Programacion Dinamica

UNIVERSIDAD NACIONAL
“SANTIAGO ANTUNEZ DE MAYOLO”
FACULTADA DE ADMINISTRACION Y TURISMO
“Escuela Académico Profesional de Administración”
TEMA : PROGRAMACION DINAMICA Y ARBOL DE EXTENCION

MINIMA
CURSO : ANALISIS CUANTITATIVA PARA DECISIONES I
DOCENTE : Lic. Administración William Dextre Martínez

CICLO ACADÉMICO : VII
AÑO ACADÉMICO : 2015-II
INTEGRANTES:
➢ CANO MAURICIO ALEJANDRO PABLO

➢ CHAVEZ RODRIGUES LUZMILA
➢ GLORIA CHAUCA MIGUEL
➢ TUYA ALLAUCA MARISABEL
Perú, Ancash, Huaraz 2015

PROGRAMACION DINAMICA
INDICE
INTRODUCCION .......................................................................................................................3
I. PROGRAMACION DINAMICA ........................................................................................4
1.1. DEFINICIONES ..........................................................................................................4
1.2. CONCEPTOS BASICOS .............................................................................................4
Los tres conceptos básicos que se usan en la programación dinámica son: ..............................4
1.3. CARACTERISTICAS DE PROGRAMACION DINAMICA......................................4
1.4. TIPOS DE PROGRAMACION DINAMICA ..............................................................6
a) PROGRAMACION DINAMICA DETERMINISTICA..........................................6
En la programación determinística el estado en la siguiente etapa está Completamente
determinado por el estado y la política de decisión de la etapa actual. .................................6
b) PROGRAMACION DINAMICA PROBABILISTICA .............................................13
II. ARBOL DE EXPANCION MINIMA ................................................................................16
III. CONCLUSIONES .........................................................................................................23
BIBLIOGRAFIA .......................................................................................................................24
ANALISIS CUANTITATIVA PARA DECISIONES I
Página 2
INTRODUCCION
La programación dinámica es una técnica matemática útil para la toma de decisiones

secuenciales interrelacionadas. Proporciona un procedimiento sistemático para
determinar la combinación óptima de decisiones.
En el presente trabajo se abordarán temas de modelos de Programación Dinámica como

conceptos, definiciones básicas que tenemos que conocer. Además las características
principales que tiene la programación dinámica. También los tipos de programación
dinámica como es la P.D. Determinística y la P.D. Probabilística; finalmente se estudiaran
árbol de expansión mínima.
Página 3
I. PROGRAMACION DINAMICA
1.1.DEFINICIONES
Técnica de programación matemática que proporciona un procedimiento sistemático para
determinar la combinación óptima de una serie de decisiones interrelacionadas.
“La programación dinámica (PD) es descomponer el problema en subproblemas (más

manejables). Los cálculos se realizan entonces recursivamente donde la solución óptima
de un subproblema se utiliza como dato de entrada al siguiente problema. La solución
para todo el problema está disponible cuando se soluciona el último subproblema. La
forma en que se realizan los cálculos recursivos depende de cómo se descomponga el
problema original. En particular, normalmente los subproblemas están vinculados por
restricciones comunes. La factibilidad de estas restricciones comunes se mantiene en
todas las iteraciones. (TAHA, pág. 2012)
La programación dinámica es una técnica matemática útil para la toma de decisiones

secuenciales interrelacionadas. Proporciona un procedimiento sistemático para
determinar la combinación óptima de decisiones. (Hiller, 2010)
1.2.CONCEPTOS BASICOS
Los tres conceptos básicos que se usan en la programación dinámica son:
➢ El problema global se divide en varios subproblemas.
➢ Se resuelve cada subproblema, comenzando por el fin natural del
problema.
➢ Después de resolver cada subproblema, se registra la respuesta, así como
los resultados (beneficio, costo, etcétera) a partir de esa etapa hasta el final del
problema. (Hiller, 2010)
1.3.CARACTERISTICAS DE PROGRAMACION DINAMICA
A) Etapas.- El problema se pue de dividir en etapas, cada una de las cuales
requiere de una política de decisión. En el problema de la diligencia se hizo
una división literal en cuatro etapas (viajes) que corresponden a las cuatro
jornadas en diligencia. La política de decisión en cada etapa fue qué póliza de
seguro elegir, esto es, qué destino elegir para la siguiente jornada en diligencia.
De manera parecida, otros problemas de programación dinámica requieren to
Página 4
mar una serie de decisiones interrelacionadas, cada una de las cuales

corresponde a una etapa del problema.
B) Estados asociados.- Los estados asociados con cada etapa del problema de la
diligencia son los estados(o territorios) en los que cazafortuna puede
encontrarse al iniciar esta jornada especifica del viaje. En general los estados
son las distintas condiciones posibles en las que se puede encontrar el sistema
en cada etapa del problema. El número de estado puede ser finito o infinito.
C) Política de decisión.- El efecto de la política de decisión en cada etapa es
transformar el estado actual en un estado asociado con el inicio de la siguiente
etapa, quizá según una distribución de probabilidad.
D) Diseño de solución.- El procedimiento de solución está diseñado para
encontrar una política óptima para manejar el problema completo, es decir,
una receta para elaborar la política de decisión óptima para cada etapa en cada
uno de los estados posibles.
E) Principio de optimalidad.- Dado el estado actual, una política óptima para
las etapas restantes es independiente de la política adoptada en etapas
anteriores. Por tanto, la decisión inmediata óptima depende solo del estado
actual y no de cómo se llegó ahí.
F) Inicio de solución.- El procedimiento de solución comienza cuando se
determina la política óptima para la última etapa. La política óptima para la
última etapa prescribe la política óptima de decisión para cada estado posible
en esta etapa. Es común que la decisión de este problema de una etapa sea
trivial.
G) Relación recursiva.- Se dispone de relación recursiva que identifica la
política óptima para la etapa n, dada la política óptima para la etapa n+1.
H) Retroceso.- cuando se usa la relación recursiva, el procedimiento de solución
comienza al final y se mueve hacia atrás etapa por etapa para encontrar cada
vez la política óptima para esa etapa hasta que encuentre la política óptima
desde la etapa inicial. (Hiller, 2010)
Página 5
1.4.TIPOS DE PROGRAMACION DINAMICA

a) PROGRAMACION DINAMICA DETERMINISTICA
En la programación determinística el estado en la siguiente etapa está Completamente
determinado por el estado y la política de decisión de la etapa actual.
Manera de Clasificar los Problemas de Programación Dinámica:
• Forma de la función objetiva. Minimizar la suma de las contribuciones en cada

una de las etapas individuales, o maximizar esa suma, o bien minimizar el
producto de los términos, etc.
• Naturaleza del conjunto de estados en las respectivas etapas. Los estados si

pueden estar representados por:
1. Una variable discreta (como problema de la diligencia)
2. Una variable de estado Continua
3. O un vector de estado (más de una variable)
Para resolver un problema de programación dinámica debemos al menos:

Identificación de etapas, estados y variable de decisión:
Cada etapa debe tener asociado una o más decisiones (problema de Optimizacion),
cuya dependencia de las decisiones anteriores está dada exclusivamente por las
variables de estado.
➢ Cada estado debe contener toda la información relevante para la toma de

decisión asociada al período.
➢ Las variables de decisión son aquellas sobre las cuales debemos definir su
valor de modo de optimizar el beneficio acumulado y modificar el estado de
la próxima etapa.
➢ Descripción de ecuaciones de recurrencia: Nos deben indicar como se
acumula la función de beneficios a optimizar (función objetivo) y como varían
las funciones de estado de una etapa a otra.
Página 6
➢ Resolución Debemos optimizar cada subproblema por etapas en función de

los resultados de la resolución del subproblema siguiente.
➢ Notar que las recurrencias estén bien definidas requerimos de condiciones de
borde.
El Viajero (Salesman)
Se puede suponer que alguien debe viajar entre los puntos A y Z indicados en la red
mostrada continuación.
Puede seguirse cualquier trayectoria entre los puntos extremos, pero la distancia total
recorrida debe minimizarse. En la red están anotadas las distancias entre puntos
adyacentes.
La trayectoria entre A y Z consta de cuatros pasos, cada uno con una longitud
asignada. Por tanto, el objetivo es minimizar la suma de los cuatros pasos
seleccionados.
Página 7
Página 8
Página 9
Página 10
En el problema de viajero que debe recorrer la menor distancia posible entre los
puntos A y Z, indicados en la red mostrada en la exposición, se observa que se divide
el problema en cuatro etapas o decisiones a tomar.
Se observa que las etapas de decisiones están numeradas en función del número de
decisiones que faltan para completar el problema. Por tanto i= 2, significa que quien
recorre la red, está en un punto de la secuencia en la cual todavía se requiere tomar
dos decisiones. Si llamamos 1i a la distancia del paso seleccionado y en el cual falta
i decisiones, el objetivo del problema se puede expresar en notación matemática, así:
Lo que complica el problema es que cada decisión influye en todas las decisiones
futuras.
En el punto H de la red, solo una decisión disponible: ir directamente hasta Z

recorriendo una distancia de 5 unidades. En la misma forma desde I y J las distancias
son 4 y 6 unidades respectivamente. Puesto que estas son las únicas trayectorias
disponibles, representan un mínimo. Sin embargo, en el punto E, hay decisiones
disponibles ir hasta I.
La distancia total entre E y Z tienen dos componentes:
1. La distancia resultante de la decisión inmediata tomada en ese momento.
2. La misma distancia resultante de todas las decisiones futuras requeridas para ir

hasta Z.
Pueden suponerse que uno está en E y toma la decisión de ir hasta H. La distancia

total entre E y Z que resulta de esta decisión es 7 + 5 = 12 unidades.
Página 11
Similarmente la decisión E hasta I da una distancia total de 4+4 = 8 unidades. Como

8<2 la decisión optima es E es ir hasta I recorriendo una distancia total de 8 unidades.
En una forma similar se comparan las decisiones de las tres alternativas disponibles
en el punto F.
Así la decisión óptima en F es ir hasta HI, recorriendo una distancia total de 10

unidades.
Desde G la decisión óptima es ir a J, recorriendo una distancia 11 unidades.
Si conocemos lo que sucedió anteriormente, podemos optimizar las decisiones futuras

ya que nos encontramos cerca del extremo. Continuando este mismo proceso
podemos retroceder toda la trayectoria hasta llegar al comienzo, tomando decisiones
optimas a medida que avanzamos.
Si estamos en B, la distancia total hasta Z es el resultado de la decisión inmediata más

la distancia mínima resultante de todas las decisiones futuras.
Si estamos en B, las posibles decisiones son B E y B F
Desde B, la distancia total hasta Z es el resultado de la decisión inmediata más la

distancia mínima resultante de todas las decisiones futuras.
B hasta E = 8 + 7 = 15 total
Una vez que decidimos ir hasta E, conocemos de cálculos anteriores que la distancia
mínima entre E y Z es 7 unidades.
B hasta F = 7 + 10 = 17 unidades, así estas dos posibles decisiones, B E da la distancia

mínima de 15 unidades. En forma similar se evalúan las posibles decisiones en C y
D, la distancia mínima se escribe en negrilla.
Página 12
Finalmente en la cuarta etapa de decisión en A y evaluamos las tres decisiones

factibles. Se concluye que la mínima distancia total entre A y Z es 15 unidades y la y
la trayectoria seguida es A-D-G-J-Z.
Así pues se cumple con el concepto básico de la programación dinámica, es decir, se

divide un problema en etapas y se optimiza en la etapa correspondiente cualquier
condición dada.
En el problema del viajero, la salida retorno de cualquier etapa depende de las

decisiones anteriores, esto es, de las condiciones de entrada para esa etapa y alguna
función.
Matemáticamente se puede expresar como:
Ri F (di, Si )
Esto significa que el resultado inmediato Ri de una decisión en di – exima etapa

depende de las condiciones Sí que prevalecen en este instante y de la decisión di
tomado en ese instante.
El ejemplo del inversionista explicado en la exposición, puede también expresarse

como problemas de programación dinámica en la cual la decisión con respecto a la
cantidad para invertir en cada riesgo se observa como una etapa N= 3.
b) PROGRAMACION DINAMICA PROBABILISTICA

La programación dinámica probabilística es una técnica matemática útil para la toma de
decisiones que tengan la misma relación, se presenta cuando el estado en la siguiente
etapa no está determinado por completo por el estado y la política de decisión de la etapa
actual. En su lugar existe una distribución de probabilidad para determinar cuál será el
siguiente estado. Sin embargo esta distribución de probabilidad si queda bien determinada
por el estado y la política de decisión en la etapa actual .por consiguiente la diferencia
entre la programación dinámica probabilística y la programación dinámica determinística
está en que los estados y los retornos o retribución en cada etapa son probabilidades. la
programación dinámica probabilística se origina en especial en el tratamientos de
Página 13
modelos que no sabemos y por medio de probabilidad nos quita esa incertidumbre de
saber, como ya se dijo no es nada fácil aplicar la programación dinámica probabilística.
En la siguiente figura se describe diagramáticamente la estructura básica que resulta para

la programación dinámica probabilística, en donde N denota el número de estados
posibles en la etapa n+1.
En lo que se refiere a este diagrama, sea S el número de estados posibles en la etapa N+1
y etiquete estos estados en el lado derecho como 1,2,………S. el sistema cambia al estado
i como probabilidad Pi (i= 1,2,………….., S) dados el estado Sn y la decisión Xn en la
etapa n. si el sistema cambia al estado i, Ci es la contribución en la etapa a la función
objetivo.
Cuando se expande para incluir todos los estados y las decisiones posibles en todas las
etapas, se obtiene lo que con frecuencia se conoce como el árbol de decisión, el cual, si
no es muy grande, proporciona una forma útil de resumir las distintas posibilidades.
Debido a la estructura probabilística, la relación entre fn(sn, xn) y f*n+1(sn+1)
necesariamente mas complicada que en caso de determinístico. La forma exacta de esta
relación dependerá de la forma global de la función objetiva. Para ilustrar lo anterior,
suponga que el objetivo es minimizar la suma esperada de las contribuciones de las etapas
individuales. En este caso, fn (sn, xn) representa la suma esperada mínima de la etapa n
en adelante, dado que la etapa n y el estado es sn y la política de decisión es xn en
consecuencia.
Página 14
Algunas de las aplicaciones de la programación dinámica probabilística son:

-un juego aleatorio.
-problema de inversión.
-maximización del evento de lograr una meta
Problema de la mochila
n objetos, capacidad p
UN JUEGO ALEATORIO
Es una variación del juego de la ruleta rusa, se hace girar una rueda con marcas de n
números consecutivos: 1 a n, en su periferia. La probabilidad de que la rueda se detenga
en el número i después de un giro es pi. Un jugador paga $ x por el privilegio de hacer
girar la rueda un máximo giro. Suponiendo que el juego se repite (hasta con m giros cada
vez) una cantidad razonablemente grande de veces, propone una estrategia óptima para
el jugador.
Se puede formular el problema como un modelo de programación dinámica con las

siguientes definiciones:
1. La etapa i se presenta con el giro i. i= 1,2,…, m.
2. Las alternativas en cada etapa incluyen hacer la rueda una vez más o terminar el juego.
3. El estado j del sistema en la etapa i se presenta con uno de los números de 1 a n que se
haya obtenido en el último giro.
Sea:
(j) = ingreso máximo esperado cuando el juego está en a etapa (giro) i y el resultado del
último giro fie j
En este caso se tiene que
Página 15
Entonces, la ecuación recursiva se puede escribir como sigue:
𝑓𝑚+1(𝑗)=2𝑗
𝑓1(𝑗)= 𝑚á𝑥 {𝐹𝑖𝑛:2𝑗,𝐺𝑖𝑟𝑜: Σ𝑃𝑘𝑓𝑖+1(𝑘)𝑛𝑘=1}=2,3,…,𝑚
𝑓1(0)= Σ𝑃𝑘 𝑓𝑖+1(𝑘)𝑛𝑘=1
La lógica de la ecuación recursiva es que en el primer giro (i = 1), el estado del sistema
es j = 0, porque acaba de comenzar el juego. En consecuencia, 𝑓1(0)= 𝑃1 𝑓2(1)+𝑃2
𝑓2(2)+…+ 𝑃𝑛 𝑓2(𝑛). Después de último giro (i = m), el juego debe terminar
independientemente del resultado j del m-ésimo giro. Por tanto, 𝑓𝑚+1 (𝑗)= 2𝑗.
Los cálculos recursivos comienzan con 𝑓𝑚+1 y terminan con 𝑓1(0), produciendo m +1
etapas de computo. Como 𝑓1(0) es el ingreso esperado por los m giros, y dado que el
juego cuesta $x, el ingreso es 𝑓1(0)−𝑥.
Ejemplo:
Suponga que el perímetro de la ruleta rusa esta marcado con los números 1 a 5. La
probabilidad de detenerse en el número i es p1 = 0.3, p2 = 0.25, p3 = 0.2, p4 = 0.15 y p5
= 0.1.
El jugador paga $ 5 para hacer un máximo de cuatro giros. Determine la estrategia óptima
para cada uno de los cuatro giros, y el ingreso neto esperado correspondiente.
II. ARBOL DE EXPANCION MINIMA

El algoritmo del árbol de expansión mínima es un modelo de optimización de
redes que consiste en enlazar todos los nodos de la red de forma directa y/o
indirecta con el objetivo de que la longitud total de los arcos o ramales sea
mínima (entiéndase por longitud del arco una cantidad variable según el
Página 16
contexto operacional de minimización, y que puede bien representar una

distancia o unidad de medida).1
Los dos problemas involucran también el hecho de seleccionar un conjunto de
ligaduras con la longitud total más corta entre todos los conjuntos de ligaduras
que satisfacen cierta propiedad.
Para el árbol de expansión mínima la propiedad que se requiere es que las
ligaduras seleccionadas deben proporcionar una trayectoria entre cada par de
nodos.
El problema del árbol de expansión mínima se puede resumir de la siguiente
manera:
1. Se tienen los nodos de una red pero no las ligaduras. En su lugar se
proporcionan las ligaduras potenciales y la longitud positiva de cada una si se
insertan en la red. (Las medidas alternativas para la longitud de una ligadura
incluyen distancia, costo y tiempo.)
2. Se desea diseñar la red con suficientes ligaduras para satisfacer el requisito
de que haya un camino entre cada par de nodos.
3. El objetivo es satisfacer este requisito de manera que se minimice la
longitud total de las ligaduras insertadas en la red.
Una red con n nodos requiere de sólo (n – 1) ligaduras para proporcionar una
trayectoria entre cada par de nodos. No deben usarse más ligaduras puesto que
ello aumentaría, sin necesidad, la longitud total de las ligaduras seleccionadas.
Las (n – 1) ligaduras deben elegirse de tal manera que la red resultante con
sólo las ligaduras seleccionadas, forme un árbol de expansión, según la
definición que se presentó en la sección 9.2. Por lo tanto, el problema es
encontrar el árbol de expansión con la longitud total mínima de sus ligaduras.
Algunas aplicaciones
A continuación se proporciona una lista de algunos tipos importantes de
aplicaciones de este problema.
1. Diseño de redes de telecomunicación (redes de fibra óptica, de
computadoras, telefónica, de televisión por cable, etcétera).
Página 17
2. Diseño de redes de transporte para minimizar el costo total de proporcionar

las ligaduras (vías ferroviarias, carreteras, etcétera).
3. Diseño de una red de líneas de transmisión de energía eléctrica de alto
voltaje.
4. Diseño de una red de cableado de equipo eléctrico —como sistemas de
cómputo— para minimizar la longitud total de cable.
5. Diseño de una red de tuberías para conectar varias localidades.
En esta era de la supercarretera de la información, las aplicaciones del primer

tipo han cobrado una importancia especial, pues en una red de
telecomunicaciones sólo es necesario insertar suficientes ligaduras para que
proporcionen una trayectoria entre cada par de nodos, de modo que el diseño
de tales redes es una aplicación clásica del problema del árbol de expansión
mínima. Debido a que en la actualidad algunas redes de comunicación cuestan
muchos millones de dólares, es muy importante optimizar su diseño al
encontrar el árbol de expansión mínima.
Un algoritmo
El problema del árbol de expansión mínima se puede resolver de una forma
bastante directa, puesto que se trata de uno de los pocos problemas de IO en
el que ser codicioso en cada etapa del procedimiento de solución conduce al
final a una solución óptima. Así, con el inicio en cualquier nodo, la primera
etapa consiste en elegir la rama más corta posible a otro nodo, sin preocuparse
del efecto que esta elección pueda tener en las decisiones posteriores.
En la segunda etapa se trata de identificar el nodo no conectado que esté más
cerca de cualquiera de los dos que se acaban de conectar y después agregar la
ligadura correspondiente a la red. Este proceso se repite, según el resumen que
se presenta a continuación, hasta conectar todos los nodos para construir un
árbol de expansión, pero ahora con la regla específica para seleccionar cada
ligadura nueva.) Se garantiza que la red resultante es un árbol de expansión
mínima.
Algoritmo del problema del árbol de expansión mínima
Página 18
1. Se selecciona, de manera arbitraria, cualquier nodo y se conecta, es decir,

se agrega una ligadura al nodo distinto más cercano.
2. Se identifica el nodo no conectado más cercano a un nodo conectado y se
conectan estos dos nodos, esto es, se agrega una ligadura entre ellos. Este paso
se repite hasta que todos los nodos están conectados.
3. Rompimiento de empates: los empates del nodo más cercano distinto (paso
1) o del nodo no conectado más cercano (paso 2), se pueden romper en forma
arbitraria, pero el algoritmo debe llegar a una solución óptima. No obstante,
estos empates son señal de que pueden existir (pero no necesariamente)
soluciones óptimas múltiples. Todas esas soluciones se pueden identificar si
se trabaja con las demás formas de romper los empates al final.
Aplicación de este algoritmo al problema del árbol de expansión mínima

de Seervada Park
La administración de Seervada Park (sección 9.1) debe determinar los
caminos bajo los cuales se deben tender las líneas telefónicas para conectar
todas las estaciones con una longitud total mínima de cable. Se describirá paso
a paso la solución de este problema con base en los datos.
Los nodos y distancias del problema se resumen a continuación, en donde las
líneas delgadas ahora representan ligaduras potenciales
Página 19
En forma arbitraria, se selecciona el nodo O como inicio. El nodo no

conectado más cercano a O es A. Se conecta el nodo A con el nodo O.
El nodo no conectado más cercano a cualesquiera de los nodos O o A es el

nodo B (más cercano a A). Se conecta el nodo B con el nodo A.
El nodo no conectado más cercano a O, A o B es el nodo C (más cercano a B).

Se conecta el nodo C con el nodo B.
Página 20
El nodo no conectado más cercano a O, A, B o C es el nodo E (más cercano a

B). Se conecta el nodo E con el nodo B.
El nodo no conectado más cercano a los nodos O, A, B, C o E es el nodo D

(más cercano a E). Se conecta el nodo D con el nodo E.
Página 21
El único nodo no conectado es el nodo T. Está más cerca del nodo D. Se

conecta el nodo T con el nodo D.
Todos los nodos han quedado conectados, por lo que ésta es la solución
(óptima) que se buscaba.
La longitud total de las ramas es de 14 millas.
Aunque con este procedimiento a primera vista puede parecer que la elección
del nodo inicial afectará la solución final —y la longitud total de las
ligaduras—, en realidad no es así. Se sugiere que verifique este hecho en el
caso del ejemplo, mediante otra aplicación del algoritmo, pero con un nodo
inicial distinto de O.
Se considera que dentro de este capítulo el problema del árbol de expansión
mínima es el que cae dentro de la amplia categoría de diseño de redes. En esta
categoría, el objetivo es diseñar la red más apropiada para el problema dado
—con frecuencia se trata de sistemas de transporte— y no de analizar una red
ya diseñada. La referencia seleccionada 6 proporciona una investigación en
esta importante área.
Página 22
III. CONCLUSIONES
➢ La programación dinámica se puede emplear para resolver problemas que

comprenden secuencias de decisiones relacionadas. La formulación de un
problema de programación dinámica requiere la definición de etapas, variables de
estado, funciones de beneficios y reglas de decisión óptima. Se trabaja hacia atrás,
se resuelve a cada etapa y se registra el resultado y la decisión óptima. La técnica
también se puede aplicar a problemas que implican incertidumbre.
➢ La programación dinámica no es un algoritmo específico sino un método para
resolver problemas. Por ello, es posible que la optimización recursiva se lleve a
cabo en forma diferente para problemas distintos. De cualquier manera, casi
siempre es más sencillo resolver un conjunto de problemas más pequeños que uno
más grande.
➢ La programación dinámica es una técnica muy útil para tomar una sucesión de
decisiones interrelacionadas. Requiere la formulación de una relación recursiva
apropiada para cada problema individual. Sin embargo, proporciona grandes
ahorros computacionales en comparación con la enumeración exhaustiva para
encontrar la mejor combinación de decisiones, en especial cuando se trata de
problemas grandes.
➢ La programación dinámica determinística se diferencia de la probabilística, en que
el estado de la siguiente etapa está determinado por completo por el estado y la
política de decisión de la etapa actual. En cambio en la probabilística existe una
distribución de probabilidad para determinar cuál será el siguiente estado. Pero,
esta distribución de probabilidad queda completamente determinada por el estado
y la política de decisión de la etapa actual.
Página 23
BIBLIOGRAFIA
Hiller, F. &. (2010). Introduccion a la Investigacion de Operaciones. Mexico.
TAHA, H. (2010). Investigacion de Operaciones(septima edicion). Mexico: Pearson Educacion de

Mexico S.A.
Página 24

Programacion Dinamica

Cargado por

Copyright:

Formatos disponibles

Programacion Dinamica

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Programacion Dinamica

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL

“SANTIAGO ANTUNEZ DE MAYOLO”

FACULTADA DE ADMINISTRACION Y TURISMO

“Escuela Académico Profesional de Administración”

TEMA : PROGRAMACION DINAMICA Y ARBOL DE EXTENCION

CURSO : ANALISIS CUANTITATIVA PARA DECISIONES I

DOCENTE : Lic. Administración William Dextre Martínez

AÑO ACADÉMICO : 2015-II

➢ CANO MAURICIO ALEJANDRO PABLO

Perú, Ancash, Huaraz 2015

ANALISIS CUANTITATIVA PARA DECISIONES I

La programación dinámica es una técnica matemática útil para la toma de decisiones

En el presente trabajo se abordarán temas de modelos de Programación Dinámica como

ANALISIS CUANTITATIVA PARA DECISIONES I

“La programación dinámica (PD) es descomponer el problema en subproblemas (más

La programación dinámica es una técnica matemática útil para la toma de decisiones

ANALISIS CUANTITATIVA PARA DECISIONES I

mar una serie de decisiones interrelacionadas, cada una de las cuales

ANALISIS CUANTITATIVA PARA DECISIONES I

1.4.TIPOS DE PROGRAMACION DINAMICA

Manera de Clasificar los Problemas de Programación Dinámica:

• Forma de la función objetiva. Minimizar la suma de las contribuciones en cada

• Naturaleza del conjunto de estados en las respectivas etapas. Los estados si

Para resolver un problema de programación dinámica debemos al menos:

➢ Cada estado debe contener toda la información relevante para la toma de

ANALISIS CUANTITATIVA PARA DECISIONES I

➢ Resolución Debemos optimizar cada subproblema por etapas en función de

ANALISIS CUANTITATIVA PARA DECISIONES I

ANALISIS CUANTITATIVA PARA DECISIONES I

ANALISIS CUANTITATIVA PARA DECISIONES I

ANALISIS CUANTITATIVA PARA DECISIONES I

En el punto H de la red, solo una decisión disponible: ir directamente hasta Z

La distancia total entre E y Z tienen dos componentes:

1. La distancia resultante de la decisión inmediata tomada en ese momento.

2. La misma distancia resultante de todas las decisiones futuras requeridas para ir

Pueden suponerse que uno está en E y toma la decisión de ir hasta H. La distancia

ANALISIS CUANTITATIVA PARA DECISIONES I

Similarmente la decisión E hasta I da una distancia total de 4+4 = 8 unidades. Como

Así la decisión óptima en F es ir hasta HI, recorriendo una distancia total de 10

Desde G la decisión óptima es ir a J, recorriendo una distancia 11 unidades.

Si conocemos lo que sucedió anteriormente, podemos optimizar las decisiones futuras

Si estamos en B, la distancia total hasta Z es el resultado de la decisión inmediata más

Si estamos en B, las posibles decisiones son B E y B F

Desde B, la distancia total hasta Z es el resultado de la decisión inmediata más la

B hasta F = 7 + 10 = 17 unidades, así estas dos posibles decisiones, B E da la distancia

ANALISIS CUANTITATIVA PARA DECISIONES I

Finalmente en la cuarta etapa de decisión en A y evaluamos las tres decisiones

Así pues se cumple con el concepto básico de la programación dinámica, es decir, se

En el problema del viajero, la salida retorno de cualquier etapa depende de las

Matemáticamente se puede expresar como:

Esto significa que el resultado inmediato Ri de una decisión en di – exima etapa

El ejemplo del inversionista explicado en la exposición, puede también expresarse

b) PROGRAMACION DINAMICA PROBABILISTICA

ANALISIS CUANTITATIVA PARA DECISIONES I

En la siguiente figura se describe diagramáticamente la estructura básica que resulta para

ANALISIS CUANTITATIVA PARA DECISIONES I

Algunas de las aplicaciones de la programación dinámica probabilística son:

Se puede formular el problema como un modelo de programación dinámica con las