ANALISIS ESTADISTICO

El anlisis estadstico es un apartado dentro del protocolo cuya finalidad es exponer la

estrategia de anlisis a seguir. Contemplar la definicin de cada una de las variables
imprescindibles y secundarias del estudio y nos informar de la tcnica utilizada para
la medicin y anlisis para asegurar la respuesta a la pregunta planteada en el
estudio.
Plan de anlisis estadstico
En el plan de anlisis se expone y detalla, de acuerdo a los objetivos propuestos, las
medidas de resumen de las variables y cmo sern presentadas (cuantitativas y/o
cualitativas), indicando los modelos y tcnicas analticas que se utilizarn para
comprobar las hiptesis del estudio. Se recomienda que ste sea previo al anlisis
para no decantarse por opciones que puedan verse alteradas por los primeros
resultados obtenidos.
En el plan de anlisis tambin se describe brevemente el software que ser utilizado
para el anlisis de datos y se establece el nivel de significacin estadstica para todas
las pruebas estadsticas realizadas con las variables de resultados que por lo general
suele ser de 0,05. Se nombra en l, la utilizacin de tcnicas estadsticas preliminares
para asegurar el cumplimiento de los supuestos estadsticos.
En el caso de que no se cumplan los supuestos establecidos se utilizarn pruebas
equivalentes que no presenten dichas limitaciones, como por ejemplo pruebas no
paramtricas.
Todo el anlisis va a ir dirigido a responder preguntas concretas y sencillas,
generalmente establecidas en el protocolo previo, dejando claramente definidas las
variables principales que se van a utilizar como respuesta, tanto por su significado
clnico como por la forma de clculo que se va emplear, si lo hubiera (por ejemplo,
recodificaciones o clculos especficos).

ANALISIS BAYESIANO DE DECISION

Los mtodos bayesianos, con una interpretacin diferente del concepto de
probabilidad, constituyen una alternativa a la estadstica tradicional centrada en el
contraste de hiptesis, denominada por contraposicin estadstica frecuentista, y estn
siendo motivo actual de debate. En esencia se diferencian en que incorporan
informacin externa al estudio para con ella y los propios datos observados estimar
una distribucin de probabilidad para la magnitud -efecto- que se est investigando.
A pesar de un entusiasmo, "autoproclamado" por los devotos de este enfoque, que
sostienen que existe un inters creciente y una cada vez mayor frecuencia en la
utilizacin de tcnicas bayesianas a la hora de inferir y tomar decisiones, la verdad es
que en mi modesta opinin la realidad de las publicaciones mdicas no refleja, ni
mucho menos, esa pretendida situacin, siendo slo una minora quienes publican
resultados analizados desde una ptica bayesiana, y lo que es mucho ms importante,
tambin son escasos los lectores que disponen de la formacin adecuada para
comprenderlo. Esta forma de inferencia exige pensar mucho ms que para la

aplicacin del recetario tradicional de la estadstica clsica, y ello aunque

probablemente el razonamiento metodolgico es en s mismo mucho ms natural.
Se denomina mtodo bayesiano por basarse originalmente en el teorema de Bayes,
publicacin pstuma de Thomas Bayes en 1763, que en esencia nos permite, si
conocemos la probabilidad de que ocurra un suceso, modificar su valor cuando
disponemos de nueva informacin.
Teorema de Bayes
Antes de seguir, conviene recordar un poco la terminologa y refrescar el teorema de
Bayes. El lector que no lo necesite o que le aburran estas cosas puede pasar
directamente al punto siguiente.
Vamos a llamar P(A) a la probabilidad de que ocurra el suceso A.
P(A.B) a la probabilidad de que ocurran los sucesos A y B (ambos).
P(A / B) a la probabilidad de que ocurra A cuando sabemos que ha ocurrido B (se
denomina probabilidad condicionada).
La probabilidad de que ocurra A y B es igual a la probabilidad de B multiplicada por la
probabilidad de A condicionada a que haya ocurrido B.
P(A.B) = P(B) x P(A / B) = P(A) x P(B / A)
Por simetra es obvio que se cumple la tercera igualdad.
Si tenemos un conjunto de posibles sucesos Ai (A1 ... An),
mutuamente excluyentes (no puede ocurrir dos de ellos a la vez)
y que constituyen todas las posibles situaciones (o lo que es lo
mismo P(A1)+P(A2)+...+P(An)=1, el que ocurra alguno de los
sucesos A tiene probabilidad 1, suceso seguro). Lo
representamos grficamente en la figura. El cuadrado
corresponde a todas las situaciones posibles, que en este caso
pueden dividirse en tres: A1, A2, A3. El suceso B se puede
producir en cualquiera de las tres situaciones.
Si reescribimos ahora la anterior ecuacin por ejemplo para A1
tenemos
P(A1.B)=P(A1/B) x P(B) = P(B/A1) x P(A1)
Con un poco de lgebra elemental tenemos

que constituye el famoso teorema de Bayes. Para cualquiera de las otras situaciones
(A2,A3) la frmula es similar.
Ejemplo de aplicacin del teorema de Bayes
La aplicacin ms intuitiva en medicina este teorema, y con la que todo el mundo est
familiarizado, la encontramos en el campo de las pruebas diagnsticas, y nos permite,
conociendo la prevalencia de una enfermedad en la poblacin a la que pertenece un
individuo y los valores de sensibilidad y especificidad de la prueba, calcular la
probabilidad de que un sujeto que ha dado positivo en el test, verdaderamente tenga
esa enfermedad.
Si llamamos P a la probabilidad a priori de que el sujeto est enfermo, y Q=1-P a su
complementaria, S a la sensibilidad y E a la especificidad de la prueba T; aplicando el
teorema de Bayes podemos calcular la probabilidad de que un sujeto est
verdaderamente enfermo cuando dio positivo (valor predictivo positivo de la prueba) y
la probabilidad de que no est enfermo cuando dio negativo (valor predictivo negativo).
Sin ms que reescribir la frmula anterior del teorema de Bayes tenemos

Pongamos algunos nmeros en estas frmulas: si sabemos que la prevalencia en la

poblacin del VIH es de 1/1000 y que el test de VIH que efectuamos tiene una
sensibilidad del 98 % y una especifidad del 98 % cul es la probabilidad de que un
sujeto que ha resultado positivo sea verdaderamente portador del VIH?
Substituyendo esos valores en la primera de las frmulas anteriores obtenemos una
probabilidad de 0.047, o lo que es lo mismo cerca del 95% de los positivos obtenidos
en el test son realmente falsos positivos!. Esto inicialmente choca con nuestra
intuicin, cmo puede ser que una prueba con una sensibilidad y especificidad altas
parezca en la prctica tan mala?. El problema radica en el valor de la prevalencia que
es muy bajo y si se refiere a la poblacin general probablemente no ser aplicable a
un sujeto que acude a consulta a un hospital y al que se le realiza la prueba porque
hay otros motivos de sospecha -porque pertenece a un grupo de riesgo, porque
presenta sntomas especficos...- y entonces ya no es aplicable la prevalencia de la
poblacin general, sino la del subgrupo de poblacin al que pertenece y en el que la
prevalencia (probabilidad a priori) de padecer la enfermedad ser radicalmente mayor.
Sin embargo los clculos s que son vlidos si estamos pensando en la poblacin
general, por ejemplo porque valoramos la posibilidad de plantear un programa de

"screening" y habr que considerar entonces el coste social, personal y econmico

que supone el tener un gran nmero de falsos positivos, frente al beneficio de detectar
verdaderos enfermos, no vaya ocurrir que sea el propio diagnstico el que cree una
epidemia.
Partiendo de este pequeo repaso al teorema de Bayes, que en esencia es un
razonamiento plasmado en una frmula que nos permite, como en el ejemplo anterior,
modificar la probabilidad conocida de que ocurra un suceso cuando tenemos nueva
informacin al respecto.

ANALISIS ECONOMICOS
El anlisis econmico es un enfoque sistemtico para examinar la distribucin de
recursos limitados para lograr cierto objetivo. Las empresas, agencias
gubernamentales y organizaciones sin fines de lucro usan las tcnicas de anlisis
econmico con muchos fines. Las herramientas para el anlisis econmico son
populares especialmente en la industria mdica y farmacutica, que utilizan estos
mtodos para evaluar los costos y efectos de nuevos medicamentos y terapias
mdicas. Los mtodos de anlisis econmico aseguran operaciones rentables,
minimiza gastos generales y compara costos de los beneficios esperados.
La economa trata acerca de cmo los individuos, las empresas y los gobiernos
asignan los recursos limitados entre las diversas necesidades y deseos. El anlisis
econmico bsico utiliza una variedad de herramientas y mtodos para comprender
las decisiones tomadas en este proceso. Las herramientas del anlisis econmico
bsico abarcan desde los papeles de la oferta y la demanda hasta complejos modelos
estadsticos.
Identificacin de recursos
Un hecho central de la economa es que los recursos son escasos. Dado que los
individuos, las empresas y los gobiernos no tienen suministros ilimitados de tiempo,
dinero, mano de obra, materias primas y otros recursos, se deben establecer
prioridades y decidir cmo asignar los recursos limitados.
Caractersticas
Una hiptesis central del anlisis econmico bsico es que las familias, empresas y
naciones se esfuerzan para asignar los recursos de tal manera que den la mayor
satisfaccin al menor costo posible. Los economistas lo llaman "inters propio
racional".
Tipos
Los grficos de oferta y demanda son herramientas bsicas para el anlisis
econmico, y con frecuencia se ensean en los cursos de economa bsica. Los
grficos ilustran el nivel de precios de un determinado producto o servicio para cada
oferta y la demanda. Ese nivel se conoce como el "precio de equilibrio del mercado".
Otras herramientas de anlisis son complejos modelos estadsticos que tienen en
cuenta mltiples variables ms all de la oferta y la demanda, tales como los cambios
estacionales (por ejemplo, demanda de productos electrnicos podra aumentar en

torno a la temporada de compras navideas), o las fluctuaciones en los factores

monetarios, tales como las tasas de inters y la inflacin.
Funcin
Los analistas econmicos usan los anlisis estadsticos para evaluar el estado actual
de la economa y predecir las condiciones futuras en trminos de produccin, inflacin,
tasas de desempleo y otros indicadores.
Beneficios
El anlisis econmico bsico ayuda a las personas y las empresas a decidir la mejor
forma de asignar su tiempo, mano de obra y materiales para lograr sus objetivos. Los
gobiernos utilizan el anlisis econmico bsico para evaluar el estado general de las
economas de sus pases y tomar decisiones polticas.

PROGRAMACION LINEAL
La programacin lineal es un procedimiento o algoritmo matemtico mediante el cual
se resuelve un problema indeterminado, formulado a travs de un sistema de
inecuaciones lineales, optimizando la funcin objetivo, tambin lineal.
Consiste en optimizar (minimizar o maximizar) una funcin lineal, denominada funcin
objetivo, de tal forma que las variables de dicha funcin estn sujetas a una serie de
restricciones que expresamos mediante un sistema de inecuaciones lineales.
Variables
Las variables son nmeros reales mayores o iguales a cero.
En caso que se requiera que el valor resultante de las variables sea un nmero entero,
el procedimiento de resolucin se denomina Programacin entera.
Restricciones
Las restricciones pueden ser de la forma:

Tipo 1:

Tipo 2:

Tipo 3:
Donde:
A = valor conocido a ser respetado estrictamente;
B = valor conocido que debe ser respetado o puede ser superado;

C = valor conocido que no debe ser superado;

j = nmero de la ecuacin, variable de 1 a M (nmero total de restricciones);
a; b; y, c = coeficientes tcnicos conocidos;
X = Incgnitas, de 1 a N;
i = nmero de la incgnita, variable de 1 a N.
En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N
> M; , N < M.
Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser determinado,
y puede no tener sentido una optimizacin.
Los tres tipos de restricciones pueden darse simultneamente en el mismo problema.
Funcin Objetivo
La funcin objetivo puede ser:

Donde:
= coeficientes son relativamente iguales a cero.
Aplicaciones
La programacin lineal constituye un importante campo de la optimizacin por varias
razones, muchos problemas prcticos de la investigacin de operaciones pueden
plantearse como problemas de programacin lineal. Algunos casos especiales de
programacin lineal, tales como los problemas de flujo de redes y problemas de flujo
de mercancas se consideraron en el desarrollo de las matemticas lo suficientemente
importantes como para generar por si mismos mucha investigacin sobre algoritmos
especializados en su solucin. Una serie de algoritmos diseados para resolver otros
tipos de problemas de optimizacin constituyen casos particulares de la ms amplia
tcnica de la programacin lineal. Histricamente, las ideas de programacin lineal
han inspirado muchos de los conceptos centrales de la teora de optimizacin tales
como la dualidad, la descomposicin y la importancia de la convexidad y sus
generalizaciones. Del mismo modo, la programacin lineal es muy usada en la
microeconoma y la administracin de empresas, ya sea para aumentar al mximo los
ingresos o reducir al mnimo los costos de un sistema de produccin. Algunos

ejemplos son la mezcla de alimentos, la gestin de inventarios, la cartera y la gestin

de las finanzas, la asignacin de recursos humanos y recursos de mquinas, la
planificacin de campaas de publicidad, etc.
Otros son:
Optimizacin de la combinacin de cifras comerciales en una red lineal de distribucin
de agua.
Aprovechamiento ptimo de los recursos de una cuenca hidrogrfica, para un ao con
afluencias caracterizadas por corresponder a una determinada frecuencia.
Soporte para toma de decisin en tiempo real, para operacin de un sistema de obras
hidrulicas;
Ejemplo

Este es un caso curioso, con solo 6 variables (un caso real de problema de
transporte puede tener fcilmente ms de 1.000 variables) en el cual se aprecia la
utilidad de este procedimiento de clculo.
Existen tres minas de carbn cuya produccin diaria es:
La mina "a" produce 40 toneladas de carbn por da;
La mina "b" produce 40 t/da; y,
La mina "c" produce 20 t/da.
En la zona hay dos centrales termoelctricas que consumen:
La central "d" consume 40 t/da de carbn; y,
La central "e" consume 60 t/da
Los costos de mercado, de transporte por tonelada son:
De "a" a "d" = 2 monedas
De "a" a "e" = 11 monedas
De "b" a "d" = 12 monedas

De "b" a "e" = 24 monedas

De "c" a "d" = 13 monedas
De "c" a "e" = 18 monedas
Si se preguntase a los pobladores de la zona cmo organizar el transporte, tal vez la
mayora opinara que debe aprovecharse el precio ofrecido por el transportista que va
de "a" a "d", porque es ms conveniente que los otros, debido a que es el de ms bajo
precio.
En este caso, el costo total del transporte es:
Transporte de 40 t de "a" a "d" = 80 monedas
Transporte de 20 t de "c" a "e" = 360 monedas
Transporte de 40 t de "b" a "e" = 960 monedas
Total 1.400 monedas.
Sin embargo, formulando el problema para ser resuelto por la programacin lineal se
tienen las siguientes ecuaciones:
Restricciones de la produccin:

Restricciones del consumo:

La funcin objetivo ser:

La solucin de costo mnimo de transporte diario resulta ser:

Xb-d = 40 resultando un costo de 12 x 40 = 480 monedas
Xa-e = 40 resultando un costo de 11 x 40 = 440 monedas
Xc-e = 20 resultando un costo de 18 x 20 = 360 monedas
Total 1.280 monedas.
120 monedas menos que antes.

PROGRAMACION NO LINEAL
En matemticas, Programacin no lineal (PNL) es el proceso de resolucin de un
sistema de igualdades y desigualdades sujetas a un conjunto de restricciones sobre un
conjunto de variables reales desconocidas, con un funcin objetivo a maximizar (o
minimizar), cuando alguna de las restricciones o la funcin objetivo no son lineales.
Formulacin matemtica del problema
El problema de programacin no lineal puede enunciarse de una forma muy simple:
maximizar una funcin objetivo
o
minimizar una funcin objetivo (de coste)
donde

Mtodos de resolucin del problema

Si la funcin objetivo f es lineal y el espacio restringido es un politopo, el problema es
de Programacin lineal y puede resolverse utilizando alguno de los bien conocidos
algoritmos de programacin lineal.
Si la funcin objetivo es cncava (problema de maximizacin), o convexa (problema de
minimizacin) y el conjunto de restricciones es convexo, entonces se puede utilizar el
mtodo general de Optimizacin convexa
Existe una variedad de mtodos para resolver problemas no convexos. Uno de ellos
consiste en utilizar formulaciones especiales de problemas de programacin lineal.
Otro mtodo implica el uso de tcnicas de Ramificacin y poda, cuando el problema se
divide en subdivisiones a resolver mediante aproximaciones que forman un lmite
inferior del coste total en cada subdivisin. Mediante subdivisiones sucesivas, se
obtendr una solucin cuyo coste es igual o inferior que el mejor lmite inferior
obtenido por alguna de las soluciones aproximadas. Esta solucin es ptima, aunque
posiblemente no sea nica. El algoritmo puede ser parado antes, con la garanta de
que la mejor solucin ser mejor que la solucin encontrada en un porcentaje acotado.
Ello se utiliza en concreto en problemas importantes y especialmente difciles y cuando
el problema cuenta con costes inciertos o valores donde la incertidumbre puede ser
estimada en un grado de fiabilidad apropiado.
Las condiciones de Karush-Kuhn-Tucker proporcionan las condiciones necesarias
para que una solucin sea ptima.
Ejemplos

Ejemplo bidimensional
Un problema sencillo puede definirse por las restricciones:
x1 0
x2 0
x12 + x22 1
x12 + x22 2
con una funcin objetivo a ser maximizada
f(x) = x1 + x2
donde x = (x1, x2)
Ejemplo tridimensional

Otro problema simple se define por la restricciones:x12 x22 + x32 2

x12 + x22 + x32 10
con una funcin objetivo a ser maximizada
f(x) = x1x2 + x2x3
donde x = (x1, x2, x3)

PROGRAMACION ENTERA
Un modelo de programacin entera es aquel que contiene restricciones y una funcin
objetivo idnticas a la formuladas en programacin lineal , la nica diferencia en que
una o mas variables de decisin deben tomar valor entero en la solucin final.
CLASIFICACIN:
Existen tres tipos de modelos por programacin entera

A) PURA : Son modelos similares a los de programacin entera

Forma General :
Max (Min ) = A1X1+A2X2+A3X3+A4X4+A5X5+..........+AnXn
Sujeto a : A1X1+A2X2+A3X3+A4X4+A5X5+..........+AnXn >= (<=)(=) Bi
No negatividad : Xi >= 0 y ENTERO

B) BINARIA : Estos modelos lineales , las variables slo toman valores 0 y 1 , son
usadas para uso probabilistico Donde 0 se rechaza la opcin y 1 se acepta la opcin
Forma General :
Max (Min ) = A1Y1+A2Y2+A3Y3+A4Y4+A5Y5+..........+AnYn
Sujeto a : y1+y2+y3+y4+..........+yn >= (<=)(=) Bi
No negatividad : yi >= 0 v 1
C) MIXTA : En estos tipos de modelos , integra las variables puras y las mixtas
Max (Min ) =
A1X1+A2X2+A3X3+A4X4+A5X5+..........+AnXn+A1Y1+A2Y2+A3Y3+A4Y4+A5Y5+......
....+AnYn
Sujeto a :
A1X1+A2X2+A3X3+A4X4+A5X5+..........+AnXn >= (<=)(=) Bi
y1+y2+y3+y4+..........+yn >= (<=)(=) Bi
No negatividad :
Xi >= 0 y ENTERO
Xi >= 0 v 1
* Tipos de Restricciones Usadas en la Programacin Entera Mixta :
1) Excluyentes : Solo sirve para elegir una alternativa de varias posibles
2) Pre-requisito : Cuando necesitas realizar una accin antes de proceder con la
siguiente
3) Incluyente : Dicha restriccin se da para cuando realizas una accin "A" entonces
debes hacer la accin "B"
4) Costo Fijo : Cuando se nombra un costo fijo , es sinnimo de uso de variable mixta
Ejemplo Aplicativo
Un problema que afronta todos los das un electricista consiste en decidir
qu generadores conectar. El electricista en cuestin tiene tres generadores con las
caractersticas que se muestran en la tabla 3. Hay dos periodos en el da. En el
primero se necesitan 2900 megawatts. En el segundo. 3900 megawatts. Un generador
que se conecte para el primer periodo puede ser usado en el segundo sin causar un
nuevo gasto de conexin. Todos los generadores principales (como lo son A, B y C de
la figura ) son apagados al trmino del da. Si se usa el generador A tambin puede
usarse el generador C,no se usa generador B si se usa generador A. Formule este
problema como un PLEM.

GENERADOR

COSTO FIJO DE
CONEXIN

COSTO POR
PERIODO POR
MEGAWATT
USADO

CAPACIDAD
MAXIMA EN
CADA PERIODO (
MW )

$ 3000

$5

2100

2000

1800

1000

3000

V.D.
Xij= Nmero de megawatts a usar del generador i(i=A,B,C) en el perido j(j=1,2).
Yi= 0 No arranca el generador i(i=A,B,C)
1 Si arranca el generador i(i=A,B,C)
Restricciones:
Demanda en el periodo 1:
xa1 +xb1+xc1 >= 2900
Demanda en el periodo 2:
xa2+xb2+xc2>= 3900
Capacidad de generador A:
xa1 <= 2100y1( enlace variable entera con variable binaria)
xa2<=2100y1( enlace variable entera con variable binaria)
Capacidad de generador B:
xb1<=1800y2( enlace variable entera con variable binaria)
xb2<=1800y2( enlace variable entera con variable binaria)
Capacidad de generador C:
xc1<=3000y3( enlace variable entera con variable binaria)
xc2<=3000y3( enlace variable entera con variable binaria)

Funcin Objetivo:
Minimizar(z)= 5(x11+x12) +4(x21+x22) + 7(x31+x32) +3000(y1)+2000(y2) + 1000(y3)

PROGRAMACION DINAMICA
En informtica, la programacin dinmica es un mtodo para reducir el tiempo de
ejecucin de un algoritmo mediante la utilizacin de subproblemas
superpuestos y subestructuras ptimas, como se describe a continuacin.
El matemtico Richard Bellman invent la programacin dinmica en 1953 que se
utiliza para optimizar problemas complejos que pueden ser discretizados y
secuencializados.
Una subestructura ptima significa que se pueden usar soluciones ptimas de
subproblemas para encontrar la solucin ptima del problema en su conjunto. Por
ejemplo, el camino ms corto entre dos vrtices de un grafo se puede encontrar
calculando primero el camino ms corto al objetivo desde todos los vrtices
adyacentes al de partida, y despus usando estas soluciones para elegir el mejor
camino de todos ellos. En general, se pueden resolver problemas con subestructuras
ptimas siguiendo estos tres pasos:
Dividir el problema en subproblemas ms pequeos.
Resolver estos problemas de manera ptima usando este proceso de tres pasos
recursivamente.
Usar estas soluciones ptimas para construir una solucin ptima al problema original.
Los subproblemas se resuelven a su vez dividindolos en subproblemas ms
pequeos hasta que se alcance el caso fcil, donde la solucin al problema es trivial.
Decir que un problema tiene subproblemas superpuestos es decir que se usa un
mismo subproblema para resolver diferentes problemas mayores. Por ejemplo, en
la sucesin de Fibonacci (F3 = F1 + F2 y F4 = F2 + F3) calcular cada trmino supone
calcular F2. Como para calcular F5 hacen falta tanto F3 como F4, una mala
implementacin para calcular F5 acabar calculando F2 dos o ms veces. Esto
sucede siempre que haya subproblemas superpuestos: una mala implementacin
puede acabar desperdiciando tiempo recalculando las soluciones ptimas a problemas
que ya han sido resueltos anteriormente.
Esto se puede evitar guardando las soluciones que ya hemos calculado. Entonces, si
necesitamos resolver el mismo problema ms tarde, podemos obtener la solucin de
la lista de soluciones calculadas y reutilizarla. Este acercamiento al problema se
llamamemoizacin (no confundir con memorizacin; en ingls es llamado
memoization, vase en). Si estamos seguros de que no volveremos a necesitar una
solucin en concreto, la podemos descartar para ahorrar espacio. En algunos casos,
podemos calcular las soluciones a problemas que de antemano sabemos que vamos a
necesitar.
En resumen, la programacin hace uso de:

Subproblemas superpuestos
Subestructuras ptimas
Memoizacin
La programacin toma normalmente uno de los dos siguientes enfoques:
Top-down: El problema se divide en subproblemas, y estos se resuelven recordando
las soluciones por si fueran necesarias nuevamente. Es una combinacin
de memoizacin y recursin.
Bottom-up: Todos los problemas que puedan ser necesarios se resuelven de
antemano y despus se usan para resolver las soluciones a problemas mayores. Este
enfoque es ligeramente mejor en consumo de espacio y llamadas a funciones, pero a
veces resulta poco intuitivo encontrar todos los subproblemas necesarios para resolver
un problema dado.
Originalmente, el trmino de programacin dinmica se refera a la resolucin de
ciertos problemas y operaciones fuera del mbito de la Ingeniera Informtica, al igual
que haca la programacin lineal. Aquel contexto no tiene relacin con
la programacin en absoluto; el nombre es una coincidencia. El trmino tambin lo us
en los aos 40 Richard Bellman, un matemtico norteamericano, para describir el
proceso de resolucin de problemas donde hace falta calcular la mejor solucin
consecutivamente.
Algunos lenguajes de programacin funcionales, sobre todo Haskell, pueden usar
la memorizacin automticamente sobre funciones con un conjunto concreto de
argumentos, para acelerar su proceso de evaluacin. Esto slo es posible en
funciones que no tengan efectos secundarios, algo que ocurre en Haskell pero no
tanto en otros lenguajes.

PROGRAMACION CON MULTIPLE OBJETIVO

Proporciona una manera racional de intentar alcanzar varios objetivos de manera
simultnea, jerarquizando los mismos o asocindoles una ponderacin a cada uno.
El enfoque bsico de la Programacin por Objetivos
Es establecer un objetivo numrico especfico para cada uno de los objetivos, formular
una funcin objetivo para cada uno y despus buscar una solucin que minimice la
suma ponderada de las desviaciones de estas funciones objetivo de sus metas
respectivas.
Tres tipos de Objetivos:
a. una Meta unilateral inferior
Establece un lmite inferior por abajo del cual no se quiere ir ( pero se aceptan desvos
a la meta que deber minimizarse)

b. una Meta unilateral superior

Establece un lmite superior que no se quiere exceder (pero se aceptan desvos a la
meta que deber minimizarse)
c. una Meta bilateral
Establece un blanco especfico que no se quiere perder hacia ningun lado.
Una Ecuacin Objetivo para cada Meta,
En el modelo de Programacin por Objetivos existen dos tipos de restricciones
funcionales: las restricciones ordinarias de Programacin Lineal (restricciones duras
o estrictas) y las ecuaciones objetivo (blandas o flexibles). Las restricciones duras
requieren ser cumplidas de manera estricta. Las restricciones blandas pueden
admitir desvos a la meta establecida, pero estos desvos estarn asociados a una
penalizacin que se reflejar en un parmetro en la Funcin Objetivo.
a. Valor objetivo de la Meta.
El Valor de la Meta se descompone en dos elementos: (1) el valor correspondiente al
nivel de la Meta alcanzado efectivamente y (2) la desvo o diferencia entre el valor
meta y el nivel alcanzado (di)
b. Variables de desvo.
Para formalizar los desvos aceptados a cada una de las metas se emplea las
variables auxiliares di las que por definicin pueden obtener valores positivos o
negativos. Para poder hacer operativo el modelo de Programacin Lineal cada di se
sustituir por la diferencia de dos variables no-negativas :
La Funcin Objetivo depende del procedimiento
Si se consideran los diferentes objetivos de manera simultnea (Objetivos sin
prioridades) o si por el contrario se adopta un procedimiento secuencial (Objetivos con
prioridades).
En el primer caso se tratar de Minimizar una funcin ponderada de las variables de
desvo. En el segundo caso se identificarn m modelos de PL a ser optimizados de
manera secuencial y de acuerdo a los m niveles de jerarqua asignados a los
objetivos. La secuencia se resuelve por nivel de jerarqua, desde el nivel de mayor
prioridad al de menor.
Programacin por Objetivos no secuencial.
Cada meta representa una Ecuacin Objetivo y en la Funcin Objetivo se incluirn las
variables de desvo relevantes correspondientes a cada Objetivo. Metas prioritarias.
En este caso los desvos en la Funcin Objetivo sern ponderadas por los coeficientes
de penalizacin. Metas no prioritarias. En este caso todas las metas tienen una
importancia comparable, tienen mismo nivel de prioridad y los coeficientes de
penalizacin en la Funcin Objetivo son iguales a 1.

Programacin por Objetivos secuencial

Existe una jerarqua de niveles de prioridad para las metas, de modo que las metas de
primordial importancia reciben atencin con primera prioridad y las de importancia
secundaria reciben atencin de segunda prioridad, y as sucesivamente. Los objetivos
de diferente nivel de prioridad no son comparados de manera simultneamente.
METAS DE PRIMERA PRIORIDAD:
Representan metas jerarquizadas, porque el tomadorde decisin no est dispuesto a
sacrificar ningn resultado de las meta de este nivel de prioridad.
Procedimiento Secuencial:
El programa de objetivos con prioridades jerarquizadas se resuelve mediante una
secuencia de modelos de Programacin Lineal. En este procedimiento, al pasar de un
nivel de prioridad superior al nivel inferior, las Restricciones Objetivo del nivel superior
inicialmente blandas se convierten en una restriccin dura que no admite desvos a
la meta respectiva.
Es decir que no puede sacrificarse nada en el logro de una meta de prioridad superior
al tratar de alcanzar un objetivo inferior.
Etapas del Procedimiento para un Problema de 3 Objetivos.
1. Encontrar el mejor logro del objetivo de 1 prioridad.
2. Encontrar el mejor logro del objetivo de 2 prioridad sin comprometer el logro
alcanzado del Objetivo de 1 prioridad.
3. Encontrar el mejor logro del objetivo de 3 prioridad sin comprometer el logro
alcanzado del Objetivo de prioridad superior (1 y 2).
En este procedimiento, al pasar de una etapa a otra, o de un nivel de prioridad
superior a un nivel inferior, las Restricciones Objetivo del nivel superior inicialmente
blandas se convierten en la etapa siguiente en una restriccin dura que no admite
desviaciones. Es decir que en una etapa concreta, tratar de alcanzar un objetivo
inferior, no puede sacrificarse nada en el logro de una meta de prioridad superior ya
resuelta en una etapa anterior.

TEORIA DE REDES
La modelacin de redes permite la resolucin de mltiples problemas de programacin
matemtica mediante la implementacin de algoritmos especiales creados para tal fin,
conocidos como Algoritmos de optimizacin de redes. Dentro de los problemas ms
comnmente resueltos mediante la modelacin de redes se encuentran los ya vistos
modelos de transporte, transbordo adems de los muy conocidos modelos de
determinacin de cronograma de actividades para proyectos como lo son el PERT y el
CPM.
CONCEPTOS BSICOS EN TEORA DE REDES

Grfica: Una grfica es una serie de puntos llamados nodos que van unidos por unas
lneas llamadas ramales o arcos.
Red: Una red es una grfica que presenta algn tipo de flujo en sus ramales. Por
ejemplo una grfica cuyo flujo en sus ramales sea la electricidad es una red elctrica.
En las redes se usa una simbologa especfica para denotar su tamao y elementos
que la constituyen, dicha notacin es la (N, A) donde N representa el nmero de nodos
que contiene la red y A representa el nmero de arcos o ramales.

Cadena: Una cadena corresponde a una serie de elementos ramales que van de un
nodo a otro. En el siguiente caso se resalta una cadena que va desde el nodo 1 hasta
el nodo 7 y que se compone por los elementos [1-4, 4-7].
Ruta: Una ruta corresponde a los nodos que constituyen una cadena, en el siguiente
caso [1, 4, 7].

Ciclo: Un ciclo corresponde a la cadena que une a un nodo con sigo mismo, en el
siguiente ejemplo el ciclo est compuesto por la cadena [4-2, 2-5, 5-7, 7-4].

Ramal orientado: Un ramal o arco orientado es aquel que tiene un sentido

determinado, es decir que posee un nodo fuente y un nodo destino.

Grfica orientada: Una grfica orientada es aquella en la cual todos sus ramales se
encuentran orientados.

rbol: Un rbol es una grfica en la cual no existen ciclos, como el siguiente ejemplo.
rbol de expansin: Un rbol de expansin es aquel rbol que enlaza todos los nodos
de la red, de igual manera no permite la existencia de ciclos.

Nodo fuente: El nodo fuente es aquel nodo en el cual todos sus ramales se encuentran
orientados hacia afuera.
Nodo destino: El nodo destino es aquel nodo en el cual todos sus ramales se
encuentran orientados hacia l.

ALGORITMO DEL RBOL DE EXPANSIN MNIMA

El algoritmo del rbol de expansin mnima es un modelo de optimizacin 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 mnima (entindase por

longitud del arco una cantidad variable segn el contexto operacional de minimizacin,
y que puede bien representar una distancia o unidad de medida).
Sean
N = {1,2,3,...,n} el conjunto de nodos de la red.
Ck= Conjunto de nodos que se han enlazado de forma permanente en la iteracin k
k= Conjunto de nodos que hacen falta por enlazarse de forma permanente.
PASO CERO (0): CONCEPTUALIZACIN DEL ALGORITMO
Definir los conjuntos C0 = {} y 0 = {N}, es decir que antes del paso 1 no se han
enlazado de forma permanente nodo alguno, y por ende el conjunto que representa a
los nodos que hacen falta por enlazarse de forma permanente es igual a la cantidad de
nodos que existen en la red.
PASO 1:
Se debe de escoger de manera arbitraria un nodo en el conjunto 0 llamado i el cual
ser el primer nodo permanente, a continuacin se debe de actualizar el conjunto C1 =
{i}, que significa que al tiempo en que el conjunto C1 gana el elemento i el conjunto
0 pierde el elemento i por ende ahora ser igual a 1 = N - {i}, adems se debe
actualizar el subndice de los conjuntos k, el cual ahora ser igual a 2.
PASO 2: PASO GENERAL "K"
Se debe de seleccionar un nodo j del conjunto K-1 ("k-1" es el subndice que indica
que se est haciendo referencia al conjunto de la iteracin inmediatamente anterior) el
cual tenga el arco o ramal con menor longitud con uno de los nodos que se encuentran
en el conjunto de nodos de enlace permanente CK-1. Una vez seleccionado se debe
de enlazar de forma permanente lo cual representa que pasa a formar parte del
conjunto de enlaces permanentes y deja de formar parte del conjunto que todava se
debe conectar para lograr la expansin. Al actualizar el algoritmo en este paso los
conjuntos deben de quedar de la siguiente forma.
CK = CK-1 + {j} mientras que K = K-1 - {j}
El paso general que define k que al mismo tiempo representa a las iteraciones debe de
ejecutarse toda vez que el conjunto K no sea vaco, cuando este conjunto sea igual a
vaco se tendr el rbol de expansin mnima.
El entendimiento del algoritmo desde el punto de vista algebraico no es quiz el ms
simple, sin embargo mediante el ejemplo grfico se ver que es un algoritmo muy
sencillo de elaborar.

PERT/CPM
ANTECEDENTES
Dos son los orgenes del mtodo del camino crtico: el mtodo PERT (Program
Evaluation and Review Technique) desarrollo por la Armada de los Estados
Unidos de Amrica, en 1957, para controlar los tiempos de ejecucin de las diversas
actividades integrantes de los proyectos espaciales, por la necesidad de terminar cada
una de ellas dentro de los intervalos de tiempo disponibles. Fue utilizado originalmente
por el control de tiempos del proyecto Polaris y actualmente se utiliza en todo
el programa espacial.
El mtodo CPM (Crtical Path Method), el segundo origen del mtodo actual, fue
desarrollado tambin en 1957 en los Estados Unidos de Amrica, por un centro
de investigacin de operaciones para la firma Dupont y Remington Rand, buscando el
control y la optimizacin de los costos de operacin mediante la planeacin adecuada
de las actividades componentes del proyecto.
Ambos mtodos aportaron los elementos administrativos necesarios para formar el
mtodo del camino crtico actual, utilizando el control de los tiempos de ejecucin y los
costos de operacin, para buscar que el proyecto total sea ejecutado en el menor
tiempo y al menor costo posible.
DIFERENCIAS ENTRE LOS METODOS PERT Y CPM
La principal diferencia entre los mtodos es la manera en que se realizan los
estimativos de tiempo.
PERT
Probabilstico.
Considera que la variable de tiempo es una variable desconocida de la cual solo se
tienen datos estimativos.
El tiempo esperado de finalizacin de un proyecto es la suma de todos los tiempos
esperados de las actividades sobre la ruta crtica.
Suponiendo que las distribuciones de los tiempos de las actividades son
independientes, (una suposicin fuertemente cuestionable), la varianza del proyecto es
la suma de las varianzas de las actividades en la ruta crtica.
Considera tres estimativos de tiempos: el ms probable, tiempo optimista, tiempo
pesimista.
CPM
Deterministico. Ya que considera que los tiempos de las actividades se conocen y se
pueden variar cambiando el nivel de recursos utilizados.
A medida que el proyecto avanza, estos estimados se utilizan para controlar y
monitorear el progreso. Si ocurre algn retardo en el proyecto, se hacen esfuerzos por

lograr que el proyecto quede de nuevo en programa cambiando la asignacin de

recursos.
Considera que las actividades son continuas e interdependientes, siguen un orden
cronolgico y ofrece parmetros del momento oportuno del inicio de la actividad.
Considera tiempos normales y acelerados de una determinada actividad, segn la
cantidad de recursos aplicados en la misma.
USOS.
El campo de accin de este mtodo es muy amplio, dada su gran flexibilidad y
adaptabilidad a cualquier proyecto grande o pequeo. Para obtener los mejores
resultados debe aplicarse a los proyectos que posean las siguientes caractersticas:
Que el proyecto sea nico, no repetitivo, en algunas partes o en su totalidad.
Que se deba ejecutar todo el proyecto o parte de el, en un tiempo mnimo, sin
variaciones, es decir, en tiempo crtico.
Que se desee el costo de operacin ms bajo posible dentro de un tiempo disponible.
Dentro del mbito aplicacin, el mtodo se ha estado usando para la planeacin y
control de diversas actividades, tales como construccin de presas, apertura de
caminos, pavimentacin, construccin de casas y edificios, reparacin de
barcos, investigacin de mercados, movimientos de colonizacin, estudios econmicos
regionales, auditorias, planeacin de carreras universitarias, distribucin de tiempos de
salas de operaciones, ampliaciones de fbrica, planeacin de itinerarios para
cobranzas, planes de venta, censos de poblacin, etc., etc.
VENTAJAS PERT y CPM
Ensea una disciplina lgica para planificar y organizar un programa detallado de largo
alcance.
Proporciona una metodologa Standard de comunicar los planes del proyecto mediante
un cuadro de tres dimensiones (tiempo, personal; costo).
Identifica los elementos (segmentos) ms crticos del plan, en
que problemas potenciales puedan perjudicar el cumplimiento del programa propuesto.
Ofrece la posibilidad de simular los efectos de las decisiones alternativas o situaciones
imprevistas y una oportunidad para estudiar sus consecuencias en relacin a los
plazos de cumplimiento de los programas.
Aporta la probabilidad de cumplir exitosamente los plazos propuestos.
En otras palabras: CPM es un sistema dinmico, que se mueve con el progreso del
proyecto, reflejando en cualquier momento el STATUS presente del plan de accin.

TEORIA DE COLAS
La teora de colas es el estudio matemtico de las colas o lneas de espera dentro de
un sistema. sta teora estudia factores como el tiempo de espera medio en las colas
o la capacidad de trabajo del sistema sin que llegue a colapsarse. Dentro de
las matemticas, la teora de colas se engloba en la investigacin de operaciones y es
un complemento muy importante a la teora de sistemas y la teora de control. Se trata
as de una teora que encuentra aplicacin en una amplia variedad de situaciones
como negocios, comercio,
industria, ingenieras, transporte y logstica o telecomunicaciones.
En el caso concreto de la ingeniera, la teora de colas permite modelar sistemas en
los que varios agentes que demandan cierto servicio o prestacin confluyen en un
mismo servidor y, por lo tanto, pueden registrarse esperas desde que un agente llega
al sistema y el servidor atiende sus demandas. En este sentido, la teora es muy til
para modelar procesos tales como la llegada de datos a una cola en ciencias de la
computacin, la congestin de red de computadoras o de telecomunicacin, o la
implementacin de una cadena productiva en la ingeniera industrial.
En el contexto de la informtica y de las tecnologas de la informacin y la
comunicacin las situaciones de espera dentro de una red son ms frecuentes. As,
por ejemplo, los procesos enviados a un servidor para su ejecucin forman colas de
espera mientras no son atendidos; la informacin solicitada, a travs de Internet, a
un servidor Web puede recibirse con demora debido a la congestin en la red; tambin
se puede recibir la seal de lnea de la que depende nuestro telfono mvil ocupada si
la central est colapsada en ese momento, etc.
Modelo de formacin de colas
Se forman debido a un desequilibrio temporal entre la demanda del servicio y la
capacidad del sistema para suministrarlo.
En las formaciones de colas se habla de clientes, tales como mquinas daadas a la
espera de ser rehabilitadas. Los clientes pueden esperar en cola debido a que los
medios existentes sean inadecuados para satisfacer la demanda del servicio; en este
caso, la cola tiende a ser explosiva, es decir, a ser cada vez ms larga a medida que
transcurre el tiempo. Los clientes puede que esperen temporalmente, aunque las
instalaciones de servicio sean adecuadas, porque los clientes llegados anteriormente
estn siendo atendidos.
Objetivos
Los objetivos de la teora de colas consisten en:
Identificar el nivel ptimo de capacidad del sistema que minimiza el coste del mismo.
Evaluar el impacto que las posibles alternativas de modificacin de la capacidad del
sistema tendran en el coste total del mismo.
Establecer un balance equilibrado (ptimo) entre las consideraciones cuantitativas de
costes y las cualitativas de servicio.