu estrategia aplicar. Esto no es tan fcil, a pesar del
tamao pequeo de la matriz.
Ahon1, in ten tomos ay11Clarnos empleando los cri l.erios do Vald, Savlgo y llurvils, tomando on el Hi1no
X = ' 0,6 (con cierta r;superioridacl de pesim S 1110) .
Qu nos dirn?
t. Toma la palabra el criterio de Vald. Calculemos
~os mnimos por filas (vase la tabla 28.6) y elijunos
'tal estrategia en la que, el mnimo de la fila es e] m : ~
:ximo (es ig\ui.l a 25). Esta es la P.11trategia A a

272

2. Ahora toma la palabra el criterio de Savige. Pasemos de la matriz ele ganancias (la lahla 28.G) a la de
riesgos (la t ahla 28. 7) y escrib amos 0 11 la co l1111111a dere-

1
1

[c;o
1

~
75

'---------------------------

cha adicional el valor del riesgo )' mxi1110 en la fila .

El nmero mnimo (60) de los de la columna dete~
dia corresponde a las estrategias A 1 y A 3 ; es_to quiere

~~~

.-

....

_...,._....

____
Tabla 28.9

decir que ambas son ptimas, segn el criterio de Sa-

vige.3. Toma la valahra el criterio de Hnrvitz (cuamlo

x = 0,6). Escribamos de nuevo La tabla 28.5, poniendo
en este caso en las tres columnas ad iciona]es: el mnimo
de la lnea a;, su mximo <; y el valor h; = xa; +
+ (1 - x) <; redondeado hasta nmeros enteros (vase la tabla 28.8).

A1
Az

20

A3

25

A4

85

75

ro,I';

80
5

15
35

15
2!l

3'.)

25

25

80

45

85

75

1!2

f]3

ll

A,

HI

31)

lil

4D

5(1

31

A2

~i 1

::is

!()

I~ ~

21)

51

26

.43

73

18

81

1[

81

21
42

TaUa 28.l

~
37

==

47 corresponde a Ia estrate-

gia Pues
3.
bien, en el caso dado, todos ls tres cdterios
hablan unnimamente a favor de la estrategia A 3 ,
la cual se puede elegir con todo fundamento.
Examinemos, ahora, el caso cuando entre los criterios surge una disputa>). La matriz de ganancias (au)
(con las columnas de mnimos de las filas a, los mxirnos de las lneas <j y los valores h; (cuando x = O,G)
escritos de antemano) se da en la tabla 28.\:l.
Segn el criterio de Vald, es ptima la pslraLegia
AH segn el criterio de Hurvitz, con x =' O,, la estrategia A 3 Veamos qu indica el criterio de Savige?

A1
;12

A3

'~

II 2

Il;i

51,
22

40
71

54

2\J

71

()

20

38

[J l

El valo1: mximo h;

La matriz de riesgos con 11na columna adiciqn.al, que

contiene los mximos do filas y, figura en la tabla
28.1.

. - - -- - -

3'. l
20

A;~
------------

Tabla 23.8

N'"ITT~\

llj

- - - - --

El iinwro :18 os el mnimo e11 la ltima columna,

as que el criterio de SavigEi, al igual que el criterio de
Hurvitz, voLa por la estrategia A 3
Vale la pena razonar sobre esto. Si tememos a la
ganancia pequea 1 h q ne podemos obtener con la
275

274
~

......

,.

'

estrategia A 3 , pues bien, elijamos la estrategia A 1

recomendada por el criterio de Vald que es extremadamente cauteloso y puede garantizarnos la ganancia
19 o incluso mayor. Si nuestro pesimismo no es tan
triste, quizs podamos detenernos en la estrategia
A 3 , recomendada por dos de los tres criterios.
El lector not, por supuesto, que aqu estarnos usando no un lenguaje matemtico, sino rnfls bien un lenguaje de razonaminntos y sentiflo comln>). Qu hacer,
en la indeterminacin no hay nada bueno, y, si no disponemos de informacin necesaria, ningunas matemflticas nos ayudarn en la eleccin unvoca ne la solucin ptima. As es la vida, el futuro est lleno de indeterminaciones, y, a menudo tenemos que adoptar las
soluciones que no son rigurosamente ptimas, sino
aceptables, discutiendo ias cunles , Jos distintos enfoques y criterios intervienen en calidad, digamos,
de partes contrincantes.
En conclusin, sealemos lo siguiente: todos los
tres criterios (de Vald, de Savige y ele Hurvitz) fueron
enunciados para las estrategias puras, pero cada uno
de 1~llos puede ser extendido a lns mixtas, lo mismo
que hicimos en la teora de~'juegos. Sin embargo, las
estrategias mixtas tienen en el juego con la naturaleza
un significado limitado (fnndanrnntalmente, terico).
Si en el juego contra un contrincante consciente las
estrategias mixtas a veces tienen sentido como truca>> que induce al enemigo a error, esto motivo se desecl1a en e] caso del j11ego contra la naturaleza inrl iforenle. Aclems, las estrategias mixtas cobran sentido slo con la r1~piticin mltiplo <lel j11ego. Y si lo
repetimos, inevitablemente comienzan a perfilarse
ciertos rasgos probabilsticos ele la situacin y podemos
aprovecharnos de ellos para aplicar el enfoque estocstico al problema; pern el enfoq11e estocstico, como
sabemos, no ofrece estrategias mixtas, Adems, en las
27Q

situacio11es co11 la i11deterrninaciu mala, cuando percibimos trerneudaruente la insuficie11cia de informaciu, el problema priuci1rnl cousislo eu oLloner esta
informacin e11 vez de inventar rulodos alambicados
que permiten prescindir de sta. Uno do los problemas
principales do la teora de las decisiones estadsticas
consiste precisamente en planificar el e:z:perimento,
cuya fiualidarl os aclarar o precisar ciertos datos. No
nos detendremos en las cuestiones de planificacin del
experimento: es un tema aparte que requiere una atencin seria. En lo que se refiere a esta cuestin recomendamos al lector los manuales especiales 129, 30],
as como uu interesante libro popular de divulgacin
[27]. El principio fundamental de la teora de la planificacin del experimento consiste eu que cualquier solucin adoptada debe ser revisada de antemano, teniendo
en cuenta la informacin recin obtenida.

**
As pues, hemos dado fin a nuestro resumen dedicado a los problemas, principios y metodologa de la investigacin de operaciones. La autora puso su esfuerzo
en dar a conocer al lector no slo las posibilidades, sino tambin las limitaciones de los mtodos matemticos aplicados para argumentar la decisin. Lo principal consiste en que ninguno de estos mtodos puede
librar al hombrn do la necesidad de razonar. Y no slo
de razonar, sino adems de aplicar los clculos matemticos. Hay que recordar que, segn la observacin
justa de Hemmiug, el objetivo principal de los clculos no son las cifras, sino la comprensin.

277

r -_,_.,..,
' ;1 -

Bibliografa

1. Caamu T. JI . MaTeMaT11 1wc1i1.1e MCTOl\hf 11ccJ1e\01111111111

oncpa11,1d.- - .M.: Iloc1rnav1T, 1!)63 (<HWJIO 25 H. Jt.) (T. Saati.
Mtodos matemticos do Ja in 1cstig-aein de operaciones).
2 . llen mre;ib /\' . C. Tcom11 nc10HTl10CTe ii (lll'JlBLIC uiarn ).
- 1\1 .: 31w1111e, 1\J77 (01\0JIO 3,5 11 11.) (/\ . l'entsel. Toora 1fo
probabilidades).
3. l1oiJunooc1;u B. JJ., l'aopu.wo JJ. 111 . llTl1MH3aI\llH 110
rrocJ1e1,oaaTeJ1&110 nmMeHneM &1M Kp11rnpmn1. -- M.: CooeTcHoc
paAHO, 1975 (01<0J10 8 n. JI.). )V. Podino vski, V.Gavrilov. Optirnizaci 11 seg n los criterios aplicados succsi va mcn tc).
4. Hapne.M:out <P. H., CaiJooc1m JI. 11'. 8J1eMe11TbL J1 1111cii11oii a;r1re6pM 11 m111cii10ro nporpaMM11poua111rn.- 1\1 .: Ila y1rn,
1()67 (oKOJJO 15 11. JI.) . (F . Carpelevich , L. Sadovski. Ele11w11 tos
de lgebra lineal y de programacin lineal ).
5. IOiJ un !f.. B ., 1'0.11b1Lt11ten E. /' .lh111cii11oe nporpaM~111poua1me.- M.: Hay1rn, 19G7 (1rnJ10 40 H. JI.) (D. Yu.din, JI.
Golshtein . Programacin lineal).
6. Benm!feAb E. C. HccJJep;ooa1rne ouepa u,11~ .- M.: CoocTrnoe paA110, 1972 (OKOJIO 35 n. JI.). (E . Vrntsel. ln vestigaciu de
operaciones).
7 . Baznep r. CHOBLI llCCJleAOBaum1 onepau,ni.- M.:
Mnp, 1972 (n Tpex TOMax, 061u,11ii o6'beM OJ\OJIO 8V 11. JI.). (G. Vagner. Fmidamcntos de la investigacin de operaciones) .
8. 3y:roou!fr.u C. H ., A oaeeoa JI. H. Jfoueii11oe M Hh111 y1rnoe
11porpaMM11pouaune. - M .: llay1rn, HllH (01rnJ10 17 11. JI. ).
(S. Zujovitski, L. Avdeeva. Programaci u lineal y con vexa).
9. Typun JI. C., )?b1J.1.apc1m JJ. C., Mep1;y.1100 A. / (. 3aAaq11 n MeTOAhl onT1HtaJ11>1101.'o pac11pe1\cJ1e1111n pccypcou.- M .:
CoBeTc1rne p:1p;no, 1!l68 (01<0J10 25 11. JI. ). (L . Gurin, J. Dimarski,
A. Merciilov. Problemas y mtodos de la dis tribucin p tirna
de Jos recursos).
10. Be.11.1t.lta1t P. l~1111aMnqcc1<oe nporptuiMnponamrn. - M. :
Jtl11ocTpaHHUII JJllTeaTypa, 1960 (oKoJto 25 n. J1. ). (R. Bell111an .
Programacin dinmica).

11. lle11 1111v 11 r, H. C. :J.11 u111c11Th! l\llllrtMnqecnoro 11porpa1.1Mnpu11a1111 11. --- .M .: .llayi;a, [ !)()' (Ol(OJf o 10 n. Jr.). (H. Ventsel.
Elc111t11tos d e Jll'ogran1 aci11 diumica) .
12. ll e1U11 1e11r. E. C. Tcop1m uepOHTHOCTei. -- . 1\1.: Hayna,
HIU4 (OHoJro a:) 11 11. ) (E' . Veutsel . Teora de probabilidades).
13. P oaeu6en B. H ., ll p oi:opoo A. H. l:J.To rnuoe Teop1rn
Macconoro 06c;Jry111ma1111n. --- M .: CoueTcHoc paA110, 1962 (ol\oJio
13 JI.
Ji. ) (V. R uzenberg , A. Prj orov. <iu se entiende- por teora
de
colas).

14. Uotapoo JI. A. IJ pwi.1w \11,e aa\am Macconoro 06cJiyimma1111n. - .M . : J\ la1.111111oc:Tpoc 1111e, :1969 (oHoJJo 18 n. JI.).
(L. Ovcharo v. Problemas aplicados de la teora de colas) .
15. Horfi.11 an A., Hno on P. Macc onoe o6cJJyllomaHMe, Teop11J1 11 111111Mcm1111J1. -- 1\1.: Hpurpecc, 1V65 (oHoJJo 20 n. JI.).
(/ I . A o/ 111 ru1, JI. Cry un. Teora de colas y su aplicacin ) .
lti . l'neuen1co ./J . JJ., Ho6a11 e111ro 11. 11. 1Juene11ue a Teopmo
Maccouoro 06c.11y;1rn11a1111J1. -- 1\1.: Ha y1rn, 196U (0KoJ10 22 n. JI.).
(B. Gnedenko, J. Corale11ko . 111 troduccin a la teora de colas) .
1 7. Caa 111u T . JI . :JJ1cMe11TM Teop11, Macconoro 06cJiyimrna1111J1 11 ec UJlHJ1011w1111J1 . - M .: ConeTc1roe P.IVIO, 1971 (oKoJio
32 H.
JI. ).. (T. Saat i. Elementos de la teora de colas y sus aplicac
io11es)
13 . ll ,za111011011 l'. A., <J1afi11 6epz AJ. A., /U n11t.t1bJ.tan M . C.
Jloc3,1\a, lfaccalJ(lf jJhl 11 . . . MaTci\laTwrn .-- .M: TpancrropT, 1977
(orwJ10 iU 11. JJ. ) (G. P ia t onoz", AJ. Fainberg, Af. Shtilman.
'fre11cs, JiasajPrus y ... las matem t.icas).
1U. C eaac111bJll10o H. A. <f>opMyJlb! 8 JJ1a11ra u TeJierf>onnu. Tp y11,L1 IJI AlaTeMa"l'll'leCHoro C'b83Aa, T. lV, ll3ll, . AH CCCP,
JU59. (B. Sevast ianov. Frmulas dP Erlang en la telefona. Obras del III Congreso de Matemticas).
20. 1'.11!Jp.1or,an B . E. 'l'eop11n ncponTHOCTeii n MaTcMaTu'IecHa n CTa'fJJCTJllW . - 1\1. : 1Ji,1crnan llJJ(OJJa , 1977 ( OIWJIO 22 II. JI.).
V . ).Gmu.rman . TcJora de prnbahilidades y estadstica matemt( ica

21. B c11m 1e.11b E . C. llccJ1e\ona111w onepai\11ii.- M.: 3uallC', HJ/(j (OKOJIO 3,5 JI. Jl.)
Ven tsel. In ves tigac in de opera<.lf: io11es)
.

u;;.

22. Co60.110 11. 111. J\leTu/\ MouT<J- h'. apJIO.-- 1\1.: <IJ11:JAtaTr113,
1U68 (<mo.110 3, 5 u. Jt.) (l. Sobol. Mtodo de Moutecarlo. )
23. ,JccJJ(j\OBaJ 111e OllCJlHU,11ii (AleTOJ\OJIOI'll'leCH11e llCIIel\Tb!) .
- M.: Jl ay trn , 'IU'72 (Ol(OJJO li 11. J1. ) (111 1estigaci11 de operaciones
(aspectos metodolgicos) .
24. B enmze.11> H . C . i:lJICAICHTbT Teop n11 urp.- .M.: <DuaArnTrn:i, HJG!J (@o.i10 111. Jt.} (/1'. Vr?11tsel . Elementos de la teora de
juegos.)

278
279

,.....,,.__

-::-,,-.,,.;::~

25. Mru;-Hzwcu /f.:Nc.

1[>wi~rnTt'll:J,

l3BC',(\e1111e

19GO (OJWJ!O 20 11.

JI.)

(J. Mnc

nup1110
/(ins~y.

11rp . - l\f.:
lulroducc in

a la teora de juegos).
26. JblOC l'. ,l(., l'a(jja .\. lll.' jlLl 11 [J ClllCllll)I . - l\1. Jl110C'l'JlUilllllll JIHTepaTypa, 1!)61. (OIWJJO 10 11 . Jt.) (ll. Luius, J. lla ifa. Juegos y soluciones).
27. Xypzu1{ H. H. ~(a, JICT 1w11 M01IWT 6hITh .. . - l\1. :
Jrayua, HJ77 (oHoJio 10 11. JI.) (J. Jurguin. S, no o puede Sl'l').
28. l'ep :Atell l'[J 10. /j . J3BC'.\eHJl 11 TeOJllllO ll CCJIPl \Ollil llllJI
ouep:11I,11ii. - l\I.: llaym1, HJ7l (oHOJlO 20 11. JI.) (Yu. Gue11111, i~r .
l 11troduccin a la leora de la in vcstigaci11 <le operacioues).
29. 1la.1tu:Aioa B. B. Teopun ancmJpHMCHTa.- M.: 1Jay1w ,
ID71 (OIWJIO 10 n. J1.) (V. Nalimo v. Teora del experimC'uto).
30. Ba.1tbo A. llocJie):\oDaTeJihlll: a11ami:i.- 1\1.: <J>11 :1MaTrn3; 1960 (oKoJio 17 11. JI.) (A. Vald. Anlisis sucesivo).
31. IOoun ,l(. B . MaTeMaTM'lecmrn MeTOJ:\hI yupanJ1e111rn 11
ycJiomrnx n enomwi nmpopMau.1m. - M .: ConeTcHoe pa\110,
1974 (01wJ10 30 n. JI.) (D. Yudin. Mtodos matemticos de <lircccin en condiciones ele informacin incompleta).

______

......

_,

---

..

- - -~

;-?: