You are on page 1of 75

Universidad Nacional

Jos Faustino
Snchez Carrin
FACULTAD DE INGENIERA
INVESTIGACIN OPERATIVA II

Dr. Alcibiades Sosa


Palomino

INVESTIGACIN DE OPERACIONES
La Investigacin de Operaciones o Investigacin Operativa, es una rama de las Matemticas que utiliza
modelos matemticos, estadsticos y algoritmos que conducen a tomar la mejor decisin. Frecuentemente,
trata del estudio de complejos sistemas reales, con la finalidad de optimizar su funcionamiento
Se han dado muchas definiciones. Segn Ackoff y Arnof en Prawda : La Investigacin de operaciones es la
aplicacin , por grupos interdisciplinarios, del mtodo cientfico a problemas relacionados con el control de
las organizaciones o sistemas a fin de que se produzcan soluciones que mejor sirvan a los objetivos de toda la
organizacin.

PROCESO EN LA TOMA DE DECISIONES


ESTRUCTURA DEL PROBLEMA
Problema

Modelo

ANALISIS DEL PROBLEMA


Analsis
Cuant.
Evaluac.

Solucin
AHS

Toma de
decisiones

Anlisis
Cualit.

TEMA 1 : MODELOS PROBABILISTICOS EN LA TOMA DE


DECISIONES
Un modelo es una simplificacin de la realidad. Esta simplificacin puede presentarse
de acuerdo a los objetivos del estudio del sistema; en nuestro caso estamos
interesados por los modelos simblicos y descriptivos. Un modelo simblico es un
esquema terico, expresado en forma matemtica que facilita la comprensin del
comportamiento del sistema.
Un modelo probabilstico es un modelo matemtico que describe el comportamiento
de una variable aleatoria. Es una funcin que depende de los valores de la variable
aleatoria, y de otras cantidades que caracterizan a una poblacin en particular y que se
denominan parmetros del modelo. Estos modelos probabilsticos constituyen las
llamadas distribucin de probabilidades.

CONCEPTOS BASICOS
Experimento.-Un experimento, en estadstica, es cualquier proceso que proporciona
datos, numricos o no numricos. Es aleatorio si los resultados dependen del azar.
Espacio muestral.- Un conjunto cuyos elementos representan todos los posibles
resultados de un experimento se representa como S.
Los elementos del espacio
muestral se llaman puntos muestrales y son los distintos resultados del experimento.

Suceso.-Si consideramos el conjunto de las partes del espacio muestral. Un suceso,


por tanto, es un subconjunto del espacio muestral.

Probabilidad.- Probabilidad de un suceso es la razn entre el nmero de casos


favorables y el nmero total de casos posibles
P(A) = Casos favorables / casos posibles = f/N

VARIABLE ALEATORIA

X
w

X ={(w,x)/ X(w)=x ; w , xR}


Regla que asocia el resultado de un experimento con un nmero real correspondiente
As pues, una variable aleatoria es una funcin cuyos valores son nmeros reales
determinados por los elementos del espacio muestral. Pueden ser discretas y
continuas, dependiendo del valor que toma R.
Si a los valores posibles de la variable aleatoria se les asigna una probabilidad que es la
frecuencia del resultado se genera la distribucin de probabilidades.
Distribucin de probabilidad.- Es una lista que contiene el valor de la variable aleatoria
y sus probabilidades correspondientes

Variable aleatoria (v.a) discreta


Funcin de probabilidad
Se denomina funcin de probabilidad de una variable aleatoria discreta X, a una
funcin f(x) que asigna a todo nmero real x, la probabilidad de que X asuma ese valor,
esto es:
f(x) = P[X=x]
Los valores de f(x) satisfacen las siguientes propiedades:

1.
2.

La relacin entre valores y probabilidades en una variable X se puede expresar de


forma tabular de la siguiente manera:

Valores de X

x1

x2

xi
P(X=x)

P(x1)

P(x2)

P(x i)

La grfica de una distribucin de probabilidades discreta consiste de segmentos


verticales proporcionales a la probabilidad respectiva para cada valor xi de la variable.

Funcin de distribucin acumulada(f.d.a) de la v.a discreta


La f.d.a de probabilidades F(x), de la v.a discreta X, cuya funcin de probabilidades es
f(x), se define por:

La funcin de distribucin se define para todos los nmeros reales, no slo para los
valores de la variable. Su mximo es siempre 1.

Variables aleatorias continuas


Funcin de densidad
Se dice que la funcin f(x) es funcin de densidad de probabilidad de la variable
aleatoria continua X si satisface las siguientes condiciones:
1) f(x) 0 para todo xR

Funcin de distribucin acumulada de una variable aleatoria continua.


La funcin de distribucin acumulada (f.d.a.) , F(x), de una variable aleatoria
continua X con una funcin de densidad f(x), se define por:

Valor esperado
matemtica

de

una

variable

esperanza

La distribucin de probabilidades de una variable aleatoria se caracteriza bsicamente


a travs de medidas de tendencia central y de dispersin. Estas medidas se denominan
parmetros y se describen mediante la esperanza matemtica (media de una v.a)

Media de una v.a


La media de una v.a X o media de la distribucin de probabilidad X es un nmero real
que se denota por . La media es denominada tambin esperanza matemtica o valor
esperado de X , y se denota por E(X).

Media de una v.a discreta


La media de una v.a.discreta X con funcin de probabilidad

=E ( X )= x i f (x i)

f(x) es la expresin:

Si X es una variable discreta con funcin d probabilidad f(x), el valor esperado


de X se calcula segn decamos anteriormente sumando los productos de los valores
de la variable por sus respectivas probabilidades.

Media de una v.a. continua


La media de una v.a.discreta X con funcin de probabilidad f(x) es la expresin:

Varianza de una v.a


La varianza de una v.a. X se denota por cualquiera de las formas: 2, V(X).

Si X es una variable aleatoria con distribucin de probabilidad f(x) y con media igual a
:
La varianza de X si es discreta es dada por la expresin:

La varianza de una v.a. X si es continua es dada por la expresin:

La desviacin estndar de la v.a.X es la raz cuadrada positiva de su varianza

MODELOS DE PROBABILIDADES PARA LA TOMA DE


DECISIONES
El comportamiento de una v.a queda descrita por su distribucin de probabilidad o
modelo probabilstico que pueden ser discretas y continuas dependiendo del valor de
X.

DISTRIBUCIN DE
ALEATORIA DISCRETA

PROBABILIDADES

DE

UNA

VARIABLE

Las mas utilizadas son la de Bernoull, Binomial, Binomial negativa, Hipergeomtrica,


Poisson.

Distribuciones de Poisson
Se dice que una v.a discreta X, cuyos valores posibles son: 0;1;2;; tiene distribucin
de Poisson con parmetro >0 y se escribe X~P(
), si
su funcin de probabilidad tiene el siguiente
modelo:

f(x) =

P [ X=x ] =

donde: "e" es 2,71828

e ( )x
x!

x= 0;1;2;

La distribucin de Poisson se utiliza para describir cierto tipo de procesos, entre los
que se encuentran la distribucin de llamadas telefnicas que llegan a un conmutador,
la demanda (necesidades) de los pacientes que requieren servicio en una institucin de
salud, las llegadas de camiones a una caseta de cobro y el nmero de accidentes
registrados en una cierta interseccin de calles. Estos ejemplos tienen en comn un
elemento: pueden ser descritos mediante una variable aleatoria discreta que toma
valores enteros (0, 1, 2...).

Si X~P( ), entonces: = E(X) =

2=V ( X )=

Nota: la probabilidad de que ocurran k eventos de cierto tipo en un intervalo de


tiempo o en una regin de tamao t es igual a:
t

P [ X=k ] =

e ( t)
k!

k = 0,1,2,

donde
t es el nmero promedio de ocurrencias de eventos en el periodo o regin t
, y don de es el promedio de ocurrencias por unidad de periodo o regin t.

DISTRIBUCIN
DE
PROBABILIDADES
ALEATORIA CONTINUA

DE

UNA

VARIABLE

Las mas importantes son la Uniforme, normal, normal estndar, gamma, exponencial,
beta, chi-cuadrado, t de student, Fischer,Cauchy,Pearson

La distribucin normal: o campana de Gauss-Laplace


Se dice que la variable aleatoria continua , X, que toma los valores reales - < x < ,
se distribuye normalmente con parmetros y y se describe por X~N(,2), si su
funcin de densidad es:

Representacin grfica de esta funcin de densidad

La distribucin normal queda definida por dos parmetros, su media y su desviacin


tpica y la representamos as

F(x) es el rea sombreada de esta


grfica

DISTRIBUCIN NORMAL ESTNDAR

Por tanto su funcin de densidad es

y su funcin de distribucin es

MANEJO DE TABLAS : CASOS MS FRECUENTES.


La distribucin de la variable Z se encuentra tabulada

PROBLEMAS
CASO : Variable aleatoria
Dos empleados se seleccionan al azar (con reemplazo ) de una lista de la cual 70% de los
empleados son hombres Si la variable aleatoria es nmero de hombres en la muestra.

Determinar el espacio muestral.

La funcin variable aleatoria nmero de hombres

Distribucin de probabilidades

Grfica de la distribucin

Caso : Funcin de probabilidad

1. Si una v.a X puede tomar los valores x= 0,1,2,3,4,5; indicar si cada una de las
siguientes funciones definen una funcin de probabilidad:
a. f(x) = x/15
b. f(x) = (x-1)/9

1 x

2. Si f(x)= 3
c

; x=0,1,2,3,, define una funcin de cuanta .

a. Encontrar c

b. Encontrar F

b. Calcular la siguientes probabilidades: p(x3) ; F(1) ; F(1.5); p(0x1.5)


Caso : Funcin de densidad
1.

Dada la funcin :

x
; x>0
5

f ( x )= c e
0; x 0

a. Encontrar c tal que f defina una funcin de densidad .


b. Hallar F(x). Graficar f y F

c. Encontrar P(3x5)

2. f est definida por :


0 ;
f(x) =

x<0

ax ; 0 x 1
a

a
x2

; 1<x<2
; x 2

Determinar a tal que f defina una funcin de densidad

CASO: VALOR ESPERADO Y VARIANZA


1. La distribucin de probabilidad de la variable aleatoria X
nmero de caras cuando se lanzan cuatro monedas
a. Hallar el valor esperado

b.

se define como el

Hallar la varianza y desviacin estndar

2. La demanda en miles de unidades de cierto artculo es una variable aleatoria


continua X cuya funcin de densidad de probabilidad es:

2x
f ( x )= 3 , si:1 x 2
0 en otros casos
Calcular la demanda esperada de este artculo
3. Suponga que la variable aleatoria X se distribuye uniformemente en el intervalo
[0,4], con funcin de densidad de probabilidad:

1
f ( x )= 4 , si :0 x 4
0 en otros casos

Hallar la varianza y desviacin estndar


CASO: Distribucin de Poisson
1. Suponga que llegan en forma aleatoria una serie de llamadas a una central
telefnica con un promedio de 3 llamadas por minuto. Calcular :
La probabilidad de que ocurran 4 o ms llamadas en el periodo de un minuto
2. El nmero promedio de clientes que llegan a un banco los das sbados es, en
promedio, 40 por hora. Cul es la probabilidad de que lleguen por lo menos dos
clientes :
a. En un periodo de 14 minutos

b. En 5 minutos.

CASO: DISTRIBUCION NORMAL


1. Un estudio demostr que la duracin de cierto tipo de batera de automvil
tiene una distribucin normal con media 1248 das y una desviacin estndar
de
195
das.
Si el fabricante garantiza la batera por 36 meses (1080 das).
Qu cantidad de bateras sern cambiadas bajo la garanta en un grupo de 100
bateras vendidas?
2. El tiempo empleado en minutos, en ir de un hotel al aeropuerto, por la ruta A ,
se distribuye normalmente con media 27 min y desviacin tpica 5 min ;
mientras que por la ruta B, la distribucin es normal con media 30 min y
desviacin tpica igual a 2 min. Determine Ud. que ruta conviene utilizar si se
dispone de :
a. 30 minutos

b. 34 minutos

TEMA 2 : MODELO DE REDES . ADMINISTRACIN DE PROYECTOS

La redes proporcionan una ayuda conceptual poderosa para visualizar las relaciones entre
los componentes de sistemas complicados ; de all su utilidad en la administracin de
proyectos.
CONCEPTOS BASICOS
1. Proyecto .- Conjunto de actividades inter relacionadas que deben efectuarse en un cierto
orden lgico.
2. Actividad.- Trabajo que consume recursos ( tij , cij, ) para su ejecucin.
3. Red.- Grfica formada por nodos , arcos y flujos.
Cada flecha en la red representa una actividad ( xij ). i < j
Las actividades ficticias no consumen recurso y se representan por lneas punteadas.
Las actividades ficticias se utilizan para indicar precedencia y para evitar duplicidad de
variables de decisin .
APLICACIN DEL MR EN LA ADMINISTRACIN DE PROYECTOS.
FASES:
1. PLANEACIN. Identificacin de actividades.
Secuencia lgica de actividades (precedencia )
Elaboracin de la red.
2. PROGRAMACIN. Determinacin de la ruta crtica y las holguras aplicando el PERT/CPM.
PERT(Program Evaluation and review technique Tcnica de evaluacin y revisin
de programa.
CPM ( Critical Path Method Mtodo de la ruta crtica ).
Programa de actividades.
3. CONTROL
Anlisis de la red utilizando PERT/COST contraccin de la red en caso necesario.
Reportes peridicos en base al anlisis.
Segn las caractersticas del proyecto el MR puede ser:
1. DETERMINISTICO
2. PROBABILISTICOS.

MR: DETERMINISTICOS
Proyectos repetitivos (mantenimiento, proyectos con antecedentes, ) ; se caracteriza
por que el consumo de recurso esta estandarizado.
El MPL es de MAX y sus restricciones son similares al modelo de ruta ms corta.
PROCEDIMIENTO DE RUTA CRTICA PERT/CPM
1. Elaborar una lista de las actividades que conforman el proyecto.
2. Determinar la precedencia para cada actividad del proyecto.
3. Estimar el tiempo de terminacin de cada actividad.
4. Construir la red.
5. Determinar el tiempo ms cercano de inicio y el tiempo ms cercano de terminacin
para cada actividad, realizando el paso hacia delante en la red. El tiempo ms cercano
de terminacin para la ltima actividad del proyecto establece el tiempo que se requiere
para terminar el proyecto.
6. Determinar el tiempo ms lejano de inicio y de terminacin de cada actividad
efectuando el paso hacia atrs en la red.
7. Utilizando la diferencia entre los tiempos ms lejanos y ms cercanos de iniciacin para
cada actividad obtener la holgura disponible para cada actividad.
8. Las actividades de la ruta crtica son las que tienen holgura cero.
9. Utilizar la informacin de los pasos 5 y 6 para elaborar el programa de actividades del
proyecto.

MODELO DE REDES . ADMINISTRACIN DE PROYECTOS


CASO: PROBABILISTICO
Proyectos de investigacin.
No existe base de datos
Existen incertidumbres en los parmetros.
Los tij se consideran :
a. Optimista aij.
b. Pesimista bij
c. Realista
mij
El valor esperado de tij se obtiene :
tij = ( aij + 4mij + bij )/6
La ruta critica se obtiene aplicando el PERT/CPM ; en donde :
Tij = tij
AijRC

Adems la varianza ij2 de Aij est dado por:


ij2 = ( bij - aij )2 / 36
donde :
ij2 = ij2
AijRC

Y la desviacin estndar esta dada por :

ij = ij2
AijRC

Dado que Tij es una variable aleatoria con media Tij y una varianza ij2 ; la probabilidad de
que la duracin del proyecto sea menor igual a una cantidad Z esta dada por :

P(Tij Z ) = { ( Z - Tij ) / ij }

Donde es la distribucin normal estandarizada . ( Ver tabla )

PROBLEMAS

1. El departamento de investigacin y desarrollo de una empresa productora de TV est


desarrollando una nueva fuente para la consola de un televisor, con tal propsito, ha
descompuesto el trabajo en la forma siguiente:
TRABAJO

2.

DESCRIPCIN

A
Determinar los voltajes de salida
B
Determinar si se utilizan rectificadores de salida
C
Escoger los rectificadores
D
Escoger los filtros
E
Escoger el transformador
F
Escoger el chasis
G
Escoger el soporte del rectificador
H
Dibujar el chasis
I
Construir y probar
Determinar la ruta crtica.
Cul es el tiempo mnimo para finalizar el proyecto.
Determinar la holguras.
Elabore el programa de actividades.

PRECEDENCIA
A
B
B
C
D
C
E,F
G,H

TIEMPO
(das)
5
7
2
3
1
2
1
3
10

La siguiente tabla resume las actividades para reubicar 1700 pies de una lnea elctrica
primaria de 13.8 KV debido al ensanchamiento de la seccin del camino en la cual est
instalada la lnea actualmente.
Aij Descripcin
Preced. tij(das)
A Revisin del trabajo
1
B Concejo a clientes de interrupcin temporal
A
2
C Almacenes de requisicin
A
3
D Reconocimiento del trabajo
A
1
E Obtencin de postes y materiales
C,D
3
F Distribucin de postes
E
4
G Coordinacin de ubicacin de los postes
D
1
H Preparacin
G
1
I Cavar agujeros
H
3
J Preparar y colocar postes
F,I
4
K Cubrir conductores antiguos
F,I
1
L Colocar nuevos conductores
J,K
2
M Instalacin de material restante
L
2
N Colgamiento del conductor
L
2
O Poda de rboles
D
2

P
Q
R
S
T
U

Conmutacin de lneas
Energizacin de la nueva lnea
Limpieza
Remocin del conductor anterior
Remocin de postes anteriores
Devolucin de material a los almacenes.

B,M,N,O
P
Q
Q
S
I

1
5
1
1
2
2

Dibujar la red.
Hallar la ruta crtica.
Elaborar el programa de actividades.
3. La siguiente tabla muestra la informacin respecto a un proyecto de factibilidad para la
fabricacin de un nuevo producto
Aij

DIAS
a
m
b
A
3
7
11
B
2
2.5
6
C
A
2
3
4
D
A
6
7
14
E
A
2
3
4
F
C
2.5
3
3.5
G
D
3
4
5
H
B,E
4.5
5.5
9.5
I
H
1
2
3
J
F,G,I
1
2
3
Calcule el tiempo esperado y la varianza de cada actividad.
Elabore el programa de actividades.
Cules son las actividades de la ruta crtica?.
Cul es el tiempo de terminacin del proyecto?.
Cul es la probabilidad de que el proyecto se termine dentro de 20 semanas?.
4. Se desea realizar un estudio para la creacin de un nuevo programa de Post-Grado en
Ingeniera en la Universidad Nacional J.F. Snchez Carrin de Huacho; para lo cual se
obtiene la siguiente informacin:
Aij
A12
A13
A14
A15
A26
A37
A49
A59
A68
A78

Precedencia

Denominacin
Consultar con el sector Industrial
Consultar con el sector Pblico
Consultar con el sector Acadmico
Consultar con el Gobierno
Objetivos y Diseo de un Programa Industrial
Objetivos y Diseo de un Programa Administrativo
Ficticia
Ficticia
Integracin Administrativa al Programa Industrial
Integracin Administrativa al Programa Administrativo

aij
10
3
6
2
20
50
0
0
20
25

SEMANAS
mij
bij
15
20
5
10
10
20
3
10
25
40
60
80
0
0
0
0
30
35
30
35

A89
A9,10
A10,11
A10,12
A11,12
A12,13
A13,14

Ficticia
Estudio y Aprobacin del Programa por las autoridades
Campaa de publicidad
Contratacin de Profesores
Ficticia
Primer ao de Prueba
Ajuste del Programa

0
30
2
4
0
26
3

0
40
3
8
0
35
5

0
50
5
10
0
45
10

Hallar la ruta crtica.

Determine la probabilidad de terminar el proyecto a lo ms en 180 semanas.

Determinar el tiempo que le corresponde a una probabilidad de 0.20

5. La siguiente tabla muestra la informacin de un proyecto para mecanizar la


produccin de un producto.

Aij
A
B
C
D
E
F
G
H
I
J
K
L
M
N

O
P
Q
R
S
T
U
V
W
X

Denominacin
Inicio
Financiacin
Copiar planos
Consulta nuevas mquinas
Estudio de proceso
Consulta de forja y entrega
Consulta de despiece
Proyecto de secciones
Verificacin y control
Diseo y colocacin
Construccin de secciones
Control , anlisis
Control de muestras
Presupuesto
Presupuesto de diseo I.
Diseo II.
Construccin de servicios
Adquisicin de mquinas
Instalacin de mquinas
Construccin de medios de control

Acopio de forjas
Presupuesto II. Colocaciones
Colocacin de nuevas mquinas
Seleccin de personal
Construccin. Colocacin I.

a
0
30
3
15
5
60
10
3
10
10
80
20
15
10
5
10
30
90
15
45
20
5
10
4
20

DIAS
2m
0
80
6
50
10
180
30
6
30
30
180
60
40
40
20
30
80
240
50
180
60
20
30
8
90

Antecedente

b
0
60
3
40
5
120
30
3
25
25
120
45
40
30
20
25
60
150
45
120
45
20
30
4
60

A
A
C
C
C
C
D
E, D
E,D
E,D
F
G
I
J
J
J
D,B
H
N
L
;O

R,Q
R,Q
;O

Y
Z
AA
BB
CC
DD
EE

Construccin. Colocacin II.


Acopio de despiece
Puesta en marcha
Mecanizar muestra
Adiestramiento
Control final
Fin

20
30
20
10
15
3
0

90
80
60
30
40
6
0

60
50
60
20
30
3
0

U,X
M
T,S,Y,P,K,V
AA , Z
W
BB
DD , CC

Hallar la ruta crtica.

Determine la probabilidad de terminar el proyecto a lo ms en 200 das.

Determinar el tiempo que le corresponde a una probabilidad de 0.82

6. En una empresa dedicada a la produccin de refrigeradoras se ha decidido iniciar la


fabricacin de un nuevo modelo para lo cual tiene que realizar las actividades
codificada que se muestran en la tabla ; adems se tienen los tiempos optimista, ms
probable y pesimista de cada actividad.

Actividades y precedencia
A
B
B
B
E
D
C
H
G
G
F
T
J,K
E,N
E,N
E,N
O,P,Q
B
I,S

<
<
<
<
<
<
<
<
<
<
<
<
<
<
<
<
<
<
<

A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T

<
B
< C,D,E,S
< H
< G
< F,P
< L
< J,K
< I
< T
< N
< N
<
U
<
U
<
O,P,Q
<
R
< R
< R
< V
< T
<
M

a
4
1
5
3
6
4
2
1
3
7
3
2
3
3
3
6
4
4
7
3

DAS
m
6
3
6
5
7
5
2
4
4
8
4
3
4
4
5
7
5
6
8
4

b
8
4
9
8
10
8
2
7
5
9
6
6
6
5
8
10
6
8
9
5

L,M
R,U
V

<
<
<

U
V
W

<
<

V
W

3
8
4

6
9
6

9
10
8

Confeccione el grafo sagital ( red)


Elabore el programa de actividades.
Confeccione la carta Gantt.

TEMA 3 :MODELO DE REDES . ADMINISTRACIN DE PROYECTOS


SISTEMA PERT /COST
La tcnica PERT/COST permite planear, programar y controlar los costos de los proyectos.
El objetivo fundamental de esta tcnica es ofrecer la informacin que sirva para mantener
los costos del proyecto dentro de un presupuesto especificado.

El PERT/CPM nos permiti analizar el recurso t ij , de manera que pueda terminarse de


acuerdo a lo planificado un proyecto.

El PERT/COST nos permite analizar el recurso costo ( cij ) ; es decir nos permite
planear, programar y controlar el recurso costo en un proyecto.
Para ello el proyecto total se divide en componentes que sean convenientes en trminos
de la medicin y el control de costos ; cuando el proyecto tiene muchas actividades se
pueden agrupar en paquetes para realizar una eficiente evaluacin de costos y
presupuestar en forma adecuada los costos por actividad o paquetes de actividades.

Teniendo en cuenta el programa obtenido mediante el PERT/CPM y el presupuesto de


cada actividad se puede elaborar el programa de costos del proyecto y establecer la
regin factible que nos permitir realizar un control de costos durante la ejecucin del
proyecto.

Para realizar controles en los tiempos que uno estima conveniente y realizar el reporte
correspondiente del mismo se requiere de la siguiente informacin.
a. Costo real a la fecha por actividad.

b. % de avance a la fecha que nos permite calcular el valor del trabajo efectuado Vi
y se obtiene mediante:
Vi = ( pi /100) B i
donde:
pi : porcentaje de avance de la actividad y
c. con la informacin de (a ) y (b) se obtiene los alzamientos y abatimientos de los
costos Di por actividad.
Di = CR - Vi
d. La sumatoria de Di muestra el alzamiento o abatimiento del proyecto a la fecha ;
esta informacin nos permitir tomar decisiones .

PROBLEMA 1.
Una empresa est modificando las operaciones en su almacn instalando un sistema de
manejo de existencias automatizado . Las actividades especificas incluyen el rediseo del
almacn , la instalacin del equipo nuevo , pruebas para el equipo nuevo ; etc.
La informacin que se tiene es la siguiente:
Aij
A
B
C
D
E
F
G
H
I
J
K

Precedencia
A
C
B,D
C
E,F
E,F
G
G
I,H

te (s)
3
2
8
0
6
4
5
1
0
5
6

2
0.3
0.5
2.0
0.0
1.0
0.2
0.4
0.1
0.0
1.0
0.6

CIJ($)
6000
4000
16000
0
18000
20000
15000
2000
0
5000
12000

CR($)
5000
4000
18000
0
9000
18000

% de avance
100
100
100
50
75

Elabore la red, ruta crtica, programa de actividades, programa de costos.


Represente en forma grfica la regin factible del presupuesto.
Realice un reporte despus de 12 semanas con la informacin que se proporciona .
Evaluar la probabilidad de culminacin en 26 semanas.

PROBLEMA 2.
Un proyecto de investigacin y desarrollo ; requiere de las actividades que se dan en la
siguiente tabla , se supone que cada actividad es un paquete de trabajo aceptable y que ya se
ha realizado un anlisis detallado de costos de cada actividad. Para utilizar el PERT/COST
se supone que las actividades ( paquetes de trabajo) se han definido de manera que sus
costos ocurran a un ritmo constante a lo largo de la duracin de las actividades.
Aij
Precedencia te (meses)
CIJ($)
CR($)
% de avance
A
3
10000
12000
100
B
2
30000
30000
100
C
A
8
3000
1000
50
D
B
0
6000
2000
33
E
B
6
20000
10000
25
F
C,D
4
10000
G
E
5
8000
Elabore el programa de actividades y de costos.
Represente en forma grfica la regin del presupuesto factible.
Elabore el reporte al cuarto mes con la informacin de la tabla.

PROBLEMA 3
Una prestigiosa empresa dedicada al mantenimiento de fabricas industriales recibe una
oferta para llevar a cabo el mantenimiento de una fbrica de conservas ; para ello deriva la
elaboracin del proyecto a su departamento de Investigacin de Operaciones que despus
de un anlisis de la planta reporta lo siguiente:
Aij
A
B
C
D
E
F
G
H
I
J

Precedencia
A
A
A
C
D
B,E
H
F,G,I

te (s)
6
2
3
5
3
2
3
4
2
2

CIJ($)
90000
16000
3000
100000
6000
2000
60000
20000
4000
2000

Elabore el programa de actividades y de costos.

CR($)
85000
16000
1000
100000
4000

% de avance
100
100
33
80
100

10000

25

Represente en forma grfica la regin factible.


Realice un reporte al finalizar la dcima semana segn la informacin de la tabla.
PROBLEMA 4
La empresa XXT ha elaborado un proyecto para presentar un nuevo sistema
computarizado para oficinas que mejorara el procesamiento de documentos y las
comunicaciones internas en una compaa. En la proposicin se incluye una lista de
actividades que se deben llevar a cabo para realizar el proyecto del nuevo sistema. Se
muestra en seguida la informacin con respecto a las actividades.
Aij
A
B
C
D
E

Precedencia
A
C
B,D

te (s)
5
3
6
2
2

CIJ ($)
700
200
500
350
300

CR ($)
800
100
450
250
0

% de avance
100
67
100
50
0

Indique la grfica de los presupuestos factibles para el costo total del proyecto.
representa esta regin poco comn para el presupuesto factible?. Explique.
Supngase que se encuentra el reporte indicado en la tabla del estado de las actividades
al inicio del octavo da. Est el proyecto dentro de lo programado?. Qu accin
recomendara?

TEMA 4 : MODELO DE REDES . ADMINISTRACIN DE PROYECTOS


CONTRACCIN DE LA RED

Una vez hallada la ruta crtica , el Tij y programa de actividades de un proyecto ;


interesa muchas veces realizar el proyecto en menos tiempo ; es decir reducir el T ij ,
esto se consigue aumentando recursos ( maquinaria, personal, etc. ) para llevar a cabo
en menos tiempo las actividades.
Es te proceso es llamado tambin contraccin de la red o colisin del proyecto.

La red se puede contraer de las siguientes formas:


1. Analizando las actividades de la ruta crtica; empezando por aquellas actividades cuyo
costo de reduccin es menor.

El costo de reduccin Kj para cada actividad por unidad de tiempo se obtiene mediante:
Kj = (Cj1 Cj) / Mj ; donde:
Cj1: Costo estimado para la actividad j con reduccin mxima.
Cj : Costo estimado para la actividad j con tiempo normal esperado
1
Mj = tj - tj
tj : tiempo normal para la actividad j.
tj1 : tiempo para la actividad j con reduccin mxima.
2. Para redes mayores se recurre al MPL para reducir Tij

Las variables de decisin son:


xi : tiempo de ocurrencia del evento y
yj : tiempo de reduccin para la actividad j

La funcin objetivo.
Min W = kj yj

Restricciones :
a. Descripcin de la red
xi tj - yj + xi 1 ; restriccin para cada nodo en funcin del arco que llega.
b. Tiempo de reduccin por actividad.
yj Mj
c. Contraccin de la red.
xn Tij1
d. Condicin de no negatividad
yj 0
xi 0

PROBLEMA 1
Un proyecto que se refiere a la instalacin de un sistema de computo consta de 8
actividades . Se indican en seguida las actividades . Supngase que se necesita terminar
el proyecto en 16 semanas . Es necesario entonces reducir los tiempos del proyecto . Se
muestra en seguida la informacin relevante.
AIJ

Antecedente

Semanas

Dlares

A
B
C
D
E
F
G
H

t
3
6
2
5
4
3
9
3

A
B,C
D
E
B,C
F,G

t
1
3
1
3
3
1
4
2

C
900
2000
500
1800
1500
3000
8000
1000

C
1700
4000
1000
2400
1850
3900
9800
2000

Cul es el costo adicional en el que se incurren para satisfacer el tiempo de


terminacin de 16 semanas.
Plantee un modelo de Programacin Lineal que pueda utilizarse para tomar la
decisin de reduccin del tiempo en la ejecucin del proyecto.
Desarrolle un programa completo de actividades utilizando los tiempos reducidos de
las actividades.

PROBLEMA 2
En la tabla se define un proyecto de mantenimiento de dos mquinas que consta de 5
actividades . Como los administradores han tenido considerable experiencia en proyectos
similares , se considera que los tiempos para las actividades de mantenimiento son
conocidos ; por ello se proporciona una sola estimacin para cada actividad.
Supngase que los niveles actuales de produccin hacen que sea imperativo que el proyecto
de mantenimiento se termine en 10 das .
Cul es el costo adicional necesario , para satisfacer este requerimiento?
Plantee un modelo de PL que pueda utilizarse para tomar esta decisin.
Desarrolle el programa de actividades con la reduccin de los tiempos.
Los datos necesarios se observa en la tabla.
AIJ

Descripcin

Antecedente

A
B
C
D
E

Reparac. Mq. I.
Ajuste de Mq. I.
Reparac. Mq. II.
Ajuste de Mq. II.
Prueba de sistema

A
C
B,D

DAS
t
7
3
6
3
2

t
4
2
4
1
1

DLARES
C
C
500
800
200
350
500
900
200
500
300
550

PROBLEMA 3
Se tienen disponibles los siguientes datos sobre reducciones para un proyecto.

AIJ

Antecedente

A
B
C
D
E
F
G

A
A
C,B
C,B
D,E

Meses
t
4
6
2
6
3
3
5

Dlares x 1000
C
C
50
70
40
55
20
24
100
130
50
60
25
25
60
75

t
2
3
1
4
2
3
3

Cul es el costo adicional en el que se incurren para satisfacer el tiempo de


terminacin de 12 meses.
Plantee un modelo de Programacin Lineal que pueda utilizarse para tomar la
decisin de reduccin del tiempo en la ejecucin del proyecto.
Desarrolle un programa completo de actividades utilizando los tiempos reducidos de
las actividades.

PROBLEMA 4
El gerente de operaciones de una empresa desea automatizar el sistema de
almacenamiento de sus productos , despus de consultar con el personal de ingeniera y
el personal administrativo recopila la siguiente informacin:

AIJ
A
B
C
D
E
F
G
H
I
J
K

Descripcin
Determinar las necesidades de equipo
Obtener propuesta de proveedores
Seleccionar el proveedor.
Ordenar el sistema.
Disear la nueva disposicin del almacn.
Disear el almacn.
Disear la interfaz del sistema de computo.
Acoplar el sistema de computadoras.
Instalar el sistema.
Capacitar a los operadores del sistema.
Probar el sistema.

Ant.
A,B
C
C
E
C

a
4
6
2
8
7
4
4

D,F,G
D,F
H
I,J

4
4
3
2

SEMANAS
m
b
6
8
8
16
4
6
10
24
10
13
6
8
6
20
6
6
4
4

Formule el MPL para contraer su red en 4 semanas.


Cul es el costo adicional para contraer su red en 4 semanas.

8
14
5
6

t
4
7
4
8
7
4
5
4
4
3
3

$X1000
C
C
1
1,9
1
1,8
1,5 2,7
2
3,2
5
8
3
4,1
8 10,2
5
5
6,4
10 12,4
4
4,4
5
5,5

PROBLEMA 5
En la fabricacin a pedido los plazos de entrega deben ser confiables, por el prestigio del
productor y por las penalidades por moras pactadas. El plazo de entrega se puede definir
mediante el mtodo probabilstico (PERT/CPM). Cuando el cliente exige la reduccin del
plazo , deber tener en cuenta que la diferencia implicar un extracosto que
contractualmente se podra acordar como bonificacin por da ganado.
CASO
Una prestigiosa tintorera tiene como poltica sealar plazos de entrega con probabilidades
de ocurrencia de 80 a 90%.
Un importante cliente requiere con urgencia , en tiempo impuesto t i = 50 das, un lote de
pernos con tuerca , preguntndose el fabricante si podra satisfacer sin o con extracosto.
Para ello el Ingeniero de Operaciones elabora la secuencia de actividades que se muestra a
continuacin:

Aij
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q

Descripcin

Prec. Responsable

Emisin del pedido a Ing.


Ventas
Preparacin de planos.
A Ing.
Preparac. de hojas de ruta. A Ing.
Diseo herramental.
B,C Ing.
Clculo y prep. de vales.
B,C Ing.
Prep. de normas de CC.
B,C Ing.
Compra de MP.
D Suministros
Separacin de MP.
E Suministros
Fabricacin de herramient
G Fabricacin
Emisin y oferta de fab.
F,H,I Ing.
Torneado de pernos.
J
Fabricacin
Torneado de tuercas.
J
Fabricacin
Acabado de pernos.
K Fabricacin
Hermanado y empaque.
L Fabricacin
Confeccin de gua.
M,N Ventas
Tramites finales.
O Ventas
Despacho.
P
Ventas

a
1
3
1
2
1
1
1
1
3
1
5
4
1
4
1
1
1

das
te
m b te
1 7 2 1
7 11 7 3
1 1 1 1
5 14 6 2
1 1 1 1
2 3 5 3
3 23 6 4
7 13 7 3
10 29 12 6
1 1 1 1
10 15 10 4
8 12 8 5
2 3 2 1
8 18 9 4
1 1 1 1
2 3 2 1
2 3 2 1

$
C
200
120
50
450
50
150
120
300
130
40
40
120
30
120
20
140
20

C
300
400
50
600
50
200
240
600
230
40
240
180
60
200
20
200
30

TEMA 5 : MODELO DE DECISIONES


Como cualquier humano todos los das tomamos decisiones con diferente grado de
importancia a corto a mediano y largo plazo. Los modelos de decisin nos permiten evitar
la toma de decisiones en forma arbitraria sin previo anlisis. Los modelos de decisin
proporcionan una estructura para examinar el proceso de toma de decisiones.
Con frecuencia se toman decisiones en entornos que tienen incertidumbre estas se pueden
analizar teniendo en cuenta las probabilidades a priori y a posteriori.
TOMA DE DECISIONES CON PROBABILIDADES A PRIORI
El modelo general tiene la siguiente estructura general:
Sj
d(i)
d1
d2
.
di
.
dm
p(Sj)

S1
V(d1;S1)

S2

Estados de la naturaleza
...
Sj
...

Sn

V(di;Sj)
p1

p2

...

pj

...

Pn

TERMINOLOGIA UTILIZADA EN LOS MODELOS DE TOMA DE


DECISIONES
1. Alternativas de decisiones ( di ) .- Controladas por el decisor.
2. Estados de la naturaleza ( Sj ) .- No controladas por el decisor , acciones externas que
afectan el resultado de la decisin.
3. Resultados V(di , Sj ) .- Para cada combinacin de estrategias y estado de la naturaleza
habr un resultado, que se debe expresar mediante alguna medida ; el conjunto de
resultados constituye la matriz de pagos.
4. Arbol de decisin .- Esta formada por nodos de decisin
; nodos de estado
,
enlace entre los nodos (ramas) y resultados al final de las ramas.
Representa graficamente el proceso de toma de decisiones.

S1
d1

V(d1 , S1 )

CRITERIOS DE DECISIN
TOMA DE DESICIONES SIN PROBABILIDADES
Este criterio es apropiado cuando el decisor tiene poca confianza en su actitud para evaluar
la probabilidad de los estados de la naturaleza.
1. EL MTODO OPTIMISTA
Se evala cada alternativa de decisin , en trmino del mejor resultado que puede
ocurrir. La alternativa de decisin que se recomienda es la que ofrece la mejor
consecuencia posible.
Para un problema en el que se desea maximizar utilidades , la alternativa elegida
corresponde aquella que brinda las utilidades mas altas.
Para un problema en el que se desea minimizar , la alternativa elegida corresponde
aquella que brinde el menor resultado.
2. EL MTODO CONSERVADOR
Se evala cada alternativa de decisin en trminos del peor resultado que pueda ocurrir.
La alternativa decisoria que se recomienda es la mejor de la peores consecuencias
posibles es decir:

Para un problema de maximizacin le corresponde el max (min)


Para un problema de minimizacin le corresponde el min (max)

3. EL MTODO DE LA DEPLORACIN
Se evala el costo de oportunidad ( deploracin)
Para un problema de maximizacin

Se obtiene la matrz de costo de oportunidad mediante R(di,Sj) = V*(Sj) - V(di,Sj)


V*(Sj) : mayor valor
Se identifica los mximos valores para cada alternativa en la matrz de costo de
oportunidad.

Se elige la mejor decisin aplicando el min (max) a los valores obtenidos

Para un problema de minimizacin

Se obtiene la matrz de costo de oportunidad mediante R(di,Sj) = V(di,Sj) - V*(Sj)


V*(Sj) : menor valor
Se identifica los mnimos valores para cada alternativa en la matrz de costo de
oportunidad.
Se elige la mejor decisin aplicando el max(min) a los valores obtenidos

TOMA DE DECISIONES CON PROBABILIDADES A PRIORI


1. CRITERIO DE PROBABILIDAD MXIMA
Se centra en el estado de la naturaleza con mayor probabilidad.
Procedimiento:
a. Identificar el estado Sj con la probabilidad a priori p(Sj) mayor.
b. Elegir la alternativa de decisin que tiene el mayor pago para este estado de la
naturaleza..
2. CRITERIO DE IGUAL PROBABILIDAD.
Por lo general es difcil tener mucha fe en las probabilidades a priori; por lo tanto se
asume igual p(Sj) a cada estado del modelo.
Procedimiento:
a. Para cada alternativa de decisin calcule el promedio de sus pagos sobre todos los
estados de la naturaleza.
b. Seleccione la alternativa con el mayor pago promedio.
3. REGLA DE DECISIN DE BAYES
Utiliza el concepto de valor esperado o esperanza matemtica
Procedimiento:
a. Para cada alternativa de decisin calcule el valor esperado VE(di).
n

VE ( di ) =

j 1

p(Sj) V ( di , Sj )

Donde:
n es el nmero de posibles estados de la naturaleza
p( Sj) es la probabilidad de ocurrencia del estado de la naturaleza Sj.
Las probabilidades correspondientes deben satisfacer las siguientes condiciones:
P( S j ) 0 para todos los estados de la naturaleza.
n

j 1

p(Sj) = p (S1) + p(S2) + + p(Sn ) = 1

b. Seleccione la alternativa con el mayor valor esperado


ANALISIS DE SENSIBILIDAD

Considera como los cambios en las estimaciones de las probabilidades para los
estados de la naturaleza pueden afectar la decisin que se recomienda.
El anlisis de sensibilidad se puede realizar considerando probabilidades
diferentes para los estados de la naturaleza y despus volver a calcular el VE de
cada alternativa de decisin ; repitiendo este proceso se observa la forma en que
los cambios en las probabilidades afectan la decisin recomendada.
Para el caso con dos estados de la naturaleza , se puede realizar un anlisis de
sensibilidad utilizando un procedimiento grfico; para ello se le asigna:
p(S1) = p

p( S2) = ( 1 p )

Luego se evala el VE(di) ; graficando estas ecuaciones lineales en:


VE
VE (di )
p

En el grfico se realiza el anlisis correspondiente , establecindose los rangos de


variacin de p y las modificaciones de las decisiones recomendadas.
VALOR ESPERADO DE LA INFORMACION PERFECTA (VEdeIP)
Si existe la posibilidad de llevar a cabo un estudio de investigacin de mercado para
obtener la informacin perfecta , se puede realizar siempre en cuando no supera el
valor de la informacin perfecta.

VEdeIP = VEconIP - VE*


n

VEconIP = j 1 p(Sj) . ( mejor valor en Sj)


VE*: Mejor valor esperado

PROBLEMA 1
La compaa Transporandes ubicada en Huacho, tiene solicitudes para transportar dos
remesas , una al Callao , y otra a Lima. Debido a un problema de programacin
Transporandes puede aceptar solamente uno de esos trabajos . El cliente del Callao ha
garantizado un envo de regreso, pero el de Lima no. Por tanto si Transporandes acepta el
embarque de Lima y no puede encontrar un embarque de regreso de Lima a Huacho, el
camin regresa vaco . La tabla que muestra las utilidades es la siguiente.
Remesa a
Callao
Lima

d1
d2

Envo de regreso de Lima.


S1
2000
2500

No hay envo de regreso de Lima


S2
2000
1000

a. Si la probabilidad de lograr un envo de regreso de Lima es 0.4 , Qu debe hacer


Transporandes?.
b. Aplique un anlisis de sensibilidad grfico para determinar los valores de probabilidad
del estado de la naturaleza S1 para que d1 tenga el mayor valor esperado.
c. Halle el valor de la informacin perfecta. Que comentario le merece.

PROBLEMA 2
Considere un problema de anlisis de decisin cuyas utilidades (en miles de dlares ) estn
dados por la siguiente matriz de resultados :
Estados de la naturaleza

Alternativas
de decisin

Probabilidad a priori

A1

S1
80

S2
25

A2

30

50

A3

60

40

P(Sj)

.40

.60

a.
b.
c.
d.

Qu alternativa debe elegirse segn el criterio de probabilidad mxima?.


Qu alternativa debe elegirse segn el criterio de igual probabilidad ?.
Qu alternativa debe elegirse segn la regla de decisin de Bayes?.
Realice un anlisis de sensibilidad grfico respecto a la probabilidad a priori para
determinar los puntos de cruce donde cambia la decisin de una alternativa a otra.
e. Halle el valor de la informacin perfecta. Que comentario le merece.

PROBLEMA 3

Un procesador de alimentos est considerando corridas diarias de produccin de 100;


200 y 300 cajas . las posibles demandas para el producto son 100 y 300 cajas . La
matriz de utilidades se muestra a continuacin
Demanda

PRODUCCIN

100
200
300

d1
d2
d3

100
S1
500
-400
-1000

300
S2
-100
700
1600

Determine la decisin recomendable empleando los mtodos optimista; conservador


y deploracin.
Trace un rbol de decisin para este problema.
Si P ( S1)=0,4 . Cul es la mejor decisin a tomar?.
Hallar el valor esperado de la informacin perfecta.
Realice el anlisis de sensibilidad e interprete sus resultados.

PROBLEMA 4
Se presenta en seguida la tabla de resultados que muestra las utilidades para un problema de
decisin con dos estados de la naturaleza y tres alternativas de decisin:

d1
d2
d3

S1
15
10
8

S2
10
12
20

Determine la decisin recomendable empleando los mtodos optimista; conservador


y deploracin.
Trace un rbol de decisin para este problema.
Si P ( S2)=0,3 . Cul es la mejor decisin a tomar?.
Hallar el valor esperado de la informacin perfecta.
Realice el anlisis de sensibilidad e interprete sus resultados.

MODELO DE DECISIONES CON PROBABILIDADES A POSTERIORI

USO DE NUEVA INFORMACIN PARA ACTUALIZAR


PROBABILIDAD
Las probabilidades a priori de los estados de la naturaleza , con frecuencia son de
naturaleza subjetiva , de modo que pueden ser slo estimaciones burdas de las
verdaderas probabilidades . Por fortuna muchas veces es posible hacer pruebas o
sondeos adicionales ( a cierto costo ) para mejorar estas estimaciones. Estas
estimaciones mejoradas se llaman probabilidades a posteriori.
ANALISIS BAYESIANO
Se combina los datos previos ( probabilidades a priori) con datos muestrales o de
prueba, utilizando la frmula desarrollada por BAYES.
Con frecuencia lo TD tienen estimaciones preliminares o previas de las
probabilidades de los estados de la naturaleza p( Sj).
Sin embargo a fin de adoptar la mejor decisin ; es posible que el TD pretenda
obtener informacin adicional sobre los estados de la naturaleza con el
propsito de actualizar las probabilidades previas. A la nueva informacin se le
llama INFORMACION MUESTRAL.
A la informacin nueva combinada con la probabilidad previa mediante el
procedimiento BAYESIANO se le llama probabilidad posteriori o modificada.
A la nueva informacin se le llama indicador (Ik ) o informacin muestral.
Para el proceso bayesiano se utiliza:
P( Ik / Sj) probabilidad condicional que indica que ocurre Ik dado que ocurrio Sj
que por lo general se conoce por datos histricos.
p( I K / S j ) p( S j )

Segn la ley de BAYES


Donde:

p(Sj / IK) =

p( I K )

p( IK ) =

j 1

p(IK/ Sj) p ( Sj ).

El anlisis Bayesiano se puede realizar en un rbol de decisin.


Un rbol de decisin proporciona una grfica de la progresin de las decisiones
Y los eventos aleatorios.

P (Sj / IK)
di
p( IK)

VALOR ESPERADO DE LA INFORMACION MUESTRAL ( VEIM)


VE deIM = [ Valor ptimo esperado con la informacin muestral ] [Valor ptimo
esperado sin informacin muestral ]
El valor ptimo esperado con informacin muestral se obtiene previo anlisis en el
rbol de decisin.
EFICIENCIA DE LA INFORMACION MUESTRAL

E = VE deIM / VE deIP

Para valores de E bajos es recomendable buscar otros tipos de informacin.


Para E altos la informacin muestral es casi tan buena como la informacin
perfecta.

UTILIDA Y PREFERENCIA EN LA TOMA DE DECISIONES

Existen situaciones en las que la alternativa de decisin con el mejor valor monetario
esperado no es la decisin ms deseable. Se entiende por decisin ms deseable la que
prefiere adoptar el decisor considerando no solo el valor monetario si no tambin muchos
otros factores, como la posibilidad de obtener una ganancia enorme o de incurrir en una
perdida muy grande. Son numerosos los ejemplos. Existen casos donde en los que elegir la
alternativa de decisin con el mejor valor monetario esperado puede no conducir a la
eleccin de la alternativa preferible en estas circunstancias se debe expresar el valor de un
resultado en trminos de utilidad y luego obtener la utilidad esperada para identificar la
decisin ms deseable; siendo aquella que tenga la mayor utilidad esperada .
UTILIDAD ESPERADA UE(di)
El procedimiento que se sigue para obtener la utilidad esperada de una decisin es:
Se asigna en primer lugar un valor utilitario a los posibles resultados mejor y peor
de las situaciones de decisin. Cualquier valor funciona, siempre y cuando la
utilidad que se asigne al mejor resultado sea mayor que la que se asigna al peor.

U [min(di ; Sj)] = 0
U[max(di ; Sj)] = 10
Se determina luego la utilidad correspondiente a cada uno de los resultados V(d i ;
Sj) restantes.
U(di ; Sj) = p. U[max(di ; Sj)] +(1-p). U [min(di ; Sj)]
= 10p
Donde p es la preferencia que tiene el decisor al max(d i ; Sj) respecto al V(di ;
Sj).
Obtenindose la siguiente tabla:
di
d1
d2
.
.
.

S1
U(d1;S1)
U(d2;S1)
.
.
.

S2
U(d1;S2)
U(d2;S2)
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

SN
U(d1;SN)
U(d2;SN)
.
.
.

dm
P(Sj)

U(dm;S1)
P(S1)

U(dm;S2)
P(S2)

.
.

.
.

.
.

U(dm;SN)
P(SN)

La utilidad esperada se obtiene mediante:


N

UE ( d i) = p ( S j) U (d i ; S j)
j=1

La decisin elegida ser aquella con el mejor UE(di )


Determinar la utilidad requiere de cierta subjetividad por parte del decisor; esto
significa diferentes decisores pueden tener funciones de utilidad distintas.

PROBLEMAS
1. La empresa constructora ctx est realizando una encuesta que le ayudar a evaluar la
demanda de su nuevo complejo de condominio . El cuadro de resultados ( utilidades )
de la ctx es como sigue:

Alternativas
de decisin

Estados de la naturaleza
Media
Alta
S2
S3
400
400

Pequea

d1

Baja
S1
400

Mediano

d2

100

600

600

Grande

d3

-300

300

900

.20

.35

.45

P(Sj)

La encuesta dar como resultado tres indicadores de la demanda : dbil (I1) , promedio
(I2) , y fuerte ( I3) en donde las probabilidades condicionales son las siguientes:
I1
S1
S2
S3

.6
.4
.1

P(Ik/Sj)
I2
.3
.4
.4

a. Cul es la estrategia ptima de la empresa.


b. Cul es el valor de la informacin muestral.
c. Cul es la eficiencia de la informacin de la encuesta.

I3
.1
.2
.5

2. La empresa TV.H est evaluando la posibilidad de fabricar un episodio piloto destinado


a una serie de programas para una importante red de televisin . La red podra rechazar
el programa piloto y la serie , pero tambin es posible que adquiera el programa para
uno o dos aos . La TV.H puede decidir fabricar el programa o transferir los derechos
de la serie a un competidor por $ 100 000 . En el siguiente cuadro de resultados se
resumen las utilidades:

Fabricar el
producto piloto
Vender al
competidor
P(Sj)

d1

Estados de la naturaleza
Rechazar
1 ao
-100
50

d2

100

100

.2

.3

.5

2 aos
150
100

Segn un honorario por consultora de $ 2 500 una agencia revisara los planes de la
serie de televisin e indicara las probabilidades globales de que la red reaccione de
manera favorable ante la serie . Si la revisin especial de la agencia da como resultado
una evaluacin favorable ( I1) o una evaluacin desfavorable ( I 2), Cul debe ser la
estrategia de decisin de la empresa?. Si la probabilidades condicionales son
evaluaciones realistas de la agencia:
P(I1/S1) = .3
P(I1/S2) = .6
P(I1/S3) = .9

P(I2/S1) = .7
P(I2/S2) = .4
P(I2/S3) = .1

a. Elabore el rbol de decisiones para este problema.


b. La informacin vale el honorario por consultora de $ 2 500 ?.
c. Cunto es lo mximo que la TV.H debe estar dispuesta apagar por la consultora?.
3. Una Empresa tiene tres alternativas de inversin. La tabla de resultados y las
probabilidades correspondientes son las siguientes:
Condiciones econmicas
Suben
Estables
Bajan
Inversiones x
d1
100
25
0
$1000
d2
75
50
25
d3
50
50
50
probabilidades
.40
.30
.30
a. Utilizando el mtodo de valor esperado qu decisin se prefiere?.
b. Para las siguientes probabilidades de indiferencia:
Utilidades (ganancia)
$75 000
$50 000

Probabilidad de indiferencia
Decisor A
Decisor B
.80
.60
.60
.30

$25 000

.30

.15

Obtenga la decisin preferible para cada tomador de decisiones utilizando el mtodo


de la utilidad esperada.
c. Por qu no eligen la misma alternativa de decisin los dos tomadores de decisiones
A y B?

TEMA 6. MODELO DE PROGRAMACIN NO LINEAL (MPNL)


La programacin no lineal analiza modelos matemticos del entorno real en donde
la funcin objetivo f(x) o las restricciones g(x) (o ambas funciones) son funciones no
lineales. Los algoritmos para resolver estos modelos de optimizacin dependen de la
naturaleza de la funcin objetivo y de las restricciones.
El concepto de gradiente es muy til para hallar la solucin ptima de este modelo.
GRADIENTE ( nabla)
El gradiente es un vector cuyas componentes son derivadas parciales de la funcin f(x)
f ( x) f ( x )
f ( x)
,
, ... ,
x1 x2
xn
f ( x )=
MULTIPLICADORES DE LAGRANGE
Los multiplicadores de Lagrange, es un procedimiento para encontrar
los mximos y mnimos de funciones de mltiples variables sujetas a
restricciones. Este mtodo reduce el problema restringido con n
variables a uno sin restricciones de n + k variables, donde k es igual al
nmero de restricciones, y cuyas ecuaciones pueden ser resueltas ms
fcilmente. Estas nuevas variables escalares desconocidas, una para
cada restriccin, son llamadas multiplicadores de Lagrange. El mtodo
dice que los puntos donde la funcin tiene un extremo condicionado con
k restricciones, estn entre los puntos estacionarios de una nueva
funcin sin restricciones construida como una combinacin lineal de la
funcin y las funciones implicadas en las restricciones, cuyos
coeficientes son los multiplicadores.

Los multiplicadores de Lagrange se pueden utilizar para resolver el MPNL en los que las
restricciones son restricciones de igualdad.
Considere el MPNL:
Max(min)z=f(x1,x2,,xn)
S.a:
g1(x1,x2,,xn) = b1
g2(x1,x2,,xn) = b2
.
.
.
gm(x1,x2,,xn) = bm
La funcin de Lagrange para resolver el sistema es:

bigi
i
L(x1,x2,,xn, 1, 2,, m)=f(x1,x2,,xn)+ i=m
x1,x2,,xn)]

i=1

I.1. MODELOS CON UNA VARIABLE DE DECISIN SIN RESTRICCIONES


Son modelos que representan situaciones de sistemas donde la funcin objetivo representa
modelos no lineales y para su solucin se pueden utilizar los conceptos de mximo o
mnimo de una funcin para obtener los mximos y mnimos locales y globales de la
funcin.
Para la solucin del modelo se puede considerar la siguiente regla
Regla 1 (Condicin necesaria)
La primera derivada de una funcin de una variable sin restricciones debe ser igual a cero
en sus puntos mximos locales y mnimos locales.

Regla 2 (Condicin suficiente)


Si se satisface la regla 1 en un punto, y:
a. Si la segunda derivada es mayor que cero, entonces el punto es un mnimo local.
b. Si la segunda derivada es menor que cero, entonces el punto es un mximo local.
El procedimiento general para encontrar el mximo o mnimo global para una funcin de
una variable sin restricciones es el siguiente:
Paso 1. Encontrar todos los puntos que satisfagan las reglas 1 y 2.
Paso 2. Si la solucin est restringida a un intervalo especfico, evaluar la funcin en los
extremos del intervalo.
Paso 3. Comparar los valores de la funcin con todos los puntos que se encontraron en los
pasos 1 y 2. El mayor de estos es la solucin global mxima; el menor de ellos es la
solucin global mnima.
CASO
Una clnica est interesada en redisear su sistema de atencin a sus pacientes con el
propsito de maximizar el nmero de personas(N) que pueden beneficiarse de sus servicios
al ao.
Con base en algunos estudios recientes se sabe en la clnica que el tiempo de tratamiento
promedio (T) por paciente es funcin del nmero de pacientes (P) que la clnica trata en
forma simultnea.
La siguiente funcin describe la forma en la que el nmero de pacientes residentes afecta el
tiempo de recuperacin o tiempo de tratamiento:
T=

45
180P

Donde el nmero total de pacientes en tratamiento al ao est dado por


CASO 2. Min f(x) = x3-6x2+50

N=

P
T

; 0x5

I.2. MODELOS DE PROGRAMACIN LINEAL CON MAS DE UNA VARIABLE DE


DECISIN Y SIN RESTRICCIONES.

Existen diversas situaciones en las se pueden desarrollar modelos matemticos no


lineales que tienen dos o ms variables de decisin.
Para la solucin del modelo con dos variables se puede considerar la siguiente regla:
Regla 1 (Condicin necesaria)
Las dos derivadas parciales de una funcin sin restricciones, de dos variables, deben ser
iguales a cero en cualquier punto que sea mnimo local o mximo local.
Regla 2 (Condicin suficiente)
Si se satisface la regla 1 en el punto (x1: x2) y:
2

a. Si

f
>0
2
x1

2 f
2
x1

2 f
2 f

>0
2
x1 x2
x2

( )( ) (

entonces el punto es de un mnimo local


b. Si

2 f
<0
x 21
2

( )( ) (
f
2
x1

f
f

>0
2
x1 x2
x2

entonces el punto es de un mximo local


2 f 2 f
2 f

<0
c.
2
2
x1 x2
x1 x2
mnimo local.

( )( ) (

; entonces el punto no es de mximo local ni de

El procedimiento general para encontrar el mximo o mnimo global para una


funcin de dos variable sin restricciones es el siguiente:
Paso 1. Encontrar los mximos o mnimos locales.
Paso 2. Elegir el mayor mximo local o el menor mnimo local que ser el mximo
o mnimo global.
CASO

Una empresa fabrica dos tipos de podadora una con asiento y motor (2) y la otra
manual (1). A la empresa le interesa establecer una poltica de precios para las dos
podadoras que maximice las utilidades para la lnea de productos.
Despus de estudiar las relaciones entre los precios de venta y las cantidades
vendidas se han establecido las siguientes expresiones:
q1 = 95 2p1 + 0.7p2 y q2 = 188 +0.3p1 - 0.5p2
q1: nmero de podadoras manuales en millares
q2: nmero de podadoras con motor en millares
p1: precio de las podadoras manuales en dlares
p2: precio de las podadoras con motor en dlares.
Otra informacin adicional, es la que se refiere al costo total de fabricacin de cada
podadora:
c1 = 100 + 90q1 y c2 = 50 + 250q2
c1: costo total de fabricar q1 en miles de dlares
c2: costo total de fabricar q2 en miles de dlares.
I.3. MODELOS CON RESTRICCIONES DE IGUALDAD: MULTIPLICADORES DE LAGRANGE

El modelo general que representa a estos problemas que implican la maximizacin o


minimizacin de una funcin con dos variables sujeta a una restriccin de igualdad es:
Max(min) f(x1, x2)
Sujeta a:
g(x1, x2)=b.
El mtodo a seguir para la solucin de este modelo es
1. Construir la funcin lagrangiana:
Funcin lagrangiana=L(x1,x2,) = f(x1,x2)+[g(x1,x2)-b]
2. Se halla la condicin necesaria a la funcin lagrangiana esto es hallar las derivadas
parciales respecto a x1, x2 , , igualar a cero y resolver el sistema de ecuaciones que
nos darn los mximos o mnimos lacales.

3. Se halla la condicin suficiente para determinar si los puntos hallados son mximos
o mnimos locales; para ello se reemplaza en la funcin lagrangiana el valor de
hallado anteriormente.
Aplicndose la condicin:
2

d. Si

L
>0
2
x1
2

( )( ) (
L
2
x1

L
L

>0
2
x1 x2
x2

entonces el punto es de un mnimo local


2

e. Si

L
<0
2
x1
2

( )( ) (
L
2
x1

L
L

>0
2
x1 x2
x2

entonces el punto es de un mximo local


4. Se obtiene la funcin ptima reemplazando los valores seleccionados en el paso
anterior.
CASO 1.
Una empresa Agroindustrial ofrece un servicio de fertilizacin de jardines y de
control de hierbas. La empresa est agregando un tratamiento especial de aereacin
como una opcin de servicio con un costo adicional reducido, y espera que ayude a
atraer clientes nuevos. Los administradores estn planeando promover este servicio
a travs de radio y correo directo. Se va a utilizar $2000 en esta campaa
promocional en el siguiente trimestre.
Se ha establecido una estimacin de la relacin entre las ventas y la cantidad que se
invierte en la promocin en estos dos medios:
S=-2 x 2110 x228 x 1 x2 +18 x 1+ 34 x2
En donde:
S: ventas totales en miles de dlares
x1: miles de dlares que se invierten en publicidad por radio

x2: miles de dlares que se invierten en promocin por correo directo


A la empresa busca desarrollar una estrategia de promocin que conduzca a una
maximizacin de las ventas, sujeta a la restriccin contenida en el presupuesto de
promocin.

Caso 2
Supngase que se tiene el siguiente problema de optimizacin con restriccin:
x 21+2 x 228 x 112 x 2 +34

Mn

Sujeta a

x1 +2x2 = 4

I.4. MODELOS CON RESTRICCIONES DE DESIGUALDAD


Existen problemas que conducen a modelos matemticos no lineales que implican dos
variables de decisin y una restriccin de desigualdad. Este tipo de problemas pueden
resolverse utilizando los mtodos anteriores
Mtodo de solucin.
PASO 1
Supones que la restriccin no es limitante y aplicar el procedimiento para modelos sin
restricciones. Si el max(min) global satisface las restricciones detenerse. Y se habr
obtenido la solucin ptima del problema: Si no satisface la restriccin de desigualdad
pasar al paso 2.
PASO 2
Suponer que la restriccin es limitante y aplicar el procedimiento del modelo con
restricciones de igualdad y comprobar si la si la solucin satisface la condicin de
desigualdad; si cumple con esta condicin se habr obtenido la solucin del problema.
CASO 1
Max -2

x 2110 x228 x 1 x2 +18 x 1+ 34 x2

Sujeta a
x1 +x2 2
CASO 2

x 2110 x1 + x 2210 x 2

Min
Sujeta a

x1 +2x2 20

TEMA 7 : TOMA DE DECISIONES CON CRITERIOS MLTIPLES


Se han analizado modelos que pueden aplicarse a problemas que tienen un objetivo, como
el de maximizar utilidades o minimizar costos. Sin embargo en el mundo real , se
consideran problemas con objetivos mltiples en forma simultnea ; por ejemplo en la
ubicacin de una nueva planta sus objetivos pueden ser: maximizar utilidades, maximizar la
participacin en el mercado, minimizar costos de terreno; etc. por lo tanto es necesario
utilizar tcnicas que permitan evaluar estos criterios mltiples para llegar a la mejor
decisin global ; para ello se consideran las siguientes tcnicas.
1. PROGRAMACIN DE METAS (PM).
2. PROCESO ANALTICO DE JERARQUAS ( PAJ ).
PROGRAMACIN META (PM )

Este tcnica permite manejar situaciones con criterios mltiples, dentro de la estructura
general de la programacin lineal.
Un factor clave que diferencia la PM de la lineal es la estructura y la funcin objetivo.
En la PL se incorpora una meta en la funcin objetivo, mientras que en la PM se
incorporan muchas metas. Esto se logra expresando la meta en forma de restriccin,
incluyendo una variable de desviacin para reflejar la medida en que se llegue o no a
lograr la meta , e incorporando esa funcin en la funcin objetivo.
En la PL el objetivo es MAX MIN; en tanto que en la PM el objetivo es minimizar las
desviaciones de las metas especificadas ( Todos los problemas de PM son de MIN ).
Dado que se minimizan las desviaciones del conjunto de metas, un modelos de PM
puede manejar metas mltiples con dimensiones o unidades de medidas distintas.
Si existen metas mltiples puede especificarse una jerarquizacin ordinal o prioridades.
PROCEDIMIENTO
1. Identificar las metas y nivel de prioridades.

2. Definir las variables de decisin.


3. Plantear las restricciones.

Restriccin del sistema(duras).


Restricciones metas ( suaves) ; ( se incluyen las variables de desviacin d )
d+ : por encima de la meta.
d- : por debajo de la meta.

4. Plantear la funcin objetivo ( MIN: d+ d- ).


5. Solucin del modelo.

PROBLEMAS
1. Una empresa produce dos adhesivos que se utilizan en el proceso de manufactura de
aviones. Los adhesivos, que tienen diferente adherencia , requieren de distintos tiempos
de produccin : el adhesivo IC100 requiere de 20 minutos por galn de producto
terminado, y el IC200 utiliza 30 minutos por galn. Ambos productos emplean una libra
de una resina rpidamente perecedera para cada galn de producto terminado. Existen
300 libras de la resina en inventario y se puede obtener una mayor cantidad si es
necesario. Sin embargo debido a la vida til del material se descarta cualquier cantidad
que no se utilice en las dos semanas siguientes.
La empresa tiene pedidos existentes para 100 galones de IC100 y 120 galones de
IC200. En condiciones normales , el proceso de produccin opera 8 horas al da , 5 das
a la semana . Los administradores pretenden programar la produccin para las dos
semanas siguientes con el objeto de lograr las siguientes metas:
Meta con nivel de prioridad 1
Meta 1: Evitar la subutilizacin del proceso de produccin.
Meta 2 : Evitar el tiempo extra en exceso de 20 horas por las dos semanas.
Meta con nivel de prioridad 2
Meta 3 : satisfacer los pedidos existentes para el adhesivo IC100.
Meta 4 : Satisfacer los pedidos existentes para el adhesivo IC200.
Meta con nivel de prioridad 3
Meta 5 : Utilizar toda la resina disponible.
Plantee un modelo de programacin de metas para este problema. Suponga que tanto
las metas de nivel de prioridad 1 como las metas con nivel de prioridad 2 tienen la
misma importancia.
2. Una financiera debe desarrollar una cartera de inversin para un cliente nuevo. Como
estrategia inicial al cliente le interesa restringir la cartera a una combinacin de las dos
siguientes acciones:
Accin

Precio por accin

Rendimiento anual

A
B

estimado
6%
10%

$50
$100

El cliente tiene $ 50 000 para inversin y ha establecido las dos siguientes


combinaciones de inversin:
Meta con nivel de prioridad 1
Meta 1 : Obtener un rendimiento anual de cuando menos 9%
Meta con nivel de prioridad 2
Meta 2: Limitar la inversin en B , la inversin mas riesgosa , a cuando mucho el 60%
de la inversin
Total.
Plantee un modelo de programacin de metas para esta financiera.
TEMA 8 : PROCESO ANALTICO DE JERARQUAS ( PAJ )
Permite la inclusin de factores subjetivos para llegar a la decisin que se recomienda. En
este mtodo el decisor debe formular juicios respecto a la importancia relativa de cada uno
de los criterios de decisin , y despus especifica su preferencia respecto a cada una de las
alternativas de decisin y respecto a cada criterio ; el resultado es una jerarquizacin con
prioridades que indica la preferencia global segn cada alternativa de decisin.
PROCEDIMIENTO
1. Desarrollo de jerarquas.
META GLOBAL

CRITERIOS
ALTERNATIVAS

A
B
.
.

A
B
.
.

A
B
.
.

A
B
.
.

2. Elaboracin de la matriz de comparaciones pareadas.


3. Sintetizacin.
Vector de prioridades.
4. Jerarquizacin global.
PRUEBA DE CONSISTENCIA
Evala la calidad de las comparaciones pareadas mediante la relacin de consistencia (RC).
RC = IC / IA ; si RC 0.10 ; se considera un nivel de consistencia aceptable.

El ndice aleatorio ( IA ) depende del nmero de elementos que se comparan (Tabla).


n
IA

3
0.58

4
0.90

5
1.12

6
1.24

7
1.32

8
1.41

El ndice de consistencia ( IC ) se obtiene mediante:


IC = ( mx - n ) / ( n - 1 )
Para hallar mx : 1. Se halla el vector suma ponderada.
2. Se divide los elementos del vector suma ponderada
entre el correspondiente valor de prioridad.
3. mx es el promedio de (2).

PROBLEMAS
1.

Un estudiante est considerando para fiestas patrias la adquisicin de una computadora y ha


considerado tres criterios qu varan en trminos de precio(P) , capacidad (Q) y presentacin (F).
Despus de realizar el anlisis correspondiente cuenta con las siguientes matrices de comparaciones
pareadas.

Criterio P
P
1
Q
F

Q
3
1

F
4
3

Precio
A
B
C

A
1

B C
4 2
3

Calidad A B C
A
1
B
2
C
4
3

Forma
A
B
C

A
1

B C
4
2
1

a.
b.
c.

Represente la jerarqua para este problema y calcule las prioridades para cada una de las matrices.
Determine la prioridad global e indique la decisin a tomar.
Evale la consistencia para la matriz de calidad.

2.

Un Ingeniero est considerando la adquisicin de un automvil y ha considerado tres criterios qu


varan en trminos de precio(P) , consumo de combustible (Q) comodidad (F) y estilo (G). Despus
de realizar el anlisis correspondiente cuenta con las siguientes matrices de comparaciones pareadas.

Criterio
P
Q
F
G

P
1
1/3
1/2

Estilo (G)
A
B
C
d.
e.

Q
3
1
4
4

F G
Precio
2 2
A
1/4 1/4
B
1
1/ 2
C
2
1

1
3

1/3
1
1/7

4
7
1

A B C
1 1/3 1/4
3 1 1/2
4 2 1

(Q) A B
A 1
B 4 1
C 6 3

C
1/6
1/3
1

( F) A
B C
A 1
2
8
B
1
6
C 1/8 1/6 1

Represente la jerarqua para este problema y calcule las prioridades para cada una de las matrices.
Determine la prioridad global e indique la decisin a tomar.

f.

Evale la consistencia para la matriz de combustible.

TEMA 9 : PROGRAMACIN DINMICA


Tcnica que soluciona modelos matemticos de gran magnitud, descomponindolos en
sub-modelos (etapas).
Integra la solucin ptima de los sub modelos mediante una funcin recursiva.
No cuenta con una formulacin matemtica STANDARD. C/Problema tiene su
algoritmo especfico.
El comportamiento de los parmetros de cada etapa pueden ser determinstico o
probabilstico; teniendo en cuenta este comportamiento los modelos de Programacin
Dinmica pueden ser Determinsticos y Probabilsticos.

Max z = 2x1 + x2
St: x1 + 3x2 < 12

Max z = 4x1 + x2
St: x1 + 3x2 < 18

Max z = 2x1 + 5x2


St: x1 + 3x2 < 20

Max z = x1 + x2
St: x1 + 3x2 < 14

PROCEDIMIENTO GENERAL
1. Identificar las etapas.
2. En cada etapa identificar

d n : Variable de decisin
x n: variable de estado

fn

x n+1
Funcin recursiva

r n: rendimiento resultado
x n : Situacin actual antes de tomar la decisin
d n : Decisin a tomar en cada etapa.
r n : Contribucin en cada etapa ( Utilidad, costo, etc. ) .
r n = f (x n , d n )
f n : Integra la solucin ptima de una etapa con otra
f n (s) = r n + f * n+1
s : estado
n : etapa
3. Se resuelven los sub modelos empezando por el fin.

PROBLEMAS
1. Una empresa de caudales tiene que llevar dinero desde una entidad bancaria hasta una
empresa para pagar a sus trabajadores; pero existen serios peligros en el trayecto de ser
asaltados. En la figura se muestran las posibles rutas para viajar desde el banco ( 1 ) a la
empresa ( 10 ) y en cada arco el riesgo de una calle a otra ( c ij ). La empresa esta
preocupada por la seguridad del dinero y le encarga al gerente de operaciones obtener la
ruta ptima a seguir.

6
3

6
2

4
6

10

4
4

1
4

2. En una empresa se han desarrollado pronsticos de la demanda para un producto


determinado y para un cierto nmero de periodos , y que se deseara decidir sobre la
cantidad que se debe fabricar en cada uno de esos periodos para satisfacer la demanda a
un costo mnimo. Existen dos costos que es necesario considerar: costos de produccin

y costos de tenencia de inventario. No se consideran los costos de preparacin en cada


periodo. Se permiten que los costos de produccin y tenencia de inventario varan de un
periodo a otro. Los datos del problema se dan en la siguiente tabla:
MES

DEMANDA

CAPACIDAD DE
PRODUCCION

CAPACIDAD
DE ALMACEN

COSTO DE PRODUCCION
POR UNIDAD

COSTO DE TENENCIA POR


UNIDAD

ENER.
FEBR.
MARZ
.

2
3
3

3
2
3

2
3
2

$175
150
200

$30
30
40

Considere el inventario inicial de Enero de 1 unidad.

3. Una empresa tiene un problema de produccin y control de inventarios para un


componente que la empresa fabrica para un generador elctrico . Los datos disponibles
para el siguiente periodo de planeacin de 3 meses son los que se presentan en seguida.
MES

Demanda

Capacidad de
produccin

Capacidad de
almacn

1
2
3

20
30
40

30
20
30

40
30
20

Costo de
produccin por
unidad
$ 2.00
1.50
2.00

Costo de tenencia
por unidad
$0.30
0.30
0.20

Utilizando el mtodo de programacin dinmica , obtenga las cantidades de produccin y los niveles
de inventario ptimos en cada periodo para esta empresa . Supngase que se tiene un inventario
inicial de 10 unidades el principio del mes 1 y que las corridas de produccin se llevan a cabo en
mltiplos de 10 unidades, ( es decir, 10 , 20 o 30 unidades ).

4. El jefe de produccin de una empresa debe hacer una seleccin ptima quincenal de
tareas que se debe procesar durante el siguiente periodo de dos semanas ( 10 das ) para
ello cuenta con la informacin que se muestra en la tabla. Cul es la seleccin ptima .
TAREA

Nde tareas que se procesarn

Categora 1
Categora 2
Categora 3
Categora 4

4
3
2
2

Tiempo estimado de
terminacin por tarea (das)
1
3
4
7

Calificacin(valor)
2
8
11
20

5. Considere que se carga un barco con N artculos i que tienen un peso wi y un valor
vi ( i = 1,2,,N )
El peso de carga mnima es W.

Se requiere determinar la cantidad de carga mas valiosa sin que se exceda al peso mximo
disponible en el barco.
Especficamente, consider el caso siguiente de tres artculos y suponga que W = 5.
i
1
2
3

wi
2
3
1

Vi
65
80
30

TEMA 10 : PROCESO DE MARKOV.


Familia de modelos dinmicos que son estocsticos y dependientes del tiempo.
Se utiliza para describir diversas situaciones.
Buscan determinar en forma secuencial las probabilidades de ocurrencia de eventos.
TERMINOLOGIA:
Estado : Condiciones iniciales y finales del proceso de Markov.
Ensayo: Ocurrencias repetidas del evento que se estudia.
Probabilidad de Transicin : Probabilidad de pasar de un estado actual al siguiente.
CADENA DE MARKOV:
Proceso de Markov que presenta las restricciones:
1. Existe un nmero finito de estados.
2. Las probabilidades de transicin son constantes.
MODELO MATEMATICO
Notacin:
pij : Probabilidad de cambiar del estado i al estado j.
P : Matriz formada por los valores de pij (Matriz de transicin).
Si(t) : Probabilidad de encontrarse en el estado i en el periodo t.
S(t) : Vector de probabilidad de estado en el periodo t.
Planteamiento:
Si(t) + S2(t) ++ Sn(t) = 1
pi1 + pi2 + + pin = 1

n estados .

La transicin de un periodo al siguiente se expresa como :


S(t + 1 ) = S( t) P

Para el primer periodo :

S ( 1 ) = S (0 ) P

Para el segundo periodo : S ( 2 ) = S ( 1 ) P = S ( 0 ) P2


En general

:
S ( t ) = S ( 0 ) Pt

Por la condicin de estado estacionario:

S = S(t+1)=S(t)
Donde S : vector de probabilidad de estado estacionario que es el
mismo sin importar el periodo.

S=SP

Es decir el vector de estado estacionario sigue siendo igual despus de la transicin de una
etapa.
RESUMEN
El desarrollo de las cadenas de Markov dada una matriz de transicin de una etapa P = [Pij]
y un vector de estado para el periodo t , S ( t ) esta dado por:
S(t+1)=S(t)P
Y dado que :
S ( t + 1 ) = S ( t )P = S ( t 1 )P2 = = S ( 1 )Pt-1 = S ( 0 ) Pt
Se tiene que :
S ( t ) = S ( 0 ) Pt
Tambin: Puede obtenerse el vector de probabilidades de equilibrio o de estado
estacionario, S , resolviendo el sistema de ecuaciones:
S = SP
m

S
i 1

CADENA DE MARCOV CON ESTADOS ABSORBENTES


Un estado absorbente es aquel que una vez que se alcanza no pueden abandonarse.
Cuando un proceso de Markov tiene estados absorbentes , no se calculan probabilidades de
estados estables; ya que en algn momento, el proceso termina en alguno de los estados
absorbentes. Sin embargo , podra interesar saber la probabilidad de terminar en uno de los
estados absorbentes.

PROBLEMAS
1. Se ha elaborado la siguiente matriz de transicin utilizando datos recopilados en aos
anteriores y referentes a la forma en que los televidentes tienden a cambiar de un canal
a otro, semana a semana para un programa noticiero:
ATV
PANTEL
AMERICA
ATV 0.2
0.4
0.4
PANTEL 0.3
0.3
0.4
AMERICA 0.2
0.2
0.6
a. Trace el diagrama de rbol de dos periodos para un televidente que vio su noticiero
la ltima semana en PANTEL. Analice sus resultados.
b. Determine la matriz estacionaria.
c. Si la ltima semana 2000 vieron ATV, 5000 PANTEL y 4000 AMRICA. Despus
de 2 semanas cuntos estn observando cada uno de estos programas.
2. La empresa RC arrienda camiones para mudanza . El gerente esta considerando
aplicar un cargo por traslado de camiones , para lo cul a dividido su atencin en la
regin norte, centro y sur. De registros previos se ha determinado que de los camiones
que se rentan cada mes en el norte 20% van a una ciudad del norte, 30 % terminan en el
centro y 50% en el sur; el mismo significado representan los datos de la tabla.
Van

.2
.3
.2

.3
.4
.4

.5
.3
.4

Renta
N
C
S

En este momento 40% de los camiones se encuentran en el norte , 30 % en el centro y


30% en el sur.
El gerente est interesado en saber:

1. Qu proporcin de los camiones se encontrar en cada regin despus de un


mes ?.Despus de 2 meses.
2. Qu proporcin de los camiones estar en cada regin despus de periodo largo ?.

3. La empresa HD tiene dos categoras de antigedad para sus cuentas por cobrar: De 0
a 30 das y de 31 a 90 das. Para lo cual la empresa considera un ensayo de Markov
donde:
Estado 1 : Categora de pagado
Estado 2 : Categora de cuenta incobrable.
Estado 3 : Categora de antigedad de 0 a 30 das.
Estado 4 : Categora de antigedad de 31 a 90 das.
Por datos histricos obtiene:

P=

1 0 0 0
0 1 0 0
.4 0 .3 .3
.4 .2 .3 .1

La empresa est interesada en saber la probabilidad de que la u.m. termine en cada uno
de los dos estado absorbentes.
4. La empresa KLM es propietaria de un vivero con 5000 rboles . En la actualidad
1500 rboles se clasifican como rboles protegidos ( pequeos ) , mientras que los
3500 restantes estn disponibles para su corte . Aunque la mayora de los rboles
que no se cortan en un ao determinado siguen de pie hasta el ao siguiente,
algunos rboles mueren durante ese ao y se les pierde.
La KLM ha considerado esta operacin como un proceso de Markov, con periodos
anuales, se definen los cuatro siguientes estados:
Estado 1 : Cortado y vendido.
Estado 2 : Perdido por enfermedad.
Estado 3 : Demasiado pequeo para corte.
Estado 4 : Disponibilidad para corte pero no cortado y vendido.
La siguiente matriz de transicin resulta apropiada:
1

P =

0
1
0
0
0.1 0.2 0.5 0.2
0.4 0.1 0
0.5

Cuntos de los 5000 rboles del vivero se vendern en algn momento dado y
cuantos se perdern?.

TEMA 11 : TEORIA DE JUEGOS


La vida esta llena de conflictos y competencias; las organizaciones empresariales y
los negocios no escapan de estos acontecimientos, algunos ejemplos podran ser:
- Campaas de publicidad entre dos empresas.
- Campaas polticas.
- Etc.
El xito de estas situaciones depende primordialmente de las estrategias seleccionadas
por los adversarios. Una estrategia es una regla predeterminada que especifica por
completo como se intenta responder a cada circunstancia posible en cada etapa de
juego.
En general un juego entre competidores se caracteriza por:
1. Las estrategias de los competidores.
2. La matriz de pago.
Una jugada real consiste en que los jugadores eligen simultneamente sus estrategias
sin conocer la eleccin del oponente.
Por lo general, la matriz de pago se da para el jugador I., ya que del jugador II es
negativo, debido a la naturaleza de la suma cero.
Los casos fundamentales que se pueden presentar se pueden resolver aplicando los
siguientes procedimientos:
1. PUNTO SILLA
La estrategia ptima esta dada por:
En el punto : maximin de la fila = minimax de la columna
2. ESTRATEGIAS DOMINANTES.
Se pueden aplicar para filas y columnas.
3. ESTRATEGIAS MIXTAS.

Se utiliza cuando no existe punto silla ni estrategias dominantes y las estrategias son
2xn mx2.
4. PROGRAMACION LINEAL
Se aplica cuando los competidores tienen mxn estrategias

PROBLEMA 1

Dos polticos que postulan a la presidencia de un pas. En este momento deben hacer
sus planes de campaa para los dos ltimos das antes de las elecciones; se espera que
estos das sean cruciales por ser tan prximos al final. Por esto, ambos quieren
emplearlos para hacer sus campaas en dos ciudades importantes: B y M. Para evitar
prdidas de tiempo , estn planeando viajar en las noches y pasar un da completo en
cada ciudad o dos das en slo una de las ciudades.
Cada poltico tiene un jefe de campaa en cada ciudad para asesorarlo en cuanto al
impacto que tendrn ( en trminos de votos ganados perdidos ) las distintas
combinaciones posibles de los das dedicados a cada ciudad por ellos o por sus opositor.
Ellos quieren emplear esta informacin para escoger su mejor estrategia .
A continuacin se presentan diversas matrices de pago.
II

1
2
3

1
-3
2
5

2
3
-2 6
0 2
-2 -4

II

1
2
3

1
1
1
0

II
2
2
0
1

3
4
5
-1

1
2
1 0 -2
I 2 5
4
3 2
3

3
2
-3
-4

Segn la forma en que se estableci el problema, cada jugador tiene tres estrategias:
1. Pasar un da en cada ciudad.
2. Pasar ambos das en la ciudad A.
3. Pasar ambos das en la ciudad B.
PROBLEMA 2
Dada las siguientes matrices de pago:

a)

b)

1
2

II
2

4
0

3
1

1
2
I

1
2
3
4

II
2

4
-2
2
1

-1
7
0
5

6
-1
3
3

Para la matriz (a) utilice el mtodo de estrategias mixtas para obtener las
estrategias optimas de los competidores.
Para la matriz (b) formule el modelo de programacin lineal para obtener las
estrategias ptimas de los competidores.
TEMA 12: MODELOS DE LINEA DE ESPERA

Poblacin

Cliente

Servicio

Salida

Sistema de LE

Recuerda Ud. la ltima vez que tuvo que esperar ante la caja para pagar su derecho
de matrcula y otros y habr experimentado que el tiempo de espera es molestoso ; este es
un problema que se puede analizar mediante la teora de colas modelos de lnea de espera.
El comn denominador del problema de colas es el costo ocasionado al cliente y al servidor
que tienen correlacin inversa.
La teora de lneas de espera tiene los siguientes objetivos:
- Caracterizar cuantitativa y cualitativamente una fila de espera.
- Determinar los niveles adecuados de ciertos parmetros del sistema , que armonicen el
costo social de la espera con el costo asociado al consumo de recursos.
La cuantificacin de una lnea de espera puede hacerse mediante un anlisis matemtico o
un proceso de simulacin
Se han desarrollado modelos cuantitativos que permiten tomar decisiones ante estos
problemas de lnea de espera. Estos modelos forman relaciones matemticas que pueden
utilizarse para determinar las caractersticas de operacin de una lnea de espera. Alguna de
las caractersticas de operacin que son de inters son:
1. Probabilidad de que no haya unidades en el sistema P0
2. El nmero promedio de unidades en la lnea de espera Lq
3. Numero promedio de unidades en el sistema L
4. Tiempo promedio que una unidad pasa en la lnea de espera Wq
5. Tiempo promedio que una unidad pasa en el sistema W

6. Probabilidad que una unidad que llega tenga que esperar para recibir el servicio Pw
7. Probabilidad de que haya n unidades en el sistema Pn
Los clientes pueden ser: personas, mquinas, documentos; etc.
Los servicios (canales) pueden ser : talleres , cajeros, cabina telefnica; etc.
Teniendo en cuenta las caractersticas particulares de las lneas de espera se pueden
clasificar :
1. Considerando sus canales:
Etapa nica
Mltiples etapas
Canales mltiples
Una sola lnea de espera con canales mltiples
2. Considerando la tasa de llegada y tasa de servicio:
Para ello se utiliza la notacin Kendall: A/B/C
A: distribucin de llegada
B: Distribucin de servicio
C: N de canales
A y B pueden ser: M,D,G
M: Modelo probabilstico
D: Modelo determinstico
G: Modelo general
C puede ser : 1,2,3,,k
3. De acuerdo a la naturaleza de la cola se pueden considerar otros casos.
ANALISIS ECONOMICO DE LINEAS DE ESPERA
Con el propsito de realizar un anlisis econmico de un sistema de lneas de espera , debe
desarrollarse un modelo de costo total, que incluye el costo de espera y el de ofrecer el
servicio.
Para desarrollar el modelo de costos totales para un sistema de lneas de espera , se utiliza
la siguiente notacin:
Cw : Costo de la espera por periodo para cada unidad.
L : nmero promedio de unidades en el sistema .
Cs: costo de servicio por periodo para cada canal.
K : nmero de canales.

CT: costo total por periodo


CT = CwL + CsK

La forma general de las curvas del costo de la espera , del costo del servicio y del costo
total, en modelos de lneas de espera se aprecia en el siguiente grfico:
Costo total
CT

Cw

Cs

K(n de canales)
MODELO M/M/1
Restricciones :
- La lnea de espera tiene un solo canal.
- El patrn de llegada sigue una distribucin probabilstica de Poisson.
- Los tiempos de servicio siguen una distribucin probabilstica exponencial.
- La disciplina de la lnea de espera es Primero que Llega, Primero que se atiende
(PLPA).
Notaciones: nmero promedio de llegada por periodo(tasa promedio de llegada).
nmero promedio de servicio por periodo(tasa promedio de servicio).
Las caractersticas de este modelo se pueden utilizar las siguientes ecuaciones:
1. Probabilidad de que no haya unidades en el sistema.

P0 1

2. Nmero promedio de unidades en la lnea de espera(largo de la fila).

2
Lq
( )

3. Nmero promedio de unidades en el sistema ( largo total ).

L Lq

4. Tiempo promedio que una unidad pasa en la lnea de espera.

Wq

Lq

5. Tiempo promedio que una unidad pasa en el sistema.

W Wq

6. Probabilidad que una unidad que llega tenga que esperar para obtener el servicio(factor
de utilizacin).

Pw

7. Probabilidad que haya n unidades en el sistema.


n


Pn P0

Para utilizar estas ecuaciones se debe tener que: >


MODELO M/M/k
Restricciones:
- La lnea de espera tiene dos o ms canales.
- Tiene llegadas tipo Poisson.
- El patrn de servicio es de tipo exponencial.
- es lo mismo para todos los canales.
- Las unidades que llegan aguardan en una sola lnea de espera y despus pasan al primer canal abierto
para obtener el servicio.
- La disciplina de la fila es (PLPA)
Notacin:
tasa promedio de llegadas para el sistema.
tasa promedio de servicio para cada canal.
K nmero de canales.
Las frmulas son aplicables para k >
Las ecuaciones para este modelo son:
1. Probabilidad de que no haya unidades en el sistema.

P0

1
k 1
( / )
( / ) k

n0
n!
k!
n

2.

Nmero promedio de unidades en la lnea de espera.

3.

Nmero promedio de unidades en el sistema.

( / ) k
Lq
P0
( k 1)! (k ) 2

L Lq
4.

Tiempo promedio que cada unidad pasa en la lnea de espera.

Wq
5.

Lq

Tiempo promedio que una unidad pasa en el sistema.

W Wq
6.

Probabilidad de que una unidad que llega tenga que esperar.

1
Pw
k!

k
P0
k

7. Probabilidad de que haya n unidades en el sistema

Para n k

Para n > k

( / ) n
Pn
P0
n!
( / ) n
Pn
P0
k! k ( n k )

MODELO M/G/1

tasa promedio de llegadas para el sistema.

tasa promedio de servicio para cada canal.


1/ tiempo promedio de servicio.

desviacin estndar del tiempo de servicio.


Las ecuaciones que se utilizan en este caso son :
Notacin:

1. Probabilidad de que no haya unidades en el sistema.

P0 1

2. Nmero promedio de unidades en la lnea de espera.

2 2 ( / ) 2
Lq
2(1 / )

3. Nmero promedio de unidades en el sistema.

L Lq

4. Tiempo promedio que una unidad pasa en la lnea de espera.

Wq

Lq

5. Tiempo promedio que una unidad pasa en el sistema.

W Wq

6. Probabilidad de que una unidad que llega tenga que esperar.

Pw

MODELO M/G/K SIN LINEA DE ESPERA.


Restricciones:
-

El sistema tiene k canales.


La llegada es tipo Poisson.
Los tiempos de servicio para cada canal pueden tener cualquier distribucin de
probabilidad.
La tasa promedio de servicio es la misma para todo los canales.

Una de las principales aplicaciones de este modelo se refiere al diseo de sistemas


telefnicos, u otros sistemas de comunicacin. Cuando todos los canales estn ocupados ,
las llamadas adicionales reciben una seal ocupado y no se le permite el acceso al
sistema.
En este caso se evala la probabilidad de que exactamente j de los k canales estn
ocupados para j = 0, 1,2,,k.
Este calculo se realiza mediante :

Pj

( / ) j / j!
k

( / )

/ i!

i 0

Es posible qu el calculo mas importante sea P k , que es la que todos los canales estn
ocupados.

Otra caracterstica que interesa en este caso es el promedio de unidades que se encuentran
en el sistema, y esta evaluacin se lleva a cabo mediante:

(1 Pk )

MODELO M/M/1 CON POBLACION DEMANDANTE FINITA.


En este caso N es el tamao de la poblacin .
Restricciones:
- Tiene un solo canal.
- Poblacin a ser atendida finita.
- Llegada tipo Poisson.
- Tasa de servicio exponencial.
- Disciplina de de cola PLPA.
Para evaluar este modelo se utilizan las siguientes ecuaciones:
1. Probabilidad de que no haya unidades en el sistema.

P0

1
N!

n 0 ( N n)!
N

2. Nmero promedio de unidades en la lnea de espera(largo de la fila).

Lq N

(1 P0 )

3. Nmero promedio de unidades en el sistema ( largo total ).

L Lq (1 P0 )

4. Tiempo promedio que una unidad pasa en la lnea de espera.

Wq

Lq
( N L )

5. Tiempo promedio que una unidad pasa en el sistema.

W Wq

6. Probabilidad que haya n unidades en el sistema.

N!

Pn
( N n)!

Para n = 0 ; 1 ; 2 ; ; N

PROBLEMA 1
En un taller dedicado a la reparacin de bicicletas la llegada de clientes sigue una
distribucin de Poisson y los servicios una distribucin exponencial. Este taller opera con
una disciplina de primero en llegar primero en ser atendido. Las llegadas son 3 por da y
los clientes se atienden a 6 por da. Suponiendo que la poblacin es infinita y la longitud de
fila ilimitada, determinar los parmetros que describen el fenmeno de lnea de espera.
PROBLEMA 2.
Una empresa suministra dispensadores de alimentos a una Universidad . Como los
estudiantes acostumbran deteriorar las mquinas , la gerencia tiene que afrontar un
problema constante de reparaciones . En promedio se averan tres mquinas por hora , y las
averas se distribuyen de manera Poisson. El tiempo muerto le cuesta a la compaa $25
por hora por mquina y a cada empleado de mantenimiento le pagan $ 4 por hora. Un
empleado puede reparar las mquinas a una tasa promedio de 5 por hora, distribuida
exponencialmente; dos empleados que trabajan juntos pueden reparar 7 mquinas por hora
distribuidas exponencialmente; y un equipo de tres trabajadores puede reparar 8 por hora
distribuidas exponencialmente.
Cul es el tamao ptimo del equipo de mantenimiento para reparar las mquinas?.
PROBLEMA 3.

Una oficina de correos dispone de 6 servidores . La llegada de los clientes es de


acuerdo a una distribucin de Poisson de tasa 4 por minuto. El tiempo de servicio es
exponencial con un promedio de 1 minuto 12 segundos.
Determinar los parmetros que describen el sistema.
PROBLEMA 4
Una Clnica especializada en tratamientos de alergias tiene un sistema excelente para
atender a sus clientes que van a aplicarse inyecciones contra la alergia. En cierto momento
del da , la carga de pacientes disminuye y solo se necesita una enfermera para poner la
inyeccin. Si los pacientes llegan de manera Poisson y la tasa de servicio de la enfermera
tiene una distribucin exponencial y los pacientes llegan a intervalos de tres minutos
aproximadamente. La enfermera emplea dos minutos en promedio para preparar el suero
del los paciente y aplicar la inyeccin.
Determinar los parmetros que describen este sistema.

PROBLEMA 5
Un centro de comunicaciones al que llegan mensajes de forma aleatoria con un tiempo
medio de 10 minutos entre una llegada y la siguiente, dispone de una radiotelegrafista . Se
supone que el tiempo medio de servicio para enviar estos mensajes se distribuye
exponencialmente con una media de tres minutos. Se desea conocer:
Nmero medio de mensajes en la fila.
Nmero medio de mensajes en el sistema.
PROBLEMA 6
En un taller , las mquinas suelen fallar segn una ley de Poisson de tas a 3 maq/hora ;
evalundose el costo de parada de una mquina en S/. 1000 por hora . En esta situacin
pueden elegirse entre una de las siguientes alternativas.
a. Un mecnico que repare las mquinas segn una ley de servicio exponencial de tasa
4 maq/hora y desea cobrar 300 pesetas por hora.
b. Un mecnico muy experimentado que repara las mquinas segn distribucin
anloga al anterior de tasa 5 maq/hora pero que exige 400 pesetas por hora.
Cul de las dos alternativas resulta ms beneficiosa ?.
PROBLEMA 7
Una oficina que dispone de una fotocopiadora ha observado que, generalmente , los
requerimientos de utilizacin de la misma , durante las ocho horas de trabajo, son
aleatorios con una tasa de 5 personas por hora.

Las fotocopias que se realizan varan en magnitud y en el nmero de copias pero la tasa
de servicio puede estimarse en 10 trabajos a la hora. Si el costo de una persona que
accede a realizar un trabajo es de $3.5 por hora, se desea conocer:
Utilizacin de la fotocopiadora.
Porcentaje de tiempo que una llegada tiene que esperar.
Tiempo promedio de espera en el sistema.
Costo promedio diario ocasionado por esperar .

PROBLEMA 8
Un restauran de comida rpida presenta un problema de colas . Analizando datos sobre la
llegada de clientes se ha llegado a la conclusin de que la tasa promedio de arribo es de 45
clientes por hora . Supngase adems que se ha estudiado el proceso de atencin y que se
ha encontrado que el nico empleado que sirve los alimentos puede procesar un promedio
de 60 ordenes de clientes por hora. Analizar este sistema de colas cuyo modelo se adapta al
M/M/1.

PROBLEMA 9
La HN es una tienda especializada en venta de artefactos. Despus de realizar un anlisis
del problema de colas que se genera en la tienda llega a la conclusin que corresponde a un
modelo M/G/1. Y la tasa promedio de llegada es de 21 clientes por hora y el tiempo
promedio de servicio es de 2 minutos por cliente con una desviacin estandar de 1.2
minutos. Evaluar las caractersticas de este sistema.

TEMA 13: MODELO DE INVENTARIO


Los inventarios estn presentes en todas las empresas que tratan con productos fsicos (como fabricantes,
distribuidores, comerciantes entre otros). Los diferentes procesos que realiza una empresa para suministrar sus
bienes son difciles de acoplar a la perfeccin, por lo que los inventarios o stocks se realizan como medio de
acoplamiento entre las diferentes etapas por la que atraviesan los materiales en una empresa.
Las empresas tambin necesitan inventarios de materia prima y de productos terminados; pero esto representa
una cantidad de dinero inmovilizado dentro de la empresa por lo tanto lo que se busca es reducir estos costos
de almacenamiento.
Las tcnicas de Investigacin de operaciones proporcionan herramientas que permiten gestionar los
inventarios en una empresa de manera ptima; estas herramientas permiten tomar decisiones respecto de
cuando hacer un pedido y cuanto pedir.
INVENTARIO
Inventario o stock se define como la existencia o cantidades de cualquier artculo que un sistema productivo
posee para su posterior transformacin o venta.
Los inventarios pueden clasificarse en inventario de:
Materias primas
Componentes
Materiales en proceso
Productos terminados
El objetivo bsico del anlisis de inventario es especificar cundo deben ordenarse los artculos y cuanto de
tamao debe tener el pedido o lote.
Los inventarios se deben principalmente por:

Reserva de seguridad ante posibles variaciones.

Desequilibrio entre sectores de produccin.- Para balancear desequilibrios de produccin.


Produccin por lotes.- Cuando los tiempos de cambios de herramientas son extensos.
Produccin nivelada.- Se adelanta la fabricacin cuando la carga de trabajo es menor.
Compras de mayor tamao.- Se busca menores costos administrativos o de envo.

TIPOS DE DEMANDA
Demanda independiente.- Satisfacen algn requerimiento externo.
Demanda dependiente.- La demanda de un artculo es un resultado directo de la de otro, por lo general de
mayor nivel.
COSTOS DEL INVENTARIO
1. COSTO DE PEDIDO (Cp).-Costo fijo asociado al reabastecimiento de un inventario, independiente
de las unidades pedidas o producidas.
2. COSTO DE COMPRA (C).- Costo directo de compra por unidad.
3. COSTO DE MANTENIMIENTO (Cm ).- Costo por periodo de tiempo para cada artculo en
inventario. Puede incluir tambin robos, objetos rotos, etc.
4. COSTO POR DESABASTECIMIENTO ( Cd) .- Cuando no se llega satisfacer la demanda
MODELO DE INVENTARIO
El objetivo final de cualquier modelo de inventario es dar respuesta a la pregunta:
1. qu cantidad de artculos deben pedirse?
2. Cundo deben pedirse?
La respuesta a la primera pregunta la cantidad ptima que debe ordenarse cada vez que se hace un
pedido.
La respuesta a la segunda pregunta depende del tipo de inventario que tenemos
Revisin peridica; para hacer un pedido nuevo.
Revisin contina; los nuevos pedidos se colocan cuando el nivel de inventario baja hasta el
punto de reorden (nivel de desabastecimiento).
MODELO DE CANTIDAD ECONMICA DE LOTE (EOQ)
Este modelo bsico constituye el punto de partida para otros modelos mas complejos.
Se aplica cuando Q, se recibe todo al mismo tiempo y el pedido se realiza peridicamente con periodo T.
Existen tres variaciones del modelo de cantidad econmica de lote con una demanda determinstica:
1. Modelo Clsico.
2. Modelo con descuentos por cantidad.
3. Modelo de artculos con restricciones de almacenamiento.
Restricciones del modelo:
1. La demanda es determinstica y se realiza a una frecuencia constante.
2. Se incurre en un costo de pedido Cp para cualquier tamao de Q.
3. El tiempo de entrega para cada ciclo es cero.
4. No se permiten desabastecimientos.
5. El costo unitario por ao de mantenimiento es Cm.
6. Dimanada anual constante, D.
MODELO CLSICO
El modelo matemtico se da cuando la demanda y el tiempo de anticipacin son determinsticos, no se
permiten los desabastecimientos y el inventario se reemplaza por lotes al mismo tiempo.
Notacin.ta : tiempo en el cual tengo que realizar el pedido si no quiero quedarme sin producto(inventario)
Q : tamao econmico de lote, cantidad de unidades que se piden a la vez.
T : tiempo para consumir el inventario mximo, tiempo entre pedidos.

D : demanda anual del producto (constante)


Cp : costo de pedido
Cm : costo de mantenimiento.
C : costo por unidad de producto
Imx : inventario mximo

I : inventario promedio .

R: nivel de reabastecimiento (punto de reorden)


N: nmero de pedidos
CAT: costo anual total.
El modelo puede representarse mediante un grfico que se denomina diente de sierra el cual muestra que
cuando la posicin del inventario cae al punto R debe colocarse un nuevo pedido, el mismo que se recibe al
final del periodo L.

Se consideran dos modelos:


i)
Modelo con reabastecimiento instantneo sin desabastecimientos permitidos.
Si se analizan los costos involucrados, se encuentra una relacin que refleja el costo total del
inventario de la siguiente manera:
El costo anual total de inventario se obtiene mediante:
CAT = costo de pedido + costo de mantenimiento + costo de compra

CAT =C p

D
Q
+C m + CD
Q
2

Una vez establecido el costo total, hay que encontrar la cantidad econmica de pedido Q para lo
cual el costo total se mnimo; esto se obtiene derivando e igualando a cero la funcin:

CAT =C p

D
Q
+C m + CD
Q
2

C
dCAT D
= 2 C p + m + 0=0
dQ
2
Q

De donde:

Q =

2 Cp D
Cm

T=

Q
D

; entonces:

2C p
Q
T= =
D
D Cm

N=

1
T

; entonces:

N =

DC m
1
=
2C p
T

Q en se obtiene:
C D C m
CmC p D
CAT = p
+
+CD
4
2 C P D

Reemplazando

ii)

Modelo con reabastecimiento instantneo y desabastecimientos permitidos.

Aadiendo al modelo anterior la notacin siguiente:


Imax: nivel mximo de inventario.
t1 : tiempo durante el cual hay inventario disponible.
t2 : tiempo durante el cual se permite desabastecimiento.
S : nmero de desabastecimientos por pedido.
El costo anual total se obtiene mediante:
CAT = Costo de pedido + costo de mantenimiento + costo de desabastecimiento +costo de compra

CAT =C p N +C m

QS
S
t +C t +CD
2 1 d2 2

Siguiendo el mismo proceso del modelo anterior se obtiene:

Q =

S=

2(C m +C d )C p D
CmCd

Cm
Cm
2(C m +C d )C p D
Q , entonces S =
C m+ C d
C m+ C d
C m Cd
T=

N=

Cm
2(C m +Cd )C p
Q
, entonces T =
D
Cm +C d
CmCd D

1
C m C d D
, entonces N =
T
2(C m+ Cd )C p
CAT = 2(C m+ Cd )C p

iii)

C d
C m +C d

+CD

Modelo EOQ con descuentos por cantidad

En este modelo el costo anual depende del tamao de pedido; la formulacin del modelo sigue las mismas
pautas de los modelos anteriores.
CAT = Costo de pedido + costo de mantenimiento +costo de compra

D
Q
+C m + CD
Q
2

CAT =C p

Para este modelo:

C0 siQ <b 1
C
1 sib 1 Q<b2
C=

C k si bk Q
En la frmula anterior Cm se expresa como: Cm + wC
La funcin de costo es:

Cm D
C +w C 0
+C 0 D+ m
Q si Q<b1
Q
2
C D
C +w C 1
CA T 1 ( Q )= m + C1 D+ m
Q si b1 Q<b 2
Q
2
.
Cm D
C m + wC k
CA T k ( Q )=
+ Ck D+
Q sib k Q
Q
2

CAT (Q) =

CA T 0 (Q )=

MODELO EOQ DE ARTCULOS CON RESTRICCIONES DE ALMACENAMIENTO


En este tipo de modelos se pueden presentar los dos casos siguientes:

Si Q >Q max tengorestricciones de capacidad

Si Q Q m ax no tengorestricciones de capacidad
Desarrollando el modelo para dos productos, tenemos:
CAT = Costo de pedido + costo de mantenimiento +costo de compra + restricciones de volumen
2
2
2
Cm
Di
Cp
+
Q + C D + W k Q ,
Qi i=1 2 i i=1 i i i=1 i i i i
i

CAT =

i=1
2

i=1

Dnde:
K: volumen del que dispongo
Wi: costo por unidad/ao (alquiler)
ki : volumen de la unidad

BIBLIOGRAFA O FUENTES DE INFORMACION.


1. Investigacin de Operaciones . Hamdy A. Taha.
2. Investigacin de Operaciones
3.

.Herbert Moskowitz

Investigacin de Operaciones.. Hillier/ Lieberman

4. Investigacin de Operaciones

. Robert J. Thierauf.

5. Mtodos y Modelos de Investigacin de Operaciones . Juan Prawda


6. Programacin Lineal..

7. Prob. y Estad..

Bazaraa.

Irwin Miller.

8. Mod. Cuant. Para Adm.. Davis /Mc Kewon.

9. Int. A los Mod. Cuant. Para la Administracin.

10. Simulacin. Sheldon M. Ross

David R. Anderson

ANEXO

TABLA I. Valores de la funcin de distribucin estndar

z
- 3.
- 2.9
- 2.8
- 2.7
- 2.6
- 2.5
- 2.4
- 2.3
- 2.2
- 2.1
- 2.0
- 1.9
- 1.8
- 1.7
- 1.6
- 1.5
- 1.4
- 1.3
- 1.2
- 1.1
- 1.0
- 0.9
- 0.8
- 0.7
- 0.6
- 0.5
- 0.4
- 0.3
- 0.2
- 0.1
- 0.0

Z
2

.0013

.0010

.0007

.0005

.0003

.0002

.0002

.0001

.0001

.0000

.0019

.0018

.0017

.0017

.0016

.0016

.0015

.0015

.0014

.0014

.0026

.0025

.0024

.0023

.0023

.0022

.0021

.0021

.0020

.0019

.0035

.0034

.0033

.0032

.0031

.0030

.0029

.0028

.0027

.0026

.0047

.0045

.0044

.0043

.0041

.0040

.0039

.0038

.0037

.0036

.0062

.0060

.0059

.0057

.0055

.0054

.0052

.0051

.0049

.0048

.0082

.0080

.0078

.0075

.0073

.0071

.0069

.0068

.0066

.0064

.0107

.0104

.0102

.0099

.0096

.0094

.0091

.0089

.0087

.0084

.0139

.0136

.0132

.0129

.0126

.0122

.0119

.0116

.0113

.0110

.0179

.0174

.0170

.0166

.0162

.0158

.0154

.0150

.0146

.0143

.0228

.0222

.0217

.0212

.0207

.0202

.0197

.0192

.0188

.0183

.0287

.0281

.0274

.0268

.0262

.0256

.0250

.0244

.0238

.0233

.0359

.0352

.0344

.0336

.0329

.0322

.0314

.0307

.0300

0294

.0446

.0436

.0427

.0418

.0409

.0401

.0392

.0384

.0375

.0367

.0548

.0537

.0526

.0516

.0505

.0495

.0485

.0475

.0465

.0455

.0668

.0655

.0643

.0630

.0618

.0606

.0594

.0582

.0570

.0559

.0808

.0793

.0778

.0764

.0749

.0735

.0722

.0708

.0694

.0681

.0968

.0951

.0934

.0918

.0901

.0885

.0869

.0853

.0838

.0823

.1151

.1121

.1112

.1093

.1075

.1056

.1038

.1020

.1003

.0985

.1357

.1335

.1314

.1292

.1271

.1251

.1230

.1210

.1190

.1170

.1587

.1562

.1539

.1515

.1492

.1469

.1446

.1423

.1401

.1379

.1841

.1814

.1788

.1762

.1736

.1711

.1685

.1660

.1635

.1611

.2119

.2090

.2061

.2033

.2005

.1977

.1949

.1922

.1894

.1867

.2420

.2389

.2358

.2327

.2297

.2266

.2236

.2206

.2177

.2148

.2743

.2709

.2676

.2643

.2611

.2578

.2546

.2514

.2483

.2451

.3085

.3050

.3015

.2981

.2946

.2912

.2877

.2843

.2810

.2776

.3446

.3409

.3372

.3336

.3300

.3264

.3228

.3192

.3156

.3121

.3821

.3783

.3745

.3707

.3669

.3632

.3594

.3557

.3520

.3483

.4207

.4168

.4129

.4090

.4052

.4013

.3974

.3936

.3897

.3859

.4602

.4562

.4522

.4483

.4443

.4404

.4364

.4325

.4286

.4247

.5000

.4960

.4920

.4880

.4840

.4801

.4761

.4721

.4681

.4641

z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
NOTA: Por
Para

.5000

.5040

.5080

.5120

.5160

.5199

.5239

.5279

.5319

.5359

.5398

.5438

.5478

.5517

.5557

.5596

.5636

.5675

.9714

.5753

.5793

.5832

.5871

.5910

.5948

.5987

.6026

.6064

.6103

.6141

.6179

.6217

.6255

.6293

.6331

.6368

.6406

.6443

.6480

.6517

.6554

.6591

.6628

.6664

.6700

.6736

.6772

.6808

.6844

.6879

.6915

.6950

.6985

.7019

.7054

.7088

.7123

.7157

.7190

.7224

.7257

.7291

.7324

.7357

.7389

.7422

.7454

.7486

.7517

.7549

.7586

.7611

.7642

.7673

.7703

.7734

.7764

.7794

.7823

.7852

.7881

.7910

.7939

.7967

.7995

.8023

.8051

.8078

.8106

.8133

.8159

.8186

.8212

.8238

.8264

.8289

.8315

.8340

.8365

.8389

.8413

.8438

.8461

.8485

.8508

.8531

.85554

.8577

.8599

.8621

.8643

.8665

.8686

.8708

.8729

.8749

.8770

.8790

.8810

.8830

.8849

.8869

.8888

.8907

.8925

.8944

.8962

.8980

.8997

.9015

.9032

.9049

.9066

.9082

.9099

.9115

.9131

.9147

.9162

.9177

.9192

.9207

.9222

.9236

.9251

.9265

.9278

.9292

.9306

.9319

.9332

.9345

.9357

.9370

.9382

.9394

.9406

.9418

.9430

.9441

.9452

.9463

.9474

.9484

.9495

.9505

.9515

.9525

.9535

.9545

.9554

.9564

.9573

.9582

.9591

.9599

.9608

.9616

.9625

.9633

.9647

.9648

.9656

.9664

.9671

.9678

.9686

.9693

.9700

.9706

.9713

.9719

.9726

.9732

.9738

.9744

.9750

.9756

.9762

.9767

.9772

.9778

.9783

.9788

.9793

.9798

.9803

.9808

.9812

.9817

.9821

.9826

.9830

.9834

.9838

.9842

.9846

.9850

.9854

.9857

.9861

.9864

.9868

.9871

.9874

.9878

.9881

.9884

.9887

.9890

.9893

.9896

.9898

.9901

.9904

.9906

.9909

.9911

.9913

.9916

.9918

.9920

.9922

..9925

.9927

.9929

.9931

.9932

.9934

.9936

.9938

.9940

.9941

.9943

.9945

.9946

.9948

.9949

.9951

.9952

.9953

.9955

.9956

.9957

.9959

.9960

.9961

.9962

.9963

.9964

.9965

.9966

.9967

.9968

.9969

.9970

.9971

.9972

.9973

.9974

.9974

.9975

.9976

.9977

.9977

.9978

.9979

.9979

.9980

.9981

.9981

.9982

.9982

.9983

.9984

.9984

.9985

.9985

.9986

.9986

.9987

.9990

.9993

.9995

.9997

.9998

.9998

.9999

.9999

1.000

Z 4

Z 4 ,

, { Z }=1 para cuatro cifras decimales;


{ Z }=0

para cuatro cifras decimales.