P. 1
Ybnioseli - Metodos Cuantitativos Para Los Negocios

Ybnioseli - Metodos Cuantitativos Para Los Negocios

|Views: 12|Likes:

More info:

Published by: Domingo Coronado Garcia on Aug 20, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

11/10/2014

pdf

text

original

1

2

Econ. YbniosElí Grijalva Yauri

3

Tabla de convenciones
Indicadores de logro

Actividad

Observación Observación

Resumen Resumen

Bibliografía recomendada

Nexo

Autoevaluación Autoevaluación formativa formativa

UNIVERSIDAD PERUANA LOS ANDES Educación Abierta y a Distancia. Huancayo. Impresión Digital SOLUCIONES GRAFICAS S.A.C. Jr. Puno 564 - Hyo. Telf. 214433

4

8. Enfoque Sistémico y Modelización. Datos: Formas y Fuentes. Distintos tipos de modelos. 1. Objetivos del Capítulo 1.2 Modelos Probabilísticos 1.1 La Información en las Organizaciones 1.1.1 Conocimiento y Toma de Decisiones 1. 1.5.8. Métodos de Cálculo y Resolución.1.6 Construcción de Modelos: Metodología y Etapas.3 Los modelos matemáticos 1.1.3 Toma de Decisiones con Pura Incertidumbre 1.1.7. 1.2 Las ventajas de modelar 1.8 Otras Aplicaciones de Modelos Matemáticos.5.2 Contribución del Enfoque de los Métodos Cuantitativos 1.5.4 Algunos Modelos Determinísticos y Probabilísticos.8.4 Toma de decisiones con riesgo 1.5 Consideraciones 1.2 Toma de Decisiones y Racionalidad 1.TABLA DE CONTENIDOS Tabla de contenido TABLA DE CONTENIDOS PRESENTACIÓN UNIDAD TEMÁTICA I METODOS CUANTITATIVOS Y PROCESO DE TOMA DE DECISIONES. 1.4 Métodos Cuantitativos.0 Introducción 1.7 Desarrollo de Modelos: Preparación. 1.4 Análisis de la Información 1.1.8.3 Proceso de Modelado de los Métodos Cuantitativos 1.1 Modelos Determinísticos 1.1 Tipos de modelos 1.1 Proceso de formulación de un problema de optimización 1. 1.9 Actividades para Aprendizaje.5 Modelización: Concepto.5. 5 11 13 13 13 13 13 13 14 15 16 16 17 17 18 18 18 19 19 21 22 23 23 24 24 24 25 25 25 5 .3 Organización: Gestión y Procesos de Decisión 1.

2.2.2.2.2.2.1 El método gráfico 3. 2.1 Programación Lineal: Formulación de Problemas 3.UNIDAD TEMÁTICA II PRONÓSTICOS DE NEGOCIOS Objetivos del Capítulo.2.1 Modelización por componentes 2.2 Programación Lineal: Métodos de Resolución 3.3 Adaptación a otro tipo de modelos 3.4 Situaciones especiales en el método Simplex 3. UNIDAD TEMÁTICA III FORMULACION Y OPTIMIZACION DE MODELOS Objetivos del Capítulo 3.1.0 Introducción 3.3.4 Descomposición Multiplicativa: Caso usuarios transporte público 2.0 Introducción.2 Estacionalidad 2.3 Descomposición Aditiva: Caso temperaturas 2.5 Actividades para el Aprendizaje.3.2 Programación Entera y Solver 3.3.2.3 Programación Lineal Entera 3.2 Análisis De Una Serie Temporal 2.2 El Método Simplex 3.3.4 Modelización con Variables Categóricas 2.3 Programación Entera Binaria: El Problema de la Mochila 3.1.3.1 El algoritmo de bifurcación y acotamiento 3.2 Enfoque Box .1 Medias móviles: tendencia 2.5 Soluciones con Software 3.3.2 Orígenes de la Programación Lineal 3.4 El Problema de Asignación 6 27 27 27 27 29 31 31 35 37 40 43 47 51 55 61 63 63 63 63 64 65 71 71 74 85 87 88 91 92 94 95 96 .Jenkins 2.3.3 Formulación de Modelos 3.3 Descomposición de Una Serie Temporal 2.3.1 Teoría de Series Temporales 2.

3 Calculo de Inventario de Seguridad en Política de Revisión Periódica.3.8.9.2 Modelos con Tiempo de Espera.7.3.5 Situaciones Con Múltiples Inventarios.4 Cantidades Descontinuadas.1 Enfoque Japonés. 4.2 Sistema de Costeo ABC. 4.9. 4.6.11 Actividades para el Aprendizaje.7.8 Modelos con Demanda Probabilística 4. UNIDAD TEMÁTICA IV MODELOS DE INVENTARIOS.1 Modelo de un Único Producto: 4.6 Calculo del Periodo Optimo.1 Modelo Simple 4.6 Conclusiones 3.8.3. 4.5 Problemas de Localización de Servicios 3.4 Decisiones sobre inventarios 4.1 Nomenclatura Asociada a Inventarios. 4.2 Clasificación de los sistemas PRODUCTIVOS según la demanda.1 Definiciones y Funciones. 4. 4.1 Tipos de Sistemas de Control 4.7. 4.6. 4.6 Políticas de inventario. 4.9 Resumen Final de Inventarios.5 Análisis de la Tasa de Demanda y Tasa de Reposición. 98 107 107 109 109 109 109 110 112 112 113 113 114 115 115 116 116 119 120 122 124 126 128 129 130 131 134 134 135 136 136 137 7 . Objetivos del Capítulo. 4.3 Análisis De Sensibilidad.3 Estructura de Costos de Inventarios. 4. 4. 4.7. 4. 4.2 Política de Revisión Continua.7.1 Política de Revisión Periódica.7.10.3. 4. 4. 4.2 Cálculo de Inventario de seguridad para la Política de Revisión Continua.7 Dimensionamientos de las Cantidades a Ordenar.8.4 Actividades para el Aprendizaje.10 Sistemas de Control de Inventarios 4.0 Introducción 4. 4.

1 No hay cola.2 Objetivos de la gestión de colas 5. 5.0 Introducción 6.9.6 Modelo de Colas Simple: Llegadas en Poisson y Tiempos de Servicio Exponencialmente Distribuidos.9.2 Problemas de decisión estáticos 6.5 Problemas de decisiones estáticas 8 139 139 139 139 141 141 142 142 142 142 142 142 143 144 146 147 147 147 148 149 150 152 153 153 153 153 153 154 154 157 159 .4 En situación Riesgo.7 Modelo múltiple de Colas: Llegadas en Poisson y Tiempos de Servicio Exponencialmente Distribuidos.0 Introducción. 5.1 Recogida de datos 5. 6. 6.2 No hay cola ni tiempo ocioso del servidor.4 Simulación conjunta del sistema 5.1 La distribución de Poisson 5. 5.3 Simulación de los tiempos de servicio 5.1 Las decisiones en la empresa 6.3 Elección del criterio de decisión en condiciones de incertidumbre: 6.1 Descripción de un sistema de colas 5.2 La distribución Exponencial 5.9. UNIDAD TEMÁTICA VI ANALISIS DE LA TEORÍA DE LA DECISIÓN Objetivos del Capítulo.5. 5.10 Actividades para el Aprendizaje.9.4. tiempo ocioso del servidor 5.3 Formación de cola y sin tiempo ocioso en el servidor 5.3 Medidas del sistema 5. 5.4.4 Un sistema de colas elemental: tasa de llegada y de servicio constantes 5. 5.5 Las distribuciones de Poisson y Exponencial 5.UNIDAD TEMÁTICA V MODELACION DE COLAS. Objetivos del Capítulo.8 Limitaciones de los modelos de gestión de colas 5.2 Simulación de llegadas.4. 5.5.9 Ejemplo de simulación de un sistema de colas.

6 La Utilización de la Información Perfecta y el Concepto de Valor Esperado en Contexto de Riesgo. 161 6.3 Diagrama de flujo del modelo de simulación 8.2 Simulación: Método Monte Carlo 8.4. 162 6.7 Conclusiones 7.4 ¿Qué es la Simulación de Monte Carlo? 8.0 Introducción 8.3 Algoritmos 8.2.1 Inicios del Método de Monte Carlo 8.1 Métodos de simulación 8.5 Actividades para el Aprendizaje.4 El Gráfico Gantt 7.8 Actividades para el Aprendizaje UNIDAD TEMÁTICA VIII INTRODUCCION AL MÉTODO DE SIMULACIÓN MONTE CARLO Objetivos del Capítulo 8.2 Etapas del proceso de simulación 8.8 Decisiones secuenciales y árboles de decisión: 6.4.2.4. UNIDAD TEMÁTICA VII ADMINISTRACIÓN Y GESTIÓN DE PROYECTOS CON PERT – CPM Objetivos del Capítulo 7.7 La utilización de la información imperfecta y el concepto de valor esperado en contexto de riesgo.0 Introducción 7.9 Actividades para el Aprendizaje.1 Simulación MC con Variables Discretas 8.2.2 Generación de Números Aleatorios Provenientes de Otras Distribuciones 8. 189 189 189 189 189 190 190 191 191 191 194 196 199 200 202 171 171 171 171 171 173 177 181 182 185 186 187 165 170 9 .6 Planificación de Recursos: Tiempo-Costo 7.2 Representación gráfica de un Proyecto 7.3 Planificación Temporal del Proyectos – CPM 7.5 El PERT 7.1 Definición de la Gestión y Administración de Proyectos 7.3 Simulación MC con Variables Continuas 8.6.

10 .

cada uno diseñado para 11 . Pero el tomador de decisiones también debe tener en cuenta los aspectos intangibles fuera del dominio de los métodos cuantitativos y luego usar su mejor criterio para tomar la decisión. automáticamente. ingresos. Los problemas de optimización planteados por estos modelos dan origen a una variedad de métodos de solución. Los métodos cuantitativos son una disciplina que ayuda en la toma de decisiones mediante la aplicación de un enfoque científico a problemas que involucran factores cuantitativos. están expresados en términos simbólicos y matemáticos. costos. metodologías y nuevos instrumentos. Paso 5: Aplicar el modelo para analizar el problema y desarrollar las recomendaciones. La belleza de un modelo bien diseñado es que permite que los procedimientos matemáticos corran en una computadora para encontrar buenas soluciones al problema. se ocupa. incluido tomar en cuenta los factores de la relevancia cuantitativa. Muchos problemas en los negocios y finanzas giran alrededor de factores cuantitativos como cantidades de producción. Tienen una base sólida en campos científicos que incluyen matemáticas y ciencias de la computación. las empresas necesitan ser cada vez más eficientes y eficaces. en especial en los negocios y las finanzas. con ayuda de la tecnología. cantidades disponibles de recursos necesarios y otros. de aplicar las matemáticas necesarias con un mínimo de instrucciones por parte del usuario. el objetivo y las funciones de restricción pueden ser lineales o no lineales o enteras. Dentro de los modelos. Los paquetes de hojas de cálculo ofrecen un entorno de trabajo cómodo y conocido para formular y analizar problemas. Paso 3: Desarrollar un procedimiento basado en computadora para derivar soluciones del problema a partir del modelo. Paso 6: Ayudar a implantar las recomendaciones. Paso 4: Probar el modelo y refinarlo según se necesite. su contribución especial descansa en su habilidad singular para manejar los factores cuantitativos.PRESENTACIÓN En estos tiempos de economía global. con base en los factores cuantitativos del problema. Casi siempre para poder analizar los problemas reales se tienen que hacer varios supuestos. El proceso de modelado es un proceso evolutivo que comienza con un simple “modelo verbal” para definir la esencia del problema y gradualmente evoluciona hacia los modelos matemáticos cada vez más completos. Paso 1: Definir el problema y recolectar los datos. También se apoyan en ciencias sociales. Gran parte de los autores recomiendan una serie de pasos a seguir para la aplicación de un método cuantitativo para una investigación sistemática. Por lo que es necesario hacer el mejor uso de los recursos escasos. Ya que los modelos matemáticos son representaciones ideales. es común que no haya un modelo “correcto” sino varias formas alternativas para realizarlos. El proceso de modelado es creativo: Cuando se trata con problemas reales. Los métodos cuantitativos tienen un espectacular impacto sobre la rentabilidad de numerosas empresas. Paso 2: Formular un modelo para representar el problema. Un estudio de métodos cuantitativos solo brinda un análisis y recomendaciones. Los cuales ayudan a la toma de decisiones. para mantenerse competitivas dentro de un mercado cada vez más complejo. las variables de la decisión pueden ser enteras o continuas. Aunque los métodos cuantitativos se ocupan de la gestión practica de las organizaciones. Al incorporar estos factores cuantitativos en un modelo matemático y aplicar procedimientos matemáticos para resolver el problema. los métodos cuantitativos brindan una forma singularmente poderosa para analizar problemas.

se hace hincapié en la idea de “optimo” es una concepción matemática. Sin embargo. Los modelos son una representación limitada de la realidad y. programación entera. programación de redes y árboles entre otras. parámetros. objetivos y medidas de desempeño. favorecen la comunicación de ideas a otras personas y facilitan el trabajo en equipo. El Compilador. 12 . podrá proveer un valioso acervo a la toma de decisiones.tomar en cuenta las propiedades matemáticas especiales del modelo. Describimos distintos tipos de modelos y el papel decisivo que los datos desempeñan en su construcción. restricciones. no un con cepto perteneciente al mundo real. por esa razón. Se presentan los conceptos de: variables de decisión. En particular. programación lineal. si un modelo ha sido bien formulado y su resultado se interpreta cuidadosamente. la función que corresponde a distintos tipos de modelos en las organizaciones de negocios. La construcción de modelos en hojas de cálculo se presenta como un apoyo para las decisiones. los resultados de análisis de un modelo no son necesariamente la solución idónea para la situación original. y temas relacionados con la validación de modelos. Un aspecto importante de destacar es la forma en que los modelos refuerzan los conocimientos. Hemos expuesto el proceso iterativo mediante el cual son construidos los modelos. todos los cuales son componentes importantes de los modelos. El enfoque consiste en desarrollar un modelo con las herramientas de este programa y finalmente tomar una decisión basada en ese análisis. Entre las técnicas más prominentes y exitosas se encuentran: series de tiempo.

13 . Búsqueda de diferentes alternativas de acción. Entonces. Cada vez 1 (1) Leroux. la toma de decisiones soportada en el análisis de información. la milicia. y entre ellas. la gama de aplicaciones es extraordinariamente amplia. sin hacer caso de la situación en concreto. el gobierno.1 Conocimiento y Toma de Decisiones1 La situación económica y social que caracteriza a la sociedad moderna. el crecimiento acelerado de su velocidad de procesamiento y la capacidad para el almacenamiento de datos. Esto conlleva a la necesidad de implementar nuevas prácticas administrativas dirigidas a garantizar el éxito organizacional. los métodos se han aplicado en los negocios. Selección de una alternativa. genera profundos cambios en las organizaciones. Así. las cuales se están preparando para ser más flexibles y establecer estrategias que les permitan adaptarse al entorno altamente turbulento en el que desarrollan sus acciones. 1. en particular. Comprender la forma en que los métodos cuantitativos se aplican al proceso de toma de decisiones en las empresas. la facilidad de interconexión y la aparición de la gran red de redes: Internet. sociales y militares…etc. Objetivos del Capítulo Desarrollar diversos modelos matemáticos. obligando a la búsqueda de herramientas para el manejo de grandes volúmenes de información. resulta vital para los intereses de cualquier organización. La naturaleza de la organización es esencialmente inmaterial y. Rosa Maria Garcia de. analizando los costos y beneficios involucrados. Evaluación de alternativas. 1.. ello ha posibilitado disponer de servicios de acceso en línea a bases de datos y ha provocado una gran explosión de información que rebasa la capacidad de procesamiento de las organizaciones. los miembros de la organización y.1.0 Introducción Los Métodos Cuantitativos construyen modelos de sistemas reales tratando de llegar a unos resultados cuantitativos que sirvan de base a decisiones económicas. la industria. Ante ambientes tan inestables como los que estamos viviendo y debido a la imposibilidad de actuar a ciegas. pueda considerarse como un proceso sistemático en general con los siguientes pasos principales: Definición del problema.1 La Información en las Organizaciones La segunda mitad del siglo XX fue testigo de algunos hechos concretos que propiciaron grandes cambios. etc. comprendiendo sus supuestos y limitaciones que podrían aplicarse dentro de lo operativo de la empresa Resaltar la necesidad de que la toma de decisiones dentro de las organizaciones se haga de una forma óptima. METODOS CUANTITATIVOS Y PROCESO DE TOMA DE DECISIONES. los Métodos Cuantitativos se aplican a problemas que se refieren a la conducción y coordinación de operaciones o actividades dentro de una organización “de tipo ejecutivo” . de hecho. Sin duda. técnicas. La premisa principal de los Métodos Cuantitativos es que la toma de decisiones. 1. entre ellos: la aparición de las computadoras. los hospitales. su alta gerencia. necesitan manipular grandes volúmenes de información para cumplir sus funciones esenciales.

lo que incrementa la probabilidad de que la decisión sea más racional y saludable para el logro del objetivo deseado. constituyen la materia prima de la información. y c) estar informado. Es decir. Todo esto. Estos continuos cambios en el entorno y en el interior de las organizaciones. porque es parte fundamental e inherente a todas las demás actividades de la empresa. en el momento preciso. en particular. 14 . es necesario considerar que las personas que toman decisiones. sobre los competidores. analizados y convertidos en información. por lo que aquellas variables no advertidas o de las que no se ha percatado. unido al incremento de la competencia a nivel mundial. comprobada está la marcada importancia del aprovechamiento del imponente caudal de recursos de información existentes para toma de decisiones en las instituciones. mientras mayor sea la calidad de la información que se disponga. como una actividad imprescindible en las organizaciones. En este empeño. siendo importante establecer cómo se relacionan y los aspectos que los diferencian. de nuevas formas organizativas. predisposiciones. no se puede esperar que las personas actúen en forma completa y estrictamente racional. resultan incapaces de esclarecer cualquier estado de incertidumbre. es el hecho de que el decisor se comporta racionalmente. promueven. aunque quien tome la decisión trate de ser objetivo. en el marco de las organizaciones. Por otro lado. en el que las limitaciones de información.es menor el tiempo necesario para transformar un conocimiento básico en ciencia aplicada. Sabido es que actualmente.1. oportunidades de compra/venta. Adicionalmente. representan actividades comerciales. información sobre el mercado. son la principal fuente para la obtención de información valiosa para el proceso de toma de decisiones. en un lenguaje comprensible para el usuario. asimismo. Los datos se vinculan con los registros estructurados de hechos significativos que. la información y el conocimiento son elementos fundamentales para la toma de decisiones en las organizaciones. entonces. prejuicios. deben reconocerse como características intrínsecas del individuo. sin significado y desvinculados de la realidad. la necesidad de mejorar el proceso de toma de decisiones. más difícil resultará conocer todas las alternativas. etcétera. La mayoría de los que tienen esta responsabilidad. y mientras más compleja sea la decisión. En el proceso de toma de decisiones no siempre se dispone. sin ánimo de disertar sobre la psicología del ser humano. Es una ciencia aplicada que ha adquirido notable importancia y es fundamental en los negocios. En consecuencia. cada vez más. y ello repercute en un mejoramiento de la información que llega a la más alta dirección. una creciente necesidad de dotación en técnicas de captación y análisis de información sobre el entorno competitivo y tecnológico y. se dispone de más información como resultado del desarrollo de las nuevas tecnologías de la comunicación. mayor será también el aporte de elementos de juicio sobre el problema a resolver. La toma de decisiones puede conceptualizarse. la propia intuición y la experiencia de un directivo. Los datos como ingredientes en bruto.2 Toma de Decisiones y Racionalidad La toma de decisiones es el campo de mayor trascendencia para el ser humano. y que las tradiciones. tiempo e incertidumbre. y luego en tecnología. b) ser objetivo. poseen preferencias. gustos y desagrados que. los datos. por lo que la persona que realmente desee tomar una decisión acertada requiere: a) conocer todas las alternativas. impulsado por el dominio de las trasnacionales. aunque no siempre esto es posible debido a que se enfrentan a un mundo real. aunque influyan en el resultado. 1. cuando se enfrentan a la ineludible necesidad de decidir. Debido a ello. muchas decisiones se toman sin considerar explícitamente las etapas de ese proceso o los métodos cuantitativos y cualitativos existentes en las distintas ramas. Un elemento importante que debe ser considerado en este proceso. no siempre será posible lograrlo. Estos tres elementos forman un sistema jerárquico. los hábitos. desempeñan una función importante en la forma en que se pretende solucionar los problemas. Además. sólo en función de aquellos aspectos de la situación que logra percibir y conocer. de toda la información requerida. muy complejo. con un significado especial para todos sus niveles. intentan tomar sus decisiones dentro del marco de la racionalidad. La información está representada por los datos que adquieren un mayor significado luego de que se codifican y se transmiten. no son consideradas en el proceso decisional. limitan considerablemente el uso de la capacidad de raciocinio.

debido a todos los procesos cognitivos por los que éste debe trascender. evitará duplicidad de acciones. ".. exige el dominio de un conjunto de variables que están presentes en su tratamiento. ". pero a diferencia de éstos. para que un alumno llegue al conocimiento de una cierta asignatura.. la información del personal. Su correcta gestión es una herramienta fundamental para la toma de decisiones. La calidad de la información depende de la calidad de los datos y de la capacidad de quien la procese. En lo que respecta al conocimiento. la evaluación de los productos. El acceso rápido y eficiente a una información confiable y precisa. de modo que propicie una adecuada toma de decisiones. posee un valor. tanto la teoría como la práctica. lo que sin lugar a dudas. Comprende. Aunque este término tiene una relación significativa con la información. esfuerzos y un gasto innecesario de tiempo en la toma de una decisión. Por esto. como el conjunto de datos que se han procesado. resulta indiscutible que para lograr el cumplimiento de estos dos factores esenciales para el logro del éxito organizacional. se ha de exponer al mismo conjunto de datos de diferentes maneras. Sin datos es imposible la información. permite adoptar una posición adecuada a la hora de tomar una decisión para solucionar un problema con un menor costo. puede sugerir otras alternativas de decisión y eliminar otras. La visualización de la información interviene en la construcción del conocimiento. Por un lado.3 Organización: Gestión y Procesos de Decisión El trabajo profesional vinculado a la información en cualquier organización. automática o manualmente. siempre se vincula a las personas. gran parte de la inmensa cantidad de datos. que se adquiere a un costo. Resulta innegable la vinculación del conocimiento con el individuo. con diferentes perspectivas y ha de elaborar su propia experiencia del mismo". la información estima y reduce la incertidumbre. Asimismo.. tiene características que lo hacen similar a los demás. y que están provistos de un significado (relevancia y propósito) que los convierte en útiles para quien debe decidir. a fin de que los recursos (personas. está constituido por aquellos que no afectan el conocimiento y por otro. es decir. no deviene en mero elemento cultural del profesional que maneja información. materias primas) se empleen de la forma más 15 . igual que cualquier otro. Al analizar las implicaciones intrínsecas de los procesos y los recursos. estimula. Es oportuno aclarar que el hecho de poder acceder a cantidades cada vez mayores de datos y aún de información. La información es un agente importante en la modificación de las conductas existentes en la organización y un recurso vital para el desarrollo de la organización. sino en una imperiosa necesidad. tales como los que se derivan de decisiones apresuradas. En el contexto gerencial. Estas consideraciones citadas tienen algo en común y es que casi todas mencionan la presencia de datos con significado (mensaje con significado). las reglas cotidianas al igual que las instrucciones para la acción. Las organizaciones precisan gerenciar inteligentemente todos sus procesos y recursos. el tiempo que consume su filtraje por personas inexpertas. El conocimiento se basa en datos e información. al revelar los patrones que subyacen en los datos. Para la toma de decisiones. Obtener la información necesaria.Así la eficiencia está dirigida hacia la mejor manera por la cual las cosas deben hacerse o ejecutarse (métodos). una adecuada gestión de la información posibilita la reducción de los riesgos. ésta no puede considerarse automáticamente como conocimiento. 1. Forma parte integral de los individuos y representa las creencias de éstos sobre las relaciones causales. con la calidad requerida. máquinas. La información es un recurso. requiere del control de sus costos y tiene un ciclo de vida. es una premisa indispensable para la permanencia de las organizaciones en su ámbito de actuación. se puede conceptualizar como el conjunto de cogniciones y habilidades con las cuales los individuos suelen solucionar los problemas. y como recurso. tardías o inconsistentes. para desechar lo inservible y proporcionar un nuevo conocimiento. un valor y un activo. el dominio de las funciones de gestión y de algunas de las principales herramientas que han sido desarrolladas en las últimas décadas. la determinación de los errores y el control de los procesos.la acción y anticipa sus consecuencias. debe hacerse una eficaz y efectiva gestión de la información y del conocimiento. no permite de forma oportuna la agregación o el incremento del existente. entonces. no asegura el crecimiento del conocimiento. Así destacan la importancia de éstos en la información y su vinculación con el proceso de la comunicación..1. es necesario disponer de información previamente analizada. Lo que diferencia el conocimiento de la información es la complejidad de las experiencias que se necesitan para llegar a él".La información se considera.

La toma de decisiones es el propósito final de los análisis de información. para el manejo de grandes volúmenes de información que posibiliten conocer el entorno y predecir su evolución. se validan las fuentes. deseos y esperanzas. Desde el punto de vista de la gestión empresarial. el criterio que orienta toda decisión es la eficiencia. para proporcionar información útil y valiosa al primer nivel de dirección. pero sin duda. En este sentido. en decisiones estratégicas. por lo tanto son objetivos. se procesa la información. se pueden hacer estudios y análisis de futuro. también coinciden en que "aunque no hay decisiones prefectas. por lo que deben asumirse ciertas consideraciones claves: Para tomar decisiones acertadas. cabe señalar que toda organización que se proponga alcanzar la eficacia y la eficiencia organizacionales necesarias. la obtención de resultados máximos con medios limitados. se busca información. para contribuir a la toma de decisiones. cada vez más acuciante. Dichos análisis pueden darse en cualquier terreno de la vida. de información para la toma de decisiones. tanto cuantitativos como cualitativas. materiales y humanos. buscan extraer conocimiento por medio de métodos y técnicas. la información es un recurso que se encuentra al mismo nivel que los recursos financieros. Un sistema de gestión de calidad mejora la calidad de la información obtenida y mejora los cauces para obtención. consecuentemente.1. 1. Los datos son fríos y basados en hechos reales. el dominio de la información externa no debe hacer olvidar el control de los flujos internos de 16 . presenta una importancia sobresaliente en el mundo de las organizaciones. De forma general. su fiabilidad y la necesidad de darles una interpretación adecuada. 1.racional posible La eficiencia se preocupa por los métodos y procedimientos más indicados que necesitan planearse y organizarse adecuadamente con el fin de asegurar el perfeccionamiento del uso de los recursos disponibles". En otras palabras.4 Análisis de la Información El análisis de la información puede definirse como un proceso mediante el cual se define las necesidades del estudio. La toma de una decisión significa la adopción de una alternativa escogida. tanto físicos como mentales. Estos planteamientos reafirman la necesidad de que las organizaciones se enfrenten a un mundo cada vez más competitivo y. es mejor basarse en la frialdad y objetividad de los datos más que en intuiciones. Los datos plantean varios problemas tales como el modo de obtenerlos. debe desarrollar un fuerte proceso decisorio. Es donde se agrega mayor valor a la información. que jamás permite la realización completa o perfecta de los objetivos pretendidos. al ser el proceso básico en el que el analista invierte sus mayores esfuerzos. Es entonces indiscutible. pero que representa la mejor solución encontrada en determinadas circunstancias". el análisis de la información puede considerarse como el límite entre los sistemas de inteligencia y los sistemas de gestión de información. el análisis de información se convierte en el paso imprescindible de este proceso. Las afirmaciones de los que ven este proceso con un enfoque económico. La información es la herramienta fundamental en la toma de decisiones de la empresa. en especial. Todo esto supone un enorme reto para las empresas. para posibilitar el quehacer de la inteligencia empresarial y la adecuada toma de decisiones. para la oportuna toma de decisiones y. A mayor calidad de la información. la relación existente entre el análisis de la información y la toma de decisiones. que hasta el momento han constituido los ejes alrededor de los cuales han girado los esfuerzos de gestión. aunque no sean aceptados por los miembros de la organización. se integra y se presenta resultado. La toma de decisiones está basada en el análisis de los datos y la información. En este sentido. Con buena información. siendo el escalón en el que mayor valor adquiere. Por ello. al que es necesario adaptarse.1. por tanto.5 Consideraciones La racionalidad de quienes toman decisiones debe seguirse de cerca. El análisis de información es el método de investigación que registra lo que contienen y descubre su significado profundo tras la forma en que se presentan. mejor calidad en la toma de decisiones. El conocimiento del entorno complejo y cambiante origina la necesidad. para la obtención de ventajas competitivas. En este mismo orden de ideas. el análisis de la información es un proceso de carácter continuo y sistémico de transformación de la información en conocimiento y de este último.

se resuelve simbólicamente el problema. Primero se probaría el modelo y la solución. Verificación del modelo y de la solución. Confección del modelo científico. La estructuración de una situación de la vida real como un modelo matemático.2 Contribución del Enfoque de los Métodos Cuantitativos La contribución del enfoque de los métodos proviene principalmente de: 1. incluyendo la teoría matemática si es necesario. Esto implica tomar en cuenta el problema dentro del contexto del sistema completo.-El grado de bondad con que un modelo representa la realidad de un problema. El análisis de la estructura de tales soluciones y el desarrollo de procedimientos sistemáticos para obtenerlas. La dificultad del establecimiento de algunos modelos deriva precisamente de esta estimación cuantitativa. comercio. 2. que expresan cuantitativamente las diversas relaciones existentes entre el objetivo y las variables que afectan al problema. etc. o el sector público.). el modelo se demuestre válido. puede ser comprobado contrastando los resultados de la experiencia pasada con las soluciones que en esas circunstancias aporta el modelo.información que la organización genera. por lo general matemático que representa el problema. hecha esta comprobación. El desarrollo de una solución. bastando después con sustituir los símbolos por números. Después se establecerían controles sobre la solución. 1. c.3 Proceso de Modelado de los Métodos Cuantitativos a. la validez sólo se mantiene en la medida en que las variables no influenciables y las relaciones entre los factores permanecen constantes. Cálculo de la solución del modelo Aplicando esencialmente el método matemático deductivo. ecuaciones. Si se da un cambio significativo. de forma que quede el problema perfectamente definido. en algunos casos regulada por factores legales. 3. así como tampoco se debe olvidar la información que la empresa lanza al exterior. b. d. eliminando aquellos que no son relevantes. pero generalmente consiste en un conjunto de funciones (curvas. y tratando de expresar cuantitativamente todos los que sea posible. que lleva al valor óptimo de la medida de lo que se espera del sistema (o quizá que compare los cursos de acción opcionales evaluando esta medida para cada uno). Como en cualquier otro método de investigación. Su principal ventaja es que se apoya sobre un gran número de hechos y sustituye el razonamiento intuitivo por el matemático. inecuaciones. 1. Definición del problema a estudiar. logrando una abstracción de los elementos esenciales para que pueda buscarse una solución que concuerde con los objetivos del tomador de decisiones. El objetivo es familiarizar al lector con la formulación. solución y puesta en práctica de los modelos para analizar problemas de sistemas complejos en la industria. para tener la solución concreta del caso estudiado. Aun en el supuesto de que. Puede adoptar formas muy variadas. 17 . se ha de comenzar aquí por reunir y analizar los datos que afectan al problema que tratamos de estudiar. ha de corregirse la solución o crear un modelo nuevo. recomenzando el proceso de análisis.

Tercero se lleva la solución a la práctica.- Además, los Métodos Cuantitativos no son un proceso automático de decisiones, sino una metodología que permite al responsable conocer y valorar claramente las consecuencias de su decisión. El campo de aplicación de los Métodos Cuantitativos es amplísimo. En realidad, se agrupan bajo ese nombre técnicas muy diversas que a veces sólo tienen en común el objetivo perseguido y el apoyo general sobre una instrumentación estadístico-matemática muy avanzada. 1.4 Métodos Cuantitativos, Enfoque Sistémico y Modelización. El análisis para toma de decisiones puede asumir dos formas básicas: cualitativa o cuantitativa. El análisis cualitativo se basa primordialmente en el razonamiento y la experiencia del administrador; incluye la “impresión” intuitiva que el administrador tiene del problema, y constituye una faceta que puede ser identificada con el arte de la toma de decisiones. Sin embargo, si el administrador ha tenido poca experiencia con problemas similares, o si el problema es lo suficientemente complejo, entonces puede ser muy importante en la decisión final del administrador considerar otros puntos de vista y analizar desde una perspectiva diferente. Es entonces cuando, al utilizar el enfoque cuantitativo, el analista se concentra en los hechos o los datos cuantitativos asociados al problema y desarrolla expresiones matemáticas que describen los objetivos, las restricciones y las relaciones existentes en el mismo. Después, utilizando uno o más métodos cuantitativos, el analista ofrece una recomendación con base en los aspectos cuantitativos planteados; para esto recurre a la aplicación del método científico como procedimiento de análisis y resolución del problema complejo. Si bien los administradores tienen más aptitudes para el método cualitativo -que se incrementan con la experiencia- éste sólo se aprende estudiando los supuestos y los métodos de la ciencia de la administración. Se potenciaría de sobremanera aquel administrador que tomara los conocimientos de los métodos cuantitativos para su toma de decisiones, colocándose en una mejor posición para comparar y evaluar sus recomendaciones. Al aplicar métodos enrolados en el enfoque cuantitativo se busca eliminar conjeturas improvisadas y los razonamientos intuitivos y escasamente justificados que son frecuentemente aplicados en la toma de decisiones frente a problemas complejos. Adicionalmente, la búsqueda de soluciones teniendo en cuenta las interrelaciones dentro de la organización, los distintos puntos de vista, intereses y poder de los actores involucrados, y las responsabilidades sociales que derivan de su interacción con el ambiente, proveen una perspectiva particularmente interesante para el planteo de modelos; ella deriva del hecho de aplicar el enfoque sistémico a la situación, especialmente cuando se lo hace desde la dinámica de sistemas. 1.5 Modelización: Concepto. Distintos tipos de modelos. Si se toma o define un problema erróneamente todos los esfuerzos posteriores se concentrarán en resolver “algo” que no “funciona” correctamente. Es por eso que, una vez que el problema ha quedado bien definido, el “científico de administración” comenzará a desarrollar el problema en términos matemáticos. Conviene entonces concretar en una definición qué es lo que se entiende por modelo. Los modelos son representaciones de objetos o situaciones reales; representaciones más o menos simplificadas que permiten aprehender una realidad aún cuando no se la esté observando directamente. 1.5.1 Tipos de modelos Es posible identificar una amplia gama de clasificaciones según las diversas dimensiones de análisis de modelos. La siguiente se considera suficiente para los fines que persigue este texto. 18

Modelos icónicos: son también conocidos como modelos físicos, y están constituidos por réplicas físicas de la realidad que representan. En esta clase se encuentran las maquetas de construcciones de ingeniería y los juguetes a escala. Otra clase de modelos son los analógicos, que son de forma física pero no tienen el mismo aspecto físico del objeto que representan. Las relaciones entre los objetos y variables están representadas en un medio diferente al real, comportándose en forma análoga a tal realidad. Es decir que su comprensión requiere de un nivel de abstracción mayor que en el primer caso, y un conocimiento previo de los conceptos y relaciones involucrados en la realidad modelada. Tal el caso del velocímetro de un automóvil, el marcador de una balanza, un gráfico de sectores circulares o de líneas de tendencia representando las ventas de una empresa, etc. Finalmente, los modelos matemáticos, representan una situación mediante símbolos y relaciones o expresiones matemáticas. Son parte crucial de cualquier enfoque cuantitativo, y algunos de ellos serán desarrollados en este texto. Para su comprensión es necesario un nivel de abstracción mayor aún que en los modelos analógicos. En contrapartida son más adaptables que los otros dos tipos a distintas situaciones en las que pueden aplicarse. Cuentan con variables cuantitativamente definidas y relaciones matemáticas, como, por ejemplo, los modelos del universo astronómico que construyen los físicos (órbitas de desplazamiento de cuerpos celestes y satélites artificiales, etc.), y los modelos con que los economistas representan las relaciones entre los diversos mercados y factores que intervienen en una Economía. 1.5.2 Las ventajas de modelar La importancia del desarrollo de un modelo radica en que permite, a quien lo observa, figurarse cómo es una realidad, a partir de: 1. 2. 3. 4. Representar un problema que puede presentarse complejo para su comprensión; Analizar distintas soluciones alternativas antes de enfrentar la realidad para cambiarla; Extraer conclusiones anticipadamente, sin llegar a alterar la realidad para ver qué ocurre. Experimentar en menos tiempo y sin necesidad de involucrarse en cambios que, efectuados directamente sobre la situación real, pueden derivar en situaciones irreversibles y de complejas e inesperadas consecuencias. Experimentar sin incurrir en los costos que supondría hacerlo con objetos y situaciones reales.

5.

De manera tal que, considerando lo citado precedentemente, sin llevar adelante (por ejemplo) un proceso de producción se puede determinar si es rentable o no. Para que los aspectos mencionados se conviertan en realidades palpables y sean efectivamente ventajas importantes, se debe tener muy en cuenta que el éxito del modelo matemático y el enfoque cuantitativo dependen en gran medida de la precisión con la que puedan expresarse, en términos de ecuaciones o relaciones matemáticas, las distintas relaciones observadas que se quiere representar. 1.5.3 Los modelos matemáticos Al momento de desarrollar un modelo se deberá tener en cuenta que existen factores del entorno que no están bajo el control del administrador o del decisor, a los que se denomina insumos incontrolables del modelo. A aquellos que son determinados o controlados por quien toma las decisiones en la realidad representada por el modelo se los denomina insumos controlables del mismo. Entre estos insumos están las alternativas de decisión que el administrador especifica y, por ello, se las vincula a las variables de decisión del modelo.

19

No debe olvidarse acá que tanto la situación problemática que llevó a plantear el modelo como las decisiones que se adopten y apliquen para solucionarla se desarrollan en un plano de realidad tangible, mientras que tanto el modelo armado como los resultados obtenidos de él provendrán de un mundo simbólico con un grado importante de abstracción. De manera que el resultado del modelo es simplemente la proyección de lo que sucedería si ocurren los factores ambientales mencionados y tales decisiones en una situación real. En tal sentido, la Figura, es claramente representativa de la situación descripta en el párrafo anterior, y que no debe ser soslayada por quien tiene a cargo el asesoramiento para la toma de una decisión como tampoco por quien debe aplicarla.

Figura 1.1. El proceso de construcción de un modelo. Para definir de qué forma se puede administrar un modelo que se aplica para la resolución de una situación problemática, es conveniente recurrir al auxilio de dos teorías. La TEORIA NORMATIVA indica el “como debería ser”, recomendando qué decisión tomar para llegar al óptimo si en la realidad se repite la situación modelada. La Teoría Normativa es prescriptiva: partiendo del ofrecimiento de todos los elementos al alcance, el que toma la decisión debe actuar. Los modelos normativos (también llamados de decisión, o de optimización) se apoyan en esta teoría aportando recomendaciones sobre la forma de comportarse para conseguir lo máximo (o lo mínimo) establecido como objetivo. Tal objetivo es representado por una expresión matemática que lo describe y se la denomina función objetivo, la cual, siendo medida de desempeño del modelo, depende en su valor de aquellos que adopten las variables de decisión. A esta función objetivo le acompañan funciones de restricción, las que indican condiciones o limitantes en los modelos que se evalúan. Finalmente, se puede identificar un conjunto de datos incontrolables, pero que deben tenerse en cuenta por ser importantes para el modelo y su solución, y se consignan como parámetros; o sea, variables que, para determinadas circunstancias y situaciones de la realidad, adoptan valores que se mantendrán fijos durante el análisis. Por otra parte, la llamada TEORIA DESCRIPTIVA (o Teoría Positiva) se basa en estudios que tratan de decir cómo se actúa y, además, de "predecir" ese comportamiento. Un modelo descriptivo explica la realidad en base a los datos. En este caso no existen una función objetivo ni restricciones, pero sí se da una medición del desempeño por medio de variables a definir, así como existen datos incontrolables (observados o supuestos) del modelo que se expresan mediante los parámetros. Existe una tipología adicional que es conveniente tener presente al momento de distinguir la clase de modelo con la que se debe tratar, basada en la certeza que se tiene sobre los datos y relaciones aplicados, ya que pueden conocerse con exactitud o ser inciertos y estar sujetos a variaciones. Si en un modelo los datos son conocidos y no puedan variar en relación con el momento de aplicación real del modelo -o sea, al analizar el problema se cuenta en forma cierta con toda la información necesaria para la toma de decisiones-, se lo denomina modelo determinístico.

20

Cuando algunos de los insumos incontrolables -parámetros o variables de estado- son inciertos o están sujetos a variaciones importantes, y su valor no podrá ser estimado con precisión con anterioridad a la toma de la decisión, se está en presencia de un modelo estocástico o probabilístico, ya que incorpora el desconocimiento mencionado mediante alguna medida de tal probabilidad. La optimización, también denominada Programación Matemática, sirve para encontrar la respuesta que proporciona el mejor resultado: la que logra mayores ganancias, mayor producción o felicidad o la que logra el menor costo, desperdicio o malestar. La Programación Matemática, en general, aborda el problema de determinar asignaciones óptimas de recursos limitados para cumplir un objetivo dado. El objetivo debe representar la meta del decisor. 1.5.4 Algunos Modelos Determinísticos y Probabilísticos. La mencionada separación entre modelos matemáticos descriptivos y normativos puede darse tanto entre los denominados probabilísticos como entre los determinísticos. A modo de síntesis, y sin agotar la lista que se podría elaborar, se pueden citar los siguientes: Modelos Normativos: a. Programación Lineal: es un procedimiento matemático para determinar la asignación óptima de recursos escasos. Encuentra su aplicación práctica en casi todas las facetas de los negocios, desde la publicidad hasta la planificación de la producción. Problemas de transporte, distribución, y planificación global de la producción son los objetos más comunes del análisis como programas lineales. Cualquier problema de PL consta de una función objetivo y un conjunto de restricciones todas expresadas mediante funciones de primer grado. En la mayoría de los casos, las restricciones provienen del entorno en el cual se trabaja. Cuando se quiere lograr el objetivo deseado, se puede observar que el entorno fija ciertas restricciones (es decir, dificultades, limitaciones) para cumplir con lo deseado (vale decir, el objetivo). Dentro de la Programación Lineal se distinguen, a su vez, el problema general y los casos especiales como son los problemas de Transporte y Asignación; a la vez que, como extensión debida al tipo de variables que se manejan, se tienen la Programación Lineal Entera y Programación Lineal Mixta, con la incorporación de variables que no admiten fraccionamiento en los valores que se les asignen. b. Programación Dinámica: en este caso, el tiempo es variable explícita (o la situación es asimilable a una donde transcurra el tiempo), existen decisiones secuenciales interrelacionadas, y el problema puede fraccionarse en etapas para su ejecución sobre la realidad. c. Otras situaciones se presentan en la realidad de las organizaciones y han motivado la creación de modelos específicos tales como: Teoría de los Juegos, la Teoría de Redes (de máxima capacidad, mínima distancia, árboles de extensión mínima, y administración de proyectos por camino crítico), Programación No Lineal, Teoría de Administración de Inventarios, Técnicas de Apoyo Multicriterio a la Decisión, Teoría de la Decisión. Modelos Descriptivos: En este caso son menores las oportunidades de encontrar modelos que adopten la característica de meramente describir la realidad. Sin embargo, una forma de ver la Teoría de las Colas de Espera está dada por la de mostrar únicamente medidas de comportamiento de un sistema; aunque, con el agregado de parámetros representativos de costos involucrados, se puede transformar en un modelo normativo tendiente a minimizar los costos totales del sistema.

21

Otra cuestión es que los objetivos se deben consignar de la forma más clara posible. sus fundamentos pueden enseñarse igual que los del arte. es necesario limitar el alcance de la representación. La decisión de cómo recopilar. En general se puede dividir el proceso de construcción de modelos en tres pasos: 1. En gran parte la decisiones administrativas se basan en la evaluación e interpretación de datos. 22 . Dentro de la administración se le suele restar importancia a estudiar el ambiente existente dentro de la organización. en un ambiente de negocios. Datos: Formas y Fuentes. siendo. mediante su aplicación en los hechos y relaciones que se pretende modelar. la construcción de un modelo requiere de una buena dosis de arte e imaginación. Construir y analizar un modelo simbólico (cuantitativo): en esta instancia se recurrirá a las clasificaciones detalladas en títulos anteriores. 2. Ignorar tales circunstancias al modelar. En la medida que la construcción de modelos es un arte. Aquí se deberá focalizar en los aspectos centrales excluyendo del ambiente los periféricos. También se debe acudir a la obtención de datos y fuentes que posibiliten las tareas de esta etapa. lo cual deja un ambiente no propicio para el desarrollo de los negocios. 3. Por otro lado. por consiguiente. Para que sea cuantificado. es que éstos no estén procesados o que se encuentren en distintas fuentes y lugares. los cuales se registrarán mediante suposiciones y simplificaciones (que deben explicitarse debidamente). pudiendo ser más de uno. Ya se mencionó que la toma de decisiones puede tener dos modalidades bien definidas: arte y/o ciencia. para definir si se trata de modelo determinista o probabilístico. en muchos casos el problema se deriva de malas relaciones entre integrantes de la organización. por lo tanto.1. a adoptar decisiones incorrectas. almacenar e interpretar datos está gobernada principalmente por el uso que se les vaya a dar. Estudiar el ambiente de la situación administrativa: una vez más la Teoría General de Sistemas y la Dinámica de Sistemas hacen su aporte en apoyo a la toma de decisiones gerenciales. además de la pizca de conocimientos técnicos y científicos necesarios para mejorar las opiniones intuitivas. También existirán aspectos no relevados pero que pueden tener incidencia en los análisis y conclusiones a que se arribe. Los objetivos y decisiones deben ser identificados y definidos explícitamente. Como consecuencia de lo consignado anteriormente. muy necesarios para construir modelos eficaces. el problema debe expresarse en términos matemáticos provenientes de un adecuado análisis y rigurosa metodología que será provista por un profundo conocimiento de las teorías científicas que sea necesario aplicar. al presentarse datos al analista. el desarrollo de modelos cuantitativos requiere que se especifiquen las interacciones de muchas variables. Los modelos simbólicos brindan una forma de evaluar e interpretar datos de manera sistémica y con más atención a los detalles de lo que es posible con modelos mentales. Por ejemplo. y que se tenga que realizar un esfuerzo adicional para su recolección. contribuye a favorecer la no comprensión de la situación en forma clara y. no existe una sola manera de desarrollar un mismo modelo. Concomitantemente. Formular una representación selectiva de la situación : si bien conviene tener una visión holística de la situación.6 Construcción de Modelos: Metodología y Etapas. Normalmente suelen estar en algún tipo de unidad de medida. para su correcta representación en el modelo. En función de lo citado. debe tenerse en cuenta que corresponderá interiorizarse profundamente de la situación real. Lo más común.

Un modelo matemático es una ecuación. Por ser modelo normativo es factible identificar cuatro partes: un conjunto de variables de decisión. Esto lleva a definir variables de decisión y parámetros. Entre todas las clasificaciones mencionadas se trata aquí de definir si es determinista o probabilístico. que incluye algunos determinados aspectos de la realidad que está representando. formular un Modelo Mental). 23 . tal como se consignó anteriormente su éxito dependerá de la precisión con que adhiere a la situación y objetos modelados. En primer lugar se recomienda leer con atención varias veces el enunciado del problema. es decir. 1. Los modelos de este tipo se utilizan en gran medida en las ciencias físicas. adecuadas fundamentalmente para aquellos que al tomar decisiones están acostumbrados a pensar en términos de objetivos y medidas de desempeño. Métodos de Cálculo y Resolución. y es el referido a qué tipo de modelo es el que se está trabajando. y a modo de lineamientos generales. la función objetivo y un conjunto de restricciones. A fin de definir las condiciones que procurarán aportar una solución al problema. Adicionalmente.7. Una fotografía es un modelo de la realidad ilustrada en la imagen. Ya que un modelo sólo captura determinados aspectos de la realidad. libre de riesgo) o “probabilística” depende de la influencia que puedan tener los factores no controlables en la determinación de los resultados de una decisión. en el campo de la ingeniería. el analista primero debe identificar un criterio según el cual se podrá medir el sistema. Este criterio a menudo se denomina medida del rendimiento del sistema o medida de efectividad. Los datos pueden ser también generados como pronósticos del futuro. un problema de "búsqueda de objetivo" en el marco de la contribución que el modelo puede hacer al buen juicio e intuición del decisor.7 Desarrollo de Modelos: Preparación. desigualdad o sistema de ecuaciones o desigualdades. los gerentes buscan simplemente que la resolución del modelo aporte alguna mejora en el nivel de rendimiento. y también en la cantidad de información que el tomador de decisión tiene para estimar el comportamiento de dichos factores. sus interacciones y relaciones. Conseguir lo deseado de manera "determinística" (es decir. que afectan a lo definido en 1. A continuación. Un modelo puede considerarse como una entidad que captura la esencia de la realidad sin la presencia de la misma. Generalmente. Identificar entradas del modelo. Consignar las restricciones que ponen límite a las variables de decisión y a las medidas de desempeño. derivado de la observación de la realidad (es decir. 1. su uso puede no ser apropiado en una aplicación en particular si no captura los elementos correctos que le corresponde representar. También pueden ser generados a través de observaciones directas o estimaciones realizadas en el presente. En modelos matemáticos normativos la medida de efectividad se representa mediante una expresión denomina función objetivo. Definir objetivos y medidas de desempeño.1 Proceso de formulación de un problema de optimización Para formular un modelo normativo las propuestas varían según los autores que se refieran a dicho procedimiento.Los datos pueden provenir de registros del pasado. se sugieren las siguientes etapas. los parámetros. Para llevar adelante la preparación de un modelo y su cálculo de resolución corresponde partir de un punto que es básico. los negocios y la economía.

consignará probabilidades 1 o 0. en la industria petrolera. Finanzas: el problema del inversor podría ser un problema de selección del mix de su cartera de inversiones. El dominio de los modelos de análisis de decisiones está entre dos casos extremos.2 Modelos Probabilísticos En los problemas de toma de decisiones arriesgadas son fuentes importantes de errores: las presunciones falsas. kerosén. disponibilidad y costos de materia prima. dependiendo del grado de conocimiento que se tenga sobre el resultado de las acciones. La probabilidad es un instrumento para medir las chances de que un evento ocurra. la existencia de dificultades para medir la función de utilidad.8. en la industria telefónica. entonces se aplica la expresión "En realidad no sé.1. la demanda de servicios de personal de instalación/reparación es estacional.8 Otras Aplicaciones de Modelos Matemáticos. Por ejemplo. depender de las expectativas.50”. Administración de Producción y Operaciones: muchas veces en las industrias de proceso una materia prima en particular puede transformarse en una gran variedad de productos. Por ejemplo. También puede haber límites con respecto a la capacidad de producción de los productos. 24 . puede o no ocurrir con probabilidad 0. se usa una probabilidad de uno (o cero). el crudo puede refinarse para producir nafta. o bien exigencias sobre ratios extraídos de los estados contables de la organización. Si se tiene incertidumbre. así como también restricciones financieras que exijan determinadas relaciones entre las opciones de financiación a los efectos de satisfacer los términos y condiciones de los préstamos bancarios o financiación intermedia. mientras que el otro extremo tiene una probabilidad plana (todas igualmente probables). rendimiento de subproductos según el tipo de crudo refinado. con deuda a corto plazo o con financiación intermedia (créditos amortizados). Por ejemplo. el problema es determinar la cantidad que se debería fabricar de cada producto. por lo tanto. si se tiene certidumbre de la ocurrencia (o no ocurrencia) de un evento. no tener una estimación exacta de las probabilidades. Esta decisión está sujeta a numerosas restricciones tales como límites de las capacidades de diversas operaciones de refinado. En general.8. Puede haber limitaciones con respecto a la disponibilidad de cada una de las opciones de financiación. Si sabe todo lo que puede saber. se puede financiar con fondos internos. Recursos Humanos: los problemas de planificación de personal también se pueden analizar con programación lineal. 1. En la industria de productos químicos y de procesamiento de alimentos existen problemas similares. demandas de cada producto y políticas gubernamentales con respecto a la fabricación de determinados productos. y expresa el grado de incertidumbre. De lo expuesto se infiere que la probabilidad siempre depende de cuánto conoce el decisor. la variedad de carteras puede ser importante y requerir el agregado de muchas restricciones. Otro caso típico lo constituye la organización de guardias en turnos rotativos que deben cubrir necesidades mínimas con fluctuaciones horarias (durante el día) o diarias (durante una semana). A continuación se indican algunas de las principales aplicaciones que cubren las áreas funcionales más importantes de una organización empresarial. El objetivo puede ser maximizar las ganancias totales cuando las ganancias de un producto determinado dependen del método de financiación. Según el precio de cada producto. y los errores de pronóstico. El lado determinista tiene una probabilidad de 1 (o cero). Las variables de decisión serían la cantidad de unidades que deben ser financiadas por cada opción de financiación. 1. La cantidad de aplicaciones es tan alta que sería imposible enumerarlas todas.1 Modelos Determinísticos La programación lineal es una herramienta poderosa para seleccionar alternativas en un problema de decisión y por consiguiente se aplica a problemas en una gran variedad de entornos. evaluando así en forma subjetiva la probabilidad (noción de Bayes). Por ejemplo. aceite para calefaccionar y distintas clases de aceite para motor. Otro problema de decisión implica determinar la combinación de métodos de financiación para una cantidad de productos cuando existe más de un método de financiación disponible.

todo es igualmente probable. el individuo interpreta que “Sólo debería hacer las cosas que siento que podría repetir con placer”.pe/bibvirtual/publicaciones/indata/v02_n2/modelo. Como resultado. Consiste en considerar que todos los estados de la Naturaleza tienen igual probabilidad. y la teoría de las colas (o líneas) de espera con comportamientos aleatorios de incorporación a la cola y/o de los tiempos de prestación del servicio a quienes proceden de las colas. de la postura que adopte ante la incertidumbre.ar/~afd/Modelos/Modelos. Quien debe decidir odia las lamentaciones y se preocupa por minimizar las situaciones deplorables. “las cosas buenas siempre me suceden a mí”. elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: http://www.1. Luego de visitar estas direcciones de páginas web. la administración de proyectos con tiempos estimados de duración de las tareas (PERT). se basa en la asignación o estimación de un coeficiente de optimismo que caracterizo a esa actitud “ni demasiado optimista ni demasiado pesimista” Mínimo arrepentimiento: (o Criterio de Pérdida de Oportunidad de Savage). Hipótesis de mínima. Ante el desconocimiento sobre el comportamiento de la Naturaleza.com/trabajos13/ltomadec/ltomadec.htm 25 . Con coeficiente de Optimismo (Criterio o Índice de Hurwicz): Sin caer en los extremos de los criterios anteriores. Yo no sé nada: (o Criterio Laplace).9 Actividades para Aprendizaje. En oposición al anterior. En tal caso.unmsm. el decisor no tiene conocimiento de los resultados de ninguno de los estados de la naturaleza y/o es costoso obtener la información necesaria.edu.pdf http://www.monografias. La decisión a tomar debe ser tal que valga la pena repetirla. 1. la decisión depende meramente del tipo de personalidad que tenga el decisor y.3 Toma de Decisiones con Pura Incertidumbre Cuando las decisiones se toman con pura incertidumbre. el problema se clasifica como de toma de decisiones con riesgo. se tendrán los siguientes comportamientos (criterios para decidir) según los tipos de personalidad en relación con la toma de decisiones con pura incertidumbre: Pesimismo: o Criterio Conservador (o Maximin). consecuentemente.4 Toma de decisiones con riesgo Cuando el decisor posee algún conocimiento sobre la ocurrencia de los posibles estados de la Naturaleza puede asignarle a la ocurrencia de cada estado alguna estimación subjetiva de probabilidad. Optimismo: o Criterio Agresivo (o Maximax).8. La postura lleva a interpretar que “las cosas malas siempre me suceden a mí”. Entre estos modelos se cuentan aplicaciones de la Teoría de la Decisión.cema. En estos casos. Así. 1.shtml http://sisbib.edu.8.

26 .

la planeación se viene abajo y todas las áreas de la empresa se vuelven ineficientes. ¿Qué son los Pronósticos? El pronóstico no es una predicción de lo que irremediablemente pasará en el futuro. En ciertas ocasiones el uso de herramientas estadísticas es de muy buena ayuda y en otras ocasiones es mejor elaborar pronósticos en colaboración con los clientes. el resultado de la planeación y operación de la empresa está directamente ligada a la certeza de los pronósticos. Esto se puede observar directamente en el bajo desempeño financiero de la empresa. Conocer los conceptos básicos de series de tiempo. excesos de inventarios de productos que no requieren los clientes. No existen recetas de cómo hacerlo y cada empresa tiene que determinar la mejor forma de elaborar sus pronósticos. 27 . Un buen comienzo para mejorar la exactitud de los pronósticos es entender los factores que influyen en el comportamiento de la demanda y tener mejor idea de qué ofrecen las diferentes técnicas de pronósticos. ciclo. saber detectar los componentes esenciales de una serie de tiempo. producción y/o distribución para reaccionar a emergencias. mediante las componentes: tendencia. Ventas negadas. La probabilidad de éxito. y aplicarlos en la modelación. pronosticar productos de alta rotación requiere diferentes técnicas que pronosticar productos de bajo movimiento o de demanda intermitente. PRONÓSTICOS DE NEGOCIOS Objetivos del Capítulo. Pronosticar la demanda con buena exactitud normalmente no es fácil. entonces es conveniente revisar cómo se elaboran los pronósticos en su empresa y determinar si es posible mejorar la exactitud. un tema que actualmente interesa es cómo pronosticar con más certeza la demanda de productos o servicios. En este sentido. Aprender a construir modelos de serie de tiempo. Identificar el modelo adecuado para la serie que se está analizando.. un mejor desempeño financiero. Por ejemplo. y un término de error aleatorio. estos son los síntomas. está en función directa de la elaboración de los pronósticos. las empresas se ven obligadas a buscar mayor eficiencia en sus procesos de negocio. estacional. El tema de pronosticar es extenso y requiere de técnicas ad hoc para cada situación. costos más altos en las compras. Cada vez más empresas están redefiniendo y formalizando el proceso de elaboración de pronósticos para llevar a cabo una mejor planeación de ventas y operación y. Un pronóstico es información con cierto grado de probabilidad de lo que pudiera pasar. En el mundo globalizado y con mercados tan competidos como los que enfrentamos hoy.0 Introducción. en ciertas ocasiones es conveniente pronosticar agrupando productos similares y en ciertas ocasiones por canal de venta o por marca. Pronosticar los datos de una serie de tiempo. Por otro lado. 2. etc. Si el éxito de la planeación depende de pronósticos certeros. utilizando más adecuado el modelo. Cuando se elabora un mal pronóstico. por lo tanto. Al observar la gráfica de una serie de tiempo.. Pronosticar la demanda de productos nuevos requiere consideraciones diferentes. Dicho de otra forma. reducción de margen al vender con descuentos para lograr los objetivos.

d. cada vez es más necesario diferenciar las demandas de los clientes de un mismo producto. Cómo se puede medir el impacto de la desviación de los pronósticos.Para pronósticos de negocios las mejores prácticas sugieren una combinación de técnicas cuantitativas y cualitativas. si hubo algún evento extraordinario en la historia reciente que pueda desviar fuertemente las estimaciones. Antes de pensar en una herramienta o software de pronósticos estadísticos es conveniente entender aspectos relativos al proceso de los pronósticos: a. cambios de precios o. Cómo pronosticar cientos de productos de manera rápida y más exacta. Cuántos datos se requieren. Quien elabora los pronósticos debe considerar las actividades planeadas como promociones. incluso pérdida de venta y margen si no reaccionamos a tiempo. en la mayoría de las ocasiones. optimismo o incluso influencias derivadas por la presión. Cómo funcionan las técnicas estadísticas. El punto fundamental en los pronósticos es ser consistente y lograr la menor desviación respecto a los objetivos: Pronosticar por arriba de la demanda tiene entre sus consecuencias exceso de inventario. Por otro lado. sus decisiones son mucho mejores si se apoyan en cifras cuantificadas por una herramienta estadística ya que de esta manera se parte de una cifra base más conservadora. pronósticos estadísticos como base para iniciar el proceso de validación de los pronósticos definitivos. Actualmente las empresas están implantando alguna forma de documentar la historia para medir los impactos de los eventos y considerarlos o no como parte del pronóstico si se realizaran nuevamente. ya sea que los pronósticos fueron altos o fueron bajos respecto a la realidad. ¿Cómo Pronosticar? Muchas empresas actualmente están recurriendo al uso de paquetes de pronósticos estadísticos y establecer un proceso más formal en la planeación de ventas y operación. Cuál es el perfil sugerido de quien elabora los pronósticos. Pronósticos y Planeación: Procesos críticos del negocio El papel de los directivos y gerentes es administrar los elementos del negocio que conducen al logro de los objetivos. c. La elaboración de los pronósticos requiere información de la planeación. obsolescencia. Dejar esto a la memoria seguramente causará que nuestros pronósticos sean menos exactos. incluso. Pronosticar por debajo de la demanda tiene entre sus consecuencias comprar y producir más caro algo que no estaba planeado. 28 . es inconsistente y adicionalmente en muchas ocasiones las estimaciones presentan sesgos motivados por influencias de estado de ánimo. es decir. ya que cuantifican de manera muy exacta ciertos componentes de la demanda como tendencia. e. lo que requiere más tiempo y argumentos. sin embargo. está limitado en la cantidad de pronósticos que puede analizar. Se ha comprobado que las técnicas de pronósticos estadísticas son muy útiles. patrones de estacionalidad o de eventos. reducción de margen para promover su venta. De una u otra manera los directivos “presienten” lo que pasará. b. ¿Cual es el costo de malos Pronósticos? Tenemos garantía que los pronósticos no van a ser 100% exactos y que además la desviación de los pronósticos tiene un costo implícito. El ser humano tiene la capacidad de analizar muchas variables que sería muy difícil establecer en un modelo estadístico. etc. Sin embargo.

es el conocimiento de su patrón de comportamiento para prever la evolución futura. Esta variable puede ser económica (ventas de una empresa. 2. Los paquetes estadísticos trabajan de manera muy automática y son económicos.. Figura 2. también. de la que se dispone de datos en períodos regulares de tiempo. Mejores prácticas en la elaboración de Pronósticos Las mejores prácticas sugieren una combinación de pronósticos estadísticos con pronósticos por experiencia. etc. I. Esta práctica ayuda a reducir los efectos de influencia del plan. evolución de los tipos de interés.Observaciones de la serie I(t) = cos (0. consumo de cierto producto. física (evolución del caudal de un río. Hoy en día las compañías tienen la posibilidad de romper paradigmas culturales acera de la realización de los pronósticos..). Esto también se confirma cuando las diferentes áreas están alineadas a partir de un pronóstico consensuado. votos a un partido. influencias emocionales y además a – cuando son muchos productos los algoritmos estadísticos automáticos – determinar una mejor estimación y no solo un simple promedio. que muestra la intensidad de corriente. por tanto I(t) = a cos (vt + )/R.1 Teoría de Series Temporales Una serie temporal es un conjunto de observaciones ordenadas en el tiempo o. siempre bajo el supuesto de que las condiciones no cambiarán respecto a las actuales y pasadas.1.. Solo mediante la medición obtenemos una referencia que nos pueda indicar nuestro desempeño y/o tomar acciones inmediatas para corregir el rumbo.. Si al conocer la evolución de la serie en el pasado se pudiese predecir su comportamiento futuro sin ningún tipo de error. Es necesario documentar y aprender de cuales fueron las razones que nos llevaron a tanta desviación en una estimación. Una mejora en la exactitud de los pronósticos la podrá confirmar cuando cada mes se estén logrando los resultados de los objetivos.. R. estaríamos frente a un fenómeno determinista cuyo estudio no tendría ningún interés especial. V(t) = a cos (vt + ). El objetivo del análisis de una serie temporal. que circula a través de una resistencia..1. de la temperatura de una región. Hacer buenos pronósticos es un proceso que agrega valor ya que está íntimamente relacionado con la toma de decisiones que impactan en el rendimiento de la empresa. sometida a un voltaje sinusoidal.). la evolución de un fenómeno o variable a lo largo de él. número de alumnos matriculados en ciertos estudios.5t + /2) 29 . Acerca de herramientas estadísticas existe una muy buena variedad de software para hacer pronósticos estadísticos.Esto le permitirá evaluar si tiene oportunidad de mejorar su proceso mediante el uso de alguna herramienta o capacitación.) o social (número de habitantes de un país. Esto correspondería a una situación como la de la figura 2. Exactitud del pronóstico como indicador de desempeño clave Se requiere madurez para establecer la exactitud de los pronósticos como un indicador clave ya que siempre habrá desviaciones..

En general. Figura 2.1).. es necesaria una gran cautela en la previsión a causa de la muy probable inestabilidad del modelo en un futuro más o menos alejado del último instante del que se conocen datos. Cuando se dispone de n datos de un proceso estocástico.. junto con la serie cronológica compuesta por las 25 primeras observaciones de la misma. que recoge los 38 valores de mayor cotización de la bolsa de valores peruana.2.3 muestra la ley de probabilidad de la variable Y en los instantes t = 1.. n muestras de tamaño unidad procedente de otras tantas poblaciones de distribución y características desconocidas...Evolución del índice IGBVL 2008 Otro ejemplo puede ser el constituido por la sucesión de variables aleatorias {Y 1. el valor del IGBVL dependerá del valor alcanzado en los días previos. con esperanza matemática varianza .. La particular forma de la información disponible de una serie cronológica. n. políticos... pero puede ser muy arriesgada la utilización de este modelo para hacer previsiones a medio o largo plazo. un proceso estocástico es una sucesión de variables aleatorias {Yt}. de forma que el estudio de su comportamiento pasado sólo permite acercarse a la estructura o modelo probabilístico para la predicción del futuro. económicos. es evidente que puede obtenerse un modelo que explique el comportamiento de la serie en el período estudiado. correspondientes al tiempo en que se realizó la medición. Estos modelos se denominan también procesos estocásticos. 2. con Y0 = 0 y los t distribuidos N(0. de tamaño unidad. Así... etc. que son continuamente cambiantes en el tiempo y cuya conjunción. en todas las series cronológicas. independientes para todo t = 1. configuraría una hipotética distribución de probabilidad del citado índice económico. representada en la figura 2. . .. además de recoger la influencia de un conjunto de factores sociales. extraídas de la población (variable aleatoria). con t = 1. las series de interés llevan asociados fenómenos aleatorios. 30 ..2. Esta serie puede expresarse también como y la distribución de probabilidad de y cualquier Yt corresponde a una ley Normal.80Yt−1 + t. tales que Yt = 0.. usualmente aplicadas en muestras de tamaño superior a la unidad. y esto es lo que constituye la serie temporal o cronológica.}. En casos como éste. en un determinado instante. Lógicamente. Como ejemplo puede servir la evolución a lo largo del año 2008 del índice IGBVL.Yt. t = 4 y t = 20. no sean válidas para estos casos.. se está frente a n muestras. 2. que evolucionan con el tiempo ( representado éste por el subíndice t). La figura 2. hacen que las técnicas de inferencia estadística. Así.

En los capítulos siguientes se pretende presentar, de forma simple, distintos criterios metodológicos que permitan el estudio de estos fenómenos, y en particular la previsión de su evolución futura, para aplicarlos a campos técnicos y económicos, como por ejemplo previsión de las ventas de una empresa, de los usuarios de un medio de transporte, de la característica de interés de un proceso continuo, etc.

Figura 2.3.- Distribución de Yt y 25 observaciones de la serie Todas las formas de estudio de una serie cronológica, tal como se irá viendo, no conllevan cálculos complicados, pero sí reiterativos, con gran volumen de datos manipulados y con abundancia de gráficos; es por ello que para su estudio se hace muy necesario el disponer de un programa informático que permita su correcta aplicación y la obtención de cuantos gráficos sean necesarios. 2.2 Análisis De Una Serie Temporal Antes de abordar cualquier estudio analítico de una serie temporal, se impone una representación gráfica de la misma y la observación detenida de su aspecto evolutivo. Para estudiar el comportamiento de cualquier serie temporal, y predecir los valores que puede tomar en un futuro, puede hablarse de distintas metodologías, que denominaremos modelización por componentes y enfoque Box-Jenkins. 2.2.1 Modelización por componentes Este método consiste en identificar, en la serie Yt, cuatro componentes teóricas, que no tienen por qué existir todas, y que son: Tendencia: Tt. Estacionalidad: Et. Ciclos: Ct. Residuos: Rt. Cada una de estas componentes es una función del tiempo y el análisis consistirá en la separación y obtención de cada una de ellas, así como en determinar de qué forma se conjugan para dar lugar a la serie original. Estas componentes se pueden observar en la figura 2.4, en donde se ha considerado que actúan de forma aditiva para dar lugar a la serie cronológica. La tendencia es la componente general a largo plazo y se suele expresar como una función del tiempo de tipo polinómico o logarítmico, por ejemplo Tt = α0 + α1t + α2t2 + … Las variaciones estacionales son oscilaciones que se producen, y repiten, en períodos de tiempo cortos. Pueden estar asociadas a factores dinámicos, por ejemplo la ocupación hotelera, la venta de prendas de vestir, de juguetes, etc., cuya evolución está claramente ligada a la estacionalidad climática, vacacional, publicitaria, etc. Las variaciones cíclicas se producen a largo plazo y suelen ir ligadas a etapas de prosperidad o recesión económica. Suelen ser tanto más difíciles de identificar cuanto más largo sea su período, debido, 31

fundamentalmente, a que el tiempo de recogida de información no aporta suficientes datos, por lo que a veces quedarán confundidas con las otras componentes.

TENDENCIA

ESTACIONALIDAD

CICLOS

RESIDUOS

SERIE CRONOLOGICA

Figura 2.4. Componentes de una serie cronológica La componente residual es la que recoge la aportación aleatoria de cualquier fenómeno sujeto al azar.

32

Para evaluar las distintas componentes se utilizan técnicas estadísticas tales como modelo lineal, medias móviles, diferencias finitas, etc. Admitiendo que el componente aleatorio (residuo) es aditivo, una vez identificadas las otras componentes surge un nuevo problema que es el cómo conjuntar tendencia, estacionalidad y ciclos para dar lugar a la serie definitiva. Así se proponen, entre otros, modelos genéricamente denominados aditivos y multiplicativos. Modelo aditivo: Y = T + E + C + R Modelo multiplicativo: Y = T x E x C + R Para una primera identificación visual del caso, se puede considerar que si el patrón estacional se mantiene con amplitud constante se tratará de modelo aditivo (figuras 2.4 y 2.5). Cuando dicho patrón se vaya amplificando con el tiempo, será multiplicativo (figura 2.6).

Figura 2.5. Serie aditiva

Figura 2.6 Serie multiplicativa Un modelo aditivo se puede interpretar como aquel en que la estacionalidad actúa modificando la ordenada en el origen de la tendencia. Supongamos que no hay ciclos, que la tendencia es de tipo lineal, Tt = α0 + α1t, y que la estacionalidad es de período p = 4, es decir, cada 4 unidades de tiempo se repite el patrón (tal como ocurre en la figura 2.2). Representando sus valores por E1, E2, E3 y E4, respectivamente, el modelo aditivo se puede escribir como Y1 = α0 + α1 × 1 + E1 + R1 = γ1 + α1 × 1 + R1 Y2 = α0 + α1 × 2 + E2 + R2 = γ2 + α1 × 2 + R2 Y3 = α0 + α1 × 3 + E3 + R3 = γ3 + α1 × 3 + R3 33

Y4 = α0 + α1 × 4 + E4 + R4 = γ4 + α1 × 4 + R4 Y5 = α0 + α1 × 5 + E1 + R5 = γ1 + α1 × 5 + R5 … …. …. Yt = α0 + α1 × t + Es + Rt = γs + α1 × t + Rt

con t = + s; s = 1, …, p

Así pues, cada estación (s) componente del período conforma una recta con ordenada en el origen distinta para cada caso y pendiente común a todos; es decir, según muestra la figura 2.7, el modelo es un conjunto de rectas paralelas, cada una de ellas asociada a una estación. En el modelo multiplicativo, el componente estacional actúa sobre la ordenada en el origen y sobre la pendiente.

Figura 2.7. Interpretación de una serie con modelo aditivo Prescindiendo de los ciclos, supuesta una tendencia lineal tipo T t = α0 + α1t y una estacionalidad de período p, para cualquier t = + s; con s = 1, …, p, resulta Yt = Tt × Es + Rt = (α0 + α1t) Es + Rt, es decir Yt = (α0 Es ) + (α1Es ) t + Rt o sea Yt = γ0s + γ1s t + Rt De esta forma, cada una de las p estaciones del período configura una recta distinta, tanto en lo que se refiere a la ordenada en el origen (γ0s) como a la pendiente (γ1s). El conjunto de las p rectas constituye el modelo de comportamiento de la serie (figura 2.8). Es evidente que esta división, en modelo estrictamente aditivo o estrictamente multiplicativo, es bastante restrictiva, ya que puede darse el caso de que en algunas estaciones cambie sólo la pendiente, o sólo la ordenada en el origen. Esto constituiría un modelo mixto mucho más general que los propuestos hasta ahora, los cuales pasarían a ser meros casos particulares de éste. En la figura 2.9 se presenta una situación de este tipo.

34

se basa en los siguientes pasos: Identificación del modelo. partiendo de la premisa de que no siempre va a ser posible identificar los componentes de la serie. autorregresivos (AR). Modelo general 2. estudiar un conjunto de modelos de comportamiento que cubran el mayor espectro posible de los procesos estocásticos objeto de nuestro interés. se trata de estudiar el componente aleatorio puro. 35 . también llamado diagnosis del modelo.2. Validación de los supuestos admitidos en el análisis. En general.Figura 2. Para poder abordar esta metodología es imprescindible. se suele asumir que el componente aleatorio. sigue una distribución Normal de media cero y variancia σ2. Yt = Zt con Zt NINDEP(0.Interpretación de una serie con modelo multiplicativo Figura 2. el cual se representa por Z. Un proceso estocástico en que todos sus componentes son independientes y están constituidos sólo por componente aleatorio se denomina proceso de ruido blanco.10 se muestra un MA(4). medias móviles (MA). en primer lugar. Estimación de los parámetros. La metodología estadística utilizada en el estudio de una serie temporal por este sistema. Es decir.Jenkins La forma de encarar el análisis de las series temporales a través de la metodología de Box – Jenkins es dirigir el esfuerzo a determinar cuál es el modelo probabilístico que rige el comportamiento del fenómeno a lo largo del tiempo. si su estructura es del tipo Yt = Zt + αt-1 Zt-1 + … + αt-q Zt-q. A partir de aquí se podrá identificar la serie de datos con alguno de los modelos estudiados. integrados (I) y sus conjunciones (ARMA y ARIMA). reflejado en los residuos. σ2) para todo t.9.2 Enfoque Box . En la figura 2.8. es decir. Un proceso se denomina de media móvil de orden q. estimar sus parámetros y validar la admisibilidad del modelo adoptado.. y se representa por MA(q). Entre ellos se pueden destacar los procesos de ruido blanco.

3).11. q el del MA y r el del proceso integrado. el grado del polinomio que representa la función del tiempo. Cuando a las estructuras de autorregresión y media móvil se une una dependencia con el tiempo se llega a un ARIMA(p.Figura 2. r.1. 3) 36 . cuando cada componente es función de los anteriores más el término aleatorio. donde p es el orden del AR. Figura 2.12.10. Proceso ARIMA(2. En la figura 2. su estructura corresponde a: Yt = Zt + βt-1 Yt-1 + … + βt-p Yt-p En la figura 2. 1.Proceso de media móvil MA(4) Un proceso es autorregresivo de orden p. Proceso autorregresivo AR(2) Figura 2.12 se presenta un proceso ARIMA(2. o. q). y se representa por AR(p)..11 se muestra un AR(2). lo que es lo mismo.

su unidad es el trimestre. unida a un comportamiento distinto para cada uno de los cuatro trimestres. : (t) = α0 tα1 Si la serie no presenta estacionalidad. al definir lo que se podría interpretar como comportamiento a largo plazo. también denominado sistema clásico. Por otra parte. lo que permite plantear un modelo del tipo Y= (t)+ e Donde la función (t) puede ser: Lineal Polinómica Exponencial : (t) = α0 + α1t : (t) = α0 + α1t + α2 t2 + . posiblemente. ciclos y residuos Una vez decidida la conjunción entre ellos.. Caso de existir componente estacional.1 y representados en la figura 2. el patrón estacional se mantiene con una amplitud aproximadamente constante. por ejemplo).1. a que el precio del material deportivo es muy distinto según sea el adecuado para una estación concreta (material de esquí frente a entretenimiento de playa.. estacionalidad. Cada observación va ligada a un valor del tiempo. La tendencia es la componente más importante de la serie. aditiva o multiplicativa.2. 37 . lo que conduce a la utilización de un modelo aditivo.3 Descomposición de Una Serie Temporal Este método. y. en este caso. el método de estimación mínimo-cuadrática y todas las pruebas de hipótesis relativas a la explicación del modelo y a la significación de los coeficientes estimados. se dispone de los datos relativos a las ventas de material deportivo en una gran superficie comercial. En este cuadro el tiempo (t) se ha medido tomando como referencia el inicio del período de recogida de datos. Para desarrollar la metodología de la descomposición clásica sobre un ejemplo.1. cada 4 valores del tiempo (trimestres). es decir. La observación de la figura 2. descompone la serie en tendencia. recogidos en el cuadro 2. es necesario estabilizar previamente la serie. se obtiene el modelo con el que hacer previsiones. para que ésta no enmascare la tendencia. cuyo patrón se repite anualmente. permiten estimar los coeficientes del modelo de tendencia sobre los datos directos. propios del modelo lineal ordinario. Esto se puede interpretar como una tendencia sostenida de un aumento de las ventas en esta superficie comercial. permite pensar en una tendencia lineal creciente y una estacionalidad clara. debido.

95 2 51.1.82 2003 1 53.15 4 121.58 2002 1 41.35 2001 1 46.37 3 66.47 4 108. se obtendrían los resultados del Cuadro 2. Si se decidiese ajustar el modelo de tendencia directamente sobre los datos. 38 .22 2 54.2.13 Evolución cronológica de las ventas de material deportivo En este ejemplo se ha identificado un patrón estacional compuesto por los cuatro trimestres y que se repite de año en año.39 2005 1 55.50 Cuadro 2.38 2 65. además de una tendencia aparentemente lineal.25 4 113.34 2 59.11 4 124.09 3 75.Año 2000 Trimestre Ventas (Y) t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 40. Ventas de material deportivo Figura 2.50 2004 1 67.38 2 56.51 4 111.30 3 64.44 4 126.25 3 75.62 3 61.89 3 63.90 2 61.

1209368 3.1160183 Cuadro 2. Así. Para evitar esto es necesario estabilizar la serie liberándola de la estacionalidad.3.3293794 0. esto se podría conseguir trabajando con los valores medios anuales.0679676 26. lo cual produce una inflación de la suma de cuadrados residual que desvirtúa el modelo y cualquier prueba de significación de la regresión y de sus coeficientes.2 Modelo de tendencia ajustado sobre todos los datos: Y = α0 + α1t + e El modelo presenta un coeficiente de determinación (R 2) tan sólo del 10.933E-05 1.636232 0.4 se detallan los resultados del cálculo del modelo de tendencia.0900 2004 5 80.7725 Cuadro 2.500725 Variable X 1 Error típico Estadístico t Probabilidad 11.9544456 39 .6857 17524. que son los del Cuadro 2.1550 2002 3 71.7425 2005 6 79. se demuestra que este procedimiento no es válido ya que incluye en el residuo todo el componente estacional.1160183 Coeficientes Intercepción 57. tanto del ajuste como de la pendiente de la recta de tendencia. En el Cuadro 2.1875 2003 4 75. ya que el nivel de significación (p-val).4925 2001 2 67.8914755 1.648969 24 Regresión Residuos Total Promedio de los cuadrados 1901. considerado tipo rectilíneo.677255 Valor crítico de F 0.16753 F 2.3.Estadísticas de la regresión Coeficiente de correlación múltiple Coeficiente de determinación R^2 R2 ajustado Error típico Observaciones ANÁLISIS DE VARIANZA Grados de libertad 1 22 23 Suma de cuadrados 1901. Medias anuales de ventas de material deportivo Estadísticas de la regresión Coeficiente de correlación múltiple Coeficiente de determinación R2 R^2 ajustado Error típico 0.9556047 0.78583522 1.9853 0.2858087 0.2285559 5.2996 15623.2996 710.1084908 0.8% y no resulta estadísticamente significativo.9131804 0. son claramente superiores a un riesgo de primera especie del 5%. años t (años) Y promedio 2000 1 67.

a la reducción de la variabilidad ocasionada al promediar y.3. Asociando cada una de estas medias al valor del tiempo del punto central del período estudiado.4. por otra. 2.99063 6 Promedio de los cuadrados 160.14 se han representado las medias anuales junto a la estimación del modelo de tendencia. la observación de la evolución gráfica de la serie puede ayudar a tomar la decisión. se obtiene una nueva serie de valores mucho más estables.8194898 34. debido.7112 15.4672019 6.0029127 Cuadro 2. se observa la estabilización conseguida en los valores de las medias anuales. En la figura 2. ya que este sistema tiene el inconveniente de la gran pérdida de información. sin embargo. Su aplicación requiere decidir.Observaciones ANÁLISIS DE VARIANZA Grados de libertad Regresión Residuos Total 1 4 5 Suma de cuadrados 160. si el período escogido es el correcto. Figura 2. Este inconveniente queda paliado desestacionalizando la serie con las medias móviles.14 Evolución y tendencia de la media anual Hay que destacar que con esta estabilización se ha conseguido un modelo de tendencia significativo. que pueda atribuirse a variaciones estacionales. al pasar de una media móvil a la siguiente. el período en que se repite cierto patrón de comportamiento.3%).072565 Valor crítico de F 0. por una parte.16E-06 Variable X 1 3. a que.1 Medias móviles: tendencia Con este método se consiguen suavizar tanto las oscilaciones periódicas de una serie como las aleatorias.966833 1. Una vez fijado el período p.606862 4.7112 3.0029127 Coeficientes Error típico Estadístico t Probabilidad Intercepción 62. el nuevo dato incorporado es del mismo comportamiento que el dato saliente.0304286 0.27943 175. 40 . Modelo lineal para las medias anuales Ahora ya se ha obtenido un modelo de tendencia altamente significativo y con un buen ajuste (R 2 = 91.8198575 F 42. se calculan las medias de los valores de la serie tomados de p en p. sucesivamente desde el inicio. las medias anuales van desde 67 hasta 81. ya que mientras los datos directos oscilaban entre 40 y 130. pues de los 24 datos iniciales. se ha acabado estimando el modelo con sólo 6 puntos. previamente. ¿es aceptable este procedimiento? La respuesta sería no.4863368 0.

cada cuatro trimestres.1025 5 Cuadro 2.7663 4 5 46. sin embargo. y el cuadro 2.17500 68.35750 68. ya se ha comentado que la estacionalidad se manifiesta de forma anual. ello conduce al cálculo de las medias móviles tomando p = 4. t Y Yprom t 1 40. es decir. para subsanarlo.5 se detalla el cálculo de los primeros valores de la nueva serie. se propone como alternativa a este problema la sustitución de los valores extremos de las medias móviles por los resultantes de una extrapolación lineal de los observados.22 2 54. tanto mayor cuanto mayor es p.89 3 63.3338 3 4 111.49250 68. Uno de los inconvenientes de este sistema es la pérdida de valores en los dos extremos de la serie.51 67. permiten evaluar la tendencia de la serie liberada de la componente estacional.Si p es impar la asociación es directa: Si p es par. o la regresión de dichos valores frente al tiempo. En ocasiones. si el número de datos disponibles es grande.6 resume la totalidad de los mismos. la nueva serie queda constituida por los promedios de las medias móviles tomadas dos a dos.95 68. En el caso del ejemplo de las ventas de material deportivo.35750 68. el centro del grupo de cada p valores promediados corresponde a un valor no observado del tiempo. Es decir: … La representación gráfica de las medias móviles.5 Detalle del cálculo de las medias móviles con p = 4 41 . En el cuadro 2.35 69.17500 69. la pérdida de información es insignificante.

8450 16 78.5550251 19 Coeficientes Intercepción 63.7663 5 68.8998946 1.4588 8 67.905456 0.5088 Cuadro 2.4725 9 69.4181031 F 162.69249 2.1300 15 76.6 Medias móviles con p = 4 Los resultados del modelo lineal.7.9325 14 74.573858 3.2038 22 79.9515545 0.5175 21 79.1077523 434.3813 19 79. Estadísticas de la regresión Coeficiente de correlación múltiple Coeficiente de determinación R^2 R^2 ajustado Error típico Observaciones ANÁLISIS DE VARIANZA Grados de libertad Regresión Residuos Total 1 17 18 Suma de cuadrados 393.t Yprom 3 68.692486 41.5325 11 72.3338 4 68.9000 18 80.1025 6 67.9188117 68.800238 Error típico Estadístico t Probabilidad 0.81046 Valor crítico de F 3.006463 42 .5300 10 70. 2.5013 7 66.3075 20 78.1900 17 78.6825 12 73.4363 13 72.912E-10 para el cálculo de la tendencia constan en el cuadro 0.25E-22 Promedio de los cuadrados 393.

W t =Yt/ .8311 t Evidentemente. con un coeficiente de determinación del 90. Separar la parte explicada por la tendencia. que provoca una oscilación sistemática de período corto. sobre los datos. en lugar de diferencias serían cocientes.7 Modelo de tendencia sobre las medias móviles Trabajando sobre 19 puntos. aditivo o multiplicativo. Proponer un modelo de agrupación de las componentes.2 Estacionalidad ).8310768 0. medias móviles ( ) y tendencia ( 2. es decir.06513283 12. la diferencia entre el valor de la estación y la media de todas las estaciones componentes del período. Para calcular los valores de los índices estacionales hay que seguir la siguiente sistemática: Calcular las medias móviles. los 19 valores de las medias móviles. la interpretación de la ecuación de la tendencia permite afirmar que las ventas se incrementan 0. así. tomando el período de agrupación.8311 unidades cada trimestre (ya que el tiempo se ha medido en trimestres). Si fuese multiplicativo. en modelos aditivos.Yt. que se considere oportuno. Hay que destacar que en Wt están incluidas las componentes asociadas a la estacionalidad. se procede a evaluar la estacionalidad asociada a cada componente del período.0065 + 0. En consecuencia. Figura 2.3. el modelo de tendencia resultante es T = 63. para p = 4 La componente estacional.15 puede observarse el suavizado conseguido con las medias móviles junto con el modelo de tendencia estimado a partir de los citados valores. tendencia. en este punto estudiaremos la situación para el caso de trabajar con medias móviles.912E-10 Cuadro 2. caso de existir.75972 3. Asumiendo que los residuos son variables aleatorias de media nula y que la componente cíclica. los ciclos y los residuos. de la serie original..5 %. esto equivale a calcular Wt = Yt . Se entiende como componente estacional. a cada trimestre en 43 . puede enmascarar la evolución a largo plazo. se ha obtenido un buen ajuste. es de período suficientemente largo como para no ser recogida por los datos.Variable X 1 0. p. si no se aísla convenientemente. El análisis de la estacionalidad queda ligado al método que se decida emplear para modelizar la tendencia. Supuesto el modelo aditivo. .15 Evolución ( • ). generalmente no superior al año. En la figura 2.

p.30 64.5325 72. extraño que los índices estacionales se representen en %.2325 -8.17750 72.15500 65.1300 76.1075 -28.el caso del ejemplo.51 111.5925 -14.18250 69.1525 -15.8 se detallan los cálculos del caso de modelo aditivo de las ventas de material deportivo. es decir Ahora.4363 72.1500 -5. t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 44 Yt 40.89 63.17500 68.1025 67.6950 Yprom_movil Wt Estación: s 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 .6825 73. En este caso.82 53.69500 73. Para ello se calculan los promedios de los W t de la misma estación .4725 69. …. no es En el cuadro 2.9325 74.25 113.5013 66.17000 75.9888 41.37 66.38 65.4588 67. .8450 -4.7663 68.7600 -10.8238 42.8813 -4.18750 74.87750 71. Ya que los índices estacionales miden discrepancias respecto a la media. donde s representa el índice estacional y ns el número de valores asociados a este índice que se promedian.09000 68. la suma de estos índices es igual al período.84750 67.5300 70.4325 40.3338 68.62 61.95 51.15 67.58 41.3838 -19. s = t. En modelo multiplicativo. por tanto es necesario calcular la media general: Calcular los índices estacionales en modelo aditivo Los índices estacionales son las diferencias entre los promedios de las Wt de cada estación y la media general que se acaba de definir. es decir Es obvio destacar que la suma de estos índices es cero: Calcular los índices estacionales en modelo multiplicativo.5838 -21.22 54.76250 69.35 46.35750 67.34 59. ésta se necesita como valor de referencia.49250 69. los índices estacionales son el cociente entre los promedios de las Wt de cada estación y la media general.47 108. .

6426 unidades.1900 78.16 17 18 19 20 21 22 23 24 121. mostrada en la figura 2.5175 79.87250 79.90 61.3038 -18.9000 80. para cada trimestre.74250 77. el promedio de las Wt.5836 E3 = –6. sería: Análogamente. se obtiene: Y la media general es: y los índices estacionales.3075 78.50 67.5200 -24. 7.5264.25 75.16. mientras que el cuarto supera a la media en 42.T . resultan E1 = –20. el segundo está 15.7526 unidades de venta.60000 77.5264 E4 = 42. 45 .5088 43.5836 unidades por debajo de la media.24500 79. 19). Por ejemplo.11.77250 78.78000 80. Con el modelo de tendencia del cuadro 2.39 55. La buena modelización conseguida queda confirmada por los residuos.7 y la estacionalidad.6426 E2 = –15. cuyos valores del tiempo correspondiesen al tercer trimestre.7526 Los valores de los índices estacionales recién obtenidos se interpretan de la siguiente forma: respecto a la media.3100 -11.8 Evaluación de la estacionalidad por medias móviles.02000 80.11 124.1975 45.2038 79.09 75. para el tercer trimestre (s = 3).50 Cuadro 2.2588 4 1 2 3 4 1 2 3 4 126. el primer trimestre tiene una venta inferior en 20. el tercero 6.16250 79. los residuos se calculan como: R = Y .44 78. Evidentemente.E. 15. por ser múltiplos de 4 más 3 (t = 3.8725 -23. se ha obtenido la descomposición de la serie original. ya que en su mayoría están en el intervalo ±5 y sólo en 3 puntos se llega a valores de 10 u 11 unidades.3813 79.2913 -4.38 56.

4).17 muestra la evolución de las previsiones y su buena concordancia con la evolución histórica de los datos recogidos en el estudio. T E T+E R SERIE CRONOLOGICA (Yt) Figura 2.Tal como se ha ido repitiendo. En el cuadro 2.16 Descomposición de la serie de ventas de material deportivo por medias móviles 46 . 2. Así. para añadir a la tendencia el valor correcto de la estacionalidad. para realizar la previsión hay que identificar el tiempo como un múltiplo de 4 más s (s = 1. la previsión se calcula como: La figura 2. el objetivo de la modelización de la serie es poder realizar previsiones para los próximos valores del tiempo.9 se presentan las previsiones para los 2 años inmediatos siguientes. Atendiendo a que el período estacional es igual a 4. 3.

5 27.2 25.5 24.4455 86.6 25. en donde se pone de manifiesto que la tendencia es prácticamente inapreciable.4 26.3 25.5 24.1408 69.0308 78.8 27.4 26.3 2002 26.9 23.2766 87.9 Previsiones para 2006 y 2007.2 25.4 24.9 26.1 27.2 27.3 26.2 1999 26.0 26.1 2000 26.5 26.3 26.8 26.5 26.1 27.3 2003 27.6 23.9 26.3 25.8 26.4 25.5836 -6.7 26.8 25.3 24.8 24.8 25.2 26.3 25.1077 87.7 2005 27.6009 42.4 24.1 26.6 25.0 25.1 27.8 23.5264 Previsión: Yestim 63.0 27.2 24.1 26.7834 84.0 26.6 24.6 25.7 24.5 24.10 presenta las temperaturas medias mensuales registradas en una ciudad del hemisferio sur.1 27.3.8 1998 26.9 23.5 24.10 Registro de las temperaturas mensuales La evolución cronológica de los datos se muestra en la figura 2.2 24.0292 66.3535 Cuadro 2.7 24.9 1997 27.1 26.4 27.3 23.4 24.8 26.6 25.7 26.2435 2007 29 30 31 32 4 89.1 25.1 23.7 25.7526 -20. en el período de tiempo que abarca desde enero de 1996 a diciembre del 2005.6426 -15.0 23.3 Descomposición Aditiva: Caso temperaturas El cuadro 2.4 24.3 23.6 26.9192 129.7 26.4 23.7526 132.4 26.Año 2006 t 25 26 27 28 estación = s 1 2 3 4 1 2 3 Tendencia 83.6 24.7 23.8 25.9 26.2 28.7 26.5836 -6.3551 82.8 Cuadro 2.17 Evolución histórica ( • ).9 24.9 25.7 25.5 25.6426 -15.4 25.7 24.5 2004 26.5 26.6 27.2 26.7 25.7 26.0 26.7698 Estacionalidad: E -20. modelo ( –– ) y previsiones ( p ) 2.2 27.6145 85. Por 47 .4651 72.9 24.18.4 2001 27.4 23.8 25. Mes I II III IV V VI VII VIII IX X XI XII 1996 26.5264 42.8 26.4 26.9 26.8 27.4 23.3 25. según el modelo de descomposición clásica Figura 2.3 25.4 26.5 26. Interesa estudiar el modelo de comportamiento y realizar una previsión de las temperaturas de la década siguiente.3 27.9 26.1 24. por la aparente horizontalidad del eje virtual de la serie.8 24.4 25.9388 88.4 26.8 23.2 25.1 27.

cada año y mantiene la amplitud.98699846 0. Al ser los datos mensuales. con p = 12. La observación del gráfico hace recomendable ajustar un modelo de tendencia. pero ponen en entredicho la ausencia de tendencia.79309414 -0.19) confirman la estacionalidad. la longitud del período es igual a 12. la temperatura está por encima de la media anual.53792438 -1. Figura 2.06246142 0. tal como se ha detallado.62959105 -0. El cálculo de las medias móviles. dando idea de que es un modelo aditivo.11 Índices estacionales La interpretación de los índices es simple: desde octubre (X) a abril (IV).99903549 Cuadro 2.) Para evaluar la estacionalidad es necesario calcular los índices estacionales. Los resultados obtenidos se encuentran en el cuadro 2. Mes I II III IV V VI (s) 1 2 3 4 5 6 Indices Es 1.0273534 XII 12 0.19 Temperaturas mensuales ( • ).08329475 1.15050154 Mes VII VIII IX X XI (s) 7 8 9 10 11 Indices Es -1.32310957 0. y se presentan gráficamente en la figura 2. lógicamente. y su representación gráfica (figura 2. mientras que de mayo (V) a septiembre (IX) está por debajo de la media.20.18 Evolución cronológica de las temperaturas Figura 2. medias móviles ( _ ) y línea de tendencia ajustada ( . por la estabilización conseguida en la serie.otra parte se observa la existencia de una componente estacional clara que se repite.88013117 -1. No olvidemos 48 .77133488 0.11. que se hará posteriormente y que ya se ha representado en esta figura.

05132042 F 44.21 Para su obtención.01°C). aunque débil. conocidos los índices estacionales y el modelo de tendencia.31 + 1.00069923 6. por tanto.05009208 507. Así.que los datos corresponden a una ciudad del hemisferio sur.12).43996491 7.29618173 0.20 Componente estacional: índices La tendencia. Estadísticas de la regresión Coeficiente de correlación múltiple Coeficiente de determinación R2 R2 ajustado Error típico Observaciones ANÁLISIS DE VARIANZA Grados de libertad Regresión Residuos Total 1 106 107 Coeficientes Variable X 1 0. Esto.28925319 5.637E-181 Intercepción 25.54422581 0. es decir: 49 .72921811 Error típico Promedio de los cuadrados 2. del mes más cálido al más frío. se puede deducir que parece existir una tendencia muy ligera a un incremento de la temperatura. que se ha estimado en un aumento de 0. Su evaluación se efectuará mediante el modelo lineal aplicado a las medias móviles (cuadro 2. Es de destacar que la oscilación térmica media. Figura 2.67885166 1. y los demás son los fríos. la explicación del modelo es significativa. junto con los datos reales.22654012 108 Suma de cuadrados 2. que oscilan entre 23 y 29°C permite afirmar que el estudio se está haciendo sobre una ciudad de clima muy suave y casi permanentemente primaveral.00467004 0. existe y es de tipo lineal.00467 grados mensuales en promedio.62 %). es relativamente pequeña (1.750413 0. La evolución del modelo. la suma mes a mes de los dichos valores dará lugar al modelo propuesto.28925319 0.4342763 0. unido a los valores medios mensuales. se presenta en la figura 2.145E-09 Estadístico t Probabilidad 2.145E-09 Cuadro 2.6070595 Valor crítico de F 1.28954194 0.80 = 3.12 Modelo lineal para la tendencia: Yt = α0 + α1 t + e A pesar del valor del coeficiente de determinación del ajuste. (29. hay que tener en cuenta que. de octubre a abril son los meses cálidos.

obtenidos como . ya en los datos iniciales presentaron unas temperaturas medias bastante superiores a las de los demás años (es decir hizo un otoño especialmente cálido). Se está haciendo una previsión de temperaturas medias. se muestran los residuos resultantes de la descomposición de esta serie. pues en la mayoría de las 120 observaciones. la temperatura media mensual. pero el azar meteorológico se unirá a la previsión alterándola en aquellos períodos de tiempo en los que las temperaturas sean distintas a las de la tónica general: inviernos muy fríos o muy suaves.22 Residuos del modelo A partir de la descomposición. desde abril hasta julio de 2003 que como. En la figura 2.13. Esto ocurre.22. veranos más extremos. Figura 2. de mantenerse la tendencia.23 junto a los datos disponibles.21 Datos (… ) y modelo ajustado ( . puede observarse. Comparando los datos reales con las previsiones. excepto en los meses ya comentados.) Solamente hay que destacar la buena concordancia entre ambos. etc. Aquí se observa que. se va incrementando. la previsión de la temperatura para los 10 años siguientes sería la del cuadro 2. que se muestra en la figura 2. Hay que destacar la buena modelización conseguida. poco a poco. se ve en estas últimas la ausencia del componente aleatorio. 50 . el error es inferior a un grado. a pesar de que hay algunos puntos que parecen presentar mayores discrepancias. principalmente.Figura 2. y suponiendo que no cambiase el comportamiento meteorológico de la zona.

1 26.2 26.3 26.4 27.5 26.6 Cuadro 2.7 26.6 2007 27.0 26.2 26.2 24.3 24.2 27.4 24.3 26.1 27.6 26.1 27.9 26.5 26.3 25.4 26.Mes I II III IV V VI VII VIII IX X XI Año 2006 27.3 27.9 26.0 27.5 25.0 25.24 muestra su evolución cronológica.4 26.2 27.2 24.1 26.1 25.5 27.5 24.3 26.8 27.5 24.6 24. Mes I II III IV V VI VII VIII IX X XI XII 1994 90 88 109 103 103 122 134 132 115 101 91 112 1995 111 115 129 121 112 125 164 158 133 127 110 120 1996 127 107 141 135 133 154 175 174 158 139 112 140 1997 142 139 145 162 144 176 192 190 160 151 134 140 1998 146 155 182 165 165 191 195 205 182 165 138 155 1999 164 151 180 164 184 206 198 235 197 163 148 163 2000 175 161 179 195 189 208 227 249 224 193 170 166 2001 176 194 197 211 191 235 248 273 202 189 167 168 2002 208 189 232 226 222 245 252 242 229 202 192 198 2003 199 190 228 220 222 233 303 253 253 223 191 185 2004 207 198 251 231 234 251 316 285 250 232 190 201 2005 219 206 229 223 231 266 290 294 258 214 206 199 51 .4 25.0 24.13 Temperatura prevista para los 10 años siguientes a la recogida de datos Figura 2.4 24.2 24.2 26.3 24.14 se recogen los datos relativos al número de usuarios de un determinado transporte público en el período que abarca desde 1994 hasta 2005.5 27.3 24.4 Descomposición Multiplicativa: Caso usuarios transporte público En el cuadro 2.6 27.3 26.4 27.3 25.6 27.9 2012 27.4 27.1 27.7 25.3 27.0 2015 27.7 2009 27.3 26.23 Datos desde 1986 a 1995 ( • ) y previsiones desde 1996 a 2005 ( .6 25.8 26.3 25.1 26.3 24.1 26.6 27.8 2011 27.2 25.5 27.4 27.4 27.9 25.7 24.8 26.4 25.3 27.2 26.7 26.4 26.4 25.6 27.1 24.2 27.5 24.6 2008 27. y la figura 2.1 24.6 27.8 26.4 24.0 2014 27.8 27.1 26.1 25.0 25.7 27.1 24.4 27.3 27.1 XII 27.9 25.6 25.7 27.5 27.5 27.4 27.5 27.4 27.3 27.7 25.3 27.5 25.9 2013 27.0 26.7 25.2 25.3.) 2.4 24.8 2010 27.4 26.6 25.0 26.

y después modelizar la tendencia y calcular los índices estacionales. La observación de la figura 2. Figura 2. cuya estimación se muestra en el cuadro 2. La evolución de las medias móviles se muestra en la figura 2. En ella se observa. probablemente se tratará de un modelo parabólico. Ya que los datos son mensuales.24 Evolución cronológica del número de usuarios.24 permite realizar las siguientes consideraciones: Se detecta una clara tendencia creciente en el tiempo. El signo negativo de este término da idea de una especie de freno en el crecimiento sostenido del número de usuarios. sino que parece sufrir un amortiguamiento al final de la serie.25 Tendencia a través de las medias móviles (p =12) La estimación mínimo-cuadrática conduce al modelo de tendencia. es decir. Esta situación es la que indica que el modelo subyacente es multiplicativo.Cuadro 2. El patrón de estacionalidad tiene una forma constante pero presenta una amplificación continua en el tiempo. que el término cuadrático es altamente significativo. es necesario estabilizarla previamente. y se aprecia un crecimiento que no es proporcional al tiempo.14 Usuarios de un transporte público. 52 . sobre las medias móviles. Hay una estacionalidad manifiesta que se repite anualmente.25.15. Figura 2. Para obtener la descomposición de la serie cronológica. mediante medias móviles de p = 12. representado por el coeficiente positivo del tiempo. además de un muy buen ajuste reflejado por una R2 del 99. su período será igual a 12.74%.

el cálculo de la estacionalidad se realiza de acuerdo con los siguientes pasos: a.0160183 132 Suma de cuadrados 195909.99866456 0. y ns el número de valores de W que se promedian en la citada estación s = 1.0029421 0.433E-149 2. de la serie. calcular los promedios de las Wt de cada estación y la media general.02012802 -0.515201 71. en el ejemplo).7720708 4.00294 t2 En modelos multiplicativos. s es el indicador de la estación (mes.43266479 0. el modelo de tendencia puede escribirse como: T = 99.26.374 524.7953 + 1. generalmente expresados en % en modelos multiplicativos.06432979 F Valor crítico de F 24101.7953224 0.6869 4. la componente estacional representa la relación entre cada estación y la media general.672 Error típico Promedio de los cuadrados 97954.126E-105 Intercepción 99.15 Estimación del modelo de tendencia: Y= a0 + a1 t + a2 t2 + e Así pues. son de período suficientemente largo como para no ser recogidos por los datos. Recordemos que. caso de existir. en estos casos. Yt. p y d. a partir de los datos. b. Calcular las medias móviles . 53 . como el del actual ejemplo.99728953 2.1776439 Probabilidad 5. es decir. se obtienen como: En el cuadro 2.00013513 -21.Estadísticas de la regresión Coeficiente de correlación múltiple Coeficiente de determinación R2 R2 ajustado Error típico Observaciones ANÁLISIS DE VARIANZA Grados de libertad Regresión Residuos Total 2 129 131 Coeficientes Variable X 1 Variable X 2 0.298543 196433.9966E-45 Cuadro 2.63760786 1.4326 t – 0.99733091 0.001E-166 Estadístico t 156. los valores de las componentes estacionales. Asumiendo que los ciclos. Finalmente. calcular c.0675 1. …. y se representan gráficamente en la figura 2. Separar la tendencia.16 se muestran los valores de las componentes estacionales del presente ejemplo.

94 Mes IX X XI Es 105. los usuarios de los meses de julio y agosto son del orden de un 121% superior a la media.26 Índices estacionales La interpretación de los índices podría ser en el sentido de que.40 88. en principio. enero y febrero.56 87.13 81. pertenecientes al período en cuestión. ya que ni el año 2003 ni el 2005.54 94. 2000. presentan semejantes discrepancias. con el fin de conseguir una mayor ocupación de las plazas disponibles.35 99.24 VIII 121.26 muestra la concordancia entre los datos y su modelización.75 Mes V VI VII Es 97.16 Componente estacional. sería discutible afirmar la presencia de un cambio en los hábitos de utilización de este transporte. por lo que es posible afirmar que en los casos citados ha habido un comportamiento sustancialmente distinto del esperado en los mismos meses de otros años. los de los años 1999. La figura 2.07 109. en concreto. Ello podría aconsejar una promoción en los meses de noviembre.43 101. 2001.Mes I II III IV Es 92. de acuerdo con el modelo multiplicativo: Figura 2. diciembre. en este caso. sería prudente tomar con ciertas precauciones las previsiones para años venideros. A pesar de todo. 2003 y 2004.34 XII Cuadro 2. a partir de la tendencia y estacionalidad calculadas. Figura 2. mientras no se confirme la consolidación en el futuro de un cambio o de una permanencia de 54 . mientras que en noviembre se está en un 81% de la media.25 121. Observando la figura 2. por ejemplo.26 se puede destacar que hay unos desajustes más acusados en ciertos meses de julio o agosto.26 Serie cronológica experimental ( • ) y ajustada (-).

diciembre de 2005.. que abarcan el período de los próximos 60 meses. por tanto. a priori. para las predicciones. aunque en algún caso la discrepancia se aproxima a 30 unidades. la previsión de usuarios hasta el año 2010 se presenta en la figura 2. que el último valor de t para el que se dispone de datos. Figura 2. La figura 2. Asumiendo que se mantiene el mismo modelo. oscilan entre ±16. También podría ser interesante intentar averiguar qué ocurrió en estos meses (quizás una campaña publicitaria. Para evitarlo. sería improcedente. si hubiera estacionalidad. quizás una disminución de alternativas de la competencia.27 Residuos del modelo ajustado En el gráfico de la previsión se puede observar la reducción de la velocidad de crecimiento inicial de la serie que se ha comentado en la modelización de la tendencia. Hay que tener en cuenta. se pueden modelizar conjuntamente la tendencia y la estacionalidad con variables categóricas asociadas a cada estación. los valores de t irán desde 145 hasta 204.. en la mayoría de los casos.28.comportamiento. con variables categóricas. estimar el modelo de tendencia sobre los datos directos. asumir un 55 .27 muestra la evolución de los residuos entre los datos experimentales y el modelo ajustado. como . La modelización conjunta. de la tendencia y la estacionalidad presenta como principal ventaja la generalidad del método. Por este procedimiento no es necesario. para realizar correctamente los cálculos. es 144.28 Serie observada y previsiones hasta el año 2000 2. o bien desestacionalizar previamente la serie y entonces ajustar el modelo de tendencia. Figura 2. como ya se ha expuesto. por procedimientos usuales de ajuste mínimo cuadrático. Se observa que.4 Modelización con Variables Categóricas Tal como se ha comentado en la sección anterior. Ello es debido a que se produciría una inflación de los residuos no atribuible a la aleatoriedad sino a la variabilidad ocasionada por el componente estacional..).

o sea. componentes del período estacional. es decir. de forma que s = 1. p. la cual se designará por el subíndice s.. sino que se plantea un modelo general que incluye todas las posibilidades. Dicha variable es un indicador que toma el valor 1 en la estación a la que está asociada y 0 en todas las demás. a través del indicador.. El estudio de la significación de cada uno de los coeficientes α. introducen en la ordenada en el origen del modelo. β y γ. La representación gráfica de los mismos ya se presentó en la figura 2. Q3 y Q4. que en este ejemplo constituyen el período de repetición del patrón estacional. Para desarrollar la metodología de las variables categóricas sobre un ejemplo. quedan. 56 . por lo que su posible existencia quedará enmascarada en los residuos. pues. cuya conjunción representa de forma unívoca cada trimestre. suponiendo que hubiese ciclos. procede la creación de variables categóricas que identifiquen cada una de las cuatro estaciones. lo que en el método clásico se interpreta como parte multiplicativa. Cada uno de los valores del tiempo contenidos en p corresponde a una estación. cuya observación condujo a pensar en una tendencia lineal creciente y una estacionalidad de período p = 4. y son los demás que. Se insiste en que no es necesaria una Q1.13. En el cuadro 2. Sea p el período estacional. se van a utilizarlos datos relativos a las ventas de material deportivo estudiados por el método clásico. y la consiguiente eliminación de los no significativos conducirá el modelo que definitivamente explica el comportamiento de la serie. definidas como Con estas variables se plantea un modelo tipo donde f(t) es una función polinómica del tiempo.17 se vuelven a reproducir los datos de la serie cronológica. Por otra parte. Ésta es la razón por la cual con p-1 variables categóricas es suficiente para estudiar una serie de período p. el número de unidades de tiempo que conforman el patrón de comportamiento que se repite sistemáticamente. a largo plazo. . En el cuadro 2. parte aditiva según el sistema clásico. Las variables categóricas. Q. 2.17 están las variables categóricas Q2. Cada estación debe estar ligada biunívocamente a una variable categórica.. Mientras que los del grupo representa la influencia de la estacionalidad sobre la función del tiempo. con el fin de poder comparar posteriormente los resultados obtenidos. que viene a recoger la tendencia o evolución general. Los términos del grupo indican los cambios que las distintas estaciones. excepto para la primera estación. aportarán la parte del efecto estacional correspondiente. en que todas toman el valor 0. el intervalo de tiempo de recogida de datos es totalmente insuficiente para tomarlos.modelo aditivo o multiplicativo. puesto que el primer trimestre es el que toma como referencia Q2 = Q3 = Q4 = 0. junto a los valores de las variables categóricas. . de los datos con el tiempo. A fin de no confundir los dos efectos.

95 51.58 41. es decir. Si alguno de esos términos hubiese resultado significativo.62 61.30 64.89 63.25 113.39 55.50 67.50 0 0 1 Cuadro 2. (p-val < 0.38 56. al ser la tendencia rectilínea.25 75.17 Ventas de material deportivo En este caso.05). Los resultados del modelo lineal general evidencian que todos los términos del tipo Q jt no son estadísticamente significativos.44 Q2 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 Q3 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 Q4 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 2001 1 2 3 4 2002 1 2 3 4 2003 1 2 3 4 2004 1 2 3 4 2005 1 2 3 4 126.47 108.38 65. el incremento de las ventas es el mismo para cada trimestre. Cabe destacar que este hecho manifiesta que la estacionalidad no modifica la pendiente de la recta del tiempo. se plantea el modelo Y = α0 + α1t + β2Q2 + β3Q3 + β4Q4 + γ2Q2 t + γ3Q3 t + γ4Q4 t + La estimación de sus parámetros conduce a los resultados expuestos en el cuadro 2. alternativamente.35 46.11 124.37 66.15 121.Año 2000 Trimestre (s) 1 2 3 4 Ventas (Y) 40. estudiado por la metodología de la descomposición clásica.18.09 75. por tanto procede recalcular el modelo prescindiendo de ellos.22 54. el sistema clásico proporcionaría un modelo bastante precario. 57 .34 59.51 111. tal como se ha hecho en la sección anterior. que puede ser. Esto simplifica el caso al corresponder a un modelo aditivo puro.90 61.82 53.

96820102 4.3742699 F 109.966E-09 38.73014481 24 Suma de cuadrados 17166.2294186 F Valor crítico de F R2 0.92233873 24 176.19 contiene los resultados del ajuste del modelo definitivo.35128571 0.5717E-12 Estadístico t 10.0094549 3.6264 460.18 Resultados del modelo lineal general El cuadro 2.0077606 0.3997702 0.8949E-15 58 .00317106 3.193619 5.9853 Promedio de los cuadrados 4266.46795264 0. de Y = α0 + α1t + β2Q2 + β3Q3 + β4Q4 + Estadísticas de la regresión Coeficiente de correlación múltiple Coeficiente de determinación R2 ajustado Error típico Observaciones ANÁLISIS DE VARIANZA Grados de libertad Regresión Residuos Total 4 19 23 Suma de cuadrados 17064.00147026 -2.3510502 Promedio de los cuadrados 2452.42815 22.6401445 2.97063574 4.9463095 3.66031773 19.9853 Error típico 5.28268022 -0.988318 17524.53456782 65.98677823 0.87871911 0. es decir.97957269 0.1485 0.08321429 0.06186319 -0.609304 Valor crítico de F 2.71516553 Cuadro 2.80264286 -0.97373128 0.94773912 11.15659 24.6576905 5.72616449 1.4662599 Probabilidad 1.39255913 -0.358954 17524.83194228 0.3714634 0.997 357.7735 0.98973365 0.3997702 3.07342 9.1507E-08 0.Estadísticas de la regresión Coeficiente de correlación múltiple Coeficiente de determinación R2 R2 ajustado Error típico Observaciones ANÁLISIS DE VARIANZA Grados de libertad Regresión Residuos Total 7 16 23 Coeficientes Intercepción Q2 Q3 Q4 t tQ2 tQ3 tQ4 15.3997702 -0.

59 .1508817 5.2781 Q3 + 64.7576 unidades cada unidad de tiempo (trimestre).29 Gráficos de los residuos del modelo Como resumen de todo lo anterior.19 Resultados del modelo definitivo Los gráficos de residuos y probabilístico Normal se presentan en la figura 2. Figura 2.682E-05 Cuadro 2.5555 Q4 La interpretación de los coeficientes del modelo permite identificar tendencia y estacionalidad. y que va a ser utilizado para hacer previsiones de las ventas futuras.84571718 64.4674 Q2 + 15. En consecuencia.4465584 1.34742643 2. el modelo que explica el comportamiento de la serie.4843615 Q2 Q3 Q4 t 6.46739286 2. En cuanto a la primera. ha resultado ser 42.2726759 15.85709757 5. incremento que se mantiene constante sea cual sea la estación.Coeficientes Error típico Estadístico t Probabilidad Intercepción 42.278119 2. y no presentan ninguna peculiaridad especial.5279881 2.57989903 16.0352E-12 0.8759648 22. En consecuencia queda validado el modelo obtenido.8699E-15 0. la estacionalidad sólo afecta a la ordenada en el origen de cada una de las cuatro estaciones (trimestres) que componen el período.29. se detecta un incremento de las ventas de 0.6808E-05 3.5555119 0.147083 5.5280 + 0.75760714 2.7576 t + 6.03484621 3.

el modelo es 42.4674 unidades. 60 . las variables categóricas toman los valores Q4 = 1 y Q2 = Q3 = 0.7576 t + 64. se observa la buena concordancia entre ambos. en el tercero el incremento es de 15.2782 y en el cuarto de 64. los coeficientes de las variables categóricas.0835 + 0.5280 + 0. en este caso. en la figura 2. supera (o no alcanza. en el caso del cuarto trimestre. las variables categóricas toman los valores Q 2 = 1 y Q3 = Q4 = 0 y el modelo es 42.31.4674 = 48. según sea el signo) el valor de la primera estación del período. tomando siempre como referencia el primer trimestre.9954 + 0. Los resultados se muestran en el cuadro 2. pero con distinta ordenada en el origen. en el segundo el volumen de ventas añade a la función del tiempo 6.7576 t con t = 3 + Y.5555 = 107.5280 + 0.5555 unidades.2781 = 57.7576 t + 15. Es decir.7576 t con t = 4 + Así. Estos valores son.5280 + 0. Esto se puede interpretar como que. se obtiene un modelo del mismo tipo. a base de sustituir los valores del tiempo y de las variables categóricas en el modelo obtenido.8061 + 0.7576 t con t = 1 + Para un tiempo correspondiente a un segundo trimestre.5280 + 0. sistemáticamente. para cada trimestre (estación del período). evidentemente.Tomando como referencia el primer trimestre. rectilíneo con igual pendiente. La modelización tiene como objetivo principal el poder hacer previsiones para un futuro próximo. las variables categóricas toman los valores Q3 = 1 y Q2 = Q4 = 0 y el modelo es 42.7576 t con t = 2 + Para un tiempo de tercer trimestre.20 y en la figura 2. en el que Q 2 = Q3 = Q4 = 0.7576 t + 6. según la ecuación 42. Para evaluar la bondad del modelo. En consecuencia los coeficientes de las variables categóricas representan la cantidad en que una estación. estos coeficientes son una forma de medir el componente estacional. se observa que en él las ventas dependen del tiempo.30 se muestra la comparación de los valores medidos con los estimados a partir del modelo ajustado. En este caso se procede a calcular las previsiones para los próximos 2 años.

la apertura de otro comercio de similares características en las inmediaciones.es/LECCION/seriest/060.7576 t + 6. elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: http://ciberconta.30 Datos reales ( • ) y modelo ajustado ( _ ) Aquí se detecta la coherencia de la previsión con los datos históricos.32693 Cuadro 2.pdf http://www.72360 81.29193 32 0 0 1 131. Esto podría ocurrir. modelo y previsiones para los dos años siguientes 2.31 Datos.html Programación Matemática http://www.bccr.49860 71.5555Q4 Año 2006 t 25 26 27 28 2007 29 30 31 Q2 0 1 0 0 0 1 0 Q3 0 0 1 0 0 0 1 Q4 0 0 0 1 0 0 0 Yestim 61.mx/egap/materias/re-4004/Cap7.unsa.20 Previsiones para 2006 y 2007 Figura 2.ar/mcneco/mcn_tps.Figura 2.es/~sala/programacion.aaep.4674Q2 + 15. un cambio de hábitos en la población.26150 128.2781Q3 + 64. si hubiese una recesión económica.fi. por ejemplo.HTM http://www.edu.htm 61 . etc. Luego de visitar estas direcciones de páginas web.mty.itesm. http://www.46817 68.cr/ndie/Documentos/DIE-02-2002-NTASPECTOS%20CONCEPTUALES%20SOBRE%20SEATS.uv.ppt http://www.org. siempre que no cambie el modelo de comportamiento de la serie en el período previsto.5 Actividades para el Aprendizaje.unizar.ar/espa/anales/resumen04/04/Trajtenberg. 42.5280 + 0.29650 64. una campaña propagandística con éxito de la competencia.69317 78.pdf Resolver los ejercicios al capitulo correspondiente: Cátedra de Métodos Cuantitativos para los Negocios.

org/descarga_ejercicios.Bienvenidos a los cursos del Área de Operaciones – Descargar ejercicios: http://ucreanop.php 62 .

Actualmente es una herramienta utilizada en muchos campos de la administración. de la economía y de la ingeniería. en general con la utilización de un ordenador. (2) la construcción de un modelo matemático que contenga los elementos esenciales del problema.1 Programación Lineal: Formulación de Problemas La programación lineal es la herramienta básica más utilizada dentro de los métodos cuantitativos. (3) la obtención. etc. Si pudiéramos determinar un valor que reflejase la asignación de un empleado a una tarea determinada. Existen muchos libros de texto sobre el tema y miles de artículos científicos en revistas especializadas.000 de operaciones por segundo durante aproximadamente 1087 años. para examinar todas las permutaciones. 3. de la economía y de la ingeniería. ha representado uno de los avances científicos más importantes desde mediados del siglo XX. ha representado uno de los avances científicos más importantes desde mediados del siglo XX. de las mejores soluciones posibles con la ayuda de algoritmos exactos o heurísticos y finalmente (5). debido tanto a su inmenso abanico de aplicaciones como a su simplicidad de implementación. según muchos autores.000. Un ejemplo simple. y algoritmos de ordenador muy eficientes. Problemas de decisión como éste son muy comunes y se tienen que desarrollar modelos de programación matemática. Básicamente siguen los pasos siguientes: (1) la observación de un problema. Existen inúmeras aplicaciones con éxito en todos los campos en donde la toma de decisiones es compleja y que pueden implicar para la organización grandes inversiones o cambios en la organización que determinen su futuro.0 Introducción El desarrollo de los métodos de optimización. métodos matemáticos para obtener soluciones a los modelos. Efectivamente. Actualmente son una herramienta utilizada en muchos campos de la administración. la calibración y la interpretación de la solución y su comparación con otros métodos de toma de decisiones.) que hemos de asignar a 70 tareas también diferentes. necesitaríamos un ordenador que ejecutase 1. Cómo que 70! es aproximadamente igual a 10100. para tomar la mejor decisión que optimice la utilización de los recursos en una organización industrial o de servicios. el desarrollo de la programación lineal. tendríamos que escoger una entre 70! formas posibles de permutación de las asignaciones que maximice el valor total. el problema de la asignación. Los métodos de optimización tienen como base el método científico para investigar y ayudar a tomar decisiones sobre los problemas complejos de las organizaciones de hoy en día. Resolver problemas de optimización lineal y/o entera por el método gráfico y por el método simplex Interpretar los resultados de un problema de programación lineal y/o entera mediante el análisis de sensibilidad. Los métodos cuantitativos han tenido un impacto impresionante en la mejora de la eficiencia de numerosas organizaciones en todo el mundo. según muchos autores. 3. personal Auxiliar. nos puede servir para ilustrar la dificultad esencial de los métodos cuantitativos. Una Empresa tiene 70 empleados con calificaciones diferentes (Administradores.FORMULACION Y OPTIMIZACION DE MODELOS Objetivos del Capítulo Plantear y resolver problemas que impliquen toma de decisiones para obtener minimización de costos o maximización de utilidades. 63 . Ingenieros.

existen varios métodos de obtención de soluciones que nos dan la solución óptima con un costo computacional relativamente reducido.1.La programación lineal es un caso especial de la programación matemática. No tenemos que confundir este término con la “programación” en referencia a la preparación de una serie de órdenes e instrucciones de un lenguaje informático en un ordenador. Desgraciadamente sus propuestas fueron desconocidas tanto en Unión Soviética como en el occidente durante dos décadas. 3. que por lo tanto.. una compañía aérea o un organismo público. Un único objetivo lineal a optimizar (maximizar o minimizar) Unas variables de decisión que siempre son continuas 2 y no negativas Una o más restricciones lineales Un conocimiento exacto de los parámetros y recursos utilizados en la construcción del modelo. las técnicas de programación lineal se utilizan en un amplísimo espectro de problemas como. sujeta a restricciones lineales individuales. sin dejar de dar un marco lo suficientemente amplio para representar actividades interdependientes que han de compartir recursos escasos. que publicó una extensa monografía en 1939. Las variables del modelo. por ejemplo. Durante este periodo. alrededor de 1823. el matemático francés Jean Baptiste Joseph Fourier parecía conocer el potencial del tema. Entre otros. 2. se puedan formular con un modelo matemático. fabricación. Si todas estas condiciones se cumplen. En definitiva. Este fue el primer modelo de programación lineal conocido. únicamente pueden coger valores no negativos. se propuso un modelo de programación lineal por su simplicidad y aplicabilidad. Ninguna investigación significativa fue realizada antes de esta fecha. minimización de costos. Las principales características de PL son: 1. El término programación tiene su origen en la planificación de las actividades que se realizan en una organización tal como una fábrica. El sistema (como. etc. Después de la segunda guerra mundial. 2 Por continuas se entiende que pueden tomar valores fraccionados 64 . Con la aparición del ordenador esto se hizo posible. Un matemático ruso. Como veremos más adelante. ¿En qué consiste la Programación Lineal? La Programación lineal (PL de ahora en adelante) consiste en encontrar los valores de unas variables que maximizan o minimizan un único objetivo sujeto a una serie de restricciones. 4. de planificación financiera y de organización de la producción. en donde todas las funciones que hay en el modelo son lineales: siempre tenemos una función objetivo lineal a optimizar (maximizar o minimizar). de transporte. transporte. un hospital. una extensa gama de problemas que aparecen en las áreas de tipo industrial. si bien actualmente se utiliza frecuentemente para resolver problemas de decisión. Se crearon instituciones como la Corporación RAND en donde ingenieros y matemáticos se pusieron a trabajar intensamente en la formulación y resolución de problemas matemáticos aplicados a la toma de decisiones. en dónde hay un objetivo a optimizar (maximización de beneficios. maximización de la cobertura sanitaria. económico.. era casi desconocida antes de 1947.2 Orígenes de la Programación Lineal La programación lineal. de planificación y gestión de recursos humanos y materiales. entre otros. la programación lineal experimentó un gran desarrollo tanto en Estados Unidos como en Europa. distribución y venta). Leonid Vitalievitx Kantorovitx. almacenaje.). la producción industrial) se compone de diversas actividades relacionadas entre ellas (formación. administrativo. funcionarios del gobierno americano consideraron que la coordinación de las energías de toda una nación debido al peligro de una guerra nuclear requeriría la utilización de técnicas científicas de planificación. Matematitxeskie Metodi Organisatsi i Planirovaniia Proisvodstva (Métodos matemáticos para la organización y planificación de la producción) fue el primer investigador en reconocer que una amplia gama de problemas de producción y distribución tenían una estructura matemática y. militar. Si bien puede parecer que estos supuestos quitan realismo al problema porque el modelador está limitado al uso de ecuaciones que quizás no son frecuentes en el mundo real. que son continuas. 3. si bien hay que mencionar que.

Para poder obtener soluciones enteras en problemas que lo requieren. o en términos más técnicos. incorpora una herramienta para resolver programas lineales. según el Convenio firmado con los sindicatos. que son mucho más complejos de resolver y cuya optimalidad no siempre está garantizada. En primer lugar. si bien desconocemos a priori su valor. la interpretación económica de la solución de un problema de PL no tiene sentido si obtenemos fracciones en las variables. independientemente de los horarios de entrada y salida del personal. igual o mayor que un determinado recurso. Por ejemplo. sería necesario el introducir métodos de programación nolineal. la PL considera que las variables de decisión son continuas. son determinísticos.3 Formulación de Modelos En esta sección se presentan algunos ejemplos de los problemas con los cuales se puede encontrar una organización y como la programación lineal puede expresarlos matemáticamente. Ambos objetivos son conflictivos. se utiliza la Programación lineal Entera. El objetivo también es lineal. A continuación analizaremos con más detalles estas características y lo que ocurre si una o varias de ellas no se cumplen. no tiene sentido un resultado que en un momento determinado asigne 3. Ahora bien. Por otro lado. La necesidad mínima de personal en cada tramo se indica en el Cuadro 3. por un lado podemos querer maximizar la cobertura de un determinado servicio sanitario. La gerencia del hospital ha estimado las necesidades mínimas de personal por tramos horarios para poder cubrir las urgencias que se presenten. que quedan fuera del alcance de este libro. cabe destacar que en la PL todas las funciones utilizadas tanto en el objetivo como en las restricciones son lineales. Un Problema de asignación de personal El hospital ESSalud ha decidido ampliar su servicio de urgencias (abierto las 24 horas) con la consiguiente necesidad de nuevo personal de enfermería. en el sentido de que aumentar la cobertura significaría un aumento en la necesidad de recursos con el consecuente incremento de costos en el sistema. Es decir. Si esto acontece. tienen una variabilidad (que en algunos casos puede ser representada por una distribución estadística). En tercer lugar. Finalmente. los modelos de PL consideran que hay un único objetivo a maximizar o minimizar. si estamos asignando trabajadores a tareas. Esta conflictividad se resuelve utilizando métodos de Programación Multicriterio o multiobjetiva.4 trabajadores a una determinada tarea. Por ejemplo. en la PL se considera que los parámetros utilizados en la construcción del modelo se conocen con exactitud. las restricciones consisten en la suma de variables multiplicadas por sus respectivos parámetros. En caso de que tanto el objetivo como una o más restricciones no fueran lineales. mientras que por el otro queremos reducir los costos generales. y como veremos más adelante. si uno opta por redondear al entero más próximo se puede cometer un grave error. Por otro lado. presentados en el capítulo quinto de este libro.1. 3. 65 . el departamento de recursos humanos ha informado a gerencia que los contratos laborales han de ser de ocho horas seguidas. la PL ya no es un buen instrumento para la obtención de soluciones. existen situaciones en las que uno o más parámetros tienen un componente estocástico. Sin embargo. Excel. esta característica no ofrece problemas. En segundo lugar. Es necesario utilizar técnicas de Programación Estocástica.1. El problema es encontrar el número mínimo de personal necesario para cubrir la demanda.incluso la más popular de las Hojas de Cálculo. que será objeto de estudio en el capítulo cuarto de este libro. Muchas veces podemos tener que resolver problemas que tienen más de un objetivo. o en palabras menos técnicas. Desde el punto de vista matemático de obtención de soluciones. siendo esta función menor. Se definieron 6 tramos de 4 horas. en muchas situaciones.

El objetivo de la gerencia consiste en la minimización del número total de personal de enfermería necesario para cubrir las necesidades diarias. que es el número mínimo de personal de enfermería necesario para este turno. el turno j estará siendo atendido por Xj-1 y Xj.. hay una variable para cada turno. como mínimo. tendremos que Xj-1 + Xj (el personal que trabaja durante el turno j) tiene que ser. En otras palabras. un trabajador que entra a trabajar. contribuirá a cubrir las necesidades de estos dos turnos. Es decir. En esta tabla. a las 4:00. Como hemos de controlar en número de personal en cada turno.. trabajará en los turnos 2 y 3. en donde j=1. Las restricciones del modelo tienen que reflejar la necesidad de que la cantidad de personal que entren en el periodo j más el número de personas que entraron a trabajar en el turno j-1 sea suficiente para cubrir las necesidades del turno j (Nj). se tienen que definir las variables del modelo que queremos desarrollar. el modelo matemático es el siguiente: Tramos Horarios 1 00:00 04:00 08:00 12:00 16:00 20:00 Personal Nj 66 X6 9 5 3 7 5 X1 2 X1 X2 X2 X3 X3 X4 X4 X5 X5 X6 6 3 4 5 6 0:00-4:00 4:00-8:00 8:00-12:00 12:00-16:00 16:00-20:00 20:00-24:00 .. En términos matemáticos la restricción es la siguiente: Xj-1 + Xj Nj Habrá una restricción para cada horario de entrada. En consecuencia. definimos Xj como la cantidad de personal que entra a trabajar en el turno j.Tramos Horarios J Personal Nj 1 2 3 4 5 6 6 0:00-4:00 4:00-8:00 8:00-12:00 12:00-16:00 16:00-20:00 20:00-24:00 9 5 3 7 5 Cuadro 3. Esta situación queda reflejada en el Cuadro 3..6. Finalmente. por ejemplo. y por tanto.2. Este número será igual a X1 +X2 +X3 +X4 +X5 +X6 que representa la suma del número de personal que entra en cada periodo. igual a Nj.1: Necesidades de personal por tramos horarios Formulación del problema: En primer lugar.

Por otra parte. Se ha establecido que en la sala PQ se disponen de 144 horas.Cuadro 3. La restricción será la siguiente: X1 + 3X2 144 El mismo razonamiento puede ser utilizado para determinar el número límite de horas en la sala QI. se tiene que ocupar la nueva sala PO durante un mínimo de 135 horas al mes. Por otra parte.3 muestra los datos del problema. Este número tiene que ser inferior o igual a las 144 horas. Horas Necesarias de Cirugía A Sala PQ Sala QI Sala PO 1 3 4 B 3 2 2 Capacidad Ociosa 144 162 Costo 13 18 Cuadro 3. para viabilizar los nuevos tratamientos. El equipo médico ha estimado el tiempo medio que necesita cada paciente de tipo A y de tipo B en cada uno de los servicios pre-quirúrgico (PQ). y hay un máximo de 162 horas disponibles. quirúrgico (QI) y postoperatorio (PO). Tanto los pacientes de tipo A como los de tipo B tienen que pasar primero por una sala de pre-cirugía y. Formulación matemática del problema: Primero definimos las variables del modelo. A continuación se presentan las restricciones. tendremos que: 4X1 + 2X2 135 67 .2: Necesidades de personal Un problema de asignación de recursos El gerente del hospital ESSalud ha observado que algunos de sus servicios tienen capacidad ociosa.982. Como el número de horas mensuales que se utilizará en PO es igual a 4X1 + 2X2.3: Estimaciones horarias de las cirugías A y B Como el servicio postoperatorio (PO) aún no existe. A y B. que no existe de momento. Sean X1 y X2 el número total de pacientes por mes que pueden ser tratados con la cirugía A y B respectivamente. la restricción sobre QI será: 3X1 + 2X2 162 El gerente ha determinado que. el presupuesto mensual asignado a las nuevas cirugías es de S/. la utilización de esta sala no puede sobrepasar las 144 horas. el número total de horas mensuales consumidas en PQ para los dos tipos será igual a X1 + 3X2. el gerente argumenta que para justificar su creación tiene que utilizarse durante un mínimo de 135 horas al mes. La experiencia en un hospital similar muestra que por cada tres pacientes de tipo A que llegan al hospital como mínimo llega uno de tipo B. Como el total de horas consumidas será igual a 3X1 + 2X2. se ha estimado el costo de cada paciente en los diferentes servicios. Siguiendo una propuesta realizada por el equipo médico. El Cuadro 3. El gerente quiere saber cual será el número máximo de pacientes que podrán ser operados al mes. esta capacidad ociosa podría aprovecharse para introducir dos tipos nuevos de cirugía. teniendo en cuenta que la capacidad ociosa es en horas mensuales y el costo por paciente en nuevos soles. Como cada uno de los pacientes de tipo A y de tipo B consumen 1 hora y 3 horas en esta sala respectivamente. En otras palabras. una vez pasado por el quirófano tienen que estar en observación en una sala postoperatoria.

esto se expresa como: que es equivalente a: X1 . Matemáticamente. Se define cij como el costo de desplazamiento entre i y j. puede ser que no todas las ciudades tengan asignado el centro más cercano. i = 1. En primer lugar se definen los parámetros necesarios para formular el modelo. Simplemente. El Problema de Asignación. Sea bj el número total de asegurados que el CAP j puede tener asignados como máximo. por cada 3 pacientes de tipo A. Al tener límites en la capacidad.. ya que esto implicaría una sobre utilización. pero que sea éste el más cercano posible a su lugar de residencia.982.. Sea ai el número de asegurados en el centro urbano i.. Si no existiera el problema de capacidad. Para obtener un buen funcionamiento global del servicio y poder planificar el número de visitas en función del personal previsto en cada CAP y de su dimensión. el gasto total mensual será de 13X1 + 18X2.La experiencia en otros hospitales muestra que. viene como mínimo un paciente de tipo B. En caso de que queramos asignar un único CAP a cada ciudad. puede ser que alguna ciudad. tendremos que: 13X1 + 18X2 982 Ahora se necesita formular el objetivo.982.n. cantidad que no puede exceder S/. tendremos que si Z es este número.m. en función de la disponibilidad o holgura del sistema. Como cada paciente de tipo A y de tipo B cuesta 13 Nuevos soles y 18 Nuevos soles respectivamente. o parte de ella tenga asignada CAP que no es el más cercano. j = 1.. el objetivo se expresará como: Max Z = X1 + X2 En resumen. obteniéndose el costo de transporte más barato. Los CAP tienen una capacidad máxima de pacientes que pueden soportar. Entonces. ESSalud ha decidido organizar el servicio de tal forma que todos sus asegurados tengan un CAP de referencia asignado. 68 .3X2 0 Finalmente. se tiene que formular un problema diferente. el modelo sería trivial. ya que bastaría asignar cada ciudad al CAP más cercano... En la región hay m ciudades y pueblos (siendo m mucho mayor que n) y se sabe cuantos asegurados tiene en cada uno de ellos... la formulación del problema es la siguiente: Un problema de transporte El hospital ESSalud tiene un Centro de Asistencia Primaria (CAP) en n pueblos y ciudades de una región (un CAP en cada centro urbano). El gerente quiere saber el número máximo de enfermos de tipo A y de tipo B que se puede atender cada mes. El objetivo es asignar a los asegurados a los CAPs minimizando el costo o la distancia total. el gasto mensual realizado en las dos cirugías no puede exceder S/.

. el número total de asegurados no puede exceder la capacidad total de los CAPs...Como se necesita conocer cuantas personas del centro urbano i serán asignadas al centro j. + cijXij + . Finalmente... no podemos asignar la población que la que determina su capacidad máxima X1j + X2j + . Una vez definidos los parámetros y las variables. + Xmj < bj En términos matemáticos: El segundo grupo de restricciones tiene que considerar que hemos de asignar la totalidad de los asegurados de ESSalud de cada centro urbano i a los CAPs existentes. se define la variable Xij como el número de personas que provienen del centro urbano i que serán atendidas por el CAP j.. La primera viene definida por la capacidad de atención máxima de los CAPs. + cmnXmn que podemos re-escribir en forma compacta como: En resumen... la formulación completa del modelo es la siguiente: Se tiene que observar que este problema presenta una peculiaridad que no está en la formulación. se tiene que formular el objetivo de minimización total de la distancia o costo total del sistema.. + Xij + . Es decir. necesitamos definir las restricciones del modelo. Para un CAP determinado j... Este viene definido por: c11X11 + c12X12 + . Para que el problema tenga una solución factible. En este problema hay dos tipos de restricciones. existe la siguiente restricción implícita en el modelo: 69 . + c1nX1n + . El número total de asegurados asignados al CAP j no puede exceder su capacidad bj. + cm1Xm1 + ..

Si esto no se verificara, el problema no tendría solución. Un problema de Programación Financiera La compañía de seguros Pacífico SA está preparando su plan de inversiones para los próximos dos años. Actualmente, la empresa tiene 1,5 millones de dólares para invertir y espera ingresar, gracias a inversiones pasadas, un flujo de dinero al final de los meses, 6 12 y 18 próximos. Por otra parte, la empresa quiere expandirse y tiene dos propuestas sobre la mesa. La primera es asociarse con la empresa Positiva SA y la segunda con la empresa Rimac SA. En el Cuadro 2.4 es muestra el flujo de caja de Pacífico SA si entrara con un 100% en cada uno de los proyectos. Inicial Inversiones Pasadas Sanimas SA -1 6 meses 500 -700 12 meses 400 1.8 18 meses 380 400 600 2 24 meses

Buenavida SA -800 500 -200 -700 Cuadro 3.4: Flujo de Caja de Pacífico SA (miles de dólares)

Debido al actual nivel de endeudamiento, a Pacífico SA no se le permite pedir préstamos. Pero si que puede, a cada seis meses, invertir sus fondos excedentes (es decir, aquellos que no ha invertido en ningún proyecto) en un fondo que le daría un 7% cada seis meses. Por otro lado, Pacífico SA puede participar en cada uno de los proyectos con un nivel inferior al 100% y, consecuentemente, el flujo de caja se reducirá en la misma proporción. Es decir, que si decide entrar por ejemplo con el 50% en el proyecto de Rimac, el flujo correspondiente también se reducirá en la misma proporción. El problema que se plantea Pacífico SA es cuanto invertir en cada proyecto para maximizar el dinero en efectivo que tendrá la empresa en dos años. Formulación matemática del problema: Siguiendo nuestro esquema habitual, una vez el problema ha sido identificado y los parámetros del modelo han sido definidos, se tienen que definir las variables. Sea X1 el porcentaje de participación en el proyecto Positiva y X2 el porcentaje de participación en el proyecto Rimac SA (0 < X1 < 1; 0 < X2 < 1). Por otro lado, sean S0, S6, S12 y S18 el dinero que se depositará en el fondo en los periodos 0, 6 12 y 18 respectivamente. Para formular las restricciones del modelo se utilizará un razonamiento secuencial. La empresa dispone de 1,5 millones de dólares hoy (periodo 0) y las quiere gastar considerando las opciones siguientes: 1. participar en el proyecto Positiva, que implicaría desembolsar 1.000.000 X1 dólares en el periodo 0; 2. participar en el proyecto Rimac, teniendo que gastar 800.000X2; 3. depositar el dinero al 7% Estas opciones no son excluyentes entre ellas. Por lo tanto, se tiene que cumplir la siguiente ecuación de equilibrio: 1.500 = 1.000X1 + 800X2 + S0 Al cabo de seis meses, la empresa ingresará 500.000 dólares, gracias a inversiones realizadas anteriormente. También el dinero depositado en el fondo en el periodo anterior estará a disposición junto con los intereses: S0 + 0.07S0. Por otra parte, el proyecto Rimac dará una entrada de dinero igual a 500.000X2. Con este dinero tendrá que hacer frente al compromiso adquirido con Positiva, 700.000 X1, y depositar lo que quede al 7% una vez más. Matemáticamente: 500 + 500X2 + 1,07S0 = 700X1 + S6 70

En el periodo 12, la empresa recibirá 400.000 dólares. de inversiones anteriores, 1.800.000 X1 del proyecto Positiva y el dinero del fondo junto con los intereses. Con estos ingresos tendrá que cubrir el compromiso del proyecto Rimac, 200.000X2 y depositar S12 dólares, en el fondo. En términos matemáticos: 400 + 1.800X1 + 1,07S6 = 200X2 + S12 En el periodo 18, los ingresos que tendrá la empresa vendrán de inversiones anteriores (380.000), del proyecto Positiva (400.000X1) y del depósito realizado en el periodo anterior incluyendo los intereses (1,07 S12). Con este dinero tendrá que realizar un gasto de 700.000 X2 en el proyecto Rimac y el resto puede volver a ponerlo en el fondo (S18). Es decir: 380 + 400X1 + 1,07S12 = 700X2 + S18 Finalmente, al cabo de dos años (periodo 24), la empresa tendrá únicamente ingresos y no tendrá ningún gasto. Los ingresos provienen de los dos proyectos (600.000 X1 + 2.000.000 X2) y del dinero depositado en el periodo anterior, 1,07 S18. Si se define Z como los ingresos realizados en el periodo 24 en miles de dólares, tendremos que: Z = 600X1 + 2.000X2 + 1,07S18 que no es más que el objetivo del problema: Maximizar los ingresos al cabo de dos años. Finalmente, como solo se puede invertir un máximo de 100% en cada proyecto, las variables X1 y X2 no pueden exceder la unidad. Por lo tanto, hay que añadir las restricciones siguientes: X1 < 1 X2 < 1 En resumen, reordenando los términos tendremos que el programa lineal se escribe de la forma siguiente:

3.2 Programación Lineal: Métodos de Resolución Hasta ahora hemos formulado matemáticamente algunos problemas de gestión y administración de recursos y de dinero. Pero un modelo matemático de decisión, por muy bien formulado que esté, no sirve de nada sino podemos encontrar una solución satisfactoria. Una de las características de la programación lineal es que, gracias a sus propiedades matemáticas, se consigue la solución óptima sin muchas dificultades. En esta sección examinaremos en primer lugar el método gráfico, un sistema limitado a problemas con dos variables, y a continuación el método Simplex, el algoritmo más común para solucionar problemas lineales con muchas variables y restricciones. 3.2.1 El método gráfico Este método es muy simple de utilizar, pero solo puede ser aplicado a problemas con dos variables. Por otro lado, es muy útil para entender las propiedades matemáticas de la programación lineal. Consideremos el problema lineal siguiente, correspondiente el problema de asignación de recursos la 71

sección anterior, sin la restricción del los recursos necesarios mínimos en la sala post-operatoria (PO) y sin la restricción de la demanda:

En primer lugar, se dibuja en un gráfico cartesiano las restricciones del modelo pero con signo de igualdad. Como se puede observar en la figura 3.1, la recta X1 + 3X2 = 144 separa el plano en dos semiplanos. Los puntos que corresponden al semiplano S1 cumplen la restricción 2X1 + 3X2 144. Es decir, este semiplano contiene todas las combinaciones de X1 y X2 que satisfacen la restricción. Si dibujamos todas las restricciones y sus semiplanos correspondientes encontraremos que la región que forma la intersección de todos los semiplanos incluye todas las combinaciones de X1 y X2 que satisfacen todas las restricciones del modelo. Esta región se presenta en la figura 3.2 (el área entre los puntos A, B, C, D y E) y se conoce como la región factible o espacio de soluciones y es un conjunto convexo3. Cualquier problema de optimización con restricciones lineales tiene una región factible convexa. Cualquier solución de la región factible es conocida como Solución factible. Si la región está vacía no existen soluciones factibles (ver el ejemplo de la figura 2.4).

Figura 3.1: Visualización de una restricción Ahora se tiene que escoger la solución factible que optimice nuestra función objetivo, que es Z = X1 + X2. Obsérvese que normalmente existen infinitas soluciones factibles y será la función objetivo quién escoja aquella que optimiza su valor. En la programación lineal la función objetivo también tiene forma lineal. Se trata de determinar el valor máximo de Z que cumpla todas las restricciones o, en otras palabras, encontrar los valores de X1 y X2, puntos dentro de la región factible, que maximicen Z. La mecánica para lograr encontrar el punto óptimo se basa en la linealidad del objetivo. En este ejemplo, el objetivo se puede re-escribir de la forma siguiente: X2 = -X1 + Z A medida que Z aumenta, la recta se desplaza paralelamente hacia fuera, ya que la pendiente es constante (en este caso igual a -1). Se trata de encontrar el valor de Z máximo, pero con la condición de que tiene que haber como mínimo un punto de la recta que atraviese la región factible. En el gráfico 2.2 esta recta se presenta para el valor de Z = 62, valor óptimo del problema, en donde X1 = 34 y X2 = 30. Para cualquier valor de Z superior a 62, no existirá ninguna solución factible ya que la recta correspondiente a la función
3

Para cualquier pareja de puntos dentro del espacio factible, el segmento de línea que los une también se encuentra dentro del conjunto. 72

objetivo se desplaza hacia el exterior, y consecuentemente no tocaría ninguna parte de la región factible. Para valores de Z inferiores a 62, existen muchas soluciones factibles, pero ninguna de ellas es óptima. Intuitivamente se puede ver que la solución óptima siempre se producirá en un punto extremo o vértice, que en el gráfico no es más que el punto de intersección de dos o más restricciones. Más formalmente, un punto de un conjunto convexo es un punto extremo si no hay ningún par de puntos del conjunto convexo en donde el segmento de línea que los une pase por el punto en cuestión. Otra forma de obtener el óptimo es calcular el valor del objetivo en cada uno de los puntos extremos y escoger aquel punto extremo que da el mejor valor. Este punto dará el valor óptimo.

Figura 3.2: Solución gráfica del ejemplo Existen situaciones en donde no hay una única solución, si no que pueden haber infinitas soluciones, o por el contrario, no existir solución alguna. Examinemos el primer caso con la ayuda de la figura 3.3. La recta correspondiente al objetivo tiene la misma pendiente que una de las restricciones. Es decir, que todas las combinaciones de las dos variables entre los puntos A y B cumplen las restricciones y maximizan el beneficio. Por otro lado, la figura 2.4 muestra una situación en donde no hay soluciones. La representación gráfica (figura 3.4) corresponde al programa lineal siguiente:

Figura 3.3: Infinitas Soluciones 73

74 . En la sección siguiente se desarrolla un método bastante eficiente para encontrar soluciones óptimas de programas lineales con muchas variables y restricciones. Desgraciadamente. aproximadamente 10600. Intuitivamente. Esto reduce bastante el espectro de soluciones del problema.2 El Método Simplex El primer método formal para encontrar soluciones óptimas –el método Simplex. Actualmente es el método más utilizado en la búsqueda de soluciones óptimas de programas lineales. se dibujaba la función objetivo fuera del conjunto convexo dando un valor arbitrario al propio objetivo y se iba desplazando ésta paralelamente (ya que su pendiente es siempre constante) hasta encontrarse con un punto extremo. un problema grande con 2000 variables y 4000 restricciones tiene exactamente 22000 puntos extremos. como mínimo4.4: Inexistencia de soluciones El método gráfico es sencillo de aplicar para encontrar la solución óptima de un programa lineal de optimización.Figura 3. Aún así. podemos ver que sea cual sea la función objetivo lineal.fue desarrollado por Dantzig en 1947 y mejorado por Charnes entre 1948 y 1952. El conjunto formado por las restricciones es convexo 2. La solución siempre ocurre en un punto extremo 4 Decimos como mínimo. 3. En primer lugar recordemos como encontrábamos soluciones con el método gráfico. la solución óptima se encontrará en un punto extremo. puede haber muchísimos puntos extremos en un problema. porque como hemos visto pueden existir (raramente) situaciones en donde hay más de una solución óptima. Dantzig hizo estas mismas suposiciones (o eso creemos) y observó primero las características matemáticas siguientes: 1. Primero formábamos un conjunto convexo con las restricciones del modelo. siempre habrá un punto extremo que dé el valor óptimo. tenemos que encontrar un método para reducir el número de soluciones factibles posibles de ser óptimas. es decir. pero únicamente cuando éste solo tiene dos variables de decisión. aún así. la gran mayoría de problemas lineales aplicados tienen muchas más variables (algunos llegan a tener millones de ellas) y por lo tanto se hace inviable su utilización. Por lo tanto. Segundo. limitando la búsqueda del óptimo a los puntos extremos. En este apartado se examina su funcionamiento de forma simple e intuitiva. Por ejemplo.2.

3 y Z = 59. mantenemos esta solución y volvemos a examinar los puntos extremos adyacentes a B. Dantzig y más tarde Charnes desarrollaron un método matemático para poder efectuar estas operaciones. Si tenemos n variables y m restricciones con desigualdad. podemos añadir una variable de holgura. unas variables que denominaremos estructurales y un conjunto de restricciones.3. es decir. De nuevo la solución ha mejorado y la guardamos como la mejor hasta ahora encontrada. Si en la solución final del modelo la restricción se cumple con igualdad dados unos valores finales de X1 y X2 entonces la variable de holgura asociada a la restricción es igual a 0. La interpretación es la misma que en el caso anterior: si en la solución final X3 = 0. Esta solución es la óptima. Examinar un punto extremo adyacente al encontrado en la etapa 1 y calcular el nuevo valor de la función objetivo. Como el punto A ya lo hemos visitado (y era claramente inferior). la restricción se cumplirá con igualdad. Regla de parada: cuando no existe ningún extremo adyacente que mejore la solución. un programa lineal está compuesto por una función objetivo que queremos optimizar (maximizar o minimizar). En este punto extremo X1 = 17. nos hallamos en el óptimo Es decir. ya que no existe ningún punto extremo adyacente que mejore el objetivo. ignorar la solución nueva y volver a examinar otro punto extremo. ó =.8 el algoritmo se para y estamos en el óptimo. una restricción de tipo X1 + X2 12 puede transformarse en X1 + X2 – X3 = 12. Un punto extremo siempre tiene como mínimo dos puntos extremos adyacentes5 Y a partir de ellas desarrolló el método siguiente: Encontrar una solución inicial factible en uno de los puntos extremos del conjunto convexo y calcular el valor de la función objetivo. Por ejemplo. Como el objetivo ha mejorado. Con estas consideraciones. hasta llegar a un punto en donde no existe ningún punto extremo adyacente al que nos encontramos. Finalmente. la variable de exceso mide el consumo adicional que realizamos de un recurso disponible. que corresponde a los puntos X1 = 0 y X2 = 48 y Z = 48. nos queda por ver el punto C. D es el único punto extremo que nos queda por examinar y como en este punto X1 = 34 y X2 = 30 y Z = 7. En general. si la restricción tiene la dirección _.3. podemos encontrar tres tipos de restricciones en función de la dirección de la desigualdad: . encontrar los valores de los puntos extremos adyacentes. cualquier programa lineal con restricciones de desigualdad puede transformarse en un problema lineal con todas las restricciones con forma de igualdad sin alterar la naturaleza matemática del problema. Esta transformación se denomina la forma canónica o forma aumentada de un programa lineal. Ahora examinamos el punto extremo adyacente B. la variable de holgura mide la diferencia entre los recursos utilizados realmente y los discursos disponibles. Si este nuevo valor mejora el objetivo.2. que vamos de punto extremo a punto extremo adyacente siempre que podamos mejorar la solución. En caso contrario. Observemos de nuevo el problema lineal presentado y su correspondiente solución gráfica presentada en la Figura 3.2. Por ejemplo. la restricción X1 + 3X2 144 se puede transformar en X1 + 3X2 + X3 = 144. en la figura 3. X2 = 42. Por ejemplo. En otras palabras.2. cuando 5 Un punto extremo A es adyacente a un punto extremo B si no existe ningún punto extremo entre ellos. los puntos B y D son adyacentes al punto C. En este caso. Si la desigualdad tiene la dirección . Para encontrar una solución inicial en un punto extremo podemos fijar X1 = 0 y X2 = 0 y el valor del objetivo Z será igual a 0. Para poder ver como funciona. 75 . guardar la nueva solución y repetir la etapa 2. podemos añadir una variable de exceso para obtener una ecuación lineal. es necesario realizar las consideraciones siguientes: Como hemos visto. solución que corresponde al punto extremo A en la Figura 3. Así mismo. Toda restricción con los sentidos ó pueden transformarse en una restricción con igualdad añadiendo una variable.

Por lo tanto.2 64 54 0 X1 A B C D E A 0 0 16. veremos que en cada punto extremo siempre hay tres variables positivas y dos con valor 0. los puntos A.4 nos puede ayudar a entender como funciona el algoritmo Simplex y el vocabulario algebraico definido en este capítulo. B. Para obtener una solución determinada tenemos que fijar a priori dos variables para determinar entonces un sistema con tres variables y tres ecuaciones. Si miramos el Cuadro 3. La explicación intuitiva de esta situación es la siguiente: si observamos un punto extremo en la Figura 3. Como hemos mencionado anteriormente. el método Simplex se mueve de punto extremo a punto extremo adyacente 76 . Escojamos como punto de partida el punto extremo A. Obsérvese que en nuestro ejemplo tenemos dos variables estructurales X1 y X2 y tres variables de holgura X3. que tendrá una solución única. es decir. D. la forma canónica del problema será la siguiente: Los valores de las variables en los puntos extremos se presentan en el Cuadro 3. Estas variables se denominan variables no básicas y las restantes. que suman un total de cinco variables.4. tendremos m+n variables y m+r restricciones con igualdad en la forma canónica. para que el problema sea factible. En el ejemplo tenemos que en cualquier punto extremo factible siempre tendremos dos variables iguales a 0 y 3 no-negativas.2 veremos que en él pasan dos rectas correspondientes a dos restricciones con signo igual. En el método Simplex. X4 y X5. En nuestro ejemplo. siempre se fija el valor de dos variables en 0. El Cuadro 3. En resumen. Si utilizamos el ejemplo de la asignación de recursos. A continuación examinaremos las propiedades algebraicas de las soluciones básicas. Estas son nuestras variables nobásicas.5: Puntos extremos del ejemplo Diremos que una solución aumentada es una solución de la forma canónica del programa lineal. un total de m + n variables y m restricciones. dos variables de holgura asociadas a estas restricciones son iguales a 0. existen infinitas soluciones del sistema y nuestro objetivo es escoger entre ellas la que optimice el valor de la función objetivo. Tenemos por lo tanto dos grados de libertad para encontrar soluciones. si tenemos un programa lineal con n variables.5.8 34 54 0 X2 0 48 42. y tres restricciones con igualdad o ecuaciones. En este caso.8 0 0 X5 982 118 0 0 280 0 144 162 982 Cuadro 3. La solución de este sistema de ecuaciones es una solución básica. Si todas las variables básicas son no-negativas. tenemos una solución básica factible. variables básicas. En este caso. Una solución básica factible es una solución aumentada en un punto extremo.4 30 0 X3 144 0 0 20 90 X4 162 66 26.escribimos la forma canónica del problema lineal tendremos m nuevas variables de holgura o exceso. y E son soluciones básicas factibles. tendremos que el conjunto de restricciones forma un conjunto de ecuaciones lineales con más variables que ecuaciones. m restricciones con desigualdad y r restricciones con igualdad. C. Por otro lado. se tiene que cumplir lo siguiente: m+n m+r. Número de Variables Positivas 3 3 3 3 3 3 Valor Del Objetivo 0 48 59. el número de restricciones no puede superar el número de variables.

Existe un número finito de soluciones factibles en los puntos extremos Si una solución en un punto extremo es igual o mejor (según el valor del objetivo Z) que todas las soluciones de los puntos extremos adyacentes. es óptima. de momento consideraremos únicamente el caso de un programa lineal con restricciones de tipo “menor o igual” ( ). En el punto A teníamos una solución básica factible (dos variables con valor 0. ¿Cómo identificamos la nueva solución? Prueba de Optimalidad: ¿Cómo determinamos que la solución factible en un punto extremo (solución básica factible) no tiene soluciones factibles en un punto extremo adyacente (soluciones básicas adyacentes) que mejoren el objetivo? Para responder a estas preguntas. es decir. como mínimo. El punto A tiene dos puntos extremos adyacentes.siempre que el objetivo mejore. En términos generales. Escogemos arbitrariamente el punto B. dos variables que tenían valor positivo en el punto extremo adyacente anterior pasan a tener un valor 0. ¿Adónde se realiza el traslado? (¿Qué variable básica se transforma en no-básica?) c. y las otras con valores positivos). tenemos que dar respuestas a las preguntas siguientes: Paso inicial: ¿Cómo seleccionamos la solución factible inicial en un punto extremo (la solución básica factible inicial)? Paso Iterativo: Cuando buscamos un traslado a una solución factible en un punto extremo adyacente (una solución básica factible adyacente): a. En el punto D. Más adelante ampliaremos el análisis cuando el problema también contiene los otros tipos de restricciones. son las mismas. pasar de una solución básica factible a una adyacente implica el cambio del estado básico de una variable a uno no básico. Este proceso se repite cada vez que pasamos de punto extremo a punto extremo adyacente: una de las variables básicas (con valor positivo) pasa a ser no-básica (valor 0) y una variable no-básica pasa a ser positiva (variable básica). entonces ésta tiene que ser obligatoriamente una solución factible en un punto extremo (una solución básica factible). y viceversa. hace falta estudiar cómo se realizan éstos. entonces. entonces ésta es igual o mejor que todas las otras soluciones en todos los puntos extremos. ¿Cómo se selecciona la dirección del traslado? (¿Qué variable no básica se escoge para transformarla en básica?) b. En primer lugar re-escribimos nuestro ejemplo en la forma canónica equivalente: 77 . Cuando pasamos al punto extremo B. observamos que una variable estrictamente positiva en A pasa a tener el valor 0 (la variable X3) mientras que una de las variables con valor 0 pasa a tener un valor estrictamente positivo (la variable X2). En otras palabras. Ahora que ya conocemos los pasos que efectúa el método Simplex para buscar una solución óptima de un programa lineal. tiene que haber dos que sean factibles en puntos extremos adyacentes. menos una de sus variables no-básicas. El número de variables básicas siempre es igual al número de restricciones funcionales. dos soluciones básicas son adyacentes si todas. Entonces. Para entender la mecánica del método. X1 y X2. Propiedades de las soluciones factibles en un punto extremo Si existe una única solución óptima. Ambos mejoran el objetivo. Si hay varias soluciones óptimas. el número de variables no básicas de una solución básica siempre es igual a los grados de libertad del sistema de ecuaciones de la forma canónica.

sea positivo. Esta variable. X5 = 982) correspondiente al punto extremo A. Por lo tanto. al mismo tiempo. Escogemos arbitrariamente X2 ya que tiene el mismo coeficiente en la ecuación (0) que X1.Obsérvese que ahora la ecuación (0) del objetivo está incluida dentro del sistema de ecuaciones y que podemos considerar Z como una variable adicional. la solución factible será (0. 982). 162. Como criterio. Como el método Simplex requiere que este cambio implique una mejora en el objetivo. 2. Observemos la ecuación (0) del sistema. Pronto observaremos que. por ejemplo. X2 pasa de ser 0 a ser 1. el objetivo aumentará en una unidad. y por lo tanto el coeficiente asociado a estas variables es la tasa de cambio del valor del objetivo. 0. Paso Inicial Este paso inicial consiste en encontrar cualquier solución básica factible. La razón por la cual la solución encontrada se deduce rápidamente es debido a que cada ecuación tiene una única variable básica con un coeficiente asociado a ella igual a +1. Esta expresión refleja el valor de Z en función de las variables no-básicas. es necesario que la tasa de cambio en Z al aumentar el valor de la variable básica entrante. Paso iterativo: En cada iteración. las dos variables no-básicas son candidatas a entrar en la base ya que aumentarían el valor del objetivo. Pregunta b: ¿Cómo identificamos la variable básica saliente? 6 Este criterio es subjetivo y no implica que la solución óptima sea alcanzada más rápidamente 78 . Este movimiento consiste en convertir una variable no-básica (llamada variable básica entrante) en una variable básica y. Si. X4 = 162. el algoritmo Simplex utiliza un método algebraico llamado eliminación de Gauss para poner las ecuaciones en esta forma tan conveniente para obtener las soluciones básicas factibles subsecuentes. que escogeremos para pasar de no-básica a básica. mientras que las restantes seguirán con valor 0. el método Simplex se mueve desde una solución básica factible a una solución básica factible adyacente que mejora el objetivo. 1. 144. convertir una variable básica (llamada variable básica saliente) en variable nobásica. Esta forma funcional (una variable básica por ecuación con coeficiente +1) se denomina forma apropiada de eliminación gausiana. y a identificar la nueva solución básica factible. Una manera fácil de hacerlo es igualando las variables estructurales del modelo a 0. Pregunta a: ¿Cuál es el criterio para seleccionar la variable básica entrante? Las candidatas para la variable básica entrante son las n variables no básicas actuales. cuando el conjunto de variables básicas cambia. y que esta variable básica no aparece en ninguna otra ecuación del sistema. Si observamos la forma canónica equivalente tendremos que igualando X1 y X2 a 0 las variables de holgura automáticamente cogen valores nonegativos (X3 = 144. pasará de tener un valor 0 a tener un valor positivo. escogeremos la variable cuyo coeficiente aumente más el objetivo al pasar a ser básica6. En nuestro ejemplo.

el método Simplex utiliza la forma apropiada de eliminación de Gauss que teníamos en el paso inicial (aquella en la cual cada ecuación tiene únicamente una variable básica con coeficiente +1. El problema se puede escribir de la forma siguiente: 79 .3X1 . tendremos que X1 = 0 en la segunda columna del Cuadro 3.18X4 X2 982/18 = 54. X4. Se trata de encontrar la nueva forma apropiada después del cambio de base. que corresponde al punto extremo B. ya que X1 sigue siendo igual a 0. Multiplicar (o dividir) una ecuación por una constante diferente de 0. Vamos a ver como funciona en nuestro ejemplo. La solución básica adyacente se alcanza cuando la primera variable básica que tenía valor positivo pasa a ser igual a cero (recordemos las restricciones de no-negatividad). la variable básica saliente será X3.13X1 . y esta variable básica aparece en una única ecuación).3X2 X4 = 162 . Como en este caso X3 (la variable de holgura correspondiente a la restricción X1 + 3X2 144) impone la cota negativa más pequeña sobre X2. 2. Examinemos esta cuestión en nuestro ejemplo. Estas operaciones son: 1. Por lo tanto. y X5. Cuando escribimos el problema en forma canónica. una vez escogida la variable que entrará en la base. de manera que en la nueva situación tendremos que X3 = 0 (no-básica) y X2 = 48 (básica). Tenemos que las variables básicas candidatas a salir de la base (es decir. la variable que sale de la base será aquella que llegue primero a 0. Pregunta c: ¿Cómo podemos identificar de manera convincente la nueva solución básica factible? Después de haber identificado las variables entrantes y salientes de la base (incluyendo el valor de la variable básica entrante). La solución adyacente se alcanza en el punto B. Variable Básica X3 X4 X5 Ecuación X3 = 144 . X4. una solución que cumple un sistema de ecuaciones determinado también lo hará después de la transformación. Para poder calcular estos valores.5: Cálculos para obtener la variable saliente Como X1 es una variable no-básica. necesitamos conocer cual es el valor nuevo del resto de variables básicas. incluidas las de holgura.6 Cuadro 3.5. En el Cuadro 3.X1 . Sumar (o restar) un múltiple de una ecuación con otra ecuación Estas operaciones son legítimas porque implican únicamente: 1) multiplicar cosas iguales (los dos lados de la ecuación) por una constante y 2) sumar cosas iguales con cosas iguales. Recordemos que X1 sigue siendo igual a 0. Algunas de estas variables se reducirán al aumentar X2. a ser iguales a 0) son X3. Consideremos en sistema de ecuaciones originales.2X2 X2 X2 Cota Superior Para X2 144/3 = 48 mínimo 162/2 = 81 X5 = 982 . X5. Cuando vamos aumentando el valor de X2 manteniendo X1 = 0 (variable nobásica). X3 = 0 si X2 = 48 (mientras que X3 > 0 si X2 < 48. y X3 < 0 cuando X2 > 48). Esta variable será la que sale de la base y por lo tanto se transformará en no-básica. que viene determinada por la restricción X1 + 3X2 144. las soluciones factibles tienen que cumplir tanto las restricciones funcionales como las de no-negatividad de todas las variables. al aumentar el valor de X2 manteniendo X1 igual a 0 nos desplazamos por el eje de las ordenadas (que corresponden precisamente a los valores de X2). algunas de las variables en la base actual (X3. que se cumplirá con igualdad y por lo tanto acotará en 48 el valor de X2. en el cual se muestran las variables básicas en negrita. Por ejemplo. Por lo tanto. Se necesita realizar dos operaciones algebraicas normalmente utilizadas para resolver sistemas de ecuaciones lineales.Si ignoramos las variables de holgura. X6) también van cambiando de valor para mantener válido el sistema de ecuaciones. La tercera columna indica las cotas superiores para X2 antes de que la variable básica correspondiente a la primera columna sea negativa. La variable básica actual con la cota superior más pequeña junto con la restricción su no-negatividad será la escogida.5 Se presentan los cálculos para identificar cual es la variable básica saliente.

Comencemos por la ecuación (0). Tenemos que realizar la operación siguiente: Ec.(1) nueva] Para la ecuación (3). la nueva ecuación (1) es la siguiente: El paso siguiente es eliminar X2 de las otras ecuaciones. (2) nueva = ec. (3) nueva = ec. Entonces tenemos que resolver este sistema de ecuaciones para encontrar los valores de las variable básicas X2. necesitamos realizar una transformación para que su coeficiente sea 1.Ahora X2 ha substituido a X3 como variable básica en la ecuación (1). (3) antigua – 18 [ec. Lo haremos a continuación para la ecuación (2). X4. (0) nueva = ec. la nueva forma gausiana del sistema de ecuaciones es la siguiente: 80 . Para ello basta multiplicar ambos lados de la ecuación por 1/3.(2) nueva Es decir: Tenemos que realizar el mismo procedimiento para las ecuaciones (2) y (3). tenemos que realizar la operación siguiente: Ec. (0) antigua + ec. Una vez realizada la operación. Para eliminar X2 de la ecuación (2). X5 (recordemos que ahora X1 y X3 = 0) y de Z. tenemos que realizar una operación similar: Ec. Como que X2 tiene un coeficiente igual a +3 en la ecuación (1). (2) antigua – 2 [ec.(1) nueva] Por lo tanto.

6: Variable Básica X2 X4 X5 Ecuación X2 = 48 – 1/3X1 – 1/3X3 X1 X4 = 66 – 7/3X1 + 2/3X3 X1 Cota Superior Para X1 48*3 = 144 66*(3/7)= 198/7 . Segunda iteración Paso 1. Por lo tanto no estamos en la solución óptima y hay que realizar de nuevo el proceso. la función solo aumentará si X1 X5 = 114 – 7X1 + 6X3 X1 118/7 mínimo Cuadro 3. que aparecen únicamente en una ecuación y con un coeficiente igual a 1. si comparamos este nuevo sistema de ecuaciones con el anterior. para que tenga un coeficiente 1. veremos que sigue teniendo la forma apropiada de eliminación de Gauss que permite obtener inmediatamente el valor de las variables en la solución (recordemos que X1 = 0 y X3 = 0 ya que son las variables no básicas).6: Cálculos para obtener la variable saliente Escogeremos X5 como la variable básica saliente ya que es la cual que. si la variable pasa a tener valores positivos. Como que la ecuación (0) actual es aumenta. volvemos a transformar las otras en la forma gausiana apropiada: 81 . Paso 2. Para ello tenemos que dividir la ecuación (3) por 7. Volvemos a realizar la transformación gausiana. 96. El siguiente paso es ver si esta nueva solución es la óptima. Por lo tanto. Ya tenemos la variable que entrará en la base. 114) que corresponde al punto extremo B. Hay que observar que en la ecuación (0) siempre están únicamente la variables no-básicas. Para ello examinamos en la siguiente ecuación (que corresponde a la ecuación (0)) los coeficientes de las variables no básicas: Como la variable no-básica X1 tiene un coeficiente positivo (2/3). El valor del objetivo es igual a 48. Ahora tenemos una nueva solución básica factible igual a (0. 48. en donde X1 entrará en la base y otra variable básica dejará de serlo. Ahora hay que eliminar X1 de todas las ecuaciones para encontrar la nueva solución de todas las variables y del objetivo.En negrita figuran las variables básicas. X5 alcanza primero el valor 0. a medida que aumenta el valor de X1. El resultado es el siguiente: Con esta ecuación. 0. el objetivo aumentará. Primero tenemos que transformar la ecuación correspondiente a la variable entrante. Paso 3. El límite superior sobre X1 antes de que las variables básicas sean negativas está indicado en el Cuadro 3.

Prueba de Optimalidad.(3) nueva] Por lo tanto.(3) nueva] Es decir: Tenemos que realizar el mismo procedimiento para las ecuaciones (1) y (2). tenemos que realizar la operación siguiente: Ec. (0) antigua + 2/3 [ec.(3) nueva] Para la ecuación (2). (2) nueva = ec. (1) nueva = ec. (1) antigua – 1/3 [ec.Ec. (2) antigua – 7/3 [ec. 0. 82 . 0) y el valor del objetivo es Z =1244/21. 80/3. tenemos que realizar una operación similar: Ec. (0) nueva = ec. Para eliminar X2 de la ecuación (1). Lo haremos a continuación para la ecuación (1). la nueva forma gausiana del sistema de ecuaciones es la siguiente: La solución básica factible siguiente es (118/7. 890/21.

y es preciso realizar una nueva iteración del algoritmo Simplex. De aquí que no exista una cota superior. (0) antigua + 5/21 [ec. El límite superior sobre X3 antes de que las variables básicas sean negativas está indicado en el Cuadro 3. y tenemos que escoger una variable básica para salir de la base. Ya tenemos la variable que entrará en la base. Volvemos a realizar la transformación gausiana. el valor del objetivo puede aumentar si esta variable pasa a ser básica.(2) nueva] Es decir: 83 .1/7X5 infinita (890/21)*(21/13)= 890/13 mínimo Cota Superior Para X3 .7: Variable Básica X1 X2 X4 Ecuación X1 = 118/7 + 6/7X3 .4/3X3 + 1/3X5 X3 (80/3)*(3/4) = 20 Cuadro 3. Ahora hay que eliminar X3 de todas las ecuaciones para encontrar la nueva solución de todas las variables y del objetivo. El resultado es el siguiente: Con esta ecuación.7: Cálculos para obtener la variable saliente Escogeremos X4 como la variable básica saliente ya que es la cual que. X4 alcanza primero el valor 0. Tercera iteración Paso 1. al aumentar el valor de X3 el valor de X1 también aumenta. volvemos a transformar las otras en la forma gausiana apropiada: Ec. Paso 2.Tenemos que verificar si las variables no-básicas del objetivo tienen coeficientes que permitan aumentar el valor del objetivo si éstas cogen valores positivos. (0) nueva = ec. Por otro lado. Para ello tenemos que multiplicar la ecuación (2) por 3/4. la función solo aumentará si X2 = 890/21 – 13/21X3 + 1/21X5 X3 X4 = 80/3 . Como que la ecuación (0) actual es X3 aumenta. Por lo tanto. para que tenga un coeficiente 1. El nuevo objetivo es: Como una de las variables no-básicas tiene un coeficiente positivo. a medida que aumenta el valor de X3. Paso 3. Primero tenemos que transformar la ecuación correspondiente a la variable entrante. aún no hemos alcanzado el óptimo. Ahora la variable X3 entrará en la base.

(1) nueva = ec. ya que no podemos pasar a un punto extremo adyacente que mejore el valor del objetivo.Tenemos que realizar el mismo procedimiento para las ecuaciones (1) y (3). El nuevo objetivo es: Como ninguna de las variables no-básicas tiene un coeficiente positivo. el valor del objetivo no puede aumentar si cualquiera de las variables no básicas pasa a ser básica.(2) nueva] Para la ecuación (3). tenemos que realizar la operación siguiente: Ec.(2) nueva] Por lo tanto. En resumen. Lo haremos a continuación para la ecuación (1). (3) antigua + 6/7 [ec. (1) antigua – 13/21 [ec. Por lo tanto. (3) nueva = ec. 0) y el valor del objetivo es Z = 64. la nueva forma gausiana del sistema de ecuaciones es la siguiente: La solución básica factible siguiente es (34. hemos alcanzado el óptimo. Prueba de Optimalidad. 20. Tenemos que verificar si las variables no-básicas del objetivo tienen coeficientes que permitan aumentar el valor del objetivo si éstas cogen valores positivos. Para eliminar X3 de la ecuación (1). Introducir las variables de holgura para obtener la forma canónica del programa 84 . tenemos que realizar una operación similar: Ec. 0. 30. el método Simplex tiene los pasos siguientes: 1.

ya que. nos vemos obligados a introducir una nueva variable no-negativa. al aumentar su valor. c. Pero. en la solución final S3 tendrá el valor 0. b. A continuación veremos como adaptar la formulación del modelo con alguna de estas características para poder utilizar el método Simplex. se quedará con el valor 0). en principio no hay que introducir una variable de holgura para formar la forma canónica. En este caso. en nuestro ejemplo. si como mínimo uno de los coeficientes asociados a las variables básicas es positivo.2. Examinamos si la nueva solución encontrada es óptima: únicamente necesitamos examinar los coeficientes de las variables no básicas que están en el objetivo. Una vez que sabemos cual es la variable básica que sale de la base. Supongamos que.2. Pero hay otros casos co mo los problemas de minimización y la existencia de restricciones con igualdad o con desigualdad . 3. Por lo tanto.3 Adaptación a otro tipo de modelos Hasta ahora hemos estudiado el método Simplex para problemas de maximización con restricciones con la desigualdad . el método Simplex escogerá esta variable para salir de la base y nunca más volverá a entrar (es decir. Es meramente un artificio matemático. el problema no tendría sentido (la restricción no se cumpliría con igualdad). Si procedemos a encontrar una solución inicial factible igualando X1 y X2 a 0 nos encontramos con el problema de que esta nueva restricción no se cumple. queremos que S3 tenga el valor 0 (sea no básica). 3. Determinar la variable básica entrante: seleccionar la variable no básica que. el problema sería infactible. aumente más rápidamente el valor del objetivo. Si todos los coeficientes son negativos. Las variables no-básicas se igualan a 0. que llamaremos M: Z = X1 + X2 . cada variable básica junto con Z es igual al nuevo lado derecho de la ecuación en la cual aparece con coeficiente +1. En la próxima sección veremos como eliminar esta variable del objetivo. Para poder conseguirlo. se determina la nueva solución básica factible: a partir del conjunto actual de ecuaciones se aíslan las variables básicas y Z en términos de las variables no-básicas utilizando el método de eliminación de Gauss. Si esto no fuera así. pero con un coeficiente negativo de valor muy elevado (respecto a los otros). De hecho. hemos aumentado el número de variables añadiendo una que no tiene ninguna interpretación económica. 85 . Por otro lado. en la solución final. pero que nos sirve para encontrar una solución inicial factible. Restricciones con igualdad El problema básico con las restricciones de igualdad es la obtención de una solución básica factible inicial. si esto no es así. estamos en el óptimo. Determinar la variable básica saliente: ésta es la que alcanza el valor 0 más rápidamente a medida que aumentamos la variable entrante. denominada artificial. Restricciones con dirección .MS3 Como este valor penaliza la variable en el objetivo. añadimos esta variable artificial en el objetivo. tenemos una restricción adicional que se tiene que cumplir con igualdad (X1 + X2 = 7). S3 de la siguiente forma: X1 + X2 + S3 = 7 Gracias a la introducción de esta variable artificial S3 ya podemos encontrar una solución inicial factible en donde S3 es una variable básica igual a 7. Encontrar una solución inicial de un punto extremo y realizar la prueba de optimalidad. Para poder obtener una solución inicial factible. tenemos que repetir los pasos 2 y 3. 4. Si no estamos en el óptimo: a.

Entonces. ya que esta forma requiere que todas las variables básicas tengan un coeficiente 0 en la ecuación (0) correspondiente al objetivo. el procedimiento es exactamente el mismo. nos desplazamos a un nuevo punto extremo adyacente).2. el cuadro inicial no esté en la forma apropiada de eliminación gausiana. por lo que tendrá un valor negativo. Si en la solución final aún tenemos M en la ecuación (0). Esta variable tendrá un signo negativo en la ecuación: 4X1 + 2X2 .(3) Es decir: Ahora ya podemos proceder con el método Simplex ya que todas las variables básicas en la ecuación (0) tienen un coeficiente asociado igual a 0. el sistema no tiene solución. Si esta variable continua con valor positivo al final del método Simplex. (0) antigua – M * ec. las variables con el valor M en el objetivo van entrando en la base y llegará un punto en que M desaparecerá del sistema. en este caso añadimos una variable de exceso nonegativa. incumpliendo las condiciones de no-negatividad de todas las variables en el método Simplex. Si tenemos más de una restricción con igualdad. tenemos que recurrir al artificio de introducir una variable artificial que nos permita obtener una solución factible inicial S3: 4X1 + 2X2 . que mide la diferencia entre el valor del lado izquierdo de la ecuación (4X1 + 2X2) y el lado derecho (135). (0) nueva = ec. 86 . A medida que el procedimiento continua. De nuevo. tanto si tenemos restricciones con igualdad o desigualdad _. el procedimiento es el de siempre: el método de eliminación de Gauss.E3 + S3 = 135 En este caso escogemos S3 como variable básica inicial correspondiente a la restricción (3). Cada una de las variables artificiales tendrá un coeficiente –M en el objetivo y tendremos que encontrar la forma apropiada de eliminación de Gauss. el coeficiente de E3 en el objetivo tomará el valor 0.E3 = 135 Ahora bien. Escogeremos aquella cuyo coeficiente aumente más el objetivo. E3 se igualará a –135. Hemos de observar que cuando E3 entra en la base y otra variable sale de la base (es decir. escogeríamos E3 como variable básica entrante y procederíamos a buscar la variable básica saliente de la misma forma que lo hicimos anteriormente. En este caso. el problema es infactible. añadiremos la variable artificial S3 en el objetivo con un coeficiente –M. para poder iniciar el método Simplex. y en este caso la variable básica S3 tiene un coeficiente igual a -M. Ahora tenemos que decidir que variable no-básica tiene que entrar en la base. De nuevo. Como en el caso anterior (restricciones con igualdad). tenemos que transformar esta ecuación (0) en la forma apropiada de eliminación de Gauss. Ahora bien. Tendremos que realizar la operación siguiente: Ec. El hecho de añadir la variable artificial en el objetivo implica que. E3. el procedimiento es muy similar al utilizado hasta ahora en el método Simplex. En este caso. para poder así determinar tanto la variable que entrará en la base como el test de optimalidad. al fijar inicialmente X1 y X2 iguales a 0.Supongamos ahora que añadimos la restricción (3) del problema de la sección 2. al iniciar el método Simplex.2: 4X1 + 2X2 135 En este caso tenemos que encontrar una solución inicial de la misma forma que hacíamos anteriormente para poder ejecutar el método Simplex.

hay que modificar el modelo para poder utilizar en método Simplex. Ahora ya podemos aplicar el método Simplex. debido a las propiedades geométricas de la solución factible en un punto extremo. En la solución final. si Z se queda igual. tenemos que minimizar el objetivo (por ejemplo. o las dos son iguales a 0. ya que éste únicamente permite que las variables tomen valores positivos o cero. tendremos que sustituir esta variable en todas las ecuaciones por dos variables y de la manera siguiente: en donde y . Otra manera de operar con un objetivo de minimización es seleccionar la variable nobásica entrante que reduzca en mayor grado el valor del objetivo. minimizar costos. La causa de esta equivalencia es que. En este caso.4X2 Una vez hecha esta transformación. Como estas dos variables pueden coger cualquier valor no-negativo. Empate en la variable saliente Supongamos que ahora el empate se produce entre dos o más variables básicas al examinar el criterio de salida. Por ejemplo: Min Z = 3X1 + 4X2 es equivalente a: Max -Z = -3X1 .4 Situaciones especiales en el método Simplex ¿Qué pasa cuando vamos a escoger la variable no-básica entrante y hay un empate en el criterio? ¿Cómo detectamos problemas sin solución? ¿I si la solución es infinita? A continuación examinaremos como el método Simplex lidia con estas situaciones. Para poder resolver el problema. se escoge arbitrariamente una de ellas para entrar en la base. hemos examinado el método Simplex cuando estamos maximizando el objetivo. Empate en la variable entrante Si hay dos variables que tienen el coeficiente más grande (en valor absoluto) igual en la ecuación (0). Entonces. podemos aplicar el método Simplex descrito en esta sección. Supongamos que la variable Xi no está acotada inferiormente. mayor es –Z. 3. si una de estas variables continua con el valor 0 hasta que se selecciona como variable saliente en una iteración posterior. en muchos casos. todas las variables alcanzan el valor 0 al mismo tiempo cuando aumenta el valor de la variable entrante. el método 87 . Si esto sucede.Minimización Hasta ahora. su diferencia puede ser cualquier valor (positivo o negativo). minimizar el grado de contaminación o minimizar la mortalidad). Pero. O únicamente una de ellas tiene valor estrictamente positivo y la otra igual a 0 (o viceversa). la variable no-básica entrante también se quedará con valor 0 y el valor del objetivo no cambiará. las variables básica que no habíamos escogido como salientes de la base también tendrán valor 0 en la solución. Incluso. nunca tendremos las dos variables con valores positivos. cuanto menor es Z. Variables no acotadas Puede ocurrir que en algunas formulaciones las variables puedan coger valores negativos. Lo más sencillo es multiplicar el objetivo por –1. Puede pasar que. Este tipo de soluciones se llaman degeneradas. en vez de mejorar el objetivo en cada iteración.2.

en vez de ir cambiando para aumentar el valor del objetivo. Así podemos encontrar otras soluciones que. como hemos visto en el método gráfico. en la práctica esta situación es casi inexistente y normalmente los empates se rompen arbitrariamente. el problema tiene una solución infinita.Simplex entre en un ciclo que repite periódicamente las mismas soluciones. podemos encontrar otra solución óptima introduciendo esta variable no-básica en la base.. =. Pero todos ellos son muy ineficientes si se tiene que hacer los cálculos con lápiz y papel incluso para problemas pequeños. Si esta situación aparece. incluso programas con miles de variables y restricciones. Pues bien. 3.2 es: En primer lugar reordenamos el conjunto de restricciones en función de la dirección del signo ( . en otras palabras. existe un sinfín de programas de ordenador que resuelven problemas lineales muy eficientemente. nos ayuden a tomar una decisión en función del valor de las variables en el óptimo. Utilizaremos mismo ejemplo de las secciones anteriores. Z no cambia. Por suerte. el método Simplex se para cuando encuentra una solución óptima.5 Soluciones con Software Por ahora hemos visto dos métodos para encontrar soluciones de programas lineales. Soluciones óptimas múltiples Como hemos visto. ). También supondremos que se tienen conocimientos básicos de funcionamiento de este programa. No hay variable básica saliente: Z no acotado ¿Qué pasa cuando no hay variables básicas candidatas a salir en la base? O. puede haber situaciones en donde a medida que aumento el valor de la variable entrante todas las variables básicas también aumentan de valor (o no cambian). ya que no hay ninguna restricción que acote el objetivo. Pero.2.2. que determinaba automáticamente el nuevo valor de la variable entrante. a medida que aumentábamos el valor de la variable no-básica entrante. había como mínimo variable básica que iba disminuyendo hasta llegar a tener un valor 0.. Actualmente. sin cambiar el valor del objetivo. como mínimo una variable no-básica tiene el coeficiente igual a 0 en la ecuación (0) final. El sistema queda así: 7 La versión que se utiliza en este apartado corresponde a Office 2007. En esta sección describiremos como programar y solucionar un modelo de programación lineal en la hoja de cálculo Excel 2007 de Microsoft7. Los programas de hoja de cálculo también están incorporando métodos para obtener soluciones de programas lineales. aunque en versiones anteriores también existe el módulo de programación lineal 88 . se han elaborado programas lineales con ciclos infinitos. La formulación del problema de asignación de recursos de la sección 2. Siempre que el problema tiene más de una solución óptima factible. Simplemente. de manera que si su valor aumenta. De hecho. puede haber situaciones en las que hay soluciones óptimas múltiples. ¿qué hacemos cuando todos los cocientes calculados para seleccionar la base son de tal manera que no hay ninguno es positivo? Recordemos que.

Ahora tenemos que escribir las fórmulas correspondientes a las restricciones y a la función objetivo. El siguiente paso es indicar a la hoja de cálculo donde está en problema.Esto simplificará considerablemente la introducción de datos en la hoja Excel y en el módulo Solver. Obsérvese que el conjunto de restricciones puede representarse de formal matricial solo con los coeficientes de las variables: Coeficientes Recursos X1 X2 Disponibles 1 3 144 3 2 162 1 -3 0 13 18 982 4 2 135 Cuadro 3. En el rango D12-D16 figuran los valores de los recursos (lado derecho de las restricciones y en las celdas B5 y C5 los coeficientes de las variables en el objetivo. Esto es debido a que por ahora las celdas asociadas a las variables de decisión están vacías. Entonces aparecerá un recuadro como el de la Figura 3. Las formulas del lado izquierdo de las restricciones están escritas en el rango E12E16. Las celdas B8 y C8 representarán los valores de las variables de decisión X1 y X2. Precisamente vamos a escribir esta matriz en las celdas de la hoja de calculo En la Figura 3. Entramos en la opción Herramientas y escogemos en el menú el Solver. Obsérvese que por el momento las celdas con fórmulas tienen el valor 0. 89 . La fórmula de la función objetivo está escrita en la celda E2.8: Coeficientes La primera columna corresponde a los coeficientes de X1 y la segunda a los coeficientes de X2. Estas son: =B12*$B$8+C12*$C$8 =B13*$B$8+C13*$C$8 =B14*$B$8+C14*$C$8 =B15*$B$8+C15*$C$8 =B16*$B$8+C16*$C$8 Ahora ya tenemos preparado el modelo.6. La fórmula es la siguiente: =B8*$B$5+C8*$C$5. En los rangos B12-B16 y C12-C16 hemos escrito los coeficientes de X1 y X2 en las restricciones.5 hemos escrito el planteamiento del problema.

Después de haber entrado las restricciones correspondientes.8 muestra el resultado final de introducir el problema. Las referencias de las variables se indican en el recuadro “Cambiando las celdas” (B8.7. Basta con seleccionar el rango en función de cada una de las agrupaciones realizadas. En él tenemos que indicar donde está el lado izquierdo (la fórmula) de cada restricción. Luego indicamos que es un problema de maximización.: Introducción de las restricciones Excel también exige poner las restricciones de no negatividad.5: Ejemplo en Excel Figura 3.6: Cuadro de la Opción Solver Ahora tenemos que indicar las celdas en donde están las fórmulas. C8). Ahora bien. Cada vez que entramos una restricción adicional escogemos la opción agregar. La Figura 3. si hemos ordenado las restricciones en función de su dirección. Finalmente tenemos que introducir las restricciones. no hace falta entrar una a una en el recuadro. el signo de la desigualdad y el lado derecho de cada restricción.7. Para ello entramos en la opción Agregar y saldrá el recuadro de la Figura 3. Figura 3.Figura 3. En la casilla “Celda objetivo” ponemos la referencia de la celda en donde está la función objetivo ($E$2). 90 .

3 Programación Lineal Entera Los modelos de programación lineal consideran que las variables de decisión son continuas. por ejemplo. La solución óptima de las variables de decisión y el valor del objetivo ahora aparecen en las celdas (ver Figura 3.9: Resultado del Solver Figura 3. es decir.3 médicos fuesen asignados a la sección de dermatología! 91 . ¡No tendría sentido una solución en la cual 2. Figura 3.10: Solución óptima 3.10).Figura 3. En este caso. una solución óptima de un programa lineal puede ser inservible si presenta fracciones. Pero. las variables de decisión (asignar personas a departamentos) tienen que ser enteras en la solución final. Supongamos. que hemos construido un modelo para asignar personal médico a departamentos dentro de un hospital. que pueden tomar en la solución final valores fraccionados. en muchos casos.8: Resultado final de la programación Ahora ya podemos resolver el problema. Escogemos la opción Resolver y al cabo de unos breves momentos saldrá una pantalla indicando que la solución ha sido encontrada. La opción Solver también permite obtener automáticamente informes sobre la solución final.

examinaremos algunos problemas de programación entera cuyas variables de decisión son binarias (decisiones “hacer o no hacer”). se utiliza la programación entera. añadiendo en cada uno de ellos una nueva restricción que acota esta variable por su valor entero superior en un caso. contrario. Hay que aplicar el ABA. Cuando nos encontramos con este tipo de problemas.3. X1 = 2. Aunque este algoritmo pueda parecer complejo. A continuación. “hacer o no hacer”. es necesario aplicar el ABA. Si en la solución obtenida al final del algoritmo Simplex todas las variables especificadas como enteras tienen valores enteros.2. únicamente en las restricciones de no-negatividad hay que indicar qué variables tienen que tomar valores enteros. se vuelve a bifurcar el sub-problema en otros dos y se sigue procediendo hasta que se encuentra una solución entera. ya que el algoritmo Simplex no garantiza una solución adecuada al problema.1 El algoritmo de bifurcación y acotamiento El Algoritmo de Bifurcación y Acotamiento 8 (ABA) se basa en el algoritmo Simplex para poder obtener soluciones enteras. Tenemos que las dos variables ofrecen soluciones fraccionadas. o si tenemos que modificar una estrategia de planificación de un servicio. Otro tipo de modelos entran dentro de la programación entera binaria. tenemos que construir un nuevo centro. Este tipo de problemas es muy común en la toma de decisiones. el proceso es bastante sencillo. las variables únicamente pueden adoptar los valores 0 ó 1. En este caso. que no es más que una extensión de la programación lineal. por ejemplo. es decir. en cada iteración del ABA se escoge una variable que presenta una solución no-entera y se divide el problema en dos sub-problemas. la formulación matemática no se ve alterada. Supongamos que tenemos que encontrar la solución al problema lineal siguiente: En primer lugar utilizamos el método Simplex para obtener una solución del programa lineal relajado (sin considerar las restricciones que fijan las variables como enteras). en donde muchas veces tenemos que decidir si. se aplica el algoritmo Simplex para obtener una solución inicial. 3. A continuación examinaremos con un ejemplo el ABA. Cada sub-problema se resuelve con el método Simplex y se verifica si la solución es entera. En esta parte. que es un caso especial en donde todas o algunas de las variables representan acciones binarias. En primer lugar. El problema reside en encontrar soluciones que sean factibles. La solución obtenida es Z = 8. en caso contrario. examinaremos en primer lugar como podemos modificar el algoritmo Simplex para poder obtener soluciones óptimas. 8 En inglés. El proceso se realiza en todas las ramificaciones del árbol. no hace falta seguir ya que se ha obtenido el óptimo.5. y por el valor su valor inferior entero por el otro. Básicamente. En caso.Para poder encontrar soluciones de problemas en los cuales algunas o todas las variables tienen que ser enteras. “branch and bound algorithm” 92 . si tenemos que invertir en un nuevo departamento.6 y X2 = 4.

El segundo sub-problema. X1 = 1 y X2 = 5 En estos dos sub-problemas hemos encontrado soluciones enteras. Solucionamos P1 y P2. podría ser que ramificando P2 en dos sub-problemas se encontrara una solución entera superior a la que hemos encontrado con el subproblema P12. P1. tendríamos que seguir bifurcando este subproblema. estamos diciendo que X1 no puede coger valores entre dos y tres.0. Los problemas que aún están activos son P12 y P21 y ambos tienen el mismo valor del objetivo.5 P2 = P0 + X1 > 3.0. al añadir una nueva restricción el valor del objetivo sería inferior (o igual). Cogemos el problema P1 y lo subdividimos en dos nuevos subproblemas P11 y P12 añadiendo las restricción X2 > 4 en uno y X2 > 5 (manteniendo todas las restricciones anteriores.0 con alguna solución fraccionada. Escogemos X1 y creamos dos sub-problemas P1 y P2 a partir del programa original. ya tenemos la solución óptima de nuestro problema. podemos descartar P21 ya que. consistirá en el programa original P0 más la restricción X1 > 2. incluida X1 > 2). como era de esperar.0. El problema P22 queda descartado por no tener una solución factible. El flujo del algoritmo se muestra en la Figura 3. Como P12 es la única rama activa. es inferior al objetivo inicial Z. Tenemos que seguir ramificando. ambos problemas siguen incumpliendo las condiciones de soluciones enteras. consistirá en el programa original más la restricción X1 > 3. pero nunca superior. Solución: Z11 = 7.8 Los dos sub-problemas obtienen el mismo valor del objetivo que. Solución: Z1 = 8. Si P21 hubiera dado un valor del objetivo superior a 8. La ramificación es la siguiente: P21 = P2 + X2 > 3. El primer sub-problema. Como Z11 es inferior a Z12 podemos descartar P11 como solución válida.3. nunca podríamos encontrar una solución mejor que la que tenemos con P12. aunque la variable X2 seguía sin ofrecer un valor entero. Aún no hemos explorado el segundo sub-problema P2.11: Solución Solver Definamos el problema original como P0. P1 = P0 + X1 > 2.12. Por ahora ya hemos encontrado una solución que tiene valores enteros con el problema P12.6. aún no hemos acabado el algoritmo. X1 = 2 y X2 = 4. Por lo tanto. X1 = 2 y X2 = 4 P12 = P1 + X2 > 5. Solución: Z12 = 8. Recordemos que habíamos subdividido el problema original en dos sub-problemas.8 y X2 = 3 P22 = P2 + X2 > 4. X1 = 3 y X2 = 3. Sin embargo. Como estamos maximizando. P2. Pero mientras que P12 tiene soluciones enteras. Solución: Z21 = 8. si ramificáramos este problema. Es decir.Figura 3. El valor del objetivo al solucionar P2 era 8. cuyo objetivo es igual a 8.3. 93 . Los resultados son los siguientes: P11 = P1 + X2 > 4. Solución: Z2 = 8. Sin Solución. P21 sigue con soluciones fraccionadas.3. En otras palabras. Sin embargo. X1 = 3.

tenemos que añadir una en donde se escoge las variables en cuestión y se indica que son enteras. hoy en día cualquier programa de ordenador para resolver problemas de programación lineal incluyen un modulo para resolver situaciones en donde una o más variables tienen que ser enteras o enteras binarias en la solución final.14).12: Árbol del ABA aplicado al ejemplo En realidad.3. en donde. éste se subdivide en dos problemas: el primero añadirá la restricción X = 0 y el segundo la restricción X = 1. Supongamos que las variables de ejemplo de la sección anterior tienen que ser enteras. se muestra el segmento del espacio de soluciones explorado. seleccionando “int 9” en el menú de opciones de la dirección de la restricción (ver Figura 3. En caso de que tengan que ser binarias. La única diferencia es que las variables están acotadas por 0 y 1.13. con este proceso lo que se está haciendo es seccionar en cada ramificación el espacio de soluciones para explorar si existe una solución entera.Figura 3.2 Programación Entera y Solver Por suerte. Cuando se introducen las restricciones. Este es el caso del módulo Solver incluido en la hoja de cálculo Excel de Microsoft. 9 “Int” vienen de “integer”. Figura 3. 94 . que en ingles quiere decir “Entero”.6. Si en un sub-problema una variable teóricamente binaria X es igual a 0. El algoritmo de bifurcación y acotamiento también se utiliza para resolver los problemas de programación entera binaria. se escoge la opción “Bin”.13: Espacio de soluciones de los sub-problemas 3. Este proceso puede ser observado en la Figura 3. para cada sub-problema..

En este caso todas las variables son binarias y tendremos una para cada paciente. En términos matemáticos: El objetivo consiste en la maximización de la “gravedad total” del sistema. queremos atender a aquellos pacientes más necesitados. define que el total de minutos que los pacientes atendidos en el centro consumirán no puede exceder el tiempo total disponible T. etc. ya que no vale ordenar los pacientes en función de la gravedad e ir llenando “la mochila” del centro hasta agotar la capacidad. Una vez definidos los parámetros y las variables. Si sumamos tiXi para todos los pacientes. podemos construir en modelo. porque un paciente j que presenta un nivel de gravedad gj puede tener asociado un tiempo de atención tj muy superior al tiempo conjunto de dos pacientes k y l (tj > tk + tl). dar prioridades para intentar atender el máximo de pacientes. En este caso. básicamente. pero cuya gravedad conjunta es superior a la del primero (gj < gk + gl). En este tipo de problemas nos encontramos con la disyuntiva de tenemos que. El problema consiste en encontrar qué pacientes podrán ser atendidos y cuales habrá que derivar a otro centro. tendremos el tiempo total consumido por ellos. sería mejor incluir a los dos pacientes k y l y no al paciente j. un quirófano. El objetivo vendrá definido por la función lineal siguiente: 95 . El objetivo es la maximización del valor total de la mochila con la restricción de que el peso de ésta no puede sobrepasar un límite predeterminado. el tiempo total consumido por el paciente i será igual a tiXi.Figura 3. por un lado. Es evidente que en este problema el número de pacientes a ser atendidos es más elevado que la capacidad del centro. si se atiende al paciente i. Formulación del problema Supongamos que tenemos m pacientes a ser programados en un centro. el problema consiste en llenar una mochila con objetos con pesos diferentes y con valores también diferentes. 0.14: Soluciones enteras con Excel 3. y por el otro lado atender a aquellos que presentan más gravedad. Los parámetros que tenemos que conocer a priori son: gi = valor cardinal de la gravedad del paciente i ti = duración en minutos de la intervención del paciente i T = tiempo total disponible en el centro y las variables de decisión son: Xi = 1. En esencia. Este problema ha sido utilizado en muchas aplicaciones diferentes.) que tiene una capacidad límite. que tienen una menor gravedad. Tenemos que observar que el problema no es tan trivial. y el segundo mide el tiempo de utilización del servicio. que no puede ser superior a T. si no se le atiende. Una de ellas consiste en la asignación de pacientes a una unidad (un ambulatorio.3 Programación Entera Binaria: El Problema de la Mochila El problema de la mochila es un clásico de los métodos cuantitativos. Cada paciente tiene asociado dos parámetros: el primero mide la gravedad del paciente respecto a los otros en términos relativos. En otras palabras.3. Como Xi solo puede ser igual a 0 ó 1. Este modelo tiene una única restricción que.

la variable Xj será siempre igual 0. tiene Centros de Asistencia Primaria (CAPs) distribuidos en m pueblos y ciudades de una región (un CAP en cada centro urbano). 3. Xj podrá ser igual a 0 ó 1. consiste en asignar recursos a tareas en función de un objetivo ligado a la eficiencia del sistema. si operamos al paciente i. Xi = 1. la formulación final del modelo será: Este problema es fácil de resolver utilizando el algoritmo ABA ya que únicamente tiene una restricción. En esta tabla se introduce la s combinaciones de las X que son factibles. lo que implica que Xj quedará libre para coger el valor 0 ó 1 (será el modelo quien lo decida). si Xi = 0. Xi 0 1 0 Xk 0 0 1 Xj 0 0 0 1 1 1 Cuadro 3. Xj siempre será igual a 0. Como hemos visto en este ejemplo. y por lo tanto el paciente j no podrá ser operado. o el de asignar regiones a Centros de Atención Primaria. si se trata de un quirófano. el uso de variables binarias puede ser muy útil para modelizar situaciones en donde la decisión es “hacer o no hacer”. Otro ejemplo es el de asignar personas a máquinas. Para formular este tipo de restricciones a veces es muy útil la utilización de la “tabla de la verdad”. En este apartado se presenta el Problema de asignación como una variante del Problema de Transporte. En cualquier otro caso.En definitiva. Esta tabla se representa en el Cuadro 3.9. Para obtener 96 .4 El Problema de Asignación El problema de asignación es otro clásico en los modelos de decisión.9: Tabla de la Verdad La ecuación de esta restricción que tendrá que añadirse al modelo es: Xi + Xk 2 Xj Si Xi y Xk son ambas iguales a 1. Por otro lado. Para poder introducir esta consideración tendríamos que añadir la siguiente restricción: Xi Xj Es decir. Como vimos anteriormente la Compañía de Seguros Pacífico S. Un ejemplo típico es el de asignación de personas a turnos horarios. pero si no se opera a ningún paciente de tipo i entonces no se podrá operar al paciente j. Por ejemplo. En cualquier otro caso el paciente j no podrá ser atendido.3. Supongamos ahora que el paciente j únicamente podrá ser operado si tanto el paciente i como el k son operados. En esencia. personal adecuado).A. Supongamos ahora que algunos tratamientos son incompatibles con otros. podríamos tener que si operamos al paciente i también podremos operar al paciente j porque tendremos recursos disponibles (quirófano preparado.

un buen funcionamiento global del servicio y poder planificar el número de visitas en función del personal previsto en cada CAP y de su dimensión, Pacífico S.A. ha decidido organizar el servicio de tal forma que todos sus asegurados tengan un CAP de referencia asignado, pero que sea éste el más cercano posible a su lugar de residencia. En la región hay m ciudades y pueblos (siendo m bastante mayor que n) y la compañía sabe cuantos asegurados tiene en cada uno de ellos. El objetivo es asignar cada una de las m ciudades a un único CAP, minimizando el costo o la distancia total. La diferencia básica entre este problema y el Problema de Transporte es que en este caso cada pueblo o ciudad (con la totalidad de sus habitantes) es asignado a un único CAP, mientras que en el otro problema podría darse lugar a que una parte de la población de una ciudad estuviera asignada a un CAP y la otra a otro diferente. A continuación examinados los parámetros y variables necesarios para la formulación. En primer lugar se definen los parámetros necesarios para formular el modelo. Sea: ai: número de asegurados en el centro urbano i, i = 1,...,m. bj: número total de asegurados que el CAP j puede tener asignados como máximo, j = 1,...,n. cij: costo de desplazamiento entre i y j. Las variables que se utilizará son de tipo binario: Sea Xij =1, si el área i está asignada al CAP j; y 0 en caso contrario. Una vez definidos los parámetros y las variables, necesitamos definir las restricciones del modelo. Como en el Problema de Transporte, en esta formulación hay dos tipos de restricciones. La primera viene definida por la capacidad de atención máxima de los CAPs. El número total de asegurados asignados al CAP j no puede exceder su capacidad bj. Para un CAP determinado j, no podemos asignar las población que la que determina su capacidad máxima a1X1j + a2X2j + ... + aiXij + ... + amXmj Para todos los CAPs, tendremos que: bj

El segundo grupo de restricciones tiene que considerar que hemos de asignar la totalidad de los asegurados de Todosalud SA de cada centro urbano i a un único CAP. Para cada área, tendremos que: Xi1 + Xi2 + ... + Xij + ... + Xin = 1 Es decir, una única variable asociada a cada área i puede ser igual a 1. Para todas las áreas:

Finalmente, se tiene que formular el objetivo de minimización total de la distancia o costo total del sistema. Este viene definido por: c11X11 + c12X12 + ... + c1nX1n + ... + cijXij + ... + cm1Xm1 + ... + cmnXmn que podemos re-escribir en forma compacta como:

97

En resumen, la formulación completa del modelo es la siguiente:

Se tiene que observar que este problema presenta la misma peculiaridad que el problema de Transporte. Para que el problema tenga una solución factible, el número total de asegurados no puede exceder la capacidad total de los CAPs. Es decir, existe la siguiente restricción implícita en el modelo:

Si esto no se verificara, el problema no tendría solución. 3.3.5 Problemas de Localización de Servicios ¿Cuántas ambulancias se necesitan en un área geográfica, y dónde deberían ubicarse para asegurar un buen servicio a las llamadas por urgencias? ¿En dónde deberían localizarse las Centros de atención Primaria en una región para minimizar el tiempo de desplazamiento de los usuarios? ¿En dónde tenemos que localizar almacenes para optimizar la distribución de productos farmacéuticos en un país? Estas cuestiones, relacionadas con el diseño y la operación de los servicios de atención y de distribución, han sido estudiadas durante los últimos 25 años por un gran número de investigadores. Los planificadores tienen que responder a preguntas como éstas cuando se enfrentan al diseño o a la reconfiguración de los servicios de urgencias médicas, de ambulatorios, de operaciones de distribución, o de redes hospitalarias. Por ejemplo, la velocidad de reacción de un sistema de emergencia a una llamada es el criterio principal para juzgar el desempeño de los servicios de emergencia. Otra medida es la habilidad del personal para lidiar efectivamente con la situación una vez llegado a la escena. La localización inicial de los servidores (parques de bomberos, garajes de ambulancias, etc.) influencia poderosamente la eficiencia de la respuesta. Esto se refleja en la gran cantidad de modelos desarrollados para ayudar a los planificadores de servicios de urgencias. El problema básico trata de localizar servicios que van a permanecer en su ubicación por un largo tiempo una vez decidida su localización. En otras palabras, su ubicación será, sino definitiva, constante durante un largo periodo de tiempo. La localización de estos servicios puede ser determinante en la evaluación de la eficiencia de su "desempeño" en la oferta del servicio en cuestión. Efectivamente, el auge de la investigación operativa en los años sesenta provocó la aparición de un campo especifico dedicado a la localización de servicios de en regiones y en zonas urbanas. En general, estos modelos optimizan uno o varios objetivos en función de unos recursos limitados y/o criterios de cobertura y de atención. Estos modelos se pueden agrupar en tres categorías en función del objetivo principal. La primera categoría corresponde a modelos cuyo objetivo principal es la maximización de la cobertura de la población siguiendo un criterio ``estándar'' (per ejemplo, maximizar la población cubierta por el servicio de ambulancias en un tiempo máximo de 10 minutos). El segundo grupo corresponde a 98

modelos de localización cuyo objetivo es la minimización de la distancia o tiempo medio de acceso a la población. El tercero consiste en la minimización los de costos de transporte de mercancías o de personas y de localización de centros. Entre estos modelos se han realizado diversas variaciones para intentar reflejar algunos aspectos específicos del problema de localización. Por ejemplo, hay modelos que no tan solo localizan ambulancias, sino que también determinan para cada estación cual es la combinación óptima de vehículos, materiales y recursos humanos. Otros modelos estudian el problema de la localización teniendo en cuenta el grado de congestión del servicio, intentando obtener un conjunto de localizaciones que no tan solo optimice la cobertura, sino que de alguna forma considere la situación de que un servicio está ocupado atendiendo una llamada y en su estación se produzca otra llamada (modelos de ``backup'' o servicios auxiliares). Otra línea de trabajo estudia la situación en donde la demanda de servicio tiene elementos probabilísticos en función de la hora del día. En esta sección formularemos tres modelos básicos de localización de servicios. Modelos de Cobertura Los modelos de cobertura suelen fijar una distancia estándar D entre un servicio y la población usuaria. Esta distancia (o tiempo de desplazamiento) se considera como la distancia máxima entre usuario y servicio para ofrecer una atención correcta. Esta distancia estándar se utiliza como criterio básico para obtener la ubicación óptima de servicios. El Problema de Localización de Servicios con Cobertura10 El Problema de Localización de Servicios con Cobertura (PLSC), en palabras, es el siguiente: ¿Cuál es el número mínimo de centros y dónde tenemos que localizarlos para que toda la población esté cubierta dentro de la distancia estándar D? El PLSC puede ser formulado de la siguiente forma. Supongamos una red de transporte en donde existen m nodos o áreas, cada uno con una demanda (o población) determinada del servicio, y conectados entre ellos por "arcos" (carreteras, calles, etc.), cada uno de ellos con un tiempo de desplazamiento o una distancia asociados. La localización de los servicios se realiza exclusivamente en los nodos. En otras palabras, únicamente los nodos de la red son candidatos a obtener una localización de los servicios, y por otro lado, los nodos también representan los centros de demanda de los servicios. Muchas veces, en algunas aplicaciones, no todos los nodos de demanda son candidatos a obtener un centro de servicio (a veces en un nodo se encuentra un edificio de interés cultural, o simplemente no existe terreno disponible para ubicar un servicio); por ello siempre en la formulación del modelo se diferencia entre la demanda (nodos que requieren del servicio) y la oferta (nodos candidatos a recibir el servicio). En la Figura 3.10 se representa ejemplo de red de 20 nodos con la cual formularemos algunos modelos de localización.

10

En inglés: “Location Set Covering Problem” 99

Figura 3.3.: Red de 20 nodos En esta Figura, los nodos están representados por círculos y también se indican las distancias entre los nodos que están directamente conectados. El Cuadro 3.10 contiene la matriz de distancias dij entre todos los pares de nodos (i,j) de la red. Esta matriz es fundamental en los modelos de localización. En general, esta matriz se obtiene calculando, para cada par de nodos, el “camino más corto” entre ellos, es decir, la distancias más corta que los une. 1 Po b. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 100 34 2 65 3 4 5 6 75 18, 2 13, 7 11, 4 15, 7 5,2 0,0 7,5 10, 2 11, 5 13, 0 5,0 6,8 11, 5 15, 0 7 32 23, 5 18, 5 11, 0 8 34 8,0 9 28 27, 5 22, 5 15, 0 12, 2 16, 7 11, 5 10 53 11 52 15, 0 13, 0 15, 2 20, 7 12 13 39 21, 5 19, 5 21, 7 27, 2 15, 5 11, 5 19, 0 13, 5 18, 0 14, 5 14 98 18, 0 21, 0 25, 2 30, 7 19, 0 15, 0 22, 5 15, 0 24, 0 15 69 35, 0 30, 5 27, 0 24, 2 22, 0 16, 8 16, 0 27, 0 12, 0 33, 0 21, 8 10, 0 18, 2 24, 2 16 67 28, 5 26, 5 27, 2 28, 2 21, 0 15, 8 20, 0 20, 5 16, 0 21, 5 13, 5 17 18 19 76 37, 0 37, 5 39, 4 40, 4 33, 2 28, 0 32, 2 31, 5 28, 2 28, 0 24, 5 21, 2 18, 0 19, 0 20 90 32, 0 35, 0 39, 2 44, 7 33, 0 29, 0 36, 5 29, 0 36, 5 23, 0 24, 0 29, 5 18, 5 14, 0

99 85 95 12, 21, 13, 0,0 5,0 5 2 0 16, 5,0 0,0 7,5 2 8,5 12, 5 7,5 0,0 8,7 6,2 21, 16, 14, 2 2 8,7 0,0 9 13, 14, 0 8,5 6,2 9 0,0 18, 13, 11, 15, 2 7 4 7 5,2 23, 18, 11, 12, 5 5 0 8,2 7 11, 19, 8,0 6,0 2 9 5,0 27, 22, 15, 12, 16, 5 5 0 2 7 12, 17, 25, 11, 9,0 0 2 9 0 15, 13, 15, 20, 0 0 2 7 9,0 25, 20, 18, 19, 12, 0 5 2 2 0 21, 19, 21, 27, 15, 5 5 7 2 5 18, 21, 25, 30, 19, 0 0 2 7 0

6,0 11, 2 19, 8,2 9 12, 7 5,0 10, 7,5 2 17, 0,0 7 17, 7 0,0 21, 4,0 7 20, 5 6,0 12, 5 7,0 11, 17, 0 0 19, 13, 0 5 22, 15, 5 0

9,0 12, 0 17, 2 25, 9 11, 0 13, 0 5,0 6,8 20, 12, 11, 4,0 5 5 0 21, 17, 7 6,0 7,0 0 24, 16, 0,0 5 5 7,0 24, 23, 5 0,0 8,0 0 16, 11, 5 8,0 0,0 8 23, 11, 7,0 0 8 0,0 18, 14, 11, 0 5 6,5 0 24, 10, 17, 0 9,0 0 0

21 25, 0 20, 5 18, 2 19, 2 12, 9,0 0

9,0 10, 6,5 0 11, 17, 0 0 0,0 6,0 6,0 0,0

22 27, 0 27, 5 29, 7 35, 2 23, 5 19, 5 27, 0 21, 5 26, 0 18, 0 14, 5 19, 9,0 0

54 40, 5 38, 5 38, 0 35, 2 33, 0 27, 8 27, 0 32, 5 23, 0 33, 5 25, 5 21, 0 19, 7,0 8,0 0 13, 25, 0 9,0 0

35, 30, 27, 24, 22, 16, 16, 27, 12, 33, 21, 10, 18, 24, 0,0 11, 24, 11, 21, 34,

0 5 13.17 12. 4 2 0 2 5 2 0 5 2 0 0 0 2 44.16 11. como ubicaciones potenciales de cubrirlo. 36. 10. 2 0 8 0 5 0 5 5 9. 4. 7 38. 18. 23.9. (Ni = {j / dij D}. 21.4. Tendremos tantas variables como ubicaciones potenciales. 25.7.0 35. 28. 0 0.2.13.8 2. los nodos 1. 29.9 1.11 7. 29. si se abre un centro en ellas.13. que para que el nodo 4 esté cubierto tenemos que abrir como mínimo un centro en 3.5 3. Nodo a Cubrir 1 2 3 4 5 6 7 8 9 Ubicaciones Potenciales 1. 21.2.12 4. 0 39. 2 5 10. si es igual a 1. 36.8. 0 5 10.11. 32.19 17.14 20 20 Cuadro 3.0 16 17 18 19 20 28.2. Si definimos Ni como el conjunto de ubicaciones potenciales que cubrirán el nodo i dentro de la distancia estándar D. 23. para cada nodo. el nodo de demanda estará cubierto dentro de la distancia estándar D.17.19 10 1.3: Población de cada nodo y distancias entre nodos 13. 13. 2 29.11 5. 2. los nodos 3. 31.16 13. Por ejemplo. el centro de demanda 4 tiene. en otras palabras. ya que él está incluido en el conjunto de ubicaciones potenciales de cada uno de estos nodos de demanda. 29. 13. 2 0 8 0 5 0 5 5 0 0 0 0 0 40. 10 y 11 estarán cubiertos.10 1. 0 32.3.19 18. 19. podemos escribir la siguiente restricción: X3 + X4 + X7 1 que indica que como mínimo una de las tres variables tiene que ser igual a 1. para el nodo 4. 21. 15.5. 23.11.8.5.14.0 2 0 35. o. 32. 18. 23. 5 37. las ubicaciones potenciales de cobertura.4. en caso contrario (igual a 0). 7 0 0 5 0 5 0 0 5 5 0 5 5 Cuadro 3. 23. 16.6.: Ubicaciones potenciales de cobertura por nodo. 19.12. 5 0. y que. ó 7. 5. 23. 20. 24. 21.0 0 2 0. 5 37.6. 21. 0. 0 5 26.15. 20. 26. 24. Podemos utilizar estas variables para formular el modelo.4. 12.12 Nodo a Cubrir 11 12 13 14 15 16 17 18 19 Ubicaciones Potenciales 5. 19. 14. 0 0 10.11.0 9.3. Definamos Xj como una variable binaria (0 ó 1) que. D = 10 Por ejemplo. 5 35.11. 21. 33. 23. 5 5 12.13. 27.4.0 Ahora es necesario conocer. 19. 33. 0 0 20. 2 5 5 0 5 0 0 5 0 8.10.0 7. 5 38.14 6. 0 0 27. 14. tenemos que. si D = 10.14.18. 27.9.8.17 10. 2 2 0 8 0 0 0 0 8 0 2 2 2 2 0 0 5 28. 24. 25. 12. 13.8.0 0 20. para cada nodo demanda i podemos escribir la restricción siguiente: 101 . para cada nodo de demanda.5. 11.7. cuáles son las ubicaciones potenciales donde. 0 40. 10. 33.17 2. el nodo j estará vacío.14. 27. 0 5 13. 4 39. 18.8.15 12. 34. 4 y 7. 11.13. 5 27.6.6.0 10. indicará que estamos abriendo un centro en el nodo j. 5 27. 28. 8. 28.10. si ubicamos un centro en el nodo 8. 12. Por ejemplo. 33. 0. se indican.3.10.16. En el Cuadro 3.

podemos reformular el objetivo del problema de la siguiente forma: En este caso estamos minimizando el costo total de apertura de centros. la formulación final del Problema de Localización con Cobertura es: Se puede utilizar el módulo Solver de Excel para resolver el problema con distancias estándar diferentes.8.13. En este caso. Como queremos minimizar en número de centros a ubicar.20 6 4.4: Resultados con diferentes coberturas Este problema suele tener a veces bastantes soluciones óptimas alternativas. Supongamos que. la fijación de la distancia estándar D es determinante de los resultados.10.8. cuantas menos Xj sean igual a 1. la distancia estándar está fijada en 10.20 8 9 4.12. el objetivo lo podemos formular de la siguiente forma: Si definimos m como el número total de nodos de demanda y n como el número de total de ubicaciones potenciales. 8.15. Es muy improbable que aparezcan soluciones alternativas óptimas.8.19 4 3. Por lo tanto. podemos intentar 102 .17. 12.17.12.5 se presentan algunos resultados para coberturas diferentes: Distancia Estándar D 15 12 11 10 9 Número mínimo De Centros Ubicaciones Finales 3 8. con 4 centros no podremos cubrirla por completo.18. El PLSC puede modificarse para considerar. mejor.12. por lo que hay ir con mucho cuidado al determinarla.18. 18 y 20. Si cada nodo potencial de obtener un servicio tiene asociado un costo fijo de apertura fj. Al resolver el PLSC encontramos que la solución óptima es igual a 6 centros. por ejemplo.18.18.19. Únicamente tiene un presupuesto para 4 centros. En el Cuadro 3.19.15. en nuestro ejemplo. 17. Pero el sistema no tiene suficiente presupuesto para construir 6 centros.17 5 3. En este problema.8.Este conjunto de restricciones forzarán a que cada nodo esté cubierto.5.20 Cuadro 3. si fijamos en número de centros.20 8 4. Como el número mínimo de centros para cubrir la población es igual a 6.15. la minimización del presupuesto.9. ubicados en los nodos 4.9. Ahora falta formular el objetivo.

El objetivo se formula matemáticamente de la forma siguiente: En donde ai es un parámetro que denota el volumen de demanda (en nuestro ejemplo. e igual a 0 si no lo está. Cojamos de nuevo como ejemplo el nodo 4. Para cada nodo de demanda escribiremos la siguiente restricción: Otra restricción es la limitación del número de centros a localizar. en primer lugar. El modelo intentará cubrir. En el nuevo modelo. El Problema de Localización con Cobertura Máxima (PLCM). Este problema puede ser descrito de la siguiente forma: ¿Dónde tenemos que localizar p centros para maximizar la cobertura de la población dentro de la distancia estándar D? Este problema es una extensión del PLSC. En nuestro ejemplo hemos fijado el número de centros en 4. La formulación final del problema es: 103 . Este problema es conocido como el Problema de Localización con Cobertura Máxima (PLCM). el objetivo consiste en la maximización de la cobertura de la población de la región en cuestión. 4 o 7. Ahora tendremos que escribir la restricción siguiente: X3 + X4 + X7 Y4 Si como mínimo una de las variables de localización X es igual a 1. en cambio. como algunos nodos de demanda quedarán descubiertos. la variable de cobertura Y4 será forzosamente igual a 0 y el nodo 4 no estará cubierto. es: Finalmente. Para formular el modelo tenemos que añadir un nuevo grupo de variables binarias Yi. Para que el esté cubierto se tiene que localizar como mínimo un centro en uno de los nodos 3.encontrar sus ubicaciones de forma a maximizar la cobertura de la población. en términos matemáticos. todas las variables X de la restricción son iguales a 0. algunas de estas variables serán 0. población) asociada al nodo i. que denominaremos de cobertura. aquellos nodos con mayor población (o demanda). En el modelo PLSC todos los nodos quedaban cubiertos. La restricción. Esto quiere decir que únicamente cuatro variables de ubicación Xj podrán ser igual a 1. por lo que no hacía falta preocuparse de la población. Contra más Yi sean igual a 1. que serán igual a 1 si el nodo i está cubierto por un centro dentro de la distancia estándar D. Si. tenemos que considerar la población de cada uno de ellos. Como en la solución final algunos nodos de demanda quedarán descubiertos (ya que no tenemos suficientes centros para cubrir toda la población). más cobertura obtendremos. y por lo tanto el nodo de demanda 4 estará cubierto. la variable Y4 podrá ser también igual a 1.

Para forzar esta situación. Las variables de modelo serán: Xij = 1. en palabras. con 4 centros cubrimos el 88% de ella y únicamente dos nodos no están cubiertos.La formulación del problema de máxima cobertura para nuestro ejemplo. 0. como en el problema anterior.6: Resultados del PLCM en el ejemplo Vemos que con 4 centros pasamos a cubrir el 88% de la población. En primer lugar. es el siguiente: ¿Dónde se ubicarán p centros de forma a minimizar la distancia media entre éstos y los nodos de demanda? Para formular este problema necesitamos conocer. si ubicamos un centro en j. la suma de las Xij con respecto a l índice j tiene que ser igual a 1.17 Nodos no cubiertos 18. la matriz de distancias y la demanda que se genera en cada uno de los nodos. tendremos que: 104 . Modelo de Localización P-Mediano El modelo P-Mediano de localización (MPML) tiene que objetivo principal la minimización de la distancia media entre los nodos de demanda y los centros.6. El resultado final se presenta en el Cuadro 3. el nodo i no podrá ser asignado al nodo j si no existe un centro en j. En este caso no se utiliza una distancia estándar. en caso contrario Wj = 1.20 Cuadro 3.8.12. El problema. en caso contrario A continuación definimos las restricciones. mientras que el número mínimo de centros necesarios para cubrir toda la población era igual a 6. 0. si el nodo de demanda i es atendido por el centro ubicado en j. En otras palabras. para cada nodo de demanda i. En términos matemáticos: Ahora bien. Número de Centros Distancia estándar Población Cubierta 4 10 88% Ubicaciones 4. con D = 10 y p = 4. un nodo de demanda tiene que estar asignado a un único centro. Como la variable Wj indica si existe un centro en j o no.

pero aún así este modelo suele ser bastante grande. tenemos que formular el objetivo de distancia media. En este caso. lo que implica que ningún nodo de demanda podrá ser asignado a j. tenemos que fijar el número de centros a abrir. El modelo de Localización de Plantas con Capacidad (MLPC) se describe de la forma siguiente: ¿Cuántos centros se necesitan y dónde hay que ubicarlos para minimizar los costos totales del servicio sin exceder su capacidad? Para poder formular el modelo. En resumen.101 restricciones. El objetivo es: Una vez obtenido el valor de Z. El Problema de Localización de Plantas con Capacidad En muchos casos el objetivo principal es encontrar una serie de ubicaciones que minimicen tanto los costos de transporte como el costo de apertura de los centros.Si no existe ningún centro en j. la formulación del problema P-mediano es: Esta formulación suele tener muchas variables y restricciones. tenemos que dividirlo por la demanda (o población) total del sistema para obtener la distancia media entre la demanda y los centros. La siguiente restricción tiene que ser añadida al modelo: Finalmente. y tendremos la distancia total del sistema. Tenemos que aidij será la distancia total entre la población (o demanda) en i y el centro en j. Luego tenemos que sumar para todas las j. Se han desarrollado varios métodos heurísticos para poder encontrar soluciones del MPML. Finalmente. fj = costo de apertura de un centro en el nodo j cij = costo de transporte por unidad de demanda y unidad de distancia 105 . Por ejemplo. todas las variables Xij serán igual a 0. necesitamos los siguientes parámetros: ai = demanda en el nodo i dij = distancia entre el nodo de demanda i y el nodo de ubicación potencial j. Si sumamos aidij para todas las i tendremos toda la demanda asignada a j. si m=n=100 tendremos 10. Existen varias formas de reducir el número de variables y restricciones. Wj = 0.100 variables y 10.

forzosamente todas las Xij serán igual a 0. Para que esto se cumpla. se tienen que formular las restricciones. En primer lugar. las variables Xij podrán tomar cualquier valor. Si Wj es igual a 0. la demanda de cada uno de los nodos tiene que ser atendida. si ubicamos un centro en j. el modelo se formula de la siguiente forma: 106 . Un vez definidos los parámetros y las variables del modelo. Por un lado tenemos los costos de apertura. El segundo término formula los costos totales de transporte. Mientras que. En caso contrario. Estos dos tipos de costos juegan un papel opuesto en relación al número de centros a ubicar. 0. la demanda asignada a cada uno de los centros potenciales j no puede exceder su capacidad. El objetivo se define matemáticamente como: El primer término de del lado derecho de la ecuación refleja los costos de apertura. menor será el costo de transporte al reducirse las distancias. tenemos que minimizar los costos de distribución o transporte. Matemáticamente. ya que no tendrán ninguna cota superior.Cj = capacidad de un centro si se ubica en j y las variables que a continuación se describen: Xij = demanda del nodo i atendida por el centro en j Wj = 1. o costos fijos. El modelo buscará el número de centros que minimice los costos totales. En términos matemáticos: Por otro lado. un nodo de demanda i no puede ser servido por j si no existe un centro en j. en donde M es un parámetro con un valor muy elevado (por ejemplo. si Wj es igual a 1. no podemos exceder la capacidad de cada centro. Es decir: Finalmente. 1010). Por otro lado. En resumen. en caso contrario. contra más centros abramos. por otro lado los costos de apertura aumentarán considerablemente. Ahora falta definir el objetivo.

uv. Luego de visitar estas direcciones de páginas web.unsa. 3.htm Bienvenidos a los cursos del Área de Operaciones – Descargar ejercicios: http://ucreanop.html Programación Matemática http://www. En la hoja de cálculo Excel.com/contenido. Existe un sinfín de problemas de localización basados en este modelo. para resolver programas con algunas o todas las variables enteras. y en cada rama del árbol del algoritmo tenemos que resolver un programa lineal. otros pueden ser extremadamente “caros” en términos de tiempo de ordenador.Este problema es de programación lineal entera mixta. basta declararlas como enteras o binarias (si procede) dentro de la ventana de restricciones.es/~sala/programacion. ya que la ramificación es exponencial.4 Actividades para el Aprendizaje.org/descarga_ejercicios.3.6 Conclusiones En este capítulo hemos examinado como formular algunos problemas de programación entera mixta y binaria y como resolverlos con el algoritmo de bifurcación y acotamiento. La mayoría de programas lineales incorporan un modulo de programación entera por lo que no hay que realizar el algoritmo. otras son continuas (las Xij pueden tomar cualquier valor nonegativo). elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: Investigación de operaciones: http://www. 3.edu. http://www. el propio programa se encarga del proceso. Mientras que algunos problemas son relativamente fáciles de resolver con este algoritmo.htm Resolver los ejercicios al capitulo correspondiente: Cátedra de Métodos Cuantitativos para los Negocios.investigacion-operaciones.ar/mcneco/mcn_tps. ya que mientras que algunas de las variables son enteras (en este caso las Wj son binarias).php 107 . Este problema es muy utilizado para ubicar plantas de producción y depósitos de distribución.

108 .

y por otro.0 Introducción La Gestión de Inventarios es la técnica que permite mantener una existencia de productos a un nivel adecuado. Objetivo del Inventario: permitir y/o facilitar la producción entre dos unidades de producción o dos etapas de producción que están ubicadas secuencialmente. Pero si analizamos con detenimiento lo que propone la filosofía JIT. ya que se encuentran en algún lugar y en un determinado tiempo dentro del Sistema de Producción. las variaciones que experimenta cada unidad dentro del Proceso de Producción. Objetivos del Capítulo. y en consecuencia de las Estrategias de Producción. lo ideal es que no existieran inventarios. Partes en Proceso y de Productos Terminados. el inventario cumple una función de capacitor entre ambas unidades. Políticas de control y seguimiento de inventarios Utilización de software para gestión de stocks 4.1 Definiciones y Funciones. 109 . ya que físicamente es imposible eliminar completamente la existencia del inventario. Por lo tanto. según sean las necesidades de las Unidades Productivas que están relacionadas. ya que su papel básico es permitir el acoplamiento entre dos unidades productivas de distinta capacidad. este no adiciona valor al Sistema de Producción. o que estos sean mínimos. absorber las distintas capacidades y formas de producción. Su tamaño. por lo tanto. Por lo tanto. es dependiente de consideraciones de variabilidad que se manejan dentro del Sistema Productivo y de los Niveles de Riesgo que sean aceptables para un determinado Sistema de Producción. la filosofía JIT trabaja desde la perspectiva de entregar y recibir la cantidad especificada en el instante preciso. podríamos decir que es demasiado idealista. lo que no debemos obviar.MODELOS DE INVENTARIOS. lo ideal es que el tamaño del inventario que manejemos sea lo más pequeño posible. Por lo tanto. 4. permitiendo por un lado. en este caso. Análisis de la estructura de los modelos de gestión de inventarios Procesos de gestión de inventarios. el principal objetivo de analizar un Sistema de Inventario es encontrar respuestas a preguntas como las que se presentan a continuación: ¿Qué artículos deben mantenerse en inventario? ¿Qué cantidad de artículos debe ser ordenada o producida? ¿Cuándo deben generarse las Ordenes para que el costo total de manejo de inventarios sea el mínimo posible? ¿Qué Sistema de Control de Inventario deberá utilizarse para cada caso? Dentro de la filosofía de producción JIT. Inventario: se puede definir inventarios de Materias Primas. Si miramos al Inventario del punto de vista de Análisis del Valor.

Los Modelos que permiten dimensionar el Volumen del Inventario cuando se tiene una demanda independiente se llaman MODELOS DE TIPO REACTIVO. cuando el Tamaño del Inventario es menor. la cantidad de productos en inventario no depende sólo de las decisiones internas del Sistema de Producción. los cuales funcionan con distinta Tasa de Producción y en el que el sistema A alimenta al sistema B. Podemos destacar que desde el punto de vista de la demanda final sobre el producto. desde una perspectiva tradicional. Con DEMANDA INDEPENDIENTE: cuando se tiene una demanda independiente. 110 . sino que fundamentalmente de las condiciones del mercado. para dimensionar los Lotes de Producción que deben ser manufacturados bajo condiciones de estructura de costos similares a las que se definen para el caso de compras y almacenamiento. En la medida que exista un Inventario. y se aplican para dimensionar el volumen de productos finales a fabricar y a dimensionar el stock de productos que tendremos en inventario. mayor es la dependencia entre ambas unidades. presentaremos dos Sistemas de Producción. En caso contrario. se puede decir que existen dos Esquemas Básicos de Administración de Inventarios: a. se puede inferir que existen dos esquemas básicos de administración de inventarios. Sistema Productivo A Sistema Productivo B Figura 4. 4.A continuación. es posible establecer mayor independencia entre ambas Unidades de Producción.2 Clasificación de los sistemas PRODUCTIVOS según la demanda. es posible "acoplar" dos Unidades Productivas con distinta "Capacidad de Producción" (entendiendo por Capacidad de Producción como la cantidad producida por unidad de tiempo). En la medida que el Tamaño del Inventario es mayor. Dependiendo del tipo de Demanda Final que tenga un producto.1 Sistemas Productivos A y B De las figuras anteriores se pueden observar dos situaciones básicas: a. b. Estas condiciones del mercado se ven reflejadas como el consumo de un determinado bien en un determinado momento. Los modelos de tipo reactivos también son usados. A y B.

un modelo de tipo proactivo me lleva a definir un Plan Maestro de Producción. Así en el caso de los Modelos de tipo Reactivo. Con DEMANDA DEPENDIENTE: en este caso. o de Calculo de Necesidades. El problema (peligro) de obsolescencia de productos que se almacenan. 2. Posteriormente. Ventajas de la utilización de Sistemas de Tipo Reactivo: La facilidad de controlar los niveles de inventario. Ahora si hacemos un análisis desde una perspectiva histórica. En el caso de los Modelos de tipo Proactivos. por lo tanto las preguntas básicas que se plantean son: ¿Qué es la que se necesitará a futuro? ¿Qué cantidad y en qué momento? Es decir. la demanda que experimenta un determinado producto depende de las negociaciones y acuerdos que se tomen entre el cliente y la empresa.b. los Registros productos. la pregunta básica que se plantea es: ¿Qué debo hacer cuando se llega a cierto nivel crítico. podemos ver que existe una diferencia fundamental con relación a como se origina una decisión y cuales son las variables y/o parámetros considerados para tomar una decisión. Los Modelos que permiten cuantificar el nivel de inventarios bajo este esquema son llamados MODELOS DE TIPO PROACTIVOS. Ventajas de la utilización de Sistemas de Tipo Proactivo: Permiten dimensionar los inventarios de acuerdo a las necesidades del producción. cuando existen productos de tipo Estandarizado o Semiestandarizado. de manera más sencilla. Desventajas de la utilización de Sistemas de Tipo Proactivo: Sólo se pueden implementar si en la empresa que utiliza este sistema existe una infraestructura computacional adecuada. El deterioro y pérdida de productos. lo que les traía las siguientes ventajas y desventajas: 1. a nivel del Sistema de Planificación de la Producción. Al ver estos dos enfoque. podemos decir que en un principio las Empresas planificaban las existencias de materiales usando modelos de tipo Reactivo. él nos avisa cuando tenemos que realizar un reaprovisionamiento. Se pueden llevar. 1. Este punto de reorden va a depender de la Política de Reposición que definamos (tema que tocaremos más adelante). los cuales son aplicados a Sistemas de Manufactura y. llamado punto de reorden? Es decir. como su nombre lo indica. surgieron los modelos de tipo proactivos o de Calculo de Necesidades. de acuerdo a la demanda que se fija a nivel de Sistema de Planificación de la Producción. 111 sistema de tanto de entrada o salida de . (MRP). un modelo de tipo reactivo nos lleva a definir un cierto punto de reorden. el problema básico esta en definir que se va hacer en un determinado futuro. Desventajas de la utilización de Sistemas de Tipo Reactivo: El volumen de material almacenado es voluminoso. específicamente. 2.

Por lo tanto. en este capítulo se analizará. 4. uno de los prerequisitos más importantes para aplicar un criterio económico es tener una Estructura de Costos adecuada. mano de obra ociosa. b. es necesario en primer lugar definir una nomenclatura adecuada para entender las ecuaciones respectivas. pérdida de prestigio frente a clientes. Su unidad de medida es ($/unidad).3 Estructura de Costos de Inventarios. Costos de Ordenar o Pedir (S): es el costo relacionado a la adquisición de un grupo o lote de artículos. ($/unidad) Q = Cantidad Ordenada por Lote. Muchas de estas estructuras de costos involucran alguno o todos de los 4 tipos de costos siguientes: a. Su unidad de medida es ($/unidad).3. (días) 112 .1 Nomenclatura Asociada a Inventarios. Para establecer los diferentes modelos de costos asociado a cada sistema de inventario.. Su valoración se determina en función del tiempo almacenado y del valor del bien involucrado. Sin embargo. d. Costo de obsolescencia y perdida. Costos de Inexistencia (W): son los costos que reflejan las consecuencias de quedarse sin material en un determinado momento. etc. (unidades / lote) Q* = Cantidad Lote Económico. o de los costos de transformar el sistema (costos de set up) y adecuarlo a la fabricación de un nuevo lote o corrida de producción.En consecuencia. Muchos problemas de decisión de inventarios pueden resolverse empleando Criterios Económicos. Falta de repuestos. Falta de productos terminados (perdida por no ventas.).. también se dice que es el costo de las acciones necesaria para realizar una nueva compra. c. (unidades/año) = Costo de Compra (si el artículo es comprado) o Costo Unitario Variable (si el artículo ha sido producido). Este costo de pedir no depende del número de artículos que tenga el lote respectivo. Entre estos costos podemos indicar: Falta de materia prima (debido a paro de la producción. lo relacionado con demanda independiente. Sean las siguientes definiciones: D C = Demanda Anual. 4. involucra aspectos tales como: Costo de capital. (unidades) tl = Tiempo de espera. Costo de almacenamiento. el costo de mantener. Costo Unitario del Articulo (C): es el costo derivado de comprar o producir los artículos individuales de inventarios.Su unidad de medida es ($/orden). (unidades/lote) r = Punto de Reorden. etc. necesidad de subcontratación.. preferentemente.).. Costos de Mantener o Poseer Inventarios (h): este costo está asociado a la permanencia del artículo durante un período de tiempo. sino que esta asociado a las actividades de hacer el pedido si es desde el punto de vista de comprar.

(unidades/año) = Demanda durante el Período de Espera. c.4 Decisiones sobre inventarios Las decisiones en inventarios son tomadas en función de como se espera que sea la demanda futura.S P dl CT h = Costo de Preparación o Emisión de la Orden. días o años) 4. pero es igual para todos los períodos.5 Análisis de la Tasa de Demanda y Tasa de Reposición. Modelos de Inventarios con Demanda Determinística Estática: estos modelos se utilizan cuando la demanda es conocida y constante para todos los períodos.2 da origen a distintos Modelos de Inventarios. Las siguientes figuras nos ayudaran a visualizar de mejor forma lo anteriormente dicho: c. la cual puede ser clasificada en los siguientes términos: Figura 4. Modelos de Inventarios con Demanda Probabilística Estática: estos modelos se utilizan cuando demanda es aleatoria y tiene una distribución de probabilidades. d. Modelos de Inventarios con Demanda Determinística Dinámica: estos modelos se utilizan cuando la demanda es conocida y constante. Demanda Fuente Uniforme. (unidad de tiempo. Demanda Infinita Uniforme.2 Decisiones en Inventarios La figura 4. 4. Demanda Exponencial.(unidades/día) = Costo total ($/año) = Costo de mantener una unidad en términos % del valor de la unidad y por unidad de tiempo T = Longitud del periodo de análisis. ($/orden) = Tasa de Producción. 113 . y es variable en cada período. en función del tipo de demanda: a. b. la demanda se puede clasificar en: a. pero varía para cada período. Modelo de Inventarios con Demanda Probabilística Dinámica: estos modelos se utilizan cuando la demanda es probabilística con una distribución de probabilidades. Desde el punto de vista de su comportamiento o variación en el tiempo (tasa de cambio). b.

Figura 4. T = Longitud del Período. b. se pueden postular diversos modelos de comportamiento: a. Las siguientes figuras nos ayudaran a visualizar de mejor forma lo anteriormente dicho: Figura 4. n = Indice del exponente de la demanda. Tasa de Reposición en Lotes. las podemos clasificar en base a lo siguiente: a. X = Tamaño de lo demando durante un período T t = tiempo considerado. Con relación a las decisiones que se deben tomar sobre la gestión de los inventarios. Para el caso de la Tasa de Reposición de Inventarios. b. d.6 Políticas de inventario. c. Tasa de Reposición infinita. c. Tasa de Reposición Uniforme. Sistemas de Control a Implementar. Tasa de Reposición Exponencial.3 Cantidad de Inventario Q En general. Políticas de Inventarios. 114 . las cuales están en función de las Políticas definidas. Dimensionamiento de las Cantidades a Ordenar. para las cuales se definen diferentes Modelos de Análisis. el nivel del inventario en un momento determinado esta dado por la expresión: Q0 = Inventario Inicial en el tiempo 0.4 Tasa de Reposición de Inventarios Tipos de decisiones sobre inventarios. 4.

La cantidad a ordenar está dada en función de como sean las decisiones de reposición.2 Política de Revisión Continua. 4.6. estos sistemas están asociados básicamente a modelos de reaprovisionamiento. Figura 4. la reposición del inventario se realiza siempre que el nivel de existencia en el inventario sea menor que un punto mínimo aceptable o de quiebre (r). En el caso de Sistemas de Revisión Periódica. a. Bajo esta política. La política de Inventario trata de responder a las siguientes interrogantes: ¿Cuándo debe ser emitida la orden? ¿Cuánto se debe comprare (tamaño del lote)? Existen dos tipos de Políticas de Revisión de Inventarios: Política de Revisión Periódica y Política de Revisión Continua. los Niveles de Inventario son monitoreados a intervalos de tiempo T.6 Reposición Instantánea La elección de un sistema de revisión dependerá de varios factores: 1. En este sistema. la cantidad ordenada siempre es variable. Bajo esta política. toda vez que se cumple el periodo T. Figura 4. 115 . ó Imax – It si It < r Revisión Periódica y Emisión de Orden de Compra. el monitoreo del inventario es permanente y una vez que se alcanza el punto de reorden r es emitida una orden de compra.1 Política de Revisión Periódica.La Política de Inventario se refiere a la Revisión y Disciplina utilizada para ordenar y controlar los inventarios. se emite una orden igual a Imax –It. donde T es la longitud de tiempo determinada según sea el criterio ordenado. El punto r se determina en función de un nivel de seguridad aceptado y en función de la cantidad consumida durante el tiempo que demora en obtenerse la reposición b. Revisión periódica con reposición bajo un punto de quiebre (r). 4. por lo tanto. En este sistema.5 Revisión Periódica Así la cantidad ordenada es: 0 si It > r.6.

como ventajas tenemos que: Optimiza los niveles de recursos involucrados. 4.7. 4. Es bueno en el caso de que se quiera manejar artículos baratos. El nivel de servicio es mejor. de manera que no se sobrepase un máximo Zmáx. El siguiente diagrama nos permita visualizar de mejor forma el modelo de dimensionamiento de inventario para un único producto: Figura 4. Las Faltas son permitidas. ya que mejora la probabilidad de que el pedido sea abastecido con el inventario existente. Pero el sistema de revisión continua tiene los siguientes inconvenientes: Tiene un alto costo por manejos de registro y requiere una constante atención en el producto. 2. Es susceptible a que ocurran faltas cuando la demanda es variable.7 Dimensionamientos de las Cantidades a Ordenar.7 Modelo Dimensionamiento de Inventario 116 . Es apropiado para artículo caros. Como desventajas de los sistemas de revisión periódicos se pueden mencionar: Es más caro. En el caso de los Sistemas de Revisión Continua.1 Modelo de un Único Producto: Para este caso. Es bueno para coordinar ítems relacionados. del punto de vista de que maneja una mayor cantidad de mercadería en inventario. consideramos: Una tasa de Demanda D. ya que aprovecha mejor la infraestructura de transporte. una unidad es adicionada al inventario 1 a la vez).Como ventajas de estos sistemas de revisión periódicos se pueden mencionar: Fácil de llevar. Una tasa de Producción P (es decir.

donde W representa el costo por falta independiente de la duración. En este modelo. El costo de llevar el inventario durante un ciclo. llegando a un nivel 0 (cero) o al punto J y un nivel de falta máximo en el punto a del ciclo siguiente. Costos por la falta promedio durante el período T. Costo de colocar una orden o (set up) este un costo fijo S. A partir de este punto. hasta llegar a un nivel máximo en el punto k. Recordar que Así el es el área b.($/unidad). y en ese momento. Tiempo para eliminar los atrasos. b. 117 . el nivel del inventario empieza a disminuir. j dividida por T Como Q/D = T y como se conoce T2 y T3. 2. k. Así: .Por definición: Tp = Q/P y T = Q/D. se inicia el llenado a una tasa de PD que primero en un principio sirve para reponer las faltas y posteriormente para acumular inventario. El costo de falta se debe a dos situaciones: 1. y de (*) y el costo promedio de mantener por un período es igual c. Por el hecho de deber material y se mide como Zmax * W. la producción parte en el punto a. este costo es efectivamente incurrido donde existen materias T2 y T3. Así corresponde calcular el inventario medio durante el ciclo total. El nivel máximo del inventario es: Composición del costo para el ciclo dado: a.

el Costo Total por Ciclo es el siguiente: Como nuestro objetivo es el Costo Total Anual. El costo de compra finalmente es = C * Q por lo tanto. donde i: representa la tasa anual de costo de inventario Lo anterior es la ecuación general de costos en función de Q.Tiempo en construir los atrasos Utilizando el mismo procedimiento que en el caso anterior. Zmax. Caso A: Tasa de Llenado del inventario es P-D.: . se tiene que: Así el costo de falta promedio será: donde es el costo de falta por unidad/por unidad de tiempo. Casos Especiales en que No se Permitan Faltas. Alternativas de Solución: La situación es derivar con respecto a: Cantidad y a Zmax. e igualar a 0. d. 118 . tenemos que: El número de órdenes es D/Q = n° h = i*c.

entonces: r* = 0 + tiempo de espera * dL = tL * dL 119 . Así.7.8 Tasa de Llenado de Inventario: P-D Caso B: Tasa de llenado P= infinita.9 Tasa de Llenado Infinito 4. Los modelos determinísticos pueden ser fácilmente ajustados cuando los tiempos de espera se conocen con certeza.Figura 4.2 Modelos con Tiempo de Espera. Figura 4. el punto de Reorden se calcula como: r* = Existencia de seguridad + demanda durante el tiempo de espera. Si las existencias de seguridad son iguales a 0.

cuando la existencia es 10 cajas 4. Ejemplo: Una cadena de venta de hamburguesas consume anualmente 750 cajas vacías. es ordenar 78 unidades.Con dL representando la demanda diaria del producto. ¿Cuál es la doctrina de operación que debemos seguir? El valor de cada caja es 12 US$ Figura 4. es de un 30%. el costo de pedir cajas al proveedor es de 15 US$ por orden y de manejo de las cajas en inventario. Costo del producto es 60 ($/unidad). Ejemplo: Una empresa fabricante de insignias tiene un contrato por 50.7.000 (unidades) con un costo de colocar la orden de 16. Costo de manejo es del 20%.000 (unidades) de venta anual. 120 . La empresa desea mejorar el error que comete al seguir su actual política Solución: Tenemos los siguientes costos: Costos Relevantes = Costos de Mantención + Costos de Pedir.000 ($/pedido). La Política Optima a seguir.10 Tiempo de Espera Supuesto = operación 365 días al año.3 Análisis De Sensibilidad. Si el valor de cada caja es 12 US$ y se sabe que la entrega es en 5 días. La empresa tiene una política de ordenar lotes de 40.

es el siguiente: El Costo total de la Política Optima: A continuación. calcularemos el incremento en el Costo total que acarrea la política que actualmente utiliza la empresa: El costo total sufrió un incremento de 25%.El CT según política actual. Ejemplo de Tarea: El restaurante “dulce rico” para su uso de venta de bebidas. por no seguir la política óptima Alternativamente. podríamos haber obtenido el mismo resultado haciendo el siguiente cálculo: Lo importante es considerar los costos relevantes y sensibilizar. ¿Determine el error que se comete debido a que hace pedidos una vez al mes.000 ($/orden).5 C = 40 ($/docena) 121 . el restaurante tiene que pagar 2. Para enviar una orden de pedido.(docenas de vasos/año) S = 2000. enfrenta una deman da de 120 vasos diarios. El mantener inventario le significa un costo de mantención del orden del 50% debido a muchas pérdidas producidas por su operarios. Los vasos tienen un Costo de 40 ($/docena). que diariamente quiebran muchos vasos o los trisan. y opera 360 días al año.? Solución: D = (120 /12) * 360 = 3600 .($/orden) i = 0.

000 Q < 20.000 Q Precio unitario $12 $11 $10 $9 40.000 Cuadro 4.5 * 40 * 150 = 24000 + 3000 = $27000 Con la política óptima el costo total es: 4.000 20. Así si: Cantidad Ordenada 0 < Q < q1 q1 q2 q3 Q < q2 Q < q3 Q < q4 Precio Unitario P1 P2 P3 P4 Cuadro 4.000 unidades/año y el costo de hacer el pedido es de 100 $/orden.7.000 5.24% Las cantidades y precios son los siguientes: Rango de Cantidades 0 Q < 5.Como realiza pedidos anuales: CT = 2000 * 12 * 0. Lo anterior sucede cuando existen descuentos por volumen. el precio varía a medida que el volumen es mayor. es decir. El costo anual es de 0. Para el caso anterior el supuesto que se tiene es una reposición instantánea.1 Cantidades Descontinuadas En este caso. tasa infinita de reposición y una demanda constante. ya que según el volumen de compra existe un Cj.2 Cantidades Descontinuadas (2) ¿Cuál es el tamaño de lote óptimo de equipos electrónicos que conviene comprar? Solución: 122 . el valor de CD es relevante. Ejercicio: Suponga que un depósito de equipos electrónicos enfrenta una demanda de 250.4 Cantidades Descontinuadas.000 Q < 40.

es mucho menor que las 40. Un supuesto razonable es utilizar el mejor precio que en este caso de 9 $/U Cj = 9 ($/unidad) Esto quiere decir que si nos ofrecieran vendernos los equipos a 9 $/unidad. Q = 5000) = $ 2.600 f.825 d. Si Cj = 10 ($/unidad) el lote optimo en esta nuevas condiciones es: En este caso el lote más cercano en esta condición es 20.000. el tamaño mínimo de lote por el que el proveedor está dispuesto a pedir un precio de 9 ($/unidad) es de 40.761. Costo total de la alternativa para esta situación es: (Q*=40.000 (unidades/pedido). C=9) = $2.293.d. Q* = 4352 < 5000 (unidades/pedido) Costo total de la alternativa: CT (C=11.000 (unidades/pedido). Para C = 11 ($/unidad) En consecuencia el lote esta fuera del rango considerado. Para C = 12 ($/unidad) Q* = 4166 < 5000 (unidades/pedido) 123 .000 (unidades/pedido) e. Como esta cantidad Qj = 4811 (unidades/ pedido). nos conviene pedir en lotes de 4811 (unidades/pedido).

11 Costo Total 4. etc.600 3.3 Cantidades Descontinuadas (3) Figura 4. El costo de mantener una unidad de inventario es de 0. costos de fabricación y costos de set-up (costos de echar a andar) para esta fábrica: 124 . Costo total de la alternativa: CT (Q* =4166.000.761. Cada producto tiene una demanda independiente. En la siguiente tabla.7..250 2. ya sea de capital para comprar.012.493. presupuesto. espacio para almacenar o transportes. Existen casos donde existen: Varios tipos de productos. Varias restricciones.166 9 10 11 12 CT ($) 2. presentamos la demanda. Período económico. Para conceptos de fabricación. Para el caso anterior. Ejercicio: Sea una fábrica que produce tres tipos de lámparas que presentan demandas distintas.5 Situaciones Con Múltiples Inventarios.825 2.525. Varios lotes económicos óptimos (uno para cada producto a considerar). se pueden plantear las dos Políticas de Inventario antes analizadas: Lote económico.000 la mejor política Cuadro 4. la fábrica dispone de un presupuesto de $16. C = 12) = $ 3.18 (18%).012. peso.En este caso el Lote esta dentro del rango considerado..000 Así se tiene que: Q*(unidades/pedido) Cj ($/unidad) 40 20 5 4.

Lampara Lampara Lampara tipo 1 tipo 2 tipo 3 Demanda Dj (unidades/año) Costo de Fabricación ($/unidad) Costo de set-up ($/orden) 1. Si observamos.5 80 60 Cuadro 4. Para optimizar = Sujeto a: Se calcula Donde B son restricciones de presupuesto en este caso. entonces: Los anteriores son los lotes económicos óptimos a fabricar.5 60 60 1. al fabricar los lotes económicos anteriores.5 30 60 2. estaríamos sobrepasando el presupuesto límite del que disponemos. podemos calcular el lote económico para cada una de ellas por separado. lo que se logra al calcular el llamado COEFICIENTE DE LAGRANGE (Le). Desarrollo: Se debe tomar como supuesto base.4 Múltiples Inventarios Solución: Como los tres tipos de lámparas son unidades independientes. el que no existen desfases entre los pedidos de los productos considerados. Por esto debemos disminuir de alguna forma los lotes económicos de cada una de las lámparas. pero si calculamos el costo total de fabricación en que incurriríamos al seguir esta política. tendríamos: Costo de Fabricación totales = (60*129) + (30*183) + (80*144) = 24759 > 16000. y se reemplaza en 125 .

Sabiendo que Derivando con respecto a T y minimizando 0 126 . 4. Nota: El problema se produce al inicio del análisis.7. y finalmente reordenando la ecuación es posible establecer que: B: Es de parámetro dado por la restricción. Para la situación anterior puede plantearse el cálculo de un tiempo de ciclo fijo para todos los ítems sujeto a la restricción de presupuesto.6 Calculo del Periodo Optimo. etc. Q*jL = Es el valor optimo del ítem considerando la restricción de Lagrangiano.Si no se cumple lo anterior se plantea el Lagrangiano: Derivando con respecto a Q y . E: Es el valor del parámetro de la restricción en condiciones optimas. Para nuestro ejemplo E = 24750 Considerando que se puede evaluar los Ti. es decir al efectuar en primera compra o el primer traslado.

similar al del caso anterior. Por resolución del Lagrangiano. sería: = 0. el min. 28} = 24 días.12 T óptimo q minimiza CT Si aplicamos esto en el ejemplo anterior. T{24.0660 años = 24 días Por lo tanto. entonces nos interesa: Maximizar T0 .Debido a que existen restricciones de presupuesto y puede existir un T 0 que es distinto. tanto como sea posible. puede calcularse un T 0 de la siguiente forma: y el desfase óptimo entre las órdenes está dado por: Por lo tanto el T óptimo es aquel que minimiza CT que es función de: CT que es función de: CT (T*c To) Figura 4. tendríamos que: El período T0 con restricciones. y las cantidades ordenadas 127 .

La capacidad de producción de la maestranza en este producto es de 45000 (u/año). El tiempo en preparar las máquinas toma cinco días.Qj = Dj*T = Q1 = 1500 x 0. entre los que se encuentra la fabricación de tornillos de banco. Qué cantidad se debe fabricar.000. A qué nivel de Inventario es necesario empezar a preparar la máquina b. Que cantidad se acumula como máximo. 4.0660 = 99 (unidades) Q3 = 2500 x 0.000.0660 = 99 (unidades) Q2 = 1500 x 0. a. La demanda total de este producto es de 30. c. Respuesta: a. El costo de elaboración de una unidad es de $4.000 (u/año) x 5/365 = 410 unidades c. El nivel r = dxT = 30.000 (unidades/año).8 Modelos con Demanda Probabilística En los modelos de inventario se asumió lo siguiente: Demanda conocida y estable Tiempo de espera constante 128 .13 T que minimiza CT (2) Ejemplo: Una maestranza atiende varios centros comerciales en una serie de productos industriales. Se desea saber una doctrina de operación óptima. b.y el mantener stock involucra un monto del 15%.0660 = 165 (unidades) Figura 4. El costo de ajuste de máquinas es del orden de $30. .

14 Demanda Probabilistica En este caso tenemos que: a. la solución de ese problema es bastante complejo y puede ser logrado en función de un procedimiento de prueba y error de manera dirigido para obtener convergencia. Existe un tiempo de espera variable Por lo tanto. El porcentaje de inexistencia es igual a 100% . Importante existen definiciones diversas de nivel de servicio y que dan valores distintos de puntos de reorden.8. se desea establecer existencias de seguridad adecuadas que permitan proporcionar un nivel especificado de protección para dar servicio a los clientes cuando se desconoce la demanda. el tiempo de espera conocido no así la demanda la cual varía.1 Modelo Simple Asumir que tL= contante.La realidad práctica no es así. finalmente convergen a valores en el tiempo de Q y r. asumiendo un valor de demanda constante se calcula un punto de reorden. En este modelo se desea encontrar la doctrina de operación que tome en cuenta la posibilidad de falta de existencias. es decir.el nivel de servicio. 4. ya que si pueden ocurrir ambas situaciones como lo indica la figura siguiente: Figura 4. Definición de NIVEL DE SERVICIO: Es el porcentaje de demanda del comprador que se satisface con material proveniente del inventario. así un nivel de 100% representa la satisfacción de todos los requerimientos de comprador con material existente en “bodega”. Existe una demanda variable b. Así. y con este valor se recalcula un nuevo Q para otra demanda y nuevamente otro r. 129 .

D = d x 365 = 50 x 365 = 18250 130 . Z = factor de seguridad. el costo unitario de cada camote es de 1.15 Modelo Simple 4. El costo de solicitud la orden es de 8 (US$/orden). ¿Cuál sería la Política Optima? Supuesto: 365 días al año. Donde: Sí: Por lo tanto Resumiendo: Ejemplo: La demanda diaria de “camotes” se encuentra distribuida normalmente con una media d = 50 (unidades/día) una desviación de diario =5(unidades/día).8. El abastecimiento tiene un tiempo de espera de 6 (días). Variables: m = consumo efectuado durante el tiempo de espera. tL = desviación estándar de la demanda durante el tiempo de espera. s = inventario de seguridad. dL = demanda diaria promedio. tL = tiempo de espera. diario= desviación estándar diaria de la demanda.2 Cálculo de Inventario de seguridad para la Política de Revisión Continua. Se desea dar un nivel de servicio de 95%.Figura 4.2 (US$/unidad) y los costos de manejo son del 20% del precio unitario.

3 Calculo de Inventario de Seguridad en Política de Revisión Periódica. El Inv. A diferencia del modelo EOQ este sistema funciona diferente debido a que: 1.645 * 12. El punto de orden es de 320 unidades. No tiene una cantidad económica del pedido sino que la cantidad varía de acuerdo a la demanda.8. c. Seguridad = 20 Unidad.45. Luego: Pero.16 Política de Revisión Continua 4.S = 8 $/orden i = 0. Figura 4.2 (unidades) por el período de 5 días.645. como conocemos la diario =5(unidades/día). No tiene un punto de reorden sino un objetivo de inventario 2. El valor de Z es 4. obtenemos que el área bajo la curva es 0. La política es ordenar lotes de 1103 unidades b. Con este último valor se entra a tabla de Z y u = 0. tenemos que: 12. r* = 300 + 1.5 + 0.2 = 300 + 20 = 320 (unidades) Resultado: a.2 % C= 1. El sistema periódico (T) el intervalo de compra es fijo y no la cantidad.2 De la distribución normal con un 95%. 3. 131 .

Este tiempo es el que condiciona el nivel máximo. Política de Revisión Permanente: 132 . Se requiere este tiempo previsión. debido a que el material en almacén no será restablecido sino hasta el siguiente período de revisión.Figura 4. 50 semanas. el tiempo total tLT = T + tL I = m’ + s’ Desde P m’ s’ s’ Z Ejemplo: Sea una demanda d tL = = diario= s = i = c = 200 (cajas/día) 4 (días) 150 (cajas/día) 20 20% 10($/caja) tL+t = = = = = = nivel de inventario objetivo demanda promedio durante el tiempo de T + tL Inventario de seguridad z * tL La desviación estándar durante T + tL Factor de seguridad Suponga que el almacén abre 5 días a la semana. Así el inventario objetivo se fija lo suficientemente alto para cubrir la demanda durante el tiempo de entrega más. puede establecerse de acuerdo a un nivel de servicio especificado. más el tiempo que tomará esa segunda entrega.17 Política de Revisión Periódica Sustituyendo T = Q/D en la fórmula de EOQ. el período de revisión. Así. tenemos que: Esta ecuación proporciona un intervalo de revisión T aproximadamente óptimo. El nivel de inventario objetivo I. 250 días al año I.

de Reorden: r = (d* tLT)+( z * tL)=200 x 4 + 1. Si comparamos los inventarios de seguridad para cada una de las políticas.000 tL = 300 (cajas/durante tL) Nivel de servicio 95%  Z = 1. tenemos: Política de Revisión Continua: s = 495 (unidades) Política de Revisión Periódica: s’ = 742 (unidades) 133 . Para la política Revisión Periódica.645 Inventario de Seguridad: s=z* tL = 495 (unidades) Pto.65 * 450 = 742 (unidades) Por lo tanto: I = m’ + s’ = 1800 + 742 = 2542 (unidades) La regla de revisión periódica es ordenar para lograr un nivel objetivo de I= 2542 unidades y hacer revisión cada 5 días.500 2 Lt+T = (tL+T)* 2 d= 202500 Lt+T = 450 (unidades) Inventario de seguridad s’: s’ = 1.m = 200 x 4 = 800 (unidades) tL2= tL+ t* 2 diario tL2 = 4 x(150)2 = 90. tenemos que I= m’ + s’ I = m’ + Z tL+T m’ = d * tL+T = 200 x 9 = 1800 (unidades) = 9 * 1502 = 202.65x300 = 800 + 495 = 1295 (unidades) II.

se pide un máximo que es variable. material. puede haber falta. Lote económico EOQ = 1 (teorico) Producción sin desperdicio de mano de obra. Hacer la cantidad exacta.9 Resumen Final de Inventarios. como herramienta de CONTROL de la producción. Los modelos básicos de inventario son: Figura 4. de forma que por ningún motivo exista material o inventario ocioso. 2. r la cosa es diferente. En el sistema Q. etc. El Sistema de Revisión Periódica puede dar como resultado más falta. 3. 4. mientras que en el Sistema de Revisión Permanente el Inventario de Seguridad cubre un período t L 4. con su técnica de Kanban. Producir con calidad perfecta (especificaciones dadas). 4. El sistema Q/r debe ser revisado permanentemente y hacer registros cada vez que se hace un egreso.1 Enfoque Japonés. ya que esta se dimensiona para un tiempo tL = T + tL. El sistema periódico requiere de más existencia de seguridad.. El enfoque JIT nace como una filosofía de administración o gestión de la producción y. ya que puede trabajar con una demanda normalmente alta.18 Modelos Básicos de Inventarios 1. Fabricación con tiempo de espera mínimo. tenemos una drástica caída de inventarios con el consiguiente aumento de rotación. en el tiempo exacto y en las condiciones solicitadas. Ejemplo de un análisis de producción: 134 . La filosofía rápida es producir lo que el cliente desea. Por lo tanto.¿ Porqué se produce tal diferencia? En el Sistema de Revisión Periódica el Inventario de Seguridad sirve para cubrir un período de tiempo (T + tL). como resultado final de esta filosofía. ya que existe un monitoreo permanente y se puede reaccionar más rápido. En el caso de sistema periódico. equipo.9. requiere de mayor esfuerzo. es más fácil de llevar ya que sólo se verifica una vez cada período. Elaborar el producto con la frecuencia que se pide. 5..

controlarían una proporción significativa del grupo entero.4.5 % 100% Cuadro 4.2 % 16. Así se observo que: Unos pocos individuos parecen obtener la mayoría de los ingresos.6 Sistema de Costeo ABC A B C 20 30 50 Figura 4. Un ejemplo que aclara la situación. En inventario sucede algo parecido.9.0 78 50 6 .25 Compañías Americanas 1982 10 . lo básico es que me permite orientar mis esfuerzos.6 2. donde un total de 10 artículos de los cuales 2 representan el 73.2% del costo o uso.9 1.2 Sistema de Costeo ABC. Clase Nº de Artículos 3.8.2 5.19 Costeo ABC En resumen: este concepto se fundamenta en los pocos significativos en los muchos significativos.Plantas Toyota 1980 Japón Kaeasaki 1981 Japón Kawasaki (USA) 1982 Disponibilida des días de Rotación Inventario Anual 4 62 3.3 % 10.10 Porcentaje Porcentaje del uso total en 73.7.5 Análisis de Producción Rotación es igual = 250 días de disponibilidad 4. donde observa que unos cuantos artículos en cualquier grupo. Unos pocos productos parecen obtener la mayoría de los ingresos y así por adelante. Este sistema se basa en la propuesta de PARETO (1906). 135 .5.41 Cuadro 4.

descuentos según fecha de compra. rapidez de la compra.10 Sistemas de Control de Inventarios Hasta este punto la atención se ha centrado en las reglas de decisión que pueden usarse para determinar ¿Cuándo y Cuánto Ordenar?. estas reglas deben enmarcarse dentro de un sistema de control de inventarios. Un sistema de control de inventarios debe generar informes para la alta administración. en determinados casos. sin embargo los 4 de mayor uso son los siguientes: a.10. los cajones para partes 136 . hoy en día la gran mayoría de los sistemas de control son computarizados. esto ultimo con el fin de modificar los pronósticos cuantitativos en caso de que ocurran eventos poco probables.Consideraciones adicionales Otros aspectos a considerar en manejo de inventarios es que no son costos son: Lead time Obsolescencia Disponibilidad Sustitutibilidad Criticidad Así se deben considerar aspectos de: “no” producir por falta. En las operaciones. deben ejecutarse las siguientes funciones: Conteo de las transacciones. exceptuándose aquellos que tienen un numero pequeño de artículos.1 Tipos de Sistemas de Control Son muchos los tipos de sistemas de control de inventarios que actualmente están en uso. 4. cuando un sustituto está disponible. los costos de operación del inventario. Estos registros pueden mantenerse en forma perpetua o solo por un periodo de tiempo. Las decisiones de inventario deben basarse en pronósticos de demanda. Estos aspectos pueden tener un mayor impacto que lo determinado económicamente. Sistema de Un Solo Dispositivo: Es un sistema de un solo dispositivo el caja o estante se llena en forma periódica (por ejemplo los estantes de las tiendas minoristas. Tales informes deben incluir el nivel de servicio que se proporciona. de la forma como se registra la información (transacciones). Informes a la alta administración. 4. donde su costo no justifica que se implemente un sistema sofisticado. Estos informes deben medir el funcionamiento global del inventario y deben ayudar en la formulación de políticas generales para lo inventarios. Sin embargo. Pronósticos. Independiente de si un sistema de control es o no computarizado. los niveles comparados con otros periodos. Todo sistema de inventario requiere de un método de registro de las operaciones de entrada y salidas del sistema con el fin de dar apoyo a las funciones contables y de administración de inventarios. así como para los gerentes de inventarios. En todo sistema es necesario considerar técnicas cuantitativas que apoyen lo juicios subjetivos. Un sistema de control de inventarios puede ser manual o computarizado o una combinación de ambos.

No se mantienen registros de cada una de las entradas y salidas. Una vez que el primero se ha agotado se inicia el segundo. 137 .htm Bienvenidos a los cursos del Área de Operaciones – Descargar ejercicios: http://ucreanop.pequeñas en las fabricas. las transacciones se asientan contra este registro conforme los artículos son despachados o recibidos. Sistemas de Dos Depósitos.) . Con este sistema. Sistema de Cardex. su rotación.cl/~Pablo/files/ModeloInventario2006. las tarjetas son actualizadas cuando llega material nuevo. Conforme se venden los artículos.unsa. Se conserva un registro para cada artículo en una memoria de almacenamiento de lectura computarizada.inf. se lleva un cardex.ar/mcneco/mcn_tps. el primero es de donde se saca el material y el segundo es una cantidad tal que es igual al punto de reorden.html Programación Matemática http://www. Este sistema donde el tamaño es la meta. pérdidas. 4.11 Actividades para el Aprendizaje. d.es/~sala/programacion. y el inventario se ajusta a esta medida en forma periódica. en el que generalmente se tiene una tarjeta para cada artículo del inventario. Similarmente. se localizan las correspondientes tarjetas y se actualizan. Un buen ejemplo de la actualidad son los supermercados con sus registros de códigos de barras pueden automáticamente saber la cantidad vendida de un determinado producto. etc.utfsm.edu. Luego de visitar estas direcciones de páginas web. La idea básica es que existen dos compartimentos.inca.pdf Resolver los ejercicios al capitulo correspondiente: Cátedra de Métodos Cuantitativos para los Negocios. b. elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: Modelos de Inventario http://www. Sistema Computarizado. etc. emitiéndose una orden por una nueva cantidad igual al lote Q a ordenar determinado en función de un modelo respectivo. http://www.uv.php e.org/descarga_ejercicios.

138 .

Un típico ejemplo de colas de espera que ilustra el problema es un viaje en avión. Prestar atención al tiempo de permanencia en el sistema o en la cola. Una vez obtenido el billete. una ruta específica. y tratar de reducir al mínimo el tiempo de espera en realizar dichas operaciones. Estas colas suelen aparecer cuando un usuario. Y eso sin considerar la experiencia en colas de la propia compañía aérea para este mismo viaje. En la figura 5. para comprar el billete podemos tener que hacer cola en la ventanilla correspondiente. tendremos que hacer cola para facturar el equipaje y obtener las tarjetas de embarque. En este viaje. Cuando el avión se dirige hacia la pista de despegue puede encontrar con una cola de aviones esperando su turno para despegar. Después hacemos cola para pasar por el detector de metales y finalmente esperamos en cola en la sala de embarque. De ahí que las compañías aéreas se preocupan de gestionar sus operaciones lo más eficientemente posible.1 Descripción de un sistema de colas Un sistema de colas tiene dos componentes básicos: la cola y el mecanismo de servicio. tendremos que esperar a que los pasajeros coloquen sus bolsas de mano para poder llegar a nuestro asiento. operando a plena capacidad. asignarle una puerta determinada. 5. ser inspeccionado. y a nivel ambulatorio es muy común la existencia de personas esperando a ser atendidas en un Centro de Asistencia Primaria. Cuando llega a su destino. En la mayoría de las organizaciones existen ejemplos de procesos que generan colas de espera. El avión en el cual viajábamos tiene que esperar en cola para repostar. Las listas de espera son muy comunes en muchos procesos quirúrgicos dentro de una red sanitaria. colas) y generan una serie de parámetros –que veremos en este capítulo.MODELACION DE COLAS. Primero. Y finalmente. no puede atender temporalmente a este servicio. Los sistemas de urgencias muchas veces se ven congestionados siendo el tiempo de espera crucial. Los modelos de gestión de colas intentan simular el sistema en donde puede existir congestión (y por lo tanto. Una vez dentro del avión. puede dar unas cuantas vueltas antes de tener permiso para aterrizar. Identificar el nivel óptimo de capacidad del sistema que minimiza el costo del mismo. una máquina o una unidad tiene que esperar a ser servidas debido a que la unidad de servicio. Los sistemas sanitarios también se enfrentan a este tipo de problemas. una carga de comidas. Evaluar el impacto que las posibles alternativas de modificación de la capacidad del sistema tendrían en el coste total del mismo. un empleado. cuando se asigna una puerta de desembarque para el avión. 139 . Establecer un balance equilibrado (“óptimo”) entre las consideraciones cuantitativas de costos y las cualitativas de servicio. Objetivos del Capítulo.0 Introducción.que permiten evaluar el sistema actual y evaluar la realización de modificaciones en el servicio en cuestión. 5. tendremos que esperar a que lleguen las maletas. es posible que hayamos sido miembros de por lo menos diez colas. etc.1 se presenta un esquema de una cola simple. una tripulación.

Una vez terminado el servicio. desiste de ser atendida. Ahora bien. conocido como 140 . el tiempo entre cada una de las llegadas sigue una distribución exponencial. Como hemos mencionado anteriormente. La mayoría de los sistemas utiliza el mé todo “First In First Out”. que el tamaño de la cola es muy pequeño respecto al potencial de usuarios del sistema. en donde la población potencial la forma las enfermeras y ATS. Esta disciplina es la que rige el mecanismo de atención.2 se exponen otros tipos de configuraciones de sistemas de colas. la disciplina de la cola rige el sistema de entrada en el mecanismo de servicio.Figura 5.1: Esquema de Cola Simple Pueden existir varias configuraciones de colas más complejas. En un determinado momento. que veremos más adelante. En la Figura 5. Es decir. Una vez seleccionado el cliente. Como los cálculos son mucho más sencillos para el caso infinito. Los clientes que vienen a procurar un determinado servicio se generan a través del tiempo en una fuente de entrada. Por ejemplo. Estos clientes entran dentro del sistema y se unen a una cola. el cliente sale del sistema. cansada de esperar.2: Configuraciones de colas El proceso básico en la mayoría de los sistemas de colas es el siguiente. se selecciona uno de los clientes para poder proporcionarle el servicio en cuestión. Figura 5. Otro factor importante a tener en cuenta en un sistema de colas es la “fuga” de algún cliente. esta suposición se emplea casi siempre. Al modelizar la cola hay que considerar si una persona que lleva dentro de la cola un rato. abandonando la cola. La suposición normal es que el proceso se genere siguiendo un proceso de Poisson. este es atendido por el mecanismo de servicio. Esto puede suceder en la farmacia de un hospital. un ambulatorio de urgencias en general cubre una región con población grande comparado con las posibles urgencias que se puedan generar. En general. Si el proceso de llegada es Poisson. existen casos en donde la población es finita respecto del tamaño de la cola. Otro factor a tener en cuenta es el patrón estadístico mediante el cual se generan los clientes a través del tiempo. mediante lo que se denomina la disciplina de servicio. En un momento dado puede formarse una cola considerable. un sistema de colas tiene una población potencial infinita.

no es lo mismo esperar 15 minutos de pie haciendo cola en un ambulatorio sin refrigeración y poco ventilado que esperar el mismo tiempo en una sala de espera con butacas confortables. Otros sistemas pueden ser de tipo aleatorio. El mecanismo de servicio consiste en una o más instalaciones de servicio. En este punto el nivel de servicio es óptimo. Estas últimas están relacionadas con la ca lidad del servicio. con el consiguiente aumento de los costos de producción. ì Tiempo medio de espera en la cola. aunque normalmente se supone la misma distribución para todos los servidores. Los clientes son atendidos en estos servidores. sobretodo cuando se trata de un sistema en donde seres humanos están implicados. El tiempo que transcurre desde el inicio del servicio para un cliente hasta su terminación se llama el tiempo de servicio (o duración del servicio). Wq Tiempo medio de estancia en el sistema. seguramente un minuto de cola en el ambulatorio equivale a muchos minutos de espera en la sala de espera confortable. El paciente valorará mucho más 1 minuto de espera en el primer caso ya que representa un costo mucho más elevado en términos de confort.3 podemos ver la disyuntiva entre el costo de espera y el costo de producción. La gestión cuantitativa de las colas no se ocupa de estos aspectos cualitativos (que no por ello dejan de ser importantes) sino que da valores a una serie de medidas “frías” o “duras”. Un modelo de sistema de colas tiene que especificar la distribución de probabilidad de los tiempos de servicio de cada servidor (y tal vez para distintos tipos de clientes). ya que para reducir el tiempo de espera se necesitan poner más recursos en el sistema. con cada una de ellas con uno o más canales de servicios. revistas. Ws Número medio de personas en la cola. o de acuerdo con un sistema de prioridad previamente establecido. ë Tasa media de servicio. Por lo tanto. Lq 141 . Una vez más. 5. la cuantificación del tiempo de estera en valores monetarios puede ser harto complicada y subjetiva.2 Objetivos de la gestión de colas En los modelos de colas existen dos objetivos: por un lado la minimización del tiempo de espera y por el otro la minimización de los costos totales de funcionamiento del sistema. el costo total alcanzaría su mínimo en el punto H. En la Figura 5. Estos objetivos suelen ser conflictivos.FIFO. en muchos casos la obtención “objetiva” de este resultado puede ser muy complicada ya que. 5. En otras palabras. en general se intenta llegar a una solución que sea “lógica” en función de los valores que adopten los diferentes parámetros del modelo. Por ejemplo.3 Medidas del sistema Existen dos tipos de medidas para poder valorar un sistema en donde pueden aparecer colas: medidas “duras” y medidas “blandas”. En la sección siguiente se examinan estos parámetros. En muchos casos el tiempo de espera es difícil de determinar. Sin embargo. llamados servidores. Figura 5.3: Costos de un sistema de colas Si pudiéramos sumar ambos costos. aire acondicionado y música clásica de fondo. como se ha indicado anteriormente. la distribución exponencial es la más empleada en los tiempos de servicio. Las medidas duras más utilizadas en los modelos de gestión de colas y su notación estándar son las siguientes: Tasa media de llegada.

5. sino que siguen una determinada distribución probabilística. las llamadas a una centralita telefónica. Todos estos ejemplos tienen un punto en común: todos ellos pueden ser descritos por una variable aleatoria discreta que tiene valores nonegativos enteros (0. por ejemplo. al cabo de ocho horas.1. tendríamos 16 personas en la cola.2. la tasa de llegada es exactamente de 10 personas por hora. podemos afirmar que: 142 . 5.4…). 5. El hecho de que hayamos asumido unas tasas de llegada y de servicio constantes hasta ahora facilita los cálculos para obtener información sobre el sistema.5 Las distribuciones de Poisson y Exponencial 5. tiempo ocioso del servidor Supongamos que tenemos un sistema en donde cada 6 minutos. sobre todo en el área de la gestión de colas. 2 3… Sigamos con el ejemplo del ambulatorio. Y. exactamente igual que la tasa de llegada.2 No hay cola ni tiempo ocioso del servidor. en otras palabras. En este caso. Si dividimos el intervalo de 15 minutos en intervalos mucho más pequeños (por ejemplo. si las llegadas y los tiempos de servicio estuviesen distribuidos aleatoriamente a lo largo de la jornada. la llegada de pacientes a un ambulatorio. podemos tener las tres situaciones siguientes: 5. llega una persona a un ambulatorio. puede pasar que un grupo de pacientes llegue en bloque y formen durante un tiempo una cola. 1.33% de la capacidad de servicio. por otro lado.5. La llegada de pacientes se puede caracterizar de la forma siguiente: 1. El número de pacientes que llegan al ambulatorio en un intervalo d e 15 minutos puede ser igual. En esta situación se formará una cola que irá creciendo. Supongamos que la tasa de servicio del médico (del servidor en términos técnicos) es de 12 personas por hora siempre. el número de accidentes en un cruce. supongamos que la tasa de servicio pasa a ser igual a 10 personas por hora. mientras que siguen llegando pacientes cada 6 minutos exactamente.3 Formación de cola y sin tiempo ocioso en el servidor Ahora supongamos que la tasa de servicio pasa a ser igual a 8 personas por hora. Siguiendo el ejemplo anterior. Px En los siguientes apartados iremos examinando estos conceptos. Ws Porcentaje de ocupación de los servidores. Por ejemplo. es decir. En las siguientes secciones examinaremos algunos de estos casos. etc.3. o 83.1 No hay cola. En esta situación es imposible que se forme una cola.4. si durante un tiempo no llegan más pacientes. Pero la situación se complica si nos trasladamos a la situación más realista. 1 segundo). en donde las tasas de llegada y de servicio no son constantes.6% de su tiempo.Número medio de personas en el sistema. ni una más ni una menos.4. a 0. la cola puede ser reducida por el mecanismo de servicio. exactamente. pero por otro lado el servidor estará ocupado 100% de su tiempo y trabajará a plena capacidad.1 La distribución de Poisson Esta distribución es muy frecuente en los problemas relacionados con la investigación operativa. Suele describir. Por ejemplo.4 Un sistema de colas elemental: tasa de llegada y de servicio constantes Supongamos que tenemos un sistema en donde tanto la tasa de llegada (en personas por unidad de tiempo) como el tiempo de servicio son constantes. 5. Incluso ya sabemos que el servidor estará ocioso un 16. ya que el servidor no puede absorber toda la demanda de servicio y los pacientes se irán acumulando. O. el es decir el exceso de llegadas partido por las personas servidas. la llegada de coches a un túnel de lavado. 2. La cola de llegadas no servidas inmediatamente irá creciendo a una tasa de 2 personas por hora. aunque la capacidad de los servidores sea suficiente para absorber la demanda. En esta situación nunca se formará una cola porque el servidor puede manejar perfectamente las llegadas.4. El número medio de llegadas de los pacientes para cada intervalo de 15 minutos puede ser obtenido a través de datos históricos. ya las llegadas necesitan únicamente de 10/12. Pw Probabilidad de que hayan x personas en la en el sistema.

5. La función de densidad de la distribución exponencial es la siguiente: En donde t representa el tiempo de servicio y ì la tasa media de servicio (pacientes servidos por unidad de tiempo). ni de la posible cola que pueda estar formándose. A lo mejor el próximo paciente operado tarda 1 hora porque su cirugía era mucho más simple que la del anterior. o 10 horas o las que sea. “memoria”.2. 5. Este valor es igual al área por debajo de la función de densidad. por ejemplo) es la siguiente: En donde x representa en número de llegadas. la variable aleatoria que representa el tiempo necesario para servir a la llegada. la distribución exponencial es continua. Si el paciente ya lleva 5 horas siendo operado. el tiempo de servir una medicina en una farmacia. Esto es debido a que la distribución exponencial supone que los tiempos de servicio tienen una gran variabilidad. o el tiempo de atender a una urgencia. la distribución exponencial estudia el tiempo entre cada una de estas llegadas.1 La probabilidad de que exactamente un único paciente llegue al ambulatorio por segundo es tiene un valor muy reducido y es constante para cada intervalo de 1 segundo. Esta distribución se utiliza mucho para describir el tiempo entre eventos. En general nos interesará encontrar P(T < t). Por ejemplo. supongamos que el tiempo de atención de un paciente en una sala quirúrgica sigue una distribución exponencial. Mientras que la distribución de Poisson es discreta. que un tiempo de servicio determinado no depende de otro servicio realizado anteriormente. Ejemplos típicos de esta situación son el tiempo que un médico dedica a una exploración. 2. podemos afirmar que su distribución es de Poisson. es decir. la probabilidad de que esté una hora más es la misma que si hubiera estado 2 horas. el tiempo entre ellas es exponencial. La fórmula para obtener la probabilidad de que un evento ocurra (que lleguen 3 pacientes. porque el tiempo entre llegadas no tiene por qué ser un número entero.2 La distribución Exponencial Mientras que la distribución de Poisson describe las llegadas por unidad de tiempo. o en otras palabras.3 El número de pacientes que llegan durante el intervalo de 1 segundo es independiente de donde se sitúa este intervalo dentro del periodo de 15 minutos. Si las llegadas son de Poisson. la probabilidad de que el tiempo de servicio T sea inferior o igual a un valor específico t. Otra característica de este tipo de distribuciones es que no tienen “edad”. 2. ë la tasa media de llegadas y P(x) la probabilidad de que el número de llegadas sea igual a x. 143 .4. 2. La densidad exponencial se presenta en Figura 5.4 El número de pacientes que llegan en un intervalo de 1 segundo no depende las llegadas que han sucedido en otro intervalo de 1 segundo Si al analizar un proceso de llegada este cumple estas condiciones. El uso de la distribución exponencial supone que los tiempos de servicio son aleatorios.2 La probabilidad de que 2 o más pacientes lleguen dentro del intervalo de 1 segundo es tan pequeña que podemos decir que es igual a 0. más específicamente.

4. El modelo que presentaremos a continuación tiene que cumplir las condiciones siguientes: 1. El número de legadas por unidad de tiempo sigue una distribución de Poisson Los tiempos de servicio siguen una distribución exponencial La disciplina de la cola es de tipo FIFO La población potencial es infinita Existe un único canal de servicio La tasa media de llegadas es menor que la tasa media del servicio El tamaño potencial de la cola es infinito Si estas condiciones se cumplen y si conocemos la tasa media de llegada ë. por ejemplo. queremos saber cual es la probabilidad de que el tiempo de servicio sea de 2 o menos horas cuando el tiempo medio es de 3 horas (una tasa de servicio de 1/3).4: Distribución Exponencial Si. 7.Figura 5. 6. Se observa que de vez en 144 .6 Modelo de Colas Simple: Llegadas en Poisson y Tiempos de Servicio Exponencialmente Distribuidos. 2. 5. P(T 2) = 0. y la tasa media de servicio ì. y existe un único trabajador para buscar los medicamentos del pedido de cada furgoneta y cargarlos en ella. las ecuaciones para obtener valores de las medidas descritas anteriormente son: Número medio en la cola: Número medio en el sistema: Tiempo medio de espera en la cola: Tiempo medio en el sistema: Factor de utilización: Un ejemplo Consideremos el caso de un gran laboratorio farmacéutico que tiene en su almacén un único estacionamiento de carga de que sirve a todas las farmacias de una región. casi un 50% de probabilidad. 5. 3. podemos aplicar la fórmula siguiente: En este caso.486.

Este tipo de modelo es característico de los problemas de colas que se pueden encontrar en algunos servicios. En este caso. porque una única camioneta puede cargarse a la vez. el cliente se va inmediatamente y no vuelve.016 0. las ecuaciones del modelo son: Probabilidad de 0 personas en el sistema: 145 .222 Ocupación del servicio Pw 0.2: Costos de operación del sistema Los gestores tendrían que añadir un nuevo trabajador al sistema ya que esto representará una reducción de los costos totales operacionales. la tasa de servicio será igual a 18. se determina que la tasa media de llegada es de 4 camionetas por hora. y los trabajadores cobran 1800 U.cuando las furgonetas de transporte se acumulan en el estacionamiento formando cola. Si usamos dos trabajadores.167 0.500 2 0. aunque el factor de utilización pasará a ser de 33%.063 0.000 0.1: Resultados del modelo simple de colas Supongamos que los costos de operación de cada camioneta por hora son de 2000 U. y que la tasa de servicio es de 6 camionetas por hora. Los gestores del almacén están considerando el añadir un trabajador adicional. Si utilizamos tres trabajadores. Trabajadores 1 Número medio de camionetas en la cola Número medio de camionetas en el sistema Tiempo medio de la camioneta en cola Tiempo medio de la camioneta en el sistema Lq Ls Wq Ws 1. un restaurante con un estacionamiento limitado. Extensión del modelo simple a colas con capacidad limitada Existen casos en los que el sistema (cola más servicio) tiene una cierta capacidad.333 0. la tasa de servicio será igual a 12. que los dos trabajadores tendrán 5 horas y 20 minutos para dedicarse a otras tareas dentro del laboratorio farmacéutico.500 0.042 0. el sistema seguirá siendo de cola simple. por hora de trabajo y que estos trabajan 8 horas al día. Después de un estudio del sistema observamos que éste cumple las condiciones expuestas anteriormente. El problema consiste en evaluar estas opciones diferentes.333 2.1 se han utilizado las ecuaciones expuestas anteriormente para obtener las medidas de eficiencia del sistema. Después de examinar las llegadas de las camionetas durante varias semanas.M. para aumentar la tasa de servicio. Hemos supuesto que la capacidad de trabajo es proporcional al número de trabajadores. hay que ir con cuidado ya que estos están en fracciones de hora.071 0. Por ejemplo. En el Cuadro 5.125 3 0. Al interpretar los tiempos. y de vez en cuando el trabajador está ocioso.M. Costo de Trabajadores Camioneta por dia 1 2 320 80 Costo de mano de obra por dia 144 288 Costo total Por dia 464 368 478 3 46 432 Cuadro 5. Si un cliente llega cuando hay M o más personas en el sistema.286 0.667 0.2 se presentan los costos asociados. Es decir. o incluso dos de ellos. En el Cuadro 5.333 Cuadro 5. Si se añade un trabajador.

Los valores de las medidas de eficiencia son función de P0 y se obtienen a partir de las siguientes fórmulas: Factor de utilización: Número medio en el sistema: Número medio en la cola: Tiempo medio de espera en el sistema: Tiempo medio en la cola: Tenemos que tener presente que en estas ecuaciones ì representa la tasa de servicio por canal. Las expresiones matemáticas para la obtención de las medidas de eficiencia del sistema dependen de P0 que es la probabilidad de que no haya nadie en el sistema se pueden calcular los valores de P0 . que no es más que la tasa de servicio individual multiplicada por el número de canales. 146 .xls) se pueden calcular estos valores tanto para sistemas múltiples de colas con capacidad infinita como con capacidad limitada. el primero de la cola lo vuelve a ocupar.5: Sistema múltiple de colas En este tipo de modelos la tasa de llegada siempre tiene que ser inferior a la tasa agregada de servicio. En la página web (archivo colas. los servidores se van ocupando y cada vez que un de ellos acaba su servicio. además de las condiciones expuestas anteriormente. A medida que van llegando los clientes.7 Modelo múltiple de Colas: Llegadas en Poisson y Tiempos de Servicio Exponencialmente Distribuidos. Figura 5. En muchos casos podemos tener situaciones en donde existe más de un servidor en el sistema.5. En este modelo se supone. El sistema está representado en la Figura 5. que la tasa individual de cada canal es la misma.Factor de utilización: Proporción de clientes perdidos porque el sistema está lleno: Número medio en el sistema: Número medio en la cola: Tiempo medio de espera en el sistema: Tiempo medio en la cola: 5.

5. La gerencia observa que de vez en cuando se forman colas para recoger las medicinas y que el servicio resulta un tanto ineficiente.318 0. Como es muy difícil estimar en términos monetarios el costo de espera de los pacientes.240 horas. Por otro lado.111 0.240 0.3: Resultados del modelo múltiple de colas En el cuadro podemos observar que si añadimos un médico adicional el tiempo de espera de cada paciente en el sistema pasa de 0.9. También se puede observar que con tres médicos el tiempo de espera en la cola es insignificante. La farmacia de un hospital tiene dos personas para atender a 10 enfermeras que vienen a buscar medicamentos para los pacientes. Por otro lado la distribución del número de llegadas no es Poisson ni el tiempo de servicio exponencial.842 0. Después de observar y recoger datos sobre las llegadas y sobre el tiempo de servicio. Los sistemas en donde las variaciones de las llegadas en diferentes horarios son muy grandes no pueden ser examinados con las formulaciones presentadas.710 4.555 horas a 0.Un ejemplo El ambulatorio de una región tiene dos médicos de cabecera que atienden a los pacientes que van llegando. la gerencia realizará la nueva contratación si se consiguen reducir los tiempos totales del servicio (espera más atención) a la mitad. la gerencia calcula que en media llegan 8 pacientes por hora. En el cuadro 5. y las distribuciones de las llegadas no son de Poisson. 5. Las distribuciones juegan un papel esencial en estos modelos.918 0.278 1. Por lo tanto no se puede aplicar el modelo múltiple de gestión de colas. Por lo tanto. pueden existir casos en donde la población potencial del sistema es finita. el objetivo de la gerencia se cumple al añadir un nuevo médico. la cola de la disciplina no es FIFO.3 se presentan los resultados después de aplicar las fórmulas del modelo con dos y tres médicos.190 0. En estos casos estos modelos son inservibles. Cuando tenemos sistemas más complejos se utiliza la simulación como método de análisis. 5. Sin embargo. En la siguiente sección simularemos un sistema de colas.442 2.1 Recogida de datos 147 . la tasa de servicio depende de las personas en la cola. la población potencial es bastante reducida y no puede considerarse como infinita. y que cada uno de los médicos puede atender 5 pacientes por hora. En general los pacientes tienen que esperar a ser atendidos y la gerencia está estudiando la posibilidad de contratar un nuevo médico para aligerar el sistema.355 Cuadro 5. Médicos 2 Probabilidad de que todos los médicos estén libres Probabilidad de que todos los médicos estén ocupados Número medio de pacientes en el sistema Número medio de pacientes en cola Tiempo medio de un paciente en el sistema P0 Pw Ls Lq Ws 0.9 Ejemplo de simulación de un sistema de colas.555 3 0.040 Tiempo medio de un paciente en cola Wq 0.8 Limitaciones de los modelos de gestión de colas Los dos modelos que hemos presentado en este capítulo son los más comunes cuando se trata de sistemas en donde están implicados seres humanos.

2 Simulación de llegadas. Se observó que en promedio llegaba una enfermera cada 5 minutos.9. la gerencia dividió el tiempo de observación en intervalos de 5 minutos y anotó las llegadas de enfermeras que llegaron durante estos intervalos. Como los números aleatorios tienen 10 dígitos (0. Para ilustrar el procedimiento de simulación de llegadas. Si cogemos al azar un número de la tabla.7. La gerencia simula las llegadas a la farmacia durante 24 periodos de 5 minutos. Duración del Número de tiempo de Servicio Observaciones (minutos) 8 9 10 11 15 30 45 60 Total de llegadas 150 Cuadro 5.0 min Con esta información.4.1. aunque en promedio llega una cada cinco minutos. la gerencia presentó los resultados obtenidos de la siguiente forma: Distribución porcentual de los tiempos de servicio: 15/150 = 10% (8 min) 30/150 = 20% (9 min) 45/150 = 30% (10 min) 60/150 = 40% (11 min) Media ponderada de los tiempos de servicio: 10% _ 8 min = 0. hemos escogido los 12 primeros números aleatorios del apéndice (por columna) y contado las veces que sale el número 7. la gerencia escoge (aleatoriamente) el 7 como representativo de una llegada. Los resultados de la observación se muestran en el Cuadro 5. la gerencia pudo empezar a realizar la simulación con la ayuda de números aleatorios. pero la mecánica seguiría siendo la misma.10).6.8. Quizás no sea una cantidad muy representativa en este caso. 1239650125 0 1370937859 2 0926561938 0 1639438732 1 148 6749281769 2 8912349495 0 9172674928 2 9916253764 0 0178780337 3 9128374452 1 4412773934 2 0112378549 1 . En primer lugar la gerencia simula las llegadas de las enfermeras a la farmacia. Estos periodos de una hora fueron aleatoriamente escogidos durante el día para obtener una muestra representativa de la actividad. 5. pero para efectos de explicación de la simulación es suficiente. En un caso real simularíamos el sistema con muchos más periodos. Ésta sabe que las llegadas son aleatorias.2.4 min Tiempo medio de servicio: 10.4: Resultados de la muestra Además.9.La gerencia observó el funcionamiento de la farmacia durante periodos de 1 hora distribuidos a lo largo de un mes.4.5. Al final del periodo de observación. la cantidad de sietes que contenga el número indicará la cantidad de llegadas en un intervalo de 5 minutos.0 min 40% _ 11 min = 4.8 min 30% _ 10 min = 3.3.8 min 20% _ 9 min = 1.

5: Simulación del número de llegadas en cada intervalo 5.3 Simulación de los tiempos de servicio Después de obtener los resultados de la simulación de las llegadas. Esto quiere decir que la primera y la segunda llegada tendrán asociadas un tiempo de atención de 11 minutos. y el 6. (7) 10 min 0 3 (8) 10 min.5 que en el segundo periodo hubieron dos llegadas al servicio. Periodo 1 2 3 4 5 6 7 Cantidad de Llegadas 0 2 0 1 2 0 2 Periodo 9 10 11 12 13 14 15 Cantidad de Llegadas 3 1 2 1 0 0 1 Periodo 17 18 19 20 21 22 23 Cantidad de Llegadas 1 1 1 0 0 1 0 8 0 16 4 24 2 Cuadro 5. escogemos la última fila de números aleatorios de la tabla comenzando por la izquierda. El resultado se presenta en el Cuadro 5. observamos en el Cuadro 5.6. (2) 11 min 0 1 (3) 10 min 2 (4) 11 min. (10) 11 min Tiempo de servicio de cada una 149 .9. Recordemos la distribución de los tiempos de servicios observada anteriormente: Minutos 8 9 10 11 Porcentaje 10 20 30 40 Como seguimos utilizando los números aleatorios de 10 dígitos.5 se muestran los resultados para los 24 periodos. 7. 4 y el 5 un tiempo de 10 minutos. Número de Número de periodo Llegadas 1 2 3 4 5 6 7 8 9 0 2 (1) 11min. De esta forma podemos representar exactamente la probabilidad de los tiempos de llegada. Para simular el tiempo de servicio. 8 y 9 un tiempo de 11 minutos. el 1 y el 2 un tiempo de 9 minutos. (9) 10 min. (5) 10 min 0 2 (6) 9 min. la gerencia tiene que realizar la simulación de los tiempos de servicio. Este proceso se repite para todos los periodos en los que hay llegadas.En el Cuadro 5. consideraremos que el 0 representa un tiempo de servicio de 8 minutos. Por ejemplo. el 3. El primer número es 9 y el segundo 8.

En la Figura 5.63 horas perdidas).9. como veremos más adelante. Cada llegada viene indicada por un cuadro conteniendo su correspondiente número de orden.8 se representa la simulación con tres trabajadores. 3.52 minutos por viaje. éstas esperaran un total de 213 minutos. Si recordamos que el tiempo medio entre cada llegada era de 5 minutos. y la tercera en el minuto 5 4. seguramente se producirá una cola considerable. la gerencia considera que el costo por hora de cada trabajador es igual a 7 nuevos soles y el costo de cada enfermera es de 12 nuevos soles. en media las enfermeras realizaran 96 viajes por día (8 horas diarias por 12 viajes por hora).6 se presenta el patrón de llegadas de los 24 periodos. En la Figura 5. duración del tiempo de espera) puede representarse tal como se muestra en la Figura 5. Si en un periodo llega una única enfermera. lo que representa un costo total de espera de 163. es decir. (17) 11 min.6: Resultados de la simulación de los tiempos de servicio 5. y. vemos que se producen 5 llegadas (de la 16 a la 20). y encima del recuadro se indica el tiempo de espera correspondiente. un tiempo medio de espera igual a 8. Si se comparan las dos figuras. Si añadimos el costo de los dos trabajadores 150 . El comportamiento del sistema simulado con dos trabajadores atendiendo a los clientes (nivel de congestión. la primera llega al principio. el tiempo total de espera es igual a 817. 4 y 5 respectivamente. personas en cola.7. la segunda en el minuto 3. se asume que llegan en los minutos 2. (25) 11 min Cuadro 5.56 nuevos soles. Por ejemplo.10 11 12 13 14 15 16 17 18 19 20 21 22 23 1 (11) 11 min 2 (12) 10 min. (13) 8 min 1 (14) 11 min 0 0 1 (15) 11 min 4 (16) 10 min. (19) 11 min 1 (20) 9 min 1 (21) 8 min 1 (22) 11 min 0 0 1 (23) 11 min 0 24 2 (24) 9 min. ésta lo hará al principio del periodo 2. Y si el tiempo medio de espera es de 8. si examinamos el periodo entre las 10:15 y las 10:20. la primera lo hace al principio y la segunda en el tercer minuto 3.9 minutos (13. Si en un periodo llegan 4 enfermeras. Si se examina desde un punto de vista económico. con dos trabajadores atendiendo a las enfermeras. Se considera que el sistema es FIFO. visualmente se puede observar que el tiempo de espera se reduce considerablemente. Para obtener un valor monetario del tiempo de espera.4 Simulación conjunta del sistema Ahora ya podemos simular el sistema. primero en ser atendido. Si en un periodo llegan 3 enfermeras.52 minutos. primer en llegar. Se definen los criterios siguientes: 1. El objetivo de la gerencia es encontrar el número óptimo de trabajadores en la farmacia de forma a minimizar el costo total del servicio. Si en un periodo llegan 2 enfermeras. (18) 11 min. Ahora se tienen que definir los criterios de cada llegada dentro de cada periodo.

56 nuevos soles. Si tenemos 96 llegadas por día. Por lo tanto. Si realizamos el mismo ejercicio pero modificando el número de trabajadores atendiendo a las enfermeras (Figura 7.48 minutos (3 horas diarias). el tiempo total perdido es igual a 180. lo que da un costo total igual a 204 nuevos soles. el costo diario total es igual a 275. Figura 5. ¿Qué pasaría si contratáramos un cuarto trabajador que eliminaría completamente el tiempo de espera de las enfermeras? En este caso el único costo sería el sueldo de los trabajadores. superior al costo con tres trabajadores.(112 nuevos soles). El costo de la espera es igual a 36 nuevos soles y el sueldo de los trabajadores igual a 168 nuevos soles. la operación con tres trabajadores parece ser más eficiente en términos monetarios.88 minutos de espera por llegada. o 1. que sería igual a 224 nuevos soles.6: Representación de las llegadas 151 .6) el tiempo total de espera es igual a 47 minutos.

org/descarga_ejercicios. Luego de visitar estas direcciones de páginas web.investigacion-operaciones.htm Bienvenidos a los cursos del Área de Operaciones – Descargar ejercicios: http://ucreanop.unsa.es/~sala/programacion.10 Actividades para el Aprendizaje.Figura 5.html Programación Matemática http://www.ar/mcneco/mcn_tps.com/contenido. http://www.edu. elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: Investigación de operaciones: http://www.uv.htm Resolver los ejercicios al capitulo correspondiente: Cátedra de Métodos Cuantitativos para los Negocios.php 152 .8: Operación de la farmacia con tres trabajadores 5.7: Operación de la farmacia con dos trabajadores Figura 5.

Decisión: Es una elección entre dos o mas líneas de acción diferentes. Fijación de criterios de decisión que permitan la elección de una estrategia o alternativa. Identificación del tipo de decisión: Para ello clasificamos las decisiones en estáticas y en decisiones secuenciales. El objeto de la teoría de la decisión es racionalizar dicha elección. 8. (Ej: Estados de la naturaleza) 4.0 Introducción La característica principal de la gestión económica de la empresa es la del proceso de convertir información en acción. en función del grado de 153 . Este esquema cumple las siguientes fases: 1. Decisiones secuenciales: Problema de decisión en el que se consideran una secuencia de decisiones. Estar preparado para la elaboración. evaluando todas las posibilidades de elección como las consecuencias que puedan derivarse de cada opción. Desarrollar la capacidad de identificar cuál es la metodología matemática más adecuada para un problema concreto dentro de las varias que se estudian. Es una forma de utilizar la información para seleccionar una alternativa concreta. Capacitar en la identificación de criterios a tener en cuenta en un proceso de toma de decisiones. Predicción de probabilidad sobre la ocurrencia de cada estado de la naturaleza. (X ij: Resultados) 5. La teoría de la decisión adopta un enfoque científico. Desarrollar la capacidad de modelización matemática de problemas empresariales atendiendo a diversos criterios. Para ello hay que proceder de modo sistemático. decisiones posteriores dependientes de una decisión inicial. Decisiones estáticas Son aquellos problemas de decisión en los que sólo se adopta una decisión y no se analizan las posibles alternativas/decisiones posteriores a una alternativa/decisión previa. puede ser de tres tipos. Variable o no controlables por el sujeto decisor: temperatura. actuaciones de la competencia ect. Enumeración de posibles alternativas (Ai: Alternativas o estrategias) 3.(P j: Probabilidad) 6. es decir.1 Las decisiones en la empresa El método científico utilizado por la teoría de la decisión presenta un esquema lógico de actuaciones a la hora de plantear la solución de un problema. Definición del problema 2. contrapuesto a la intuición y experiencia como únicos criterios que se utilizaban anteriormente. resolución y posterior refinamiento de un modelo matemático para la toma de decisiones empresariales. tanto en la perspectiva estática como secuencial. Identificación de los posibles escenarios o estados de la naturaleza en la que las diferentes alternativas pueden desarrollarse. Obtención de resultados y valoración de los mismos: Desenlaces asociados a una alternativa concreta dado un estado específico de la naturaleza. a este proceso lo llamamos toma de decisiones. Identificación del contexto en el que se toma la decisión: A su vez. 7. 6.: ANALISIS DE LA TEORÍA DE LA DECISIÓN Objetivos del Capítulo. 6. El estudio de la teoría de la decisión provee de herramientas para la toma de decisiones importantes. el problema de decisión.

este incluye un punto de vista optimista o pesimista.000.. em} Ejemplo: Jhon Pérez ha heredado $1. 6. bonos.. ………. e2. Ai = {a1.conocimiento que se tenga sobre la ocurrencia de los estados de la naturaleza (incertidumbre. MATRIZ DE GANANCIAS ALTERNATIVAS Oro Bonos Negocio Cert. La siguiente tabla representa las ganancias que obtendría para cada escenario posible de comportamiento del mercado. El criterio de decisión se toma basándose en la experiencia de quien toma la decisión. En un problema estático se traduce en una matriz de una sola columna con un sólo estado de la naturaleza. y de tantas columnas como estados de naturaleza sean posibles.3 Elección del criterio de decisión en condiciones de incertidumbre: Situación en la que podemos descubrir los estados posibles de la naturaleza pero desconocemos la probabilidad de ocurrencia de cada uno de ellos. matriz de consecuencias o matriz de ganancias. Maximax. negocio en desarrollo.2 Problemas de decisión estáticos El proceso de decisión se sintetiza en una matriz de decisión. Principio de razonamiento insuficiente o criterio de Laplace. Un inversionista le ha sugerido cinco inversiones posibles: oro. an} Ej = {e1. Minimax o Savage. certificado de depósito. agresivo o conservador. Situaciones de riesgo: cuando no conocemos el estado de la naturaleza que se va a producir. riesgo.. siendo sus elementos los resultados correspondientes a cada alternativa en un estado de naturaleza específico. certeza) Certeza: Cuando conocemos con seguridad el estado de la naturaleza que se va a producir. ………. acciones.1 Matriz de Ganancias 6. Jhon debe decidir cuanto invertir en cada opción. El ha decidido invertir su dinero por un año. de depósito Acciones Gran alza -100 250 500 60 ESTADOS DE LA NATURALEZA pequeña sin pequeña gran alza cambios baja baja 100 200 250 60 200 150 100 60 300 -100 -200 60 0 -150 -600 60 -150 200 150 150 -200 Cuadro 6. en un problema secuencial se refleja en un sólo estado de la naturaleza para cada una de las decisiones adoptadas. Los criterios de decisión más empleados en estos casos son un reflejo de la actitud hacia el riesgo que tienen los responsables en la toma de decisiones. Criterio de Hurwics 154 . pero si conocemos las probabilidades de ocurrencia de cada uno de ellos. Situaciones de incertidumbre: Cuando desconocemos qué estado de la naturaleza se va a producir y la probabilidad de ocurrencia de cada uno de ellos. Los criterios aplicados son: Maximin o de Wald. a2. Es una matriz que consta de tantas filas como alternativas o estrategias se contemplen.

EL CRITERIO MAXIMIN Gran alza -100 250 500 60 ESTADOS DE LA NATURALEZA pequeña sin pequeña gran alza cambios baja baja 100 200 250 60 200 150 100 60 300 -100 -200 60 0 -150 -600 60 -150 Mínimas Ganancias -100 -150 -600 60 -200 ALTERNATIVAS Oro Bonos Negocio Cert. MATRIZ DE GANANCIAS ESTADOS DE LA NATURALEZA Gran pequeña sin pequeña gran ALTERNATIVAS alza alza cambios baja baja Oro Bonos Negocio Cert. Para encontrar la solución óptima se determina la mejor ganancia de todas las alternativas en cada estado de la naturaleza (mejor ganancia por columna) y se calcula el costo de oportunidad para cada alternativa de decisión (como la mejor ganancia por columna menos la ganancia de cada una de las celdas de la columna).2 Criterio Maximin La decisión óptima con este criterio sería invertir en certificados de depósito. Se elige lo mejor dentro de lo peor. Se llama máximo porque elige el máximo resultado entre los mínimos resultados. Criterio mínimax o Savage: Este criterio se ajusta también a criterio pesimista o conservador. La matriz de ganancias es basada en el costo de oportunidad. posteriormente se encuentra el máximo costo de oportunidad para todos los estados de la naturaleza y se selecciona la alternativa de decisión que tiene el mínimo costo de oportunidad.Criterio maximin o de Wald: Perfil pesimista (el decisor cree que el peor caso ocurrirá) o conservador (el decisor quiere asegurar una ganancia mínima posible). de depósito Acciones -100 250 500 60 100 200 250 60 200 150 100 60 300 -100 -200 60 -200 0 -150 -600 60 -150 200 150 150 Cuadro 6. de depósito Acciones 200 150 150 -200 Cuadro 6. El decisor incurre en una pérdida por no escoger la mejor decisión.3 Matriz de Ganancias MATRIZ DE COSTO DE OPORTUNIDAD ESTADOS DE LA NATURALEZA Gran pequeña sin pequeña gran ALTERNATIVAS alza alza cambios baja baja Oro Bonos Negocio 600 250 0 150 50 0 0 50 100 0 400 500 60 210 660 Máximo costo de oportunidad 600 400 660 155 . Para encontrar una solución óptima: se marca la ganancia mínima de todos los estados de la naturaleza posible y se identifica la decisión que tiene el máximo de las ganancias mínimas.

Considera los puntos de vista optimista y agresivo. Para encontrar la decisión óptima se marca la máxima ganancia para cada alternativa de decisión y se selecciona la decisión que tiene la máxima de las máximas ganancias. El Criterio Maximax La decisión óptima sería invertir en un negocio en desarrollo por presentar la máxima ganancia posible. de depósito Acciones -100 250 500 60 ESTADOS DE LA NATURALEZA pequeña sin pequeña gran alza cambios baja baja 100 200 250 60 200 150 100 60 300 -100 -200 60 0 -150 -600 60 -150 Máximas Ganancias 300 250 500 60 200 200 150 150 -200 Cuadro 6.2 − 200*0.5.4 Matriz de Costo de Oportunidad La decisión óptima con este criterio invertir en bonos por tener el menor costo de oportunidad El criterio maximax: Este criterio se basa en el mejor de los casos. El decisor asume que todos los estados de la naturaleza son equiprobables.2 − 150*0. 2 + 200*0.2 + 300*0.2 + 60*0.2 + 0*0.2 + 100*0.2 + 150*0.2 + 60*0.2 + 250*0.2 + 200*0.2 = 100 E(X2) = E(Bonos)=250*0. Un decisor optimista cree que siempre obtendrá el mejor resultado sin importar la decisión tomada.2 = 10 E(X4) = E(Certif.2 + 60*0. de depósito Acciones 440 190 140 240 0 440 300 100 50 500 210 500 Cuadro 6.2 = 60 E(X5) = E(Acciones) = 200*0.Cert.2 + 60*0. Para encontrar la decisión óptima se selecciona la decisión con el mayor valor esperado. Sugiere la definición del llamado coeficiente de optimismo (α).2 − 100*0.2 − 200*0. Un decisor agresivo escoge la decisión que le proporcionará una mayor ganancia. Criterio de razonamiento insuficiente o criterio Laplace: Puede ser tomado por un tomador de decisiones que no sea optimista ni pesimista.2 − 600*0. EL CRITERIO MAXIMAX ALTERNATIVAS Gran alza Oro Bonos Negocio Cert.2 − 150*0.2 + 100*0. Criterio de Hurwicz: Es un criterio intermedio entre maximin y el maximax: Supone la combinación de ponderaciones de optimismo y pesimismo. y propone que se 156 .2 = 30 La decisión óptima sería invertir en Oro.2 = 70 E(X3) = E(Negocio) = 500*0. E(X1) = E(Oro) = −100*0.2 + 150*0.) = 60*0.2 + 150*0.

6 El Criterio Hurwics T(Xi)=T(Oro)=0. Luego elegimos el máximo entre todas las alternativas. de deposito Acciones -100 250 500 60 100 200 250 60 200 150 100 60 300 -100 -200 60 0 -150 -600 60 -150 Se elige Maximas Ganancias Con =0. se multiplica el máximo por éste y el mínimo se multiplica por (1 -α). 0≤α≤1 cuanto más cercano a 1 mayor es el optimismo. El criterio que se utiliza para comparar los resultados correspondientes a cada línea de actuación es la mayor “esperanza matemática”.5 100 50 -50 60 0 200 150 150 -200 Cuadro 6. Conocemos la lista de estados de la naturaleza y su probabilidad de ocurrencia. Para hallar la solución óptima se marca el máximo y el mínimo de cada alternativa. y el mínimo resultado asociado a la misma. EL CRITERIO DE LA GANANCIA ESPERADA ESTADOS DE LA NATURALEZA ALTERNATIVAS Gran pequeña sin pequeña gran alza alza cambios baja baja Oro Bonos Negocio Cert.2 0.utilice como criterio de decisión una media ponderada entre el máximo resultado asociado a cada alternativa. Luego se suman los dos. En nuestro ejemplo. si suponemos que el empresario es neutral α=0.7 El Criterio de la Ganancia Esperada El utilizar como único criterio de decisión la esperanza matemática supone asumir ciertas hipótesis: Que al sujeto decisor no le importe la dispersión del resultado (no tiene en cuenta la desviación típica) 157 . Según el coeficiente de optimismo del decidor (α).5 EL CRITERIO HURWICS ESTADOS DE LA NATURALEZA ALTERNATIVAS Gran pequeña sin pequeña gran alza alza cambios baja baja Oro Bonos Negocio Cert.1 0. Como los eventos son excluyentes tenemos: La suma de probabilidades de todos los estados de la naturaleza debe ser iguales a la unidad. de depósito Acciones Probabilidad -100 250 500 60 200 100 200 250 60 150 200 150 100 60 150 300 -100 -200 60 -200 0 -150 -600 60 -150 Ganancias Esperada 100 130 125 60 95 0.5*300 + 0.4 En situación Riesgo.3 0.3 0.1 Cuadro 6.5*(−100)=100 6.

La función de utilidad se halla restando al valor esperado de cada alternativa el coeficiente de aversión por la desviación típica. Tiene que ver con la capacidad de asumir pérdidas. j En nuestro ejemplo: Si Jhon Pérez tiene una aversión al riesgo del 15%: a = 0. considerando la multiplicación de dicha medida de variabilidad por un coeficiente indicativo de temor al riesgo (a) del sujeto decisor. por tanto la utilidad esperada es menor lo que corresponde a un perfil conservador. El inversor presenta un perfil más arriesgado. El inversor presenta un perfila más conservador Si a→0 Poca aversión al riesgo. En dicho caso el decisor pasaría a elegir sólo entre aquellas alternativas cuyos resultados más desfavorables puedan ser asumidos por la empresa.Que no exista riesgo de ruina: Es el riesgo que el desenlace de una estrategia pueda suponer un quebranto económico tal que no pueda ser superado por la empresa.15 158 . a. Si a→1 Mayor aversión al riesgo. Consideración de la variabilidad de los resultados: Penalizar la esperanza económica por una medida que dé idea de la variabilidad de los datos. Función de utilidad = U(Xi) = E(Xi) – a*σX Observemos que cuando a tiende a 1 la cantidad a restar es mayor. Para solucionar estas limitaciones se construyen unas funciones de utilidad.

5 + 350*0. Y una aversión al riesgo del 20% y un beneficio crítico de 100 u. se rechazan las inversiones en negocio y en acciones ya que podrían generar pérdidas que no se podrían asumir (-600. remolacha o patata) con tres estados de la naturaleza (tiempo lluvioso.3 + 290*0.71 → Máximo beneficio teniendo en cuenta la aversión al riesgo b. Es decir. tiempo normal o tiempo seco) y la probabilidad de tiempo respectivamente (30% lluvioso. En nuestro ejemplo. Situación de riesgo: E(X1) = E(trigo) = 250*0. en el peor de los casos.5 + 200*0.3 lluvia Trigo Remolacha Patata a.3 + 450*0.2 = 260 E(X2) = E(remolacha) =100*0.5 + 250*0.3 + 200*0. o beneficio que cómo mínimo se exige a la inversión. bonos o certificados de depósito a través de la esperanza matemática o bien considerando la función de utilidad que penalice la dispersión de resultados ( a través de la desviación típica). 6. si estamos dispuestos a asumir pérdidas hasta 180 unidades monetarias. 50% normal y 20% seco).5 Problemas de decisiones estáticas Problema 1: Un empresario agricultor se plantea escoger entre tres alternativas de cultivo (trigo.m. Para el criterio Hurwicz se considera un coeficiente de optimismo del 50% P1= 0. Se tendría que elegir entre el oro.2 seco 200 350 250 En nuestro ejemplo: Si el empresario agricultor tiene una aversión al riesgo del 20%: a=20%: 159 .Se elige la alternativa que maximiza la función de utilidad: En nuestro ejemplo sería: X2 = Bonos =71.2 = 265 E(X3) = E(patata) = 150*0. Consideración del riesgo de ruina: La probabilidad de ruina es la probabilidad de que un resultado Xij sea menor que un cierto ingreso (si la matriz que estamos analizando es de costos) o beneficio crítico que como mínimo ha de obtener la empresa. cuáles serían las pérdidas que se estaría dispuesto a asumir.5 normal 290 450 200 P1= 0. 200).2 =195 Para solucionar estas limitaciones se construyen unas funciones de utilidad. Consideración de la variabilidad de los resultados 250 -100 150 P1= 0.

Criterio Laplace T(X1) = 250 + 290 + 200 = 740 →Se elige el trigo T(X2) = -100 + 450 + 350 = 700 T(X3) = 150 + 200 + 250 = 600 b2. Sugiere la definición del llamado coeficiente de optimismo (α). Criterio de Hurwicz: Es un criterio intermedio entre maximin y el maximax: Supone la combinación de ponderaciones de optimismo y pesimismo. Trigo = 290 Remolacha = 450 → Se elige Patata = 250 b4.Se elige la alternativa que maximiza la función de utilidad: En nuestro ejemplo sería: X1 = trigo = 253→Máximo beneficio teniendo en cuenta la aversión al riesgo Consideración del riesgo de ruina: Si fijamos un ingreso típico de 100 unidades monetarias: Se rechaza el cultivo de remolacha ya que puede llegar a presentar un ingreso inferior (-100 u. Criterio optimista o maximax: Se elige el máximo de los máximos.) al ingreso crítico.m. comprendido entre cero y uno: 0 ≤ α ≤ 1 → cuanto más cercano a 1 mayor es el optimismo T(Xi) = α * MaxXij + (1−α) MinXij 160 . Criterio pesimista. Se tendría que elegir entre el trigo y la patata a través de la esperanza matemática o bien considerando la función de utilidad que penalice la varianza. b. de Wald ó Maximin: Se elige lo mejor dentro de lo peor. Trigo = 200 → Se elige Remolacha = -100 Patata = 150 b3. En situación de incertidumbre b1.

en un contexto de riesgo se debe decidir con el máximo valor esperado.5*(150) = 200 b5. La Ganancia que se espera obtener al conocer con certeza la ocurrencia de ciertos estados de la naturaleza se le denomina: Ganancia Esperada de la Información Perfecta (GEIP). por ejemplo.5*250 + 0. podríamos calcular. si suponemos que el empresario es neutral α=0. y a este resultado le restamos el máximo valor esperado. Este concepto corresponde al costo de oportunidad de la decisión seleccionada usando el criterio de la ganancia esperada.5 T(X1) = 0.5*(-100) = 175 T(X3) = 0.6 La Utilización de la Información Perfecta y el Concepto de Valor Esperado en Contexto de Riesgo.En nuestro ejemplo.5*200 = 245 T(X2) = 0.5*290 + 0. En nuestro ejemplo de Jhon Pérez. Criterio de Savage Se construye una matriz de perjuicios o de costo de oportunidad matriz de consecuencias E1 Trigo Remolacha Patata 250 -100 150 E2 290 450 200 E3 200 350 250 matriz de arrepentimientos o costo de oportunidad E1 Trigo Remolacha Patata 0 350 100 E2 160 0 250 E3 150 0 100 Arrepentimiento máximo para la opción trigo = 160 → Se escoge el trigo Arrepentimiento máximo para la opción remolacha = 350 Arrepentimiento máximo para la opción patata = 250 6. El GEIP se calcula como el producto de la máxima ganancia para cada estado de la naturaleza por su respectiva probabilidad. En este caso nos aseguran con toda probabilidad la ocurrencia de cierto estado de la naturaleza. por eso la llamamos información perfecta. Esta decisión es la que genera una menor pérdida para quien tiene que tomar la decisión. Podemos entonces calcular la ganancia esperada de la información perfecta (GEIP) 161 . Como es lógico. el valor máximo que podemos pagar por un estudio donde nos aseguren la ocurrencia de cierto estado de la naturaleza.5*450 + 0.

que si puedo obtener información. El teorema de Bayes: donde = probabilidad revisada = probabilidad a priori = probabilidad condicionada = sumatoria probabilidad conjunta A partir del teorema de Bayes podemos calcular la Ganancia esperada con la Información Adicional (GECIA): La expresión matemática para su cálculo es la siguiente: donde: = Máximo valor esperado a posteriori 162 . muchas veces los estudios adicionales que se encargan tienen cierto margen de error.30*250 + 0.1 Cuadro 6. La información adicional.1 + 60*0.1 0.2 + 0. puedo pagar por ella un máximo de 141 unidades monetarias. 6.1) −130 = 141 Quiere decir esto.3 0.3*200 + 300*0.7 El Criterio de la Ganancia Esperada GEIP= (500*0. La información adicional mejora la probabilidad obtenida de la ocurrencia de un determinado estado de la naturaleza y ayuda al tomador de decisiones a escoger la mejor opción.EL CRITERIO DE LA GANANCIA ESPERADA ESTADOS DE LA NATURALEZA ALTERNATIVAS Gran pequeña sin pequeña gran alza alza cambios baja baja Oro Bonos Negocio Cert.2 0. no siempre es perfecta.7 La utilización de la información imperfecta y el concepto de valor esperado en contexto de riesgo. de depósito Acciones Probabilidad -100 250 500 60 200 100 200 250 60 150 200 150 100 60 150 300 -100 -200 60 -200 0 -150 -600 60 -150 Ganancias Esperada 100 130 125 60 95 0. que me asegure la ocurrencia de cierto estado de la naturaleza. La estadística Bayesiana construye un modelo a partir de información adicional obtenida a partir de diversas fuentes.3 0.

4. 2.8 Estados de la Naturaleza Pasos: 1. pequeña alza.21 163 . 3. ESTADOS DE LA NATURALEZA Gran pequeña sin pequeña ALTERNATIVAS alza alza cambios baja 0. es decir. Calculamos la probabilidad conjunta con la fórmula de Bayes para cada alternativa en cada escenario planteado.000 En caso de crecimiento positivo la probabilidad conjunta que se produzca una pequeña alza sería: Probabilidad conjunta = = 0. Calculamos la probabilidad revisada para cada alternativa en cada escenario.70*0. Se calcula como la diferencia entre el GECIA y el mayor valor esperado con la información a priori. Clasificamos la información adicional obtenida como probabilidad condicionada distinguiendo cada uno de los escenarios planteados.000 1.30 = 0.80*0. Calculamos la ganancia esperada con la probabilidad revisada para cada uno de los escenarios planteados.300 0. Calculamos la sumatoria de probabilidades conjuntas para cada escenario planteado. 6.= Sumatoria de probabilidades conjuntas Para su cálculo seguimos los siguientes pasos: 1.600 Gran baja 0. condicionada a que el crecimiento económico sea positivo o negativo. Negat.400 0. etc.200 0.500 Probabilidad Crec. 0.500 Cuadro 6.800 0. Calculamos la probabilidad conjunta con la fórmula de Bayes para cada alternativa en cada escenario planteado. Clasificamos la información adicional obtenida como probabilidad condicionada distinguiendo cada uno de los escenarios planteados. En este caso viene ya en la tabla. 5. Positivo Condicionada Crec. Ejemplo: Retomemos el ejemplo de Jhon Pérez.16 0. el mayor valor esperado por contar con una mejor información.700 0. 2. En caso de crecimiento positivo la probabilidad conjunta que se produzca una gran alza sería Probabilidad conjunta = = 0. Supongamos que hemos contratado un informe adicional que nos indica la probabilidad de ocurrencia de una gran alza. Los resultados se pueden ver en la siguiente tabla. Calculamos el GECIA También podemos calcular el valor esperado de la información adicional.20 = 0.

09 + 0.10 = = 0. crecimiento negativo).16 + 0.21 + 0. de depósito 164 ESTADOS DE LA NATURALEZA sin Gran pequeña cambio pequeña gran alza alza s baja baja -100 250 500 60 100 200 250 60 200 150 100 60 300 -100 -200 60 0 -150 -600 60 Ganancias Ganan Esperada Revisada cias Espera da a Crec.268 + 300*0.Pos Crec.04 + 0.15 + 0. De esta forma vamos completando una tabla que nos permita recoger toda la información de forma ordenada como la que se presenta más adelante.375 + 200*0. Calculamos el GECIA: para ello marcamos el mayor valor esperado para cada uno de los escenarios planteados = 249*0. la probabilidad de ocurrencia de cada alternativa.Neg priori itivo ativo 100 130 125 60 84 179 249 60 120 67 -33 60 .286 + 100*0.56 0. Calculamos la sumatoria de probabilidades conjuntas para cada escenario planteado.Y así vamos completando para cada escenario (crecimiento positivo. Calculamos la probabilidad revisada para cada alternativa en cada escenario. En caso de crecimiento positivo la probabilidad revisada que se produzca una gran alza sería 5.06 + 0.44 4.071 + 0*0 = 84 6.56 + 120*0.04 + 0 = 0.44 = 193 7. Calculamos GEIA = 193 – 130 = 63 EL CRITERIO DE LA GANANCIA ESPERADA CON INFORMACION ADICIONAL ALTERNATIVAS Oro Bonos Negocio Cert.15 + 0. 3. Para el caso de crecimiento positivo la sumatoria sería: Sumatoria Probabilidad Conjunta = Para el caso de crecimiento negativo la sumatoria sería: Sumatoria Probabilidad Conjunta = = 0. Calculamos la ganancia esperada con la probabilidad revisada para cada uno de los escenarios planteados. En caso de crecimiento positivo la probabilidad revisada que se produzca una gran alza para la alternativa del oro sería: = -100*0.

m.2 0.Acciones 200 150 150 -200 -150 95 139 39 Probabilidad 0.268 0.205 0.44 Crecim. dado que es normal que una decisión tomada en el momento inicial condicione decisiones en los momentos posteriores de tiempo.3 0.56 + 120*0. Los elementos fundamentales del problema de decisión se representan en un árbol de decisión de la siguiente forma: Puntos o nudos de decisión entre alternativas o estrategias: □ Nudos aleatorios: Ocurrencia de los posibles estados de la naturaleza: ○ Resultados esperados: Δ El primer nudo (1) siempre es decisional: representa la decisión inicial que ha de tomar el decisor.15 0.000 Cuadro 6.06 0.09 0. es decir.21 0. En este caso. Es una forma de abordar el problema de decisión cuando hay que adoptar una secuencia de decisiones excluyentes.04 0 0.44 = 193 GEIA=GANANCIA ESPERADA DE LA INFORMACIÓN ADICIONAL GEIA = 193 – 130 = 63 CONCLUSIÓN: Cantidad máxima que puede pagar por un informe externo es de 63 u.7 0. 0.286 0.04 0. nada Negativo 0.136 0.071 0. El análisis del problema de decisión bajo el enfoque secuencial suele ser preferible al enfoque estático.375 0.000 Probabili Positivo dad Crecim.6 1 Crecim.1 0.091 0.4 0 dad Condicio Crecim.3 0.227 1.3 0.1 S = 1 Probabili Crecim. El árbol toma la siguiente forma: 165 .9 El Criterio de la Ganancia Esperada con Información Adicional GECIA=GANANCIA ESPERADA CON LA INFORMACIÓN ADICIONAL GECIA = 249*0. decisiones posteriores dependientes de una decisión inicial.5 0.16 0.56 Probabili Positivo dad Crecim. Un árbol de decisión es un grafo o dibujo que explica las secuencias de las decisiones o alternativas a tomar y los diversos estados de la naturaleza que se pueden presentar o acontecimientos que pueden suceder. Conjunta Negativo 0.341 0.2 0.1 0.8 Decisiones secuenciales y árboles de decisión: Problema de decisión en el que se consideran una secuencia de decisiones. 0. Positivo 0.5 0. 6.15 0.000 1. Revisada Negativo 0. se sintetiza la representación del problema a través de un árbol de decisión dado que su representación en una matriz no es viable.8 0.

Se supone que la elección de una alternativa supone el abandono del resto. En cada nudo aleatorio se calcula la función de utilidad de los resultados posibles. 6. Valoración de cada una de las alternativas y sucesos aleatorios que nos lleva al final a una valoración de las diferentes ramas de un árbol. Establecer las estrategias o alternativas primarias entre las que debera elegir el momento actual 3. la suma de las probabilidades de los diferentes sucesos debe ser igual a uno. Hay dos matizaciones: 3. La solución de un problema de decisión secuencial. siendo sus resultados dependientes del estado de la naturaleza que se produzca. 2. 5.2 Sucesos aleatorios: Tienen que ser definidos de manera exhaustiva. haciéndolo de derecha a izquierda. El método exige que el decisor pueda soportar el riesgo de ruina. y para ello utilizaremos el método de resolución de marcha atrás. Se puede corregir con la desviación típica. El valor de los nudos aleatorios (que son de los que parte los estados de la naturaleza) es la media ponderada de los resultados posibles. La técnica de resolución consiste en ir determinando los valores monetarios esperados en cada punto de decisión. 3. Limitaciones del método: El método es valido si el decisor utiliza como criterio decisor maximizar el valor esperado. Para esto tenemos que valorar todos los nudos del árbol. Distinguimos entre. Determinar las decisiones optimas.1 Sucesos inciertos: tienen que ser mutuamente excluyentes. Una vez producido un posible estado de la naturaleza. Identificación clara del problema. Vamos a resolverlo en un contexto de riesgo. Establecer las diferentes alternativas y los diferentes sucesos que se van a ir produciendo a lo largo de este horizonte temporal. Para la construcción del árbol seguiremos los siguientes pasos: 1. empezando por los resultados finales. es posible elegir de nuevo entre distintas alternativas. El resultado de dicha decisión depende a su vez de un suceso incierto como es el estado de la naturaleza que se produzca. es decir. Representación completa del árbol de decisión con los diferentes nudos y ramas. 166 . consiste en buscar la secuencia de decisiones óptimas a adoptar. El valor de los nudos decisionales se obtiene tomando la esperanza matemática correspondiente a la mejor decisión posible. En cada nudo decisional se toma la alternativa con mayor función de utilidad. 4. Las secuencias alternativas que hemos representado tienen que reflejar fielmente la información con la que cuenta el sujeto decidor en cada momento para tomar diferentes decisiones en el horizonte temporal.

con sus probabilidades.En caso de que los resultados no sean temporalmente homogéneos habrán de ser actualizados a la misma fecha. El puesto tiene una remuneración mensual de 1500 nuevos soles y habrá que superar una entrevista personal con el jefe de personal y un examen teórico – practico para quienes superen la prueba teórica. municipio de la ciudad ha convocado mediante concurso la provisión de un puesto de Ayudante de Administración que se dedicara a la formación técnica de los empleados. Frank esta nervioso. probabilidades asociadas y resultados Una vez representados los nudos y las ramas. decidir: a. Ejemplo: Frank Jones es un estudiante de último semestre de la Facultad de Ciencias Económicas y Administrativas y quiere empezar a hacer currículo. ¿a cual deberá asistir si lo que desea Frank si su objetivo es maximizar la probabilidad de obtener alguna ganancia? Solución: a) Lo primero es construir el árbol con las alternativas. Los solicitantes deben superar dos pruebas: una teórica que se realizara y una práctica para quienes superen la prueba teórica. así como los resultados asociados a ese cada camino. Dado que la primera prueba para la beca de la Universidad y para el municipio coinciden.000 nuevos soles libres de toda carga. La Universidad ha convocado unas becas para trabajar en el servicio. se procede de derecha a izquierda para determinar el valor asociado a cada vértice. Por un lado se siente seguro de sus conocimientos teóricos y piensa que si solicita la beca tiene un 70% de posibilidades de aprobar la prueba teórica y un 40% de aprobar la practica. Otra situación puede ser tomar el criterio de elección de maximizar la probabilidad de ganancia y no la de maximizar el valor esperado. La beca esta dotada de una retribución mensual de 1. Por otra parte. Este criterio de elección es útil cuando existen muchas situaciones de ganancia nula. pero si se decanta por concursar en el municipio considera que con su nerviosismo las posibilidades de superar la entrevista se reducen al 40% y la probabilidad de superar el examen teórico – practico la estima en el 50%. ¿a cual deberá asistir si lo que desea Frank es maximizar su ganancia mensual esperada? b. pues no sabe a que carta jugar. El valor asociado a un nudo aleatorio es la esperanza matemática de los valores situados al final de las ramas que parten de el: 167 .

se calculan los valores asociados a los nodos 5 y 3.Comenzamos por el nodo 4: E(4) =1.500*0. será la probabilidad de aprobar las dos pruebas de la misma.6 = 300 El valor asociado a cualquier nudo decisional es igual al mayor de los valores asociados a los nudos en los que tienen destino las ramas que se desprenden de el.4 + 0*0. E(2) = 400∗0.6 = 400 Tal será el valor asociado al nodo 4.5 = 750 E(3) = 750*0. procediendo de derecha a izquierda. El árbol queda de la siguiente forma: b.5 + 0*0.3 = 280 Del mismo modo. Si se decide por la Beca. Si Frank sigue el criterio de elegir la opción a la que le corresponda la mayor ganancia mensual esperada. que se ha de situar junto a el en el árbol.4 + 0∗0. la probabilidad de obtener alguna ganancia mensual.000∗0. Y del mismo modo se opera con los demás nodos.7 + 0∗0. E(5) = 1. se decidirá por asistir a la prueba del municipio con un valor esperado de 300 nuevos soles mensuales. es decir superar la primera prueba y luego la segunda: Del mismo modo se obtienen: 168 .

se debe elegir Ayuntamiento (300) por presentar mayor valor esperado frente al Ayuntamiento (280).80 Cuadro 6.72 0. Corrección de la dispersión de los resultados con la desviación típica y construcción de las respectivas funciones de utilidad si el coeficiente de aversión al riesgo (α) es del 10%: 169 .28 0.20 Valor esperado 280 300 0 0.10 Opciones y Probabilidades Respuestas: a. ¿a cual deberá asistir si lo que desea Frank es maximizar su ganancia mensual esperada? Según los valores esperados reflejados en la tabla. Los resultados deben corregirse con medidas de dispersión y medidas que incluyan el riesgo que se quiere asumir.Con respecto al concurso convocado por el ayuntamiento Por consiguiente el árbol de decisión también puede representarse de la siguiente forma: Las distribuciones de probabilidad asociadas a las dos opciones se recogen en la siguiente tabla: Opciones Beca Ayuntamiento Valores probables 1000 0 1500 Probabilidades 0.

b) ¿a cual deberá asistir si lo que desea Frank si su objetivo es maximizar la probabilidad de obtener alguna ganancia? Según los valores esperados reflejados en la tabla.htm Bienvenidos a los cursos del Área de Operaciones – Descargar ejercicios: http://ucreanop. elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: Decisión: Herramientas para el Análisis de Decisión: Análisis de Decisiones Riesgosas: http://home.es/~sala/programacion. Luego de visitar estas direcciones de páginas web. es mayor en la opción del Municipio que en la opción de la Beca.edu.php 170 .ar/mcneco/mcn_tps. en relación a su media.uv.Dado que para la beca. su desviación típica será: Por tanto.edu/ntsbarsh/opre640S/SpanishP.9 Actividades para el Aprendizaje.htm Resolver los ejercicios al capitulo correspondiente: Cátedra de Métodos Cuantitativos para los Negocios.ubalt. http://www.html Programación Matemática http://www. la esperanza matemática vale 280 nuevos soles. 6. se debe elegir Beca (28%) por presentar mayor probabilidad de ganancia frente al Ayuntamiento (20%).unsa.org/descarga_ejercicios. la dispersión de los valores posibles de la variable “ganancia mensual”.

equipos. el proyecto puede sufrir retrasos que implican un aumento considerable del costo. Calcular cuándo debe iniciarse y terminarse las actividades individuales para cumplir con la fecha de terminación del proyecto. Básicamente. Construir un hospital. En este capítulo examinamos los métodos actuales utilizados para la gestión y administración de proyectos que tienen muchas tareas. 11 12 En inglés. Representar el proyecto con el uso de una red y/o diagrama.0 Introducción Grandes proyectos han existido desde el inicio de las civilizaciones en nuestro planeta. coordinando las actividades con un único fin: el conseguir acabar una obra maestra. por lo que los administradores tienen que encontrar métodos y mecanismos para poder gestionar eficientemente ellas. En general. dependientes entre ellas. Si. A veces también se especifica datos técnicos sobre los costos. “statement of work” En inglés. Determinar las holguras y las actividades críticas. falla el suministro de un material determinado en una fecha concreta. realizar una campaña masiva de vacunación en África son proyectos que necesitan una buena coordinación y utilización de los recursos disponibles para obtener una eficiencia en términos de tiempo y de costo.. los proyectos suelen ser grandes y caros. en conocer planetas inexplorados hasta hoy en día. La Gestión y Administración de Proyectos consiste en la planificación.1 Definición de la Gestión y Administración de Proyectos Un proyecto puede ser definido como una serie de tareas relacionadas entre ellas con un claro objetivo y que además requiere una larga duración temporal. en descubrir el secreto del genoma humano. Una buena gestión y administración del proyecto es crucial. nos viene a la cabeza miles de personas trabajando en innumerables tareas y actividades durante años. el DDT es una declaración escrita de las intenciones del proyecto en cuestión y la agenda prevista indicando el inicio y la finalización de éste. Programar y controlar los costos de un proyecto. de los templos romanos o de las catedrales góticas. En muchos casos no podemos empezar una tarea sin haber finalizado otra. por ejemplo. Calcular el tiempo total requerido para terminar el proyecto. 7. etc. Realizar un estudio de costo contra tiempo para un proyecto. Un proyecto empieza por lo que se denomina Declaración Del Trabajo11 (DDT). e incluso siglos. dirección y control de recursos (personal. económicas y temporales del proyecto. el presupuesto y las diferentes etapas 12 del proyecto. 7. desarrollar un nuevo medicamento. Normalmente los proyectos están divididos en muchas tareas. Completar estos proyectos en un periodo determinado y cumpliendo las expectativas presupuestarias no es tarea fácil. Es posible que en grandes proyectos existan muchísimas actividades interdependientes. en enviar astronautas a la luna. “milestones” 171 . Cuando pensamos en la construcción de las pirámides egipcias o mayas. materiales) necesarios para satisfacer las necesidades técnicas.ADMINISTRACIÓN Y GESTIÓN DE PROYECTOS CON PERT – CPM Objetivos del Capítulo Elaborar la lista de actividades de un proyecto.

algunas medidas sobre el rendimiento y eventos o etapas específicas a ser alcanzadas. cuya función es la de facilitar la definición perfecta de cada tarea en el marco de la planificación y gestión del proyecto. que puede ser medido en función del porcentaje del trabajo realizado sobre el total previsto. ya que a veces es necesario dividir las tareas en porciones más significativas. “work package” 172 . En este paquete se determina la descripción de las tareas a realizar.1. Fechas reales: El control sobre el proyecto permitirá fijar las fechas reales de inicio y finalización de les tareas una vez realizadas.Una tarea (o actividad) es una subdivisión determinada del proyecto.) Las tareas tienen asociados en general una serie de atributos. entre otros: Atributos de identificación: o o o Código: conjunto de caracteres alfanuméricos que permite identificar la actividad. Estos atributos pueden ser los siguientes. Fechas previstas: las más destacables son las de inicio y finalización previstos para la tarea. cuando se tienen que iniciar y finalizar. En general tiene una duración de algunos meses y es realizada por un grupo o unidad de trabajo. el presupuesto. Atributos de necesidades de recursos: o o Tipo de recurso: atributo cualitativo que determina qué elementos son necesarios en cada actividad Cantidad de recurso: atributo cuantitativo que establece cuantas unidades se necesitan de cada recurso Cuadro 7. Designación: descripción breve de la actividad Ejecutor: sirve para identificar la entidad o la persona responsable de la tarea. Algunos ejemplos pueden ser la producción de un 13 En inglés. Normalmente un proyecto tiene una estructura jerarquizada de tareas y subtareas (ver Cuadro 7. y también el grado de realización de una tarea.1: Jerarquía De tareas Un paquete de trabajo13 consiste en un grupo de actividades combinadas que pueden asignarse a un único grupo o unidad de trabajo u organización. Una sub-tarea no es más que una división de una tarea. Atributos temporales: o o o Duración de la tarea: número de periodos previstos para llevar a cabo según una asignación previa de recursos.

la gestión y administración de proyectos pretende contestar a las siguientes preguntas14: ¿Cuál es la fecha de finalización de proyecto? ¿Cuál es la variabilidad esperada de esta fecha? ¿Cuáles son las fechas programadas del principio y terminación de cada actividad específica? ¿Cuáles actividades son críticas en el sentido de que deben terminar con exactitud como fueron programadas para llegar a la meta de la finalización de l proyecto? ¿Cuánto se pueden demorar las actividades no críticas antes de provocar un retraso en la fecha de conclusión del proyecto? ¿Qué controles se deben ejercer en el flujo de recursos financieros para las diversas actividades durante el proyecto? Actualmente existen dos grandes métodos para poder responder a estas preguntas: el PERT 15 y el CPM16.5}. El primero fue desarrollado a finales de la década de los 50 para construir el misil Polaris.(5.3. ya que permite analizarlo de forma eficiente. por otro lado. simplifica las tareas de control y de actualización de la evolución del proyecto. Más concretamente. Una red es un conjunto de nodos conectados por arcos. Por ejemplo. La representación gráfica se realiza a través de una red.2).(5.2). el camino entre los nodos 1 y 4 es: 14 15 16 Ver Eppen y Gould (1999) En inglés. 7.1 Red el conjunto de nodos viene representado por N={1. que implica el escoger una modalidad para llevar a cabo cada actividad en función de los recursos disponibles.(3. Por ejemplo. y el conjunto de arcos A es el siguiente: A={(1. Un camino entre dos nodos consiste en una secuencia de arcos conectados. en donde el nodo final de un arco coincide con el nodo inicial del arco siguiente. Los arcos vienen representados por los nodos con los cuales está asociado.2. PERT: “Program Evaluation and Review Technique” En inglés.prototipo.5)}.(2.4). CPM: “Critical Path Method” 173 . El objetivo principal de la planificación y gestión de un proyecto consiste en el establecimiento de: Un calendario de la realización de las actividades (tareas). un complejo proyecto con más de 250 contratistas primarios y 9000 subcontratistas. supongamos la red siguiente: Figura 7.(1. que implica el establecimiento de unas fechas de inicio y de finalización de todas las ellas Una asignación de recursos a las actividades.3).(2.4. El segundo fue diseñado también a finales de los años 50 por DuPont y Remington Rand para la gestión de grandes proyectos.4). Ambos métodos son similares. identificando las actividades críticas y.3).2 Representación gráfica de un Proyecto La representación gráfica de un proyecto es importante. el teste de una máquina en concreto o la puesta en funcionamiento de una campaña de mercado.

Cada actividad se representa por un único arco (no podemos tener actividades que tengan los mismos sucesos de inicio y finalización). o las redes ANN.(5. Existen dos tipos de representaciones de los proyectos: las redes ANA (actividades en los arcos). las redes ANA tienen las características siguientes: las actividades se representan en los arcos las relaciones de precedencia se definen a partir del orden de los arcos los sucesos se representan en los nodos el nodo inicial representa el inicio del proyecto el nodo final representa su finalización Por otro lado.2).(1. Por ejemplo. 174 .(5.5). Más concretamente. Consecuentemente. la numeración de los sucesos se realizará en el mismo sentido.4). la secuencia (2.5). Figura 7.2) es un ciclo.2 Red ANA La convención ANA indica que la red tiene que dibujarse de izquierda a derecha.(2. si bien que las redes ANA son las más comunes. Un ciclo (o circuito) es un camino en donde los extremos coinciden. en donde las actividades se representan por los arcos de la red. son de alguna manera dependientes) Las actividades paralelas son las que se encuentran en caminos diferentes (y por tanto son independientes). las redes ANN tienen las características siguientes: las actividades se representan en los nodos las relaciones de precedencia vienen definidas por los arcos los sucesos son actividades con una duración nula Redes ANA. en donde las actividades se representan en los nodos.3). aumentando a medida que nos desplazamos hacia la derecha.(3.(3. Estas son: Las actividades secuenciales son aquellas que están en el mismo camino (y por tanto.3). Las redes ANA tienen una serie de convenciones que hay que seguir para su diseño gráfico.

Caso 1: Representación correcta de las relaciones de precedencia Supongamos las siguientes relaciones de precedencia: A C. ya que tendríamos la figura siguiente: Figura 7. Para proyectos grandes.Figura 7. Estas actividades ficticias tienen una duración igual a cero y no consumen ningún recurso. Por eso es necesario el introducir una actividad ficticia para evitar este error. A continuación se ilustra el uso de las actividades ficticias. B E. es más fácil empezar la construcción de la red desde el final e ir retrocediendo. será necesario introducir actividades ficticias para respetar correctamente las relaciones de precedencia y también para evitar que dos actividades compartan el mismo nodo de salida y de llegada. En este caso. cuando en realidad no hay ninguna relación de precedencia entre ellas. Caso 2: Evitar que dos actividades tengan el mismo nodo de origen y destino. B C. añadiendo las actividades una a una. al construir la red.4 Relaciones de Precedencia En la cual se comente el error de relacionar la actividad E con la actividad A.3 Red ANA Doble Sentido La construcción de una red tiene que realizarse por fases. La representación incorrecta es la siguiente: 175 . Figura 7. La actividad ficticia une a las actividades B y C y a su vez impide que las actividades A y E estén relacionadas. las relaciones de precedencia se mantienen. No se puede representar esta relación sin la utilización de una actividad ficticia. las actividades B y C tienen los mismos nodos de origen y destino (nodos 3 y 4) y tenemos que añadir una actividad ficticia para que esto no ocurra.5 Actividad Ficticia En este caso. De vez en cuando.

se tiene que verificar si se cumplen las condiciones siguientes: Se han representado todas las actividades Todas las relaciones de precedencia también están representadas La red no tiene relaciones de precedencia inexistentes Hay unos únicos nodos inicial y final Finalmente.7 Nodos Corregidos Ambas situaciones implican el mismo resultado de relación de precedencia. utilizando el método explicado anteriormente.I K Duración de la actividad 1 1 2 7 4 4 3 2 1 1 5 3 176 .6 Nodos con Mismo Origen y Destino Al añadir una actividad ficticia. podemos obtener dos situaciones correctas diferentes: Figura 7. Una vez que se ha construido la red. Ejemplo: Actividad A B C D E F G H I J K L Actividad Precedente A A C C B E.F D D G H. Como veremos más adelante.Figura 7. al no tener las actividades ficticias ni utilización de recursos ni costo temporal. se han de enumerar los nodos de la red. asociando un valor que identifique cada suceso. el impedir que dos actividades tengan el mismo nodo de origen y destino es básico para poder determinar las actividades que son críticas para la buena ejecución del proyecto.

En este ejemplo. el CPM determina unos tiempos de inicio y de finalización y también la posible existencia de holguras temporales que determinen en nivel crítico de su importancia para la consecución del proyecto en el menor tiempo posible. el CMP determina el momento más avanzado y el momento más retardado de realizar cada suceso. Más concretamente. A continuación veremos como se obtienen estos parámetros. 177 . Para cada actividad.8 Red ANA Como hemos mencionado anteriormente.3 Planificación Temporal del Proyectos – CPM El método CPM17 consiste e una metodología simple para poder gestionar cada una de las actividades que componen el proyecto. 17 18 “Critical Path Method” Una actividad crítica del proyecto es aquella que se tiene que realizar exactamente en el mismo intervalo de tiempo igual a su duración.Red ANN 7. Estos valores se utilizarán posteriormente para calcular las fechas de inicio. la configuración ANN sería la siguiente: Figura 7. más avanzadas y más retardadas de cada actividad. El CPM utiliza como base las redes ANA y realiza las siguientes hipótesis: Las actividades tienen una duración determinada conocida (determinista) Se tienen que ejecutar todas las actividades No hay repetición de actividades No hay restricciones significativas de recursos En principio.La red ANA correspondiente es la siguiente: Figura 7. la red ANA también se puede transformar en red ANN. los objetivos del CPM son: Determinar la duración mínima del proyecto Determinar las fechas de inicio de cada una de las actividades que lo componen Identificar las actividades que son críticas18 Determinar que atrasos posibles pueden sufrir las actividades sin afectar la duración mima del proyecto. fin.

un proyecto puede tener una fecha de finalización fijada de antemano. es decir el retraso que cada suceso puede sufrir sin modificar la duración mínima del proyecto.j) Ei = Momento más avanzado posible para realizar el suceso i (nodo i). n.j) = actividad tij = duración de la actividad (i. Para cada nodo j calcular Ej: 1.3. 2. Para j = 2.1 Primera fase: análisis temporal de los sucesos Notación: i. 4.Ei Notar que los elementos críticos tienen un margen nulo. Ej = max(i.j) {Ei + tij} 3. E1 = 0.tij} o Notar que Li = 0 y que tij = Lj . Para cada nodo j calcular Lj: o Ln = En . suponiendo que no se han realizado retrasos en las actividades anteriores. Utilizando el ejemplo anterior. Calcular el margen Fi para cada suceso i. tenemos que los tiempos de los sucesos son los siguientes: Suceso 1 2 3 4 5 6 7 8 9 10 11 Ej 0 1 2 3 7 10 10 11 12 17 20 Li 0 1 4 3 8 10 11 12 12 17 20 Fi 0 0 2 0 1 0 1 1 0 0 0 A veces.Ei 3. Fi = Li .. Li = Momento más atrasado posible para realizar el suceso i (nodo i).7. El proceso se desarrolla de la forma siguiente: 1. En = duración mínima del proyecto.. y aplicando las fórmulas descritas. 2. En este caso el proceso se modifica de la siguiente forma: 178 . Li = min(i.... que no tiene porque coincidir necesariamente con la mínima. j = sucesos (i=1 inicio del proyecto. Para i = n-1.. sin que la duración mínima se vea afectada. j=n final del proyecto) (i.j) { Lj .. . 2.

por lo tanto.Ei Notar que los elementos críticos son los que tienen un margen mínimo.tij Fecha de finalización más avanzada (FFA) = Ei + tij Fecha de finalización más retardada (FFR) = Lj Margen total de la actividad (i. Para cada actividad (i.. el análisis temporal de los sucesos es el siguiente: Suceso 1 2 3 4 5 6 7 8 9 10 11 Ej 0 1 2 3 7 10 10 11 12 17 20 Li 5 6 9 8 13 15 16 17 17 22 25 Fi 5 5 7 5 6 5 6 6 5 5 5 Los sucesos críticos son los mismos que en el caso anterior. 2. Li = min(i.. En nuestro ejemplo.tij} 4.j) = Lj . . el análisis temporal de las actividades es el siguiente: 179 . En este caso.3. Supongamos que en el ejemplo anterior se fija a priori el tiempo de ejecución del proyecto en 25 semanas. El camino crítico es el camino más largo entre el origen (1) y el nodo final ( n).2 Segunda fase: análisis temporal de las actividades 1.. Calcular el margen Fi para cada suceso i.Para cada nodo j calcular Lj: Ln = Fecha de finalización.tij Las actividades críticas son aquellas que tienen un margen total igual a 0. Para i = n-1.j) calcular las fechas siguientes: Fecha de inicio más avanzada (FIA) = Ei Fecha de inicio más retardada (FIR) = Lj . 7.Ei .j) { Lj . Fi = Li . En una red puede existir más de un camino crítico. es decir el retraso que cada suceso puede sufrir sin modificar la duración mínima del proyecto. es el camino con el margen mínimo total (el camino compuesto por las actividades críticas).

la actividad D no tiene margen.5) (3.3) (2. aunque tenemos un margen.3 Tercera fase: análisis más detallado de los márgenes A continuación examinaremos con más detalle el margen total de cada una de las actividades ( i.6) (4.tij 180 . El camino crítico está formado por las actividades con margen nulo.10) (10.8 Camino Crítico 7.11) Actividad A B C D E F G H I Ficticia J K L Duración 1 1 2 7 4 4 3 2 1 0 1 5 3 FIA 0 1 1 3 3 2 7 10 10 11 10 12 17 FIR 0 3 1 3 4 4 7 10 11 12 11 12 17 FFA 1 2 3 10 7 6 10 12 11 11 11 17 20 FFR 1 4 3 10 8 8 11 12 12 12 12 17 20 Margen 0 2 0 0 1 2 1 0 1 1 1 0 0 El tiempo de ejecución mínimo del proyecto es de 20 semanas. Margen Total = Lj . No se podrá nunca realizar en menos tiempo.9) (9.4) (4.Ei . En este caso. desglosándolo en varios apartados.7) (6. el camino crítico es el siguiente: Figura 7. Ahora también podemos analizar las actividades individualizadamente. Por ejemplo. se puede iniciar en la tercera semana lo más temprano posible (FIA).Arco (1.2) (2. ya que si empieza en la cuarta semana (FIR) el proyecto no se ve afectado en su conjunto. el camino es: A C D H K L Gráficamente.3. debido al margen total de una semana. aunque sea un poco.5) (5. el conjunto del proyecto se verá afectado y no podrá ser realizado en las 20 semanas. Por otro lado. ya que si se retrasa.8) (8. la actividad E tiene una duración de 4 semanas.9) (6. por lo que se tiene que empezar obligatoriamente en la tercer a semana. Por lo tanto la actividad D es crítica en el proyecto.j).9) (7.

el proyecto se puede acabar en el tiempo mínimo previsto si ninguna de las actividades precedentes y posteriores sufre retrasos. En este caso. Ejemplo de aplicación: Actividad F (arco(3. Por lo tanto. Margen independiente = Ej . el color) para indicar su estado.Representa el atraso máximo permitido en la duración de una actividad sin afectar a la duración total del proyecto.Li .5)) Margen total = 2. las actividades posteriores no pueden compensar este retraso porque su margen es inferior. L=8). L=4) y 7 (E=7. Se supone que las actividades precedentes empiezan lo más pronto posible y que las actividades posteriores se inician lo más tarde posible. En este caso las actividades precedentes pueden acabar lo más tarde posible y las posteriores empiezan lo más tarde posible. Margen de seguridad = 0.Ei .tij Representa el atraso máximo permitido en la duración de una actividad sin imponer restricciones temporales en las actividades posteriores. Margen libre = 1. que veremos más adelante).tij Consiste en el atraso máximo permitido en la ejecución de una actividad sin imponer restricciones temporales en las actividades precedentes. Margen libre = Ej .4 El Gráfico Gantt El diagrama o gráfico Gantt es una manera sencilla y sintética de representación de las actividades de un proyecto. aunque no necesariamente sea esto obligatorio (por ejemplo. El gráfico Gantt puede construirse una vez se ha realizado el CPM (o el PERT. En este caso. La duración de cada actividad y los márgenes se presentan en el gráfico en forma de barra horizontal. las actividades precedentes pueden acabar lo más tarde posible y las posteriores se pueden iniciar lo más pronto posible sin que afecte por ello al proyecto. Nos indica que no tenemos margen si las actividades anteriores y posteriores se ejecutan lo más tarde posible. y a medida que avanza la ejecución del proyecto se va modificando la configuración de cada barra (por ejemplo. Nos indica que cualquier retraso de la actividad F tendrá efecto en las otras actividades.7) está formada por los sucesos 5 (E=2. podría suponerse que todas las actividades se inician lo más tarde posible). Ejemplo de gráfico Gantt 181 . Si esta actividad se retrasa 2 semanas. Margen independiente = 0. En este caso se supone que todas las actividades se inician en su fecha de inicio más avanzada. si la actividad se retrasa en una semana. la actividad F (5. Margen de seguridad = Lj . Si las actividades precedentes han sufrido retrasos. Aquí las actividades precedentes finalizan lo más pronto posible y las posteriores pueden empezar lo más pronto posible.tij Representa el atraso máximo que puede tener una actividad sin afectar a las precedentes y a las posteriores. 7. el proyecto puede finalizarse en el tiempo previsto siempre que las actividades precedentes se ejecuten lo más pronto posible.Li . Se compone de un eje de abcisas que representa la escala temporal y de un eje de ordenadas que representa las actividades.

Se supone en general que la dispersión entre a (el valor más optimista) y b (el más pesimista) es de 6 desviaciones estándar. también se tiene que conocer qué tipo de distribución de probabilidad sigue el tiempo de las actividades. La distribución tiene la forma siguiente: Figura 7. la varianza del tiempo de cada actividad es: Esta suposición se basa en que las colas de muchas distribuciones de probabilidad están a 3 desviaciones estándar de la media. para cada actividad.5 El PERT Figura 7. Por otro lado. de tres estimaciones de su duración: La estimación más probable (m) que es la estimación más realista de la moda de la distribución de la probabilidad para el tiempo de la actividad. sino que tienen un componente aleatorio. es decir = b – a.10 Distribución de Probabilidad 19 En ingles. La estimación optimista (a) procura ser el tiempo poco probable pero posible si todo sale bien. La gran diferencia estriba en que los tiempos de las actividades no son determinísticos. y por lo tanto las colas están a 6 desviaciones estándar. Es decir. En general. necesitamos conocer el valor esperado y la varianza de cada una delas actividades. se asume que los tiempos siguen una distribución Beta. La versión original del PERT se basa en el conocimiento. o sea.9 Gráfico Gantt El PERT19 es un método similar al CPM. Por lo tanto.7. Este tipo de distribución tiene un rango entre dos valores a y b determinados y representa la variabilidad dentro de este rango. una estimación de la cota inferior de la distribución de probabilidad La estimación pesimista (b) se basa en una estimación poco probable de que todo vaya mal. “Program Evaluation and Review Technique” 182 . una estimación de la cota superior de la distribución de probabilidad. Para poder operar y calcular el tiempo total mínimo del proyecto.

5 1 2.5 7 3 8 11 8 A B B C. También obtenemos la varianza del tiempo medio mínimo sumando las varianzas de las actividades críticas.5 1 1 6 3 4 2 2 2 1. Una vez conocido el tiempo esperado para cada una de las actividades.Y el tiempo esperado de cada actividad se obtiene de la siguiente forma: t = 1/3[2m + 0. se utiliza éste en el CPM para obtener el camino crítico y las actividades críticas. tenemos que buscar la media y desviación estándar en base a las Tablas (0.D.5(a + b)] Para poder calcular el tiempo esperado mínimo del proyecto y la probabilidad de que el proyecto finalice en una fecha determinada necesitamos que se cumplan las condiciones siguientes: que los tiempos de las actividades sean variables aleatorias estadísticamente independientes. Si Z es una variable aleatoria normal (0. Ejemplo de PERT Supongamos el proyecto siguiente: Más Más Actividad optimista probable a m A B C D E F G H I J 1 2 1 1 0. que la ruta crítica siempre requiera un tiempo mayor total que cualquier otra trayectoria.D C.D. tenemos que calcular la fórmula siguiente: Y consultar el valor de la probabilidad correspondiente en una Tabla de la normal.H 20 Esto se conoce como el Teorema del Límite Central 183 . Para saber que la probabilidad de que un proyecto se realice en la fecha D. Esta última hipótesis se basa en que la distribución de probabilidad de una suma de muchas variables aleatorias independientes es aproximadamente normal bajo una amplia variedad de condiciones20. es decir. que la distribución de probabilidad del tiempo del proyecto sea (aproximadamente) una distribución normal.1) de la distribución normal.5 2 7 4 6 Más pesimista Actividades b precedentes 3 8 3 11 7. Una vez se saben éstas. si sumamos sus tiempos medios. se escoge aquel con la mayor varianza total. que el punto de distribución en que ocurra el tiempo de una actividad en particular no influya en el punto de su distribución en que los tiempos de otras variables ocurrirán.1).E C.D C. obtenemos el tiempo medio mínimo esperado del proyecto.E F. En caso de que haya varios caminos críticos.

78 0.78 1.11 2.44 Segundo paso: Encontrar el camino crítico.11 Red Camino Crítico Y el CPM se presenta en la tabla siguiente: Actividad Duración A B C D E F G H I J El camino crítico del proyecto es B varianza es igual a 4. La red del proyecto es la siguiente: Figura 7.11 0.36 1.Primer paso: encontrar el tiempo medio esperado y la varianza de cada actividad: Actividad A B C D E F G H I J Valor esperado 2 3 2 3 2 3 2 7 5 6 Varianza 0.11 1 0.00 0. 184 2 3 2 3 2 3 2 7 5 6 D FIA 0 0 2 3 3 6 6 6 6 13 H FIR 2 3 4 6 5 9 8 13 11 19 FFA 2 0 4 3 4 10 17 6 14 13 FFR 4 3 6 6 6 13 19 13 19 19 Margen 2 0 2 0 1 4 11 0 8 0 J y el tiempo medio esperado es de 19 semanas y su .33.11 1.

En general. como vimos anteriormente. Tendremos que: Por lo tanto. Tn Costo de ejecución normal. si queremos acelerar el proyecto. En otras palabras. tanto el CPM como el PERT se dedican básicamente a gestionar el tiempo relacionado con la ejecución de cada una de las actividades que componen el proyecto. como muestra la figura siguiente: Figura 7. existe un intercambio entre el tiempo de ejecución del proyecto y el costo de realizarlo.6 Planificación de Recursos: Tiempo-Costo Como hemos visto hasta ahora. Esto es debido a que.12 Costos y Tiempos En este caso. Ta Costo de ejecución acelerada.1) hay una probabilidad de 68. Cuando hay más de un camino crítico. y después de consultar una tabla Normal (0. se escoge la actividad del camino crítico que tiene el costo marginal más pequeño para acelerarla. Es decir. Si existe un único camino crítico. Sin embargo. Ca Tenemos que la relación [Ca – Cn]/[Ta . la duración mínima del proyecto y el costo total normal.Supongamos que queremos calcular la probabilidad de que el proyecto finalice en 20 días. Aquí supondremos que esta relación es lineal. 7. necesitamos conocer la información siguiente de cada actividad: Tiempo de ejecución normal. y al contrario. en cuando se reduce el costo si incrementamos el tiempo de ejecución en una unidad.Tn] representa la pendiente de la recta del gráfico anterior. el costo marginal del tiempo. Esta relación es muy útil conocerla para las actividades críticas. para cada camino reducimos la actividad con el menor costo marginal hasta conseguir el objetivo de reducción. primero se realiza el CPM con los tiempos normales de las actividades para obtener el camino crítico. se fija un objetivo de reducción del tiempo de ejecución del proyecto. Por lo tanto. las actividades críticas son las que determinan el tiempo mínimo de ejecución del proyecto. a veces los tiempos de las actividades se ven afectados por la cantidad recursos que empleamos en su ejecución. la pregunta que intentamos resolver es la siguiente: ¿Qué tiempos de actividad conviene elegir para que se produzca el tiempo deseado de terminación del proyecto con un costo mínimo? Para poder responder a esta pregunta. Un pequeño retraso en una de ellas provoca inexorablemente un aumento del tiempo de ejecución. Cn Tiempo de ejecución acelerada. Al realizar este proceso hay que ir con 185 . Una vez se obtienen estos datos. su tiempo de ejecución puede reducirse y con ello se podría realizar el proyecto en un tiempo menor.44% de que el proyecto finalice en un periodo de 20 días. si ponemos más recursos en las actividades críticas.

2) (1.3) (2.cuidado ya que la reducción de la duración de una actividad puede crear la aparición de nuevos caminos críticos. el proyecto tiene una duración de 18 días y un costo de 580.(4.5) (3.5) Coste Duración Costo Duración Costo Marginal 8 4 2 10 5 3 100 150 50 100 100 80 6 2 1 5 1 1 200 350 90 400 200 100 50 100 40 60 25 10 Normal Acelerado Suceso 1 2 3 4 5 Ej 0 8 4 10 18 Li 0 8 10 15 18 Fi 0 0 6 5 0 En condiciones normales. pero permiten obtener mucha información importante para la planificación y control de grandes proyectos.(3.(2.4). Reducir la duración de la actividad (1. ya que todas las actividades de los caminos críticos han llegado a su límite de reducción. El camino crítico es (1.4) (2.3).7 Conclusiones En este capítulo hemos examinado varios métodos que nos ayudan a gestionar y planificar proyectos complejos. la gestión de proyectos es una de las áreas más importantes de los 186 .2) en 2 unidades: duración = 16 y costo = 680 Reducir la actividad (2.2). Supongamos el proyecto siguiente: Actividades (1. Reducir la duración de las actividades (2.5) y (4.5).4) (4.5) en 4 unidades: duración = 12 y costo =920 Debido a estas reducciones ha aparecido un camino crítico nuevo (1. Debido a su aplicación en situaciones reales. Ahora aplicamos la regla de reducción de tiempos escogiendo las actividades críticas que tienen un costo marginal menor.5). 7.5) en una unidad: duración = 11 y costo = 990 En este punto ya no podemos realizar más reducciones. Los métodos PERT y CPM son relativamente sencillos de aplicar. A continuación ilustraremos el método tiempo-costo con un ejemplo.

ar/mcneco/mcn_tps.htm Resolver los ejercicios al capitulo correspondiente: Cátedra de Métodos Cuantitativos para los Negocios. Existen varios programas de ordenador dedicados a la gestión de proyectos. 7.unsa. Entre ellos.edu. destacan el Microsoft Project y el Superproject.html Programación Matemática http://www.uv.métodos cuantitativos para la toma de decisiones en la industria.htm Bienvenidos a los cursos del Área de Operaciones – Descargar ejercicios: http://ucreanop.8 Actividades para el Aprendizaje Luego de visitar estas direcciones de páginas web. http://www.es/~sala/programacion.org/descarga_ejercicios. Una de las principales razones de su éxito es la facilidad de obtener diferentes escenarios de un proyecto y de actualizarlo a lo largo de su ejecución.investigacion-operaciones.php 187 . en los servicios y en la formación de profesionales.com/contenido. elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: Investigación de operaciones: http://www.

188 .

donde el tiempo no juega un papel importante. un suceso aleatorio o pseudo-aleatorio se usa para estudiar el modelo. El nombre y el desarrollo sistemático de los métodos de Monte Carlo datan aproximadamente de 1944 con el desarrollo de la computadora. para solucionar estas integrales se usaron números aleatorios. A veces la aplicación del método Monte Carlo se usa para analizar problemas que no tienen un componente aleatorio explícito. ya sea estocástico o determinístico. Sin embargo hay varias instancias (aisladas y no desarrolladas) en muchas ocasiones anteriores a 1944.0 Introducción Bajo el nombre de Método Monte Carlo o Simulación Monte Carlo se agrupan una serie de procedimientos que analizan distribuciones de variables aleatorias usando simulación de números aleatorios. el cual es usado para resolver ciertos problemas estocásticos y determinísticos. Este trabajo involucraba la simulación directa 189 . el objeto de la investigación es el objeto en sí mismo. 8. Pero en el método Monte Carlo. en estos casos un parámetro determinista del problema se expresa como una distribución aleatoria y se simula dicha distribución. La simulación de Monte Carlo también fue creada para resolver integrales que no se pueden resolver por métodos analíticos.INTRODUCCION AL MÉTODO DE SIMULACIÓN MONTE CARLO Objetivos del Capítulo • Introducir los conceptos e ideas clave de la simulación Monte Carlo. Generalmente en estadística los modelos aleatorios se usan para simular fenómenos que poseen algún componente aleatorio. Posteriormente se utilizó para cualquier esquema que emplee números aleatorios. El método es aplicable a cualquier tipo de problema. La simulación de Monte Carlo es una técnica que combina conceptos estadísticos (muestreo aleatorio) con la capacidad que tienen los ordenadores para generar números pseudo-aleatorios y automatizar cálculos. al tomar una ruleta como un generador simple de números aleatorios. usando variables aleatorias con distribuciones de probabilidad conocidas. El uso real de los métodos de Monte Carlo como una herramienta de investigación.1 Inicios del Método de Monte Carlo El método fue llamado así por el principado de Mónaco por ser ``la capital del juego de azar''. • Introducirse en las capacidades que ofrece Excel en los campos de modelado y simulación. por otro lado. Un ejemplo sería el famoso problema de las Agujas de Bufón. proviene del trabajo de la bomba atómica durante la Segunda Guerra Mundial. 8. El Método de Monte Carlo da solución a una gran variedad de problemas matemáticos haciendo experimentos con muestreos estadísticos en una computadora. • Conocer algunas aplicaciones de la simulación Monte Carlo.

En otras palabras. La potencia de las hojas de cálculo reside en su universalidad.2. en las posibilidades que ofrece con respecto al análisis de escenarios (“what-if analysis”). 8. Fermi. Broder(1986).1 Métodos de simulación Simulación estadística o Monte Carlo: Está basada en el muestreo sistemático de variables aleatorias. etc. Son muchos los autores que han apostado por utilizar hojas de cálculo para realizar simulación MC. un lenguaje de programación propio. los desarrollos teóricos en complejidad computacional comienzan a proveer mayor precisión y relación para el empleo del método Monte Carlo. al menos exponencialmente con M. Karp(1985) muestra esta propiedad para estimar en una red plana multiterminal con arcos fallidos aleatorios. el número de matching perfectos en un grafo bipartito. Las últimas versiones de Excel incorporan. John von Neumann y Stanislao Ulam refinaron esta curiosa ``Ruleta rusa'' y los métodos``de división''. Los orígenes de esta técnica están ligados al trabajo desarrollado por Stan Ulam y John Von Neumann a finales de los 40 en el laboratorio de Los Alamos. empresarial. Modelo de simulación: conjunto de hipótesis acerca del funcionamiento del sistema expresado como relaciones matemáticas y/o lógicas entre los elementos del sistema. cuando investigaban el movimiento aleatorio de los neutrones. Aún en la primera etapa de estas investigaciones.xla. La cuestión a ser resuelta era si MC pudiese o no estimar la solución al problema de tipo intratable con una adecuación estadística acotada a una complejidad temporal polinomial en M. Jerrum y Sinclair (1988) establecen la propiedad para estimar la persistencia de una matriz o en forma equivalente. 190 . Sin embargo. Alrededor de 1970. en la actualidad es posible encontrar modelos que hacen uso de simulación MC en las áreas informática. Proceso de simulación: ejecución del modelo a través del tiempo en un ordenador para generar muestras representativas del comportamiento. Aproximadamente en el mismo año. la simulación de Monte Carlo se ha venido aplicando a una infinidad de ámbitos como alternativa a los modelos matemáticos exactos o incluso como único medio de estimar soluciones para problemas complejos. SimTools. siendo los más conocidos: @Risk. La teoría identifica una clase de problemas para los cuales el tiempo necesario para evaluar la solución exacta al problema crece con la clase. económica. la probabilidad y el comportamiento aleatorio conforman todo un estilo de vida. Crystall Ball. En años posteriores.2 Simulación: Método Monte Carlo Simulación: es el proceso de diseñar y desarrollar un modelo computarizado de un sistema o proceso y conducir experimentos con este modelo con el propósito de entender el comportamiento del sistema o evaluar varias estrategias con las cuales se puede operar el sistema. la simulación de Monte Carlo está presente en todos aquellos ámbitos en los que el comportamiento aleatorio o probabilístico desempeña un papel fundamental -precisamente. Metropolos y Ulam obtuvieron estimadores para los valores característicos de la ecuación de Schrödinger para la captura de neutrones a nivel nuclear.xla. sobre todo. industrial e incluso social. además. en su facilidad de uso. el Visual Basic for Applications. con el cual es posible crear auténticas aplicaciones de simulación destinadas al usuario final. el desarrollo sistemático de estas ideas tuvo que esperar el trabajo de Harris y Herman Kahn en 1948.de problemas probabilísticos de hidrodinámica concernientes a la difusión de neutrones aleatorios en material de fusión. en su capacidad para recalcular valores y. 8.. Dyer(1989) utiliza MC para estimar el volumen de un convex body en el espacio Euclidiano M-dimensional. el nombre de Monte Carlo proviene de la famosa ciudad de Mónaco. Insight. donde abundan los casinos de juego y donde el azar. Así. En el mercado existen de hecho varios complementos de Excel (Add-Ins) específicamente diseñados para realizar simulación MC.

descripción del problema.2.1). 191 . Verificación y Validación del modelo. Calcular media.3 Diagrama de flujo del modelo de simulación 8. Estas simulaciones se modelan generalmente con ecuaciones diferenciales. Simulación por autómatas celulares: Se aplica a casos complejos.A. desviación estándar error y realizar el histograma .Simulación continua: Los estados del sistema cambian continuamente su valor. Diseño de experimentos y plan de corridas. El resultado de la simulación está dado por la interacción de las diversas células. Análisis de resultados 8. Formulación del modelo. Los momentos en los que se producen los cambios son los que se identifican como los eventos del sistema o simulación.2 Etapas del proceso de simulación Definición. para el número aleatorio generado de acuerdo a las clases que tengamos. en los que se divide al comportamiento del sistema en subsistemas más pequeños denominadas células. Programación. Analizar resultados para distintos tamaños de muestra.3 Algoritmos El algoritmo de Simulación Monte Carlo Crudo o Puro está fundamentado en la generación de números aleatorios por el método de Transformación Inversa.2. o Determinar el valor de la V. Simulación por eventos discretos: Se define el modelo cuyo comportamiento varía en instantes del tiempo dados. 8. el cual se basa en las distribuciones acumuladas de frecuencias: Determinar la/s Variable Aleatoria y sus distribuciones acumuladas(F) Iterar tantas veces como muestras necesitamos o Generar un número aleatorio o Uniforme (0. Plan.

Ejemplo Tenemos la siguiente distribución de probabilidades para una demanda aleatoria y queremos ver que sucede con el promedio de la demanda en varias iteraciones: Utilizando la distribución acumulada(F(x) es la probabilidad que la variable aleatoria tome valores menores o iguales a x) podemos determinar cual es el valor obtenido de unidades cuando se genera un número aleatorio a partir de una distribución continua uniforme.3 0. Incluir posibles dependencias entre variables.2 0.7 .1 0.Otra opción para trabajar con Monte Carlo. Muestrear valores de las variables aleatorias. cuando la variable aleatoria no es directamente el resultado de la simulación o tenemos relaciones entre variables es la siguiente: Diseñar el modelo lógico de decisión Especificar distribuciones de probabilidad para las variables aleatorias relevantes. desvío.4 0. Calcular el resultado del modelo según los valores del muestreo (iteración) y registrar el resultado Repetir el proceso hasta tener una muestra estadísticamente representativa Obtener la distribución de frecuencias del resultado de las iteraciones Calcular media. Estimación Error: Con que error trabajamos. Unidades 42 45 48 192 Frecuencia Frecuencia Acumulada 0. Establecer límites y reglas de muestreo para las fdp: conocemos que valores pueden adoptar las variables. Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a simular. Este método de generación de variable aleatoria se llama Transformación Inversa. Paralelización y vectorización: En aplicaciones con muchas variables se estudia trabajar con varios procesadores paralelos para realizar la simulación. cuanto error podemos aceptar para que una corrida sea válida? Técnicas de reducción de varianza.1 0. Analizar los resultados Las principales características a tener en cuenta para la implementación o utilización del algoritmo son: El sistema debe ser descripto por 1 o más funciones de distribución de probabilidad (fdp) Generador de números aleatorios: como se generan los números aleatorios es importante para evitar que se produzca correlación entre los valores muestrales.

0.9 1 Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda para cada día. para poder emplear la función BUSCARV(). el valor simulado se acerca al valor original de la media y desviación estándar. n 0. Cuando trabajamos con variables discretas la función acumulada tiene un intervalo o salto para cada variable (para casos prácticos hay que definir los intervalos y luego con una función de búsqueda hallar el valor)..70 y corresponde a 48 unidades. en este caso 48. para 43 0. Ejemplo: Supongamos que el número aleatorio generado sea 0.46 Valor de la Demanda 54 51 51 . además de la disminución del error típico.100001 y así sucesivamente). luego se baja a la coordenada de unidades y se obtiene el valor correspondiente.41 3.. trazando una recta desde el eje de la frecuencia hasta que interseca con la línea de la función acumulada..16 Error 1.92 0.6 48. ese valor exacto no aparece. ¿a qué valor de unidades corresponde? Nos fijamos en la columna de frecuencias acumuladas. vemos como a medida que aumenta el numero de simulaciones.08 0. el siguiente mayor es 0. de esa fila tomada como solución se toma el valor de las unidades (Cuando trabajamos en Excel debemos tomar el límite inferior del intervalo para busca en las acumuladas. éste debe se menor que el de la fila seleccionada pero mayor que el de la fila anterior).52.51 54 0..1 0.85 .71 0. De esta forma logramos a partir de la distribución de densidad calcular los valores de la variable aleatoria dada.. Para funciones continuas se puede hallar la inversa de la función acumulada. interesándonos en este caso como es el orden de aparición de los valores. una vez encontrado (si no es el valor exacto. Se busca el número aleatorio generado en la tabla de probabilidades acumuladas. Cantidad de simulaciones 10 100 Media 48. para 42 sería 0.2 0. 48 En la siguiente tabla.32 193 .12 Desvío 3. Número de Números Simulación aleatorios 1 2 3 . Se puede apreciar mejor en el gráfico..

1000 10000 8. se lleva a cabo un experimento consistente en (1) generar – con ayuda del ordenadormuestras aleatorias (valores concretos) para dichos inputs.87 3.). La tabla incluye el número de consultas diarias (0 a 5) junto con las frecuencias absolutas (número de días que se producen 0. 5 consultas). La clave de la simulación MC consiste en crear un modelo matemático del sistema.. identificando aquellas variables (inputs del modelo) cuyo comportamiento aleatorio determina el comportamiento global del sistema. lo cual nos será de utilidad para entender el funcionamiento del mismo –obviamente. en este caso. Denotando por X a la variable aleatoria que representa el número diario de consultas al EIS..05. por lo que la tabla anterior nos proporciona la distribución de probabilidad asociada a una variable aleatoria discreta (la variable aleatoria es el número de consultas al EIS.1 0. sabemos que: 194 . Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso asociado. dispondremos de n observaciones sobre el comportamiento del sistema. p.. la probabilidad de un determinado número de consultas (así. se recurre bien a la simulación de eventos discretos o bien a la simulación de sistemas continuos). y las frecuencias relativas acumuladas.28 3.. Supongamos que queremos conocer el número esperado (o medio) de consultas por día.87 47. 1. y (2) analizar el comportamiento del sistema ante los valores generados.3 0.03 La simulación de Monte Carlo es una técnica cuantitativa que hace uso de la estadística y los ordenadores para imitar. . proceso o actividad que se quiere analizar. el comportamiento aleatorio de sistemas reales no dinámicos (por lo general. que sólo puede tomar valores enteros entre 0 y 5). La respuesta a esta pregunta es fácil si recurrimos a la teoría de la probabilidad. mediante modelos matemáticos. Veamos un ejemplo sencillo: En la imagen inferior se muestra un análisis histórico de 200 días sobre el número de consultas diarias realizadas a un sistema de información empresarial (EIS) residente en un servidor central. nuestro análisis será tanto más preciso cuanto mayor sea el número n de experimentos que llevemos a cabo.e.. cuando se trata de sistemas cuyo estado va cambiando con el paso del tiempo. Una vez identificados dichos inputs o variables aleatorias. la probabilidad de que se den 3 consultas en un día sería de 0. Tras repetir n veces este experimento. .30). las frecuencias relativas (10/200 = 0.4 ¿Qué es la Simulación de Monte Carlo? 47..

35. estará asociado a un suceso. En este caso.05. 0.85) para el suceso 4 [0. Así por ejemplo. estaremos llevando a cabo un experimento cuyo resultado. En él.15) para el suceso 1 [0.05) para el suceso 0 [0. Veamos cómo: Cuando se conozca la distribución de probabilidad asociada a una variable aleatoria discreta. 0. podremos suponer que ese día se han producido 2 consultas al EIS.00) para el suceso 5 El gráfico siguiente nos muestra cada una de las probabilidades sobre el número de consultas.Por otra parte. 0. también podemos usar simulación de Monte Carlo para estimar el número esperado de consultas diarias (en este caso se ha podido obtener el valor exacto usando teoría de probabilidad. será posible usar la columna de frecuencias relativas acumuladas para obtener los llamados intervalos de números aleatorios asociados a cada suceso.00. se aprecia claramente la relación existente entre probabilidad de cada suceso y el área que éste ocupa.65. otra forma de hacer esta asignación será usando la función BUSCARV): 195 . Asignamos pues la función ALEATORIO a una casilla (la G1 en el caso de la imagen): Seleccionando la celda y “arrastrando” con el ratón desde el borde inferior derecho de la misma podemos obtener un listado completo de números pseudo-aleatorios: A continuación.2567. 1.15. obtenido de forma aleatoria y según la distribución de probabilidad anterior. podemos usar la función SI de Excel para asignar un suceso a cada uno de los números pseudo aleatorios generados (como veremos. si el ordenador nos proporciona el número pseudo-aleatorio 0.65) para el suceso 3 [0. 0.35) para el suceso 2 [0. Esto significa que. al generar un número pseudo-aleatorio con el ordenador (proveniente de una distribución uniforme entre 0 y 1).85. 0. pero ello no siempre será factible). los intervalos obtenidos son: [0.

los valores que obtendríamos en la casilla I1 estarían todos muy cercanos al valor real. y es lógico pensar que en pocos meses habrá un nuevo sistema operativo en el mercado de características superiores. Se puede comprobar este hecho pulsando repetidamente sobre la función F9 (cada vez que se pulsa dicha tecla. normalmente obtendremos valores “cercanos” al valor real. hemos obtenido un valor estimado que corresponde exactamente con el valor real anteriormente calculado vía la definición teórica de la media. Excel genera nuevos valores aleatorios y. y que nos piden consejo para decidir sobre el número de licencias de un determinado sistema operativo que conviene adquirir – las licencias se suministrarán con los ordenadores que se vendan durante el próximo trimestre. Cada licencia de sistema operativo le cuesta al almacén un total de 75 dólares. los valores que obtendríamos al pulsar repetidamente F9 no serían estimaciones tan buenas al valor real. mientras que el precio al que la vende es de 100 dólares.1 Simulación MC con Variables Discretas Veamos un ejemplo algo más complejo del uso de Excel para construir modelos de simulación MC cuando las variables aleatorias sean discretas: Supongamos que trabajamos en un gran almacén informático. nuevos valores para la columna H y la casilla I1). es de esperar que si hubiésemos usado 1. siendo dichos valores diferentes unos de otros (cada simulación proporcionará sus propios resultados). 196 . por tanto.000 (o mejor aún 10. Cuando salga al mercado la nueva versión del sistema operativo. Si en lugar de usar una muestra aleatoria formada por 100 observaciones hubiésemos usado una formada por 10. obteniendo a cambio un total del 25 dólares por cada una. 8. debido a la componente aleatoria intrínseca al modelo. Sin embargo. usando la función PROMEDIO será posible calcular la media de los valores de la columna H: En este caso.Repitiendo el proceso de seleccionar y “arrastrar” obtendremos algo similar a: Finalmente.000) observaciones. el almacén podrá devolver al distribuidor las licencias sobrantes.4. Por el contrario.

ya que en ningún caso podremos vender más licencias que las disponibles. Asimismo. en la celda I2 usamos la función BUSCARV para determinar el suceso correspondiente asociado al valor pseudo-aleatorio obtenido –notar que usamos también la función MIN.CONFIANZA para hallar. los responsables del almacén han sido capaces de determinar la siguiente distribución de probabilidades por lo que a las ventas de licencias del nuevo sistema operativo se refiere: Construimos nuestro modelo usando las fórmulas que se muestran en la figura inferior. la desviación estándar de la muestra obtenida y el intervalo de confianza (a un nivel del 95%) para el valor esperado: 197 . El resto de fórmulas son bastante claras: En la imagen anterior se muestra cómo construir el modelo con una observación (iteración).Basándose en los datos históricos de los últimos meses. es posible estimar el valor esperado de la variable aleatoria que proporciona los beneficios sin más que hallar la media de las 100 observaciones que acabamos de realizar. A fin de generar nuevas observaciones. usaremos las funciones DESVEST e INTERVALO. En la casilla H2 usaremos la función ALEATORIO para generar el valor pseudo-aleatorio que determinará el suceso resultante. deberemos seleccionar el rango H2:N2 y "arrastrar" hacia abajo (tantas casillas como iteraciones deseemos realizar): Finalmente. respectivamente.

podemos ampliar fácilmente el número de iteraciones (observaciones muestrales) sin más que repetir los procesos de seleccionar y “arrastrar”. se obtendrían unos resultados similares a los que se muestran a continuación (ya que 1. 200. En el caso actual. 0 1743 3250 4154 4555 Intervalo confianza 95% 2500 0 -2500 -5000 -7500 2500 3750 5000 6250 7500 198 . 150.La apariencia final de nuestro modelo será: A partir del modelo anterior es posible también realizar “what-if” análisis (análisis de escenarios o preguntas del tipo “¿qué pasaría si cambiamos tal o cual input?”). Asimismo. hemos optado por tomar 1. 250.000 es un número ya bastante considerable para este ejemplo): Resultados para n=1000 iteraciones N° Licencias Benef.000 iteraciones para cada una de los posibles inputs asociados a la cantidad de pedido (estos posibles inputs son: 100. Para ello es suficiente con ir cambiando los valores de las celdas C11:C14 (inputs del modelo en este ejemplo). Si se realizase el experimento.Medio 100 150 200 250 300 2500 2569 2079 333 -1868 Desv.Est. y 300).

Este complemento proporciona nuevas funcionalidades estadísticas a la hoja de cálculo. nos interesa destacar la de Generación de números aleatorios: Con esta opción. y Discreta) o de variable continua (Uniforme y Normal). es posible usar un resultado muy conocido de la teoría estadística. Binomial. Frecuencia relativa. 8. Poisson. Independientemente del complemento Análisis de datos. llamado método de la transformada inversa. para derivar las fórmulas que permiten obtener valores pseudo-aleatorios provenientes de distribuciones como la Weibull o la Lognormal. Entre ellas. ya que con ello se consigue el beneficio máximo.A partir de los resultados. implementadas en celdas de Excel.4.2 Generación de Números Aleatorios Provenientes de Otras Distribuciones Las últimas versiones de Excel incorporan un Add-In llamado Análisis de datos. es posible generar fácilmente observaciones provenientes de diversas distribuciones de variable discreta (Bernoulli. nos permiten obtener valores pseudo-aleatorios de algunas de las distribuciones continuas más usadas: 199 . En la tabla siguiente se muestran algunas fórmulas que. parece claro que la decisión óptima es hacer un pedido de 150 unidades.

a partir de la función ALEATORIO().Distribución Exponencial Weibull Normal Lognormal Uniforme entre a y b Parámetros Media = b Escala = b Forma = a Media = Desv.INV(ALEATORIO(). valores pseudo-aleatorios provenientes de otras distribuciones continuas. se calcula que el tiempo necesario para que cada uno de los servidores responda a la misma sigue una distribución normal con los parámetros (media y desviación estándar. Estandar = Media de Ln(X) = Desv. Asimismo. Dada la complejidad de la consulta que queremos realizar. que es relativamente sencillo implementar funciones VBA que. ) = DISTR.SI para contar el número de iteraciones y el número de veces que un servidor es más rápido que el otro: 200 . veremos dos ejemplos de modelos que hacen uso de la distribución normal (la distribución estadística más importante y utilizada): Ejemplo: Tiempo de consultas a servidores en paralelo Supongamos que desde un ordenador cliente se realiza consultas SQL a bases de datos situadas en dos servidores distintos.NORM. Nuestro objetivo será estimar el tiempo esperado (tiempo medio) que deberemos esperar para recibir la respuesta de ambos servidores. es posible usar las fórmulas anteriores para generar. 8. usaremos la función MAX para obtener el tiempo de respuesta (que será el máximo de los tiempos de respuesta de cada servidor).3 Simulación MC con Variables Continuas Como hemos comentado.4. finalmente.INV(ALEATORIO(). y basándonos en experiencias anteriores. .LOG. En las páginas siguientes. ) = a+(b-a)*ALEATORIO() Añadir. . haciendo uso del método de la transformada inversa o de otros métodos similares. en minutos) que se indican a continuación: Pediremos a Excel que genere valores pseudo-aleatorios provenientes de dichas distribuciones. y la función SI para determinar qué servidor ha sido el más rápido en responder: Usaremos también las funciones CONTAR y CONTAR. Estandar de Ln(X) = Extremo inferior = a Extremo superior = b Formula Excel = -LN(ALEATORIO())*b = b*(-LN(ALEATORIO())^(1/a) = DISTR. permita la generación de valores provenientes de casi cualquier distribución teórica.

siguiendo éstos una distribución normal. Finalmente. En la imagen siguiente se muestra el resultado obtenido al generar 2. por el contrario.08 minutos. mientras que el valor esperado para el flujo de salida es de 400 Euros. para el tiempo medio (este intervalo nos permitirá saber si nuestra estimación es buena o si. Para el primer mes. necesitaremos más iteraciones). la desviación estándar de la muestra (observaciones que generaremos). el valor esperado será el valor obtenido para en el mes anterior. En meses posteriores. y podemos asegurar. Supondremos también que los flujos de caja tanto los de entrada como los de salida.Finalmente. Observar que el tiempo medio estimado de respuesta es de 22. el valor esperado del flujo de entrada es de 500 Euros. y un intervalo de confianza. las desviaciones estándar valdrán. que dicho tiempo medio estará entre 22.98 minutos.CONFIANZA nos servirán para obtener. con un nivel de confianza del 95%. a un nivel del 95%. Ejemplo: Inversión inicial y flujo de caja Consideremos ahora un nuevo problema: supongamos que disponemos de un capital inicial de 250 dólares que deseamos invertir en una pequeña empresa. Por su parte. con lo que se generarán nuevas iteraciones.077 iteraciones. las funciones PROMEDIO. en todos los casos. DESVEST. bastará con seleccionar y “arrastrar” hacia abajo el rango de celdas G3:J3.son aleatorios. un 25% del valor 201 . se observa también que el servidor 1 ha respondido más rápido que el servidor 2 en el 68% de las iteraciones.88 y 23. el tiempo muestral medio (esperado) de respuesta. e INTERVALO. respectivamente. Una vez introducidas las fórmulas anteriores.

com/montecarlo_excel_cyta1. y que podemos afirmar.com/ Resolver los ejercicios al capitulo correspondiente: 202 . elaborar un resumen y/o desarrollar los ejercicios propuestos para el tema correspondiente: Una Aplicación del Método de Monte Carlo en el Análisis de Riesgo de Proyectos: Su automatización a través de una planilla de cálculo.medio (esperado) asociado.5 Actividades para el Aprendizaje. http://trucosexcel. que dicho valor estará entre 527 y 558 dólares. http://www. hemos obtenido los siguientes resultados para 5.com/trabajos12/carlo/carlo.monografias.blogspot. 8. funciones. En base a lo anterior. Luego de visitar estas direcciones de páginas web. Macro.shtml Simulación: Excel Avanzado. podemos construir un modelo como se muestra en las siguientes imágenes: Seleccionando y “arrastrando” hacia abajo el rango G3:O3. con un nivel de confianza del 95%.859 iteraciones: Observamos que el valor esperado para el capital final es de unos 543 dólares.htm El método de Monte Carlo: http://www.abcbolsa.

Angel A. 9. Pronósticos: Principios y Aplicaciones. Gupta. 2004. Aprendizaje de Árboles de Decisión. Curso: Métodos Cuantitativos para la Administración – Notas de Cátedra. Juan Carlos. 1987. Análisis Estadístico con Excel. Sistemas de Información Gerencial. Ricardo. Investigación Operativa. Universidad Nacional de la Pampa. Año 8. Thompson Editores. 1997. 1999. 1992. Kikut Velarde. Alonso Sanz. 7. 11. Chiang. 2007. Problemas Tipos des Teoría de la Decisión. Natalia. Sergio. 2007. Universidad de Oviedo. 2. 14.uoc. Castillo. Stephen A. Simulación.edu. Gonzales Pareja. 2006.uv. Notas de Clase. Pablo.html Programación Matemática http://www. Kosciuk. Evelyn. Conejo. Faulin. Rafael. Alpha C.unsa. Formulación y Resolución de Modelos de Programación Matemática en Ingeniería y Ciencia .es/~sala/programacion. Elementos de Pronósticos.php 1. Programación Matemática: Cuaderno de Teoría y Ejercicios . Mc GrawHill. 16. 203 . Antonio J. Quiros Solanoa. Ana Cecilia.edu. 2005. 2002. Francis. Banco Central de Reserva Costa Rica. Muñoz Salas. Módulo: Simulación de Monte Carlo con Excel . 8. 13. Garcia Quiles. 4. Métodos Matemáticos para la Economía. Facultad de Ciencias Económicas y Jurídica. Javier. Argentina. Métodos Fundamentales de Economía Matemática. 2006. Universidad Nacional de San Luis. Juan. Diebold.org/descarga_ejercicios.Cátedra de Métodos Cuantitativos para los Negocios. Caballero Fernandez.htm Bienvenidos a los cursos del Área de Operaciones – Descargar ejercicios: http://ucreanop. Leroux. Facultad de Ciencias Exactas. Venezuela. n°8. Vijay. Proyecto e-Math. Begoña. 3. Curso de Investigación Operativa I. McGraw Hill. Departamento de Informática. Alguacil. 2002. Argentina. Delurgio. Aspectos Conceptuales Sobre Series de Tiempo – Nociones Básicas. Pedregal. Universidad Fermin Toro. VJ books. El Conocimiento para la Toma de Decisiones . Alfonso. www. http://www. Nicolas H. García. Argentina. 2002. Universidad Nacional del Centro de la Provincia de Buenos Aires. 3ra Edición. Departamento de Matemáticas. Enrique. 12. Gerentia. Irwin McGraw Hill. 5. 6.ar/mcneco/mcn_tps. Ramón. Método Monte Carlo. Universidad Politécnica de Madrid. 2005. Universidad de Valencia. Alfa Epsilon. Excel para Profesionales. Rosa Maria Garcia de. Decanato de Investigación y Desarrollo. 15. 10. Font Belaire.

Juan Carlos.usach. Linares. Luis. Aplicaciones Prácticas de PERT y CPM.17. Ramos. Pepió Viñals. Departamento de Economía Financiera.htm 22. Universidad Comillas. Universidad de Huelva. Vergara Schamalbach. 2002. www.htm 24.optimos. Grupo de Métodos Cuantitativos de Gestión. 19. Daniel. Vitoriano. Departamento de Organización Industrial. 1980. Introducción a la Teoría de la Decisión . Begoña. Servicio de Optimización ON – LINE. Sanchez. Departamento de Estadística. Sarabia. 2007. España. Centro de Recursos de Soporte a la Docencia. Pedro.eumed. Andres M. Sanchez. Alonso. Aula Politécnica / ETSEIT. Angel. Universidad Politécnica de Catalunya. Vergara Schmalbach. 21. Quesada Ibargue. Series Temporales. Reimpresión.net/libros/2006c/216/index. Peña. Victor Manuel. España. http://www. Contabilidad y Dirección de Operaciones. Juan Carlos. Yu Chuen Tao.cl/PM. Gestión Deustuo. Ismael. Pedro. Daniel. Serra de la Figueroa. Perez Gorostegui. Modelos Matemáticos de Optimización. Universidad Carlos III Madrid. 18. Montserrat. 2002. 20. Análisis Cuantitativo con WINQSB. E. 204 . Universidad de Cartagena. 2001. La Programación Lineal. Centre de Recerca en Economia i Salud (CRES). Métodos Cuantitativos para la Toma de Decisiones. España. Andrés. Universidad Pempeu Fabra. Análisis de Series de Tiempo. 5ta. Madrid. 23.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->