You are on page 1of 136

Tema 01: variable Aleatoria y distribucin de probabilidades

Introduccin al tema
El dominio de los contenidos y la adquisicin de las competencias de la primera
semana de aprendizaje contribuirn con tu formacin cientfica y empresarial.
La incertidumbre es el estado de cosas donde se desconoce lo que exactamente va a
ocurrir en el futuro, por existir diferentes posibilidades o sucesos de ocurrencia cuya
presencia dependen del azar.
Por lo general, los entornos de decisin empresarial e institucional se adoptan bajo
condiciones de incertidumbre, por la presencia del azar en dichos entornos; por lo que, la
nica posibilidad de describirlos o explicarlos es a travs de las probabilidades. En esos
entornos se presentan caractersticas que varan y se pueden medir y sus valores son
fortuitos, como por ejemplo, las demandas de diferentes productos o servicios. De all
surge el nombre de variables aleatorias, las mismas que han sido perfectamente definidas
y establecido sus tipos y propiedades, que estudiaremos en esta primera unidad.
Por ello, es importante estudiar las distribuciones de probabilidad y las funciones de
distribucin de los fenmenos aleatorios (variables aleatorias) que forman parte de los
entornos de decisin, o utilizar las funciones de probabilidad tericas que ajusten las
situaciones empricas que se presentan en el mundo de las empresas o instituciones.
De igual modo, es necesario e importante estudiar las propiedades de esperanza y
varianza matemtica de fenmenos aleatorios, ya que una buena descripcin del
comportamiento probabilstico de estos fenmenos, debe estar acompaado de una
medida de tendencia central y de variabilidad, que complemente su mayor y mejor
conocimiento.
Mapa conceptual referido al tema
Objetivos

Observa detenidamente el siguiente esquema, en el encontrars de un vistazo de manera


sintetizada los principales concepto de la temtica que abordaremos. Qu conceptos o
categoras te llaman la atencin?

1.1. Variable Aleatoria: Definicin y Tipos.


1.1.1. Definicin
Objetivos
En cualquier experimento aleatorio, los resultados se presentan al azar; as, a ste se le
denomina variable aleatoria. Por ejemplo, lanzar un dado constituye un experimento: puede
ocurrir cualquiera de los seis posibles resultados.
Algunos experimentos dan resultados de ndole
cuantitativa (como dlares, peso o nmero de nios);
otros dan origen a resultados de naturaleza
cualitativa (como el color o la afiliacin religiosa). Cada
valor de la variable aleatoria se relaciona con una
probabilidad que indica la posibilidad de un
resultado determinado. (Lind, 2008)
Ejemplos:
1. Si cuenta el nmero de empleados ausentes en el turno matutino del lunes, el nmero
puede ser 0, 1, 2, 3, El nmero de ausencias es una variable aleatoria.
2. Si pesa cuatro lingotes de acero, los pesos pueden ser de 2492 libras, 2497 libras, 2506
libras, etc. El peso es una variable aleatoria.
3. Si se lanza dos monedas y cuenta el nmero de caras, puede caer cero, una o dos caras.
Como el nmero de caras que resulta de este experimento se debe al azar, el nmero de
caras que caen es una variable aleatoria.
4. Otras variables aleatorias pueden ser el nmero de focos defectuosos producidos por hora
en Cleveland Company, Inc.; la calidad (9, 10, 11 o 12) de los miembros del equipo de
basquetbol femenil de St. James; el nmero de corredores del maratn de Boston en la
carrera 2006 y la cantidad diaria de conductores multados por conducir bajo la inlfuencia del
alcohol en Texas.
1.1.2. Tipos.
1.1.2.1. Variable Aleatoria Discreta
Una variable aleatoria es discreta cuando su rango de valores es un subconjunto de
nmeros enteros finito o infinito, por tanto numerable.

Ejemplos:
X1: N de decisiones que toma por da un funcionario de institucin privada.
X2: Demanda diaria de balones de gas.
X3: N de licitaciones pblicas ganadas por ao
X4: Tamao familiar de aquellas elegidas al azar.
X5: N de usuarios que llegan por da durante el horario de atencin a la ventanilla de un banco.
X6: N de trabajadores que faltan a su centro de trabajo por mes
X7: N de productos defectuosos producidos por periodo de tiempo.
X8: Cartera de nuevos clientes por mes.
X9: Nmero de pedidos por semana
X10: Demanda diaria de solicitudes de crdito por mes en una entidad bancaria.
1.1.2.2. Variable Aleatoria Continua
Una variable aleatoria es continua cuando su rango de valores es un subconjunto de
nmeros reales o infinito no numerable.
Ejemplos:
X1: Ingreso mensual en la SUNAT por concepto de impuestos al extender recibos de honorarios
profesionales.
X2: Demanda diaria de carne de papa en el Mercado de Moshoqueque.
X3: Duracin de la construccin de una obra pblica.
X4: Produccin mensual de arroz en la Regin Lambayeque.
X5: Gasto mensual por concepto de recreacin de la familia chiclayana.
X6: Demanda semanal de combustible en el distrito de Piura.
X7: Tiempo que trabaja por da un funcionario de empresa privada.
X8: Tiempo de vida til en anaquel de la carne de pollo.
X9: Tasa de llegada de un usuario a una ventanilla de institucin bancaria.
X10: Cantidad de electricidad consumida por da por una empresa de produccin de conservas de
frutas.
Problemas resueltos
Problema 1
Se define el siguiente experimento aleatorio:
1: observar el resultado de lanzar 2 dados perfectos
Se define la siguiente variable aleatoria y se pide: hallar su rango y decir si es discreta o continua.
X1 : suma observada al lanzar 2 dados perfectos.
Solucin
El espacio muestral correspondiente al referido experimento aleatorio es:
= {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6)
(2,1), (2,2), (2,3), (2,4), (2,5), (2,6)
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6)
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6)
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6)
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}
Por tanto:
X1(1,1) = 2
X1(1,2) = X1(2,1) = 3
X1(1,3) = X1(2,2) = X1(3,1) = 4
X1(1,4) = X1(2,3) = X1(3,2) = X1(4,1) = 5
X1(1,5) = X1(2,4) = X1(3,3) = X1(4,2) = X1(5,1) = 6
X1(1,6) = X1(2,5) = X1(3,4) = X1(4,3) = X1(5,2) = X1(6,1) = 7
X1(2,6) = X1(3,5) = X1(4,4) = X1(5,3) = X1(6,2) = 8
X1(3,6) = X1(4,5) = X1(5,4) = X1(6,3) = 9
X1(4,6) = X1(5,5) = X1(6,4) = 10
X1(5,6) = X1(6,5) = 11
X1(6,6) = 12
Entonces, el rango S de la variable aleatoria X1 es:

Por tanto, la variable aleatoria X1 es discreta, slo toma valores enteros.


Problema 2
Se define el siguiente experimento aleatorio:
2: observar las horas/hombre perdidas por mes, en una gran empresa donde el costo hora/hombre
semanal de produccin equivale a 1500 soles, laboran 35 personas 8 horas diarias durante 24 das
al mes.
Se define la siguiente variable aleatoria y se pide: hallar su rango y decir si es discreta o continua.
X2: costo mensual por horas/ hombre perdidas por mes.
Solucin
El espacio muestral correspondiente al referido experimento aleatorio es:
= {x / 0 x 8*24*35} = {x / 0 x 6720 horas hombre perdidas de produccin por mes}
Por tanto:
Se sabe que el costo hora - hombre semanal de produccin equivale a 6000 soles, se labora 6 das
por semana durante 8 horas por da; entonces, el costo hora - hombre diario de produccin es
(6000/6) = 1 000 nuevos soles; y el costo hora hombre es (1 000/8) = 125
X2 = {x / 0 x 125*8*24*35 soles mensuales} = {x / 0 x 840 000 soles mensuales}
Entonces, el rango S de la variable aleatoria X3 es:

Adems, la variable aleatoria X2 es continua, puede tomar valores reales.


1.2 Distribucin de Probabilidad y Funcin de Distribucin.
1.2.1 Distribucin de Probabilidad de variable aleatoria discreta.
La Distribucin de probabilidad o funcin de probabilidad de una variable aleatoria, es

una funcin que asigna a cada valor posible de dicha variable una probabilidad.
La distribucin de probabilidad de una variable aleatoria
describe cmo se distribuyen las probabilidades entre los
valores de la variable aleatoria.
En el caso de una variable aleatoria discreta x, la
distribucin de probabilidad o funcin de probabilidad,
ms conocida como funcin de cuanta, es denotada por
P(x). La funcin de probabilidad otorga la probabilidad de
cada valor de la variable aleatoria. (Anderson &
Sweeney, D, 2010)
Para el caso de variable aleatoria discreta, se tiene que sta puede ser:
a) Infinita: x1, x2, x3, , xi,
La funcin de probabilidad se define como:
P{ X = xi } = pi 0 ; i = 1,2,3,

b) Finita: x1, x2, x3, , xi, ., xn


La funcin de probabilidad se define como:
P{ X = xi } = pi 0 ; i = 1, 2, 3, , n.

Ejemplo 1
Objetivos
Distribucin de Probabilidad:
A continuacin se presenta la distribucin de probabilidades de la variable aleatoria Nmero de
autos vendidos por mes en la NISSAN Chiclayo observado durante los aos 2012 2014 (36
meses).

Ejemplo 2
Objetivos
Sea X la variable aleatoria definida como el nmero de caras que ocurren al lanzar una moneda 4
veces.
a) Determinar la distribucin de probabilidades de X. Graficarla.
b) Calcular la probabilidad P[0 < x 2].
c) Determinar la distribucin de probabilidades de X si la moneda se lanza n veces ( n 2 ).
Solucin

a) El rango de la variable aleatoria X, es el conjunto, .Suponiendo que los


diecisis sucesos elementales del espacio muestral son equiprobables, la funcin de probabilidad,
es descrita por:
f(0) = P[X=0] = P(SSSS) = 1/16

f(1) = P[X=1] = P(SSSC SSCS SCSS CSSS) = 4/16

f(2) = P[X=2] = P(SSCC SCSC SCCS CSSC CSCS CCSS) = 6/16

f(3) = P[X=3] = P(SCCC CCSC CSCC CCCS) = 4/16

f(4) = P[X=4] = P(CCCC) = 1/16

La funcin de probabilidad del nmero de caras se puede describir como tabla (Tabla 4):
y su grfica es:

1.2.2 Distribucin de Probabilidad de variable aleatoria continua

Se dice que la f(x) es funcin de densidad (ley o distribucin) de probabilidad de la

variable aleatoria continua X, si satisface las siguientes condiciones. (Zamora, 2004)

f(x) cumple con:

Notas:
1) La condicin a) expresa que la grfica de f(x) no tiene puntos por debajo del eje de las
abscisas.
La condicin b), indica que el rea total bajo la curva es igual a 1.
La condicin c) expresa: probabilidad igual a rea. Esto es, si A=[a,b], la
probabilidad es igual al rea de la regin limitada por la curva, el eje X y las rectas X=a,
X=b, es decir:

2) No es difcil verificar que si el evento A es cualquier intervalo en la recta real, entonces P(A),
satisface los axiomas de la probabilidad.
3) Cualquier funcin f(x) que satisfaga slo las condiciones a) y b) no es probabilidad, slo es
probabilidad cuando la funcin de densidad es integrada entre dos lmites.
Ejemplo 1
Sea f(x) una funcin definida en todos los nmeros reales por

a) Hallar el valor de la constante c para que, f(x) sea una funcin de densidad para alguna
variable aleatoria X.

b) Calcular

Solucin
a) El rea de la Figura adjunta, debe ser igual a 1, entonces:

RESULTADO LUEGO
Nota
Objetivos
En la asignatura Estadstica Aplicada, pre requisito de la asignatura Toma de Decisiones, usted ha
estudiado las distribuciones de probabilidad de las variables aleatorias continuas ms conocidas
como las distribuciones normal, Chi Cuadrado, t de student, entre otras, cuyos grficos
respectivamente son los siguientes:
1.2.3 Funcin de Distribucin Acumulada de variable aleatoria discreta
Objetivos
La funcin de distribucin acumulada(f.d.a.) de
probabilidades o simplementefuncin de distribucin, F(x),
de la variable aleatoria discreta X, cuya funcin de probabilidad
es f(x), se define por: (Zamora, 2004)

Ejemplo 1
Sea X la variable aleatoria definida como el nmero de caras que resultan al lanzar una
moneda 4 veces.
a) Hallar la funcin de distribucin F(x) de la variable aleatoria X y graficarla.

b) Usando F(x), calcular


a) La funcin de probabilidades f(x) de la variable aleatoria X est descrita (ejemplo
2 del tema Distribucin de Probabilidad), por:
f(0) = 1/16, f(1) = 4/16, f(2) = 6/16, f(3) = 4/16 y f(4) = 1/16.
Entonces,
F(0) = f(0) = 1/16
F(1) = f(0) + f(1) = 1/16 + 4/16 = 5/16
F(2) = f(0) + f(1) + f(2) = 1/16 + 4/16 + 6/16 = 11/16
F(3) = f(0) + f(1) + f(2) + f(3) = 1/16 + 4/16 + 6/16 + 4/16 = 15/16
F(4) = f(0) + f(1) + f(2) + f(3) + f(4) = 1/16 + 4/16 + 6/16 + 4/16 + 1/16 = 1
Por tanto,
La grfica de esta funcin de distribucin, est dada por la siguiente figura:

Ejemplo 2
Tomando los datos del ejemplo anterior, la funcin de distribucin F(x) viene dada en la
siguiente tabla:

As pues la funcin de distribucin para cualquier valor de x quedara de la siguiente


forma:

Ejemplo 3
Presentamos un ejemplo de funcin de probabilidad y su respectiva Funcin de
distribucin acumulada:
Ejemplo 2
Suponga que un juego al azar consiste en lanzar un dado y que el jugador puede ganar
$7, si obtiene al menos 5 puntos, o perder 2 dlares en caso contrario.
a) Cunto espera ganar en el juego el jugador?
b) Cunto debera ganar para que el juego sea justo?
Solucin
Sea la variable aleatoria Y, la cantidad de dinero que el jugador puede ganar. Entonces
los posibles valores de Y son: $7 si ocurre A={5,6}, con probabilidad 2/6, y -$2 si
ocurre , con probabilidad 4/6.
a) El valor esperado de Y es. E(Y)=-2x4/6+7x2/6 = 1.
En consecuencia, si el juego se repite indefinidamente, puede esperarse que el jugador
gane en promedio $1.
b) El juego es justo si la esperanza es igual a cero, es decir, si los esperados
absolutos de ganar y perder son iguales. Este juego ser justo si el jugador gana slo
$4 en el juego.
1.3 Valor Esperado
Objetivos
La media de una variable aleatoria discreta es el resultado medio terico de un nmero
infinito de ensayos. Podemos considerar esa media como el valor esperado en el
sentido de que constituye el valor promedio que esperaramos obtener si los ensayos
pudiesen continuar de manera indefinida. Los usos del valor esperado (tambin se
llamaesperanza o esperanza matemtica), que son extensos y variados, juegan un
papel muy importante en una rea de aplicacin que se denomina teora de decisin.

(Triola, Probabilidad y Estadstica, 2004).


1 Valor esperado (de una variable aleatoria discreta): se denota con E y
representa el valor promedio de los resultados. Se obtiene calculando el valor:

Ejemplo 1
Objetivos

Calcular la media de la distribucin de probabilidad de la variable aleatoria X que se define


como el nmero de caras cuando se lanzan cuatro monedas.
Solucin
La distribucin de probabilidad de X se da en la Tabla 6:

La media de X es el nmero:

Esto significa que si una persona lanza 4 monedas, muchas veces, en promedio obtendr
dos caras por lanzamiento.

Ejemplo 2
Suponga que un juego al azar consiste en lanzar un dado y que el jugador
puede ganar $7, si obtiene al menos 5 puntos, o perder 2 dlares en caso
contrario.

a) Cunto espera ganar en el juego el jugador?


b) Cunto debera ganar para que el juego sea justo?
Solucin

Sea la variable aleatoria Y, la cantidad de dinero que el jugador puede ganar. Entonces los
posibles valores de Y son: $7 si ocurre A={5,6}, con probabilidad 2/6, y -$2 si ocurre

con probabilidad 4/6.


a) El valor esperado de Y es. E(Y)=-2x4/6+7x2/6 = 1.
En consecuencia, si el juego se repite indefinidamente, puede esperarse que el jugador
gane en promedio $1.
b) El juego es justo si la esperanza es igual a cero, es decir, si los esperados absolutos
de ganar y perder son iguales. Este juego ser justo si el jugador gana slo $4 en el juego.
1.4 Varianza Matemtica
Objetivos
Como se observ, la media constituye un valor tpico
para resumir una distribucin de probabilidad discreta.
Sin embargo, sta no describe el grado de dispersin
(variacin) en una distribucin. La varianza, s lo hace.
La frmula para la varianza de una distribucin de
probabilidad es: (Lind, 2008)

Los pasos para el clculo son los siguientes:


1 La media se resta de cada valor y la diferencia se eleva al cuadrado.
2 Cada diferencia al cuadrado se multiplica por su probabilidad.
3 Se suman los productos que resultan para obtener la varianza.
La desviacin estndar se determina al extraer la raz cuadrada positiva de es
decir Un ejemplo ayudar a explicar los detalles del clculo e interpretacin de
la media y desviacin estndar de una distribucin de probabilidad

ejemplo
1 De qu tipo de distribucin se trata?
2 Cuntos automviles espera vender John un sbado normal?
3 Cul es la varianza de la distribucin?
Solucin
1 Se trata de una distribucin de probabilidad discreta para la variable aleatoria
denominada nmero de automviles vendidos. Observar que John slo espera
vender cierto margen de automviles; no espera vender 5 automviles ni 50.
Adems no puede vender medio automvil. Slo puede vender 0, 1, 2, 3 o 4
automviles. As mismo, los resultados son mutuamente excluyentes, no puede
vender un total de 3 y 4 automviles el mismo sbado.

1 La media de la cantidad de automviles vendidos se calcula al multiplicar el nmero


de automviles vendidos por la probabilidad de vender dicho nmero y sumar luego
los respectivos productos:

Estos clculos se resumen en la siguiente tabla:

Cmo interpretar una media de 2.1?


Este valor indica que a lo largo de una gran cantidad de sbados, John Ragsdale espera
vender un promedio de 2.1 automviles por da. Por supuesto, no es posible vender
exactamente 2.1 automviles un sbado en particular. Sin embargo, el valor esperado se
utiliza para predecir la media aritmtica de la cantidad de automviles vendidos a la larga.
Por ejemplo, si John trabaja 50 sbados en un ao, puede esperar vender 50(2.1) o 105
automviles slo los sbados. Por consiguiente, a veces la media recibe el nombre de
valor esperado.
1 De nuevo una tabla resulta til para sistematizar los clculos de la varianza que es
de 1.290.
Recordar que la desviacin estndar , es la raz cuadrada positiva de la varianza. En
este ejemplo es automviles.
Cmo interpretar una desviacin estndar de 1.136 automviles?
Si la vendedora Rita Kirsch tambin vendi un promedio de 2.1 automviles los sbados y
la desviacin estndar en sus ventas fue de 1.91 automviles, concluira que hay ms
variabilidad en las ventas sabatinas de Kirsch que en las de Ragsdale (pues 1.91>1.136).
Preguntas de anlisis
Objetivos
Estimado estudiante, hemos revisado los contenidos referentes a la primera semana,
y con el fin de seguir apoyndote en este proceso de enseanza, te sugiero analices
y des respuesta a las siguientes preguntas:
1. Una variable aleatoria continua puede tomar como valores nmeros enteros?
2. Siempre el dominio de una variable aleatoria es el espacio muestral?
3. Puede el rango de una variable aleatoria tomar valores enteros?
4. Si una variable aleatoria se define como el consumo mensual de energa
elctrica, sta es continua o discreta?
5. La funcin de probabilidad de una variable aleatoria sea discreta o continua,
siempre es positiva?

Actividad de anlisis y comprensin


Pregunta de Eleccin Mltiple
1. Cul de las siguientes es una variable aleatoria continua?

Recesin

Nuevos soles
Derivados de petrleo.

Produccin mensual de limn en toneladas en el distrito de Olmos.

Demanda diaria de servicios de restaurant en el distrito de Chiclayo.


Dicha caracterstica es una variable aleatoria continua, porque la produccin mensual de
limn en toneladas se asocia a un espacio muestral donde a cada elemento que lo
conforma se le puede asignar un nmero real; por ejemplo, 14,67 toneladas de produccin
de limn observada en un mes.
Pregunta de Eleccin Mltiple
2. Qu propiedades tiene una funcin de probabilidad?

Siempre es simtrica.

Siempre toma valores mayores o iguales a cero, para todo valor de su dominio.

Siempre tiene un dominio de valores positivos.

Para el caso de una variable aleatoria continua, las probabilidades o regiones bajo la curva
de probabilidad siempre se calculan utilizando integrales con lmites opuestos.

La Funcin de Distribucin casi siempre se deriva a partir de ella.


Toda probabilidad es positiva; es cero en el caso de sucesos imposibles o para valores que
no pertenecen al dominio de la funcin de probabilidad.
Pregunta de Eleccin Mltiple
3. Cul de las siguientes es una variable aleatoria continua?

El nmero de mdicos de determinado hospital.

Estadios de sudamrica.

Gimnasios de Piura
Cuota mensual de pago a la banca local por deudas contradas por parte de
microempresarios chiclayanos.

Edad de una persona, expresada en nmeros fraccionarios o enteros.


Opcin correcta

Referencias (bibliogrficas)
Anderson, D., & Sweeney, D. (2010). Mtodos Cuantitativos para los Negocios. Mxico:
Cengage Learning Editores, S.A.
Lind, D. A. (2008). Estadstica Aplicada a los Negocios y la Economa. Mxico D. F.:
McGraw-Hill.
Mata, A. D. (2008). Estadstica aplicada a la Administracin y la Economa. Mxico D. F.:
McGraw-Hill.
Triola, M. F. (2004). Estadstica. Mxico D. F.: Pearson Educacin.
Triola, M. F. (2004). Probabilidad y Estadstica. Mxico D. F.: Pearson Educacin.
Zamora, M. C. (2004). Estadstica. Lima: Librera Moshera S. R. L.
Lecturas recomendadas (para ampliar conocimientos de la primera semana)
Para saber ms
Ponemos a tu disposicin y te invitamos a revisar dos interesantes documentos que te
ayudaran a reforzar y ampliar los temas que hemos estudiado, estos los encontrars en la
base de datos e-libros que utiliza nuestra universidad:
1 Documento 1: Estadstica para administracin y economa
2 URL: http://site.ebrary.com/lib/bibsipansp/docDetail.action?
docID=10522957&p00=estadistica%20administracion%20economia
3 Breve descripcin
Este texto que se encuentra en la Biblioteca Digital de la USS, contiene varios tpicos
propios de la Estadstica Descriptiva, Probabilidades, Variables aleatorias, Distribuciones
de probabilidad, inferencia estadstica, anlisis bayesiano, entre otros.
Se recomienda leer todo lo relacionado a los captulos 6 y 7, que contienen temas sobre
variables aleatorias y sus distribuciones de probabilidad, esperanza y varianza matemtica.
Adems repasar la parte de teora de las probabilidades, que en este caso, constituye
conocimientos prerrequisitos.
Conclusiones de la primera semana
Despus de haber desarrollado los contenidos de la primera semana, podemos
concluir lo siguiente:
1 La variable aleatoria slo puede tener valores que se deben al azar; por ejemplo el
nmero de unidades vendidas, niveles de produccin diaria, talla de los clientes, etc.
1 Obtenemos una distribucin de probabilidad enlistando todos los resultados
posibles de un experimento y de la probabilidad asociada a cada resultado; la
misma que se la puede presentar a travs de una tabla, grfico o frmula.
1 El valor esperado de una variable aleatoria discreta, es la media aritmtica
ponderada de todos los resultados posibles, en la cual los pesos son las
probabilidades respectivas de dichos resultados.
Entonces, no slo hemos definido la variable aleatoria, sino que adems hemos utilizado
las leyes de la probabilidad para analizar la manera en que dichas variables aleatorias se
relacionan con los experimentos.

SEGUNDA SEMANA
Tema 02: Toma de decisiones en situacin de riesgo
Introduccin al tema
El problema de la Decisin, motivado por la existencia de ciertos estados de ambigedad
que constan de proposiciones verdaderas (conocidas o desconocidas), es tan antiguo
como la vida misma. Podemos afirmar que todos los seres vivientes, an los ms simples,
se enfrentan con problemas de decisin. As, un organismo unicelular asimila partculas de
su medio ambiente, unas nutritivas y otras nocivas para l. La composicin biolgica del
organismo y las leyes fsicas y qumicas determinan qu partculas sern asimiladas y
cules sern rechazadas.
En el mbito empresarial es muy frecuente que hayamos de decidir una lnea de conducta
existiendo cierto grado de incertidumbre en relacin con el futuro.
Las situaciones de decisin en los que el porcentaje (o probabilidad) de ocurrencia de cada
estado de la naturaleza se conoce (o puede estimarse), se definen como toma de decisin
bajo riesgo. En estos casos el decisor puede estimar el grado de riesgo que el o ella est
teniendo en trminos de distribucin de probabilidad. Por ejemplo, una decisin de no
hacer un seguro de incendios significa que el decisor tiene una esperanza de quizs una
entre 10000 de perder toda su propiedad en un incendio.
Las probabilidades en teora de la decisin podran verse como el resultado de expresar el
juicio (u opinin) del decisor sobre un futuro incierto.
El mtodo ms aceptado para la toma de decisin bajo riesgo es la utilizacin del valor
esperado como criterio de eleccin.

2.1 Qu es incertidumbre?, qu es riesgo?


Estudio de Caso
Con el resurgimiento del sector ferroviario en Estados Unidos a principios de la dcada de
1990 muchas empresas de ferrocarriles se
vieron obligadas a tomar decisiones
crticas que podran ejercer efectos a largo
plazo sobre su situacin financiera. La
Tabla 1 muestra a la denominada Tabla de
Pagos de Illinois Central Railroad en su
decisin de ampliar y mejorar su material
rodante (coches de viajeros y vagones de
mercancas). Illinois Central tena que
decidir entre construir coches nuevos,
renovar los viejos o quiz alquilar coches a
sus competidores. La tabla muestra estas
decisiones alternativas, junto con los pagos
resultantes en forma de beneficios, dados
determinados estados naturales. La tabla
revela, por ejemplo, que si Illinois Central decida comprar material nuevo, experimenta una
prdida de 10000 dlares si la economa entraba en recesin. Tambin se reflejan en la
tabla el resto de los pagos. Esta tabla de pagos era esencial para elegir la decisin que
diera el mejor resultado posible con la informacin disponible. (Webster, 2008)
Reflexionemos:
1 De qu dependen las circunstancias que tienen lugar en el proceso de decisin del
caso presentado?
2 A qu se denomina Tabla de Pagos?
3 A qu se denomina Estados de la Naturaleza en el caso presentado? Qu
caractersticas presentan?
4 Cules son las decisiones alternativas?
5 Pudo Illinois Center tomar una decisin segura?, por qu?
Todos conocemos la importancia de tomar decisiones empresariales inteligentes y bien
informadas. Cuando existen varias lneas de conducta alternativas, la capacidad de elegir
aquella que optimiza el resultado es crucial para el xito y la supervivencia de la empresa.
Es muy frecuente que hayamos de decidir una lnea de conducta existiendo cierto grado
de incertidumbre en relacin con el futuro. No siempre conocemos el resultado de la
decisin hasta algn tiempo despus de haberla tomado. En muchos casos, el resultado
depende en parte de sucesos aleatorios, denominados estados naturales, que estn ms
all de nuestro control. As por ejemplo, entre esos estados se pueden citar: el tiempo
atmosfrico, la evolucin econmica del pas, la reaccin de nuestros competidores, etc.
El proceso de decisin puede tener lugar en diversas circunstancias que dependen del
volumen de informacin disponible, los estados naturales y la reaccin de cualquier
competidor en el mercado.
Toma de decisiones en condiciones de incertidumbre.
Objetivos
La incertidumbre que rodea a muchas decisiones proviene de nuestra falta de
conocimiento del estado natural que pueda aparecer. El resultado final de una toma de
decisin en condiciones de incertidumbre puede tardar algn tiempo en conocerse,
dependiendo del efecto que el estado natural predominante ejerza en ltimo trmino. Como
quien toma la decisin no tiene ningn control sobre los estados naturales, ha de elegir una
de las decisiones alternativas sin conocer a ciencia cierta su resultado final.
Toma de decisiones en condiciones de riesgo.
Objetivos
La toma de decisiones en situacin de riesgo es muy semejante a la toma de decisiones en
condiciones de incertidumbre. La nica diferencia es que se conocen lasprobabilidades de
los estados naturales. Por ejemplo, en el caso de Illinois Central las proyecciones
econmicas podan haber llevado a la conclusin de que la probabilidad de una recesin
era el 20%, la probabilidad de una expansin econmica el 50%, y la una economa
estable el 30%.
Ejemplo 1
Suponga que tiene un pequeo local de ventas de pinos para Navidad. La primera tarea es
decidir cuntos pinos ordenar para la siguiente temporada. Supngase que se debe pagar
$3.5 por cada rbol, se pueden ordenar slo lotes de 100 y se planea venderlos a $8 cada
uno. Por supuesto, si no se venden, no tienen valor de recuperacin. Se estudian los
registros de ventas pasadas en la iglesia y se analiza el crecimiento potencial de las ventas
con otros vendedores, llegando a las siguientes estimaciones para la siguiente temporada:

Con estos datos se puede calcular la ganancia para cada combinacin de cantidad
ordenada y ventas eventuales. Por ejemplo, si se ordenan 300 pinos y se venden slo 200,
la utilidad neta ser de $4.5 por cada rbol vendido menos una prdida de $3.5 por los
rboles no vendidos, es decir:
200($8-$3.5)-100($3.5)=$900-$350=$550
Si se hace esto para cada una de las combinaciones y se obtienen los resultados
mostrados en la tabla de decisiones siguiente o tambin llamada matriz de pagos:

El resultado ms importante de la teora de decisiones bajo riesgo es que debe


seleccionarse la alternativa que tenga el mayor VALOR ESPERADO.
Existen muchas decisiones administrativas que pueden catalogarse como toma de
decisiones bajo riesgo. Algunas de ellas son:
1 Deber introducirse un nuevo producto en particular?
2 Deber ofrecerse ms para obtener un contrato?
3 Deber construirse una nueva planta o ampliarse la que se tiene?
4 Cuntos pasteles deber producir una pastelera para la venta diaria?
5 Deber una compaa petrolera realizar pruebas ssmicas costosas antes de hacer
una nueva perforacin?
6 Deber iniciarse un nuevo programa costoso de propaganda?.
2.2 Entornos y estructura de problemas de decisin cuando prevalece la
incertidumbre y se conoce la distribucin de probabilidad de los estados de la
naturaleza.
Objetivos
Los diferentes criterios de decisin en ambiente de riesgo se basan en estadsticos
asociados a la distribucin de probabilidad de los resultados. Algunos de estos criterios se
aplican sobre la totalidad de las alternativas, mientras que otros slo tienen en cuenta un
subconjunto de ellas, considerando las restantes peores, por lo no que estn presentes en
el proceso de toma de decisiones. (Bravo, 2000)

Representaremos por los resultados asociados a la alternativa, y por


la distribucin de probabilidad correspondiente a tales resultados, esto es, el conjunto de
valores que representan las probabilidades de ocurrencia de los diferentes estados de la
naturaleza:

Los principales criterios de decisin empleados sobre tablas de decisin en ambiente de


riesgo son:
2.3 Anlisis Apriori o sin uso del muestreo
Objetivos
En muchas situaciones de toma de decisiones podemos obtener evaluaciones de

probabilidad para los estados de la naturaleza. Cuando estas probabilidades estn


disponibles, podemos utilizar el mtodo del valor esperado para identificar la mejor
alternativa de decisin. (Anderson & Sweeney, D, 2010)

2.3.1. Criterio del Valor Esperado

por lo que el criterio del valor esperado resulta ser:


Ejemplo 2
Para un problema de decisin bajo riesgo con la siguiente Tabla de resultados (Tabla de
Pagos):

la siguiente tabla muestra el resultado esperado para cada una de las alternativas:
1

Verificamos los clculos, haciendo uso de la ecuacin (3), Criterio del Valor
Esperado:

1 La alternativa ptima segn el criterio del valor esperado sera , pues proporciona el
mximo de los valores esperados.
2.3.2. Valor Esperado de Informacin Perfecta.
Objetivos
Cualquier informacin adicional que podamos
adquirir sobre una situacin problemtica mejora
nuestras oportunidades de tomar una decisin
mejor. Esta informacin es muy til y tiene un
determinado valor para nosotros. Sera
importante determinar la utilidad exacta de la
informacin y cunto estaramos dispuestos a
pagar por ella. (Webster, 2008)
Tomemos el ejemplo presentado en el Estudio de Caso; supongamos que los analistas de
Illinois Central pudieran obtener una informacin perfecta sobre los estados naturales; que
a travs de la investigacin de mercados y de la prediccin econmica pudieran determinar
con certeza el estado natural que prevalecera en el futuro. Con esta informacin. Illinois
Central podra elaborar una estrategia para determinar qu decisin alternativa tomar. Si
supieran a ciencia cierta que iba a ocurrir una recesin, la decisin ptima sera alquilar, lo
que producira un beneficio de 5000 dlares. Si estuvieran seguros de que la economa iba
a entrar en una fase de expansin, la decisin de construir nuevos equipos dara por
resultado un beneficio de 50000 dlares. Por ltimo, si supieran que la economa iba a
permanecer estable, la decisin de renovar sera la ptima y generara un beneficio de
40000 dlares. En cada uno de estos casos, un conocimiento perfecto del estado
natural permitira a Illinois Central saber con exactitud qu decisin dara los mejores
resultados y sera evidente la estrategia ptima a adoptar. (Webster, 2008)
Surgira la pregunta:
1 Cunto estara dispuesto a pagar Illinois Central por esta informacin?
Dicho de otro modo:
1 Cul es el valor esperado de la informacin perfecta?

Siguiendo con el anlisis del Estudio de Caso presentado, sin la informacin relativa a las
probabilidades de los estados naturales, Illinois Central, con el criterio de valor esperado,
decidi renovar, lo que daba un beneficio esperado de 15000 dlares, como podemos
observar en el clculo del valor esperado (EV) de cada decisin alternativa (ecuacin (4)):

1 Ahora calculemos el valor que Illinois Central podra esperar adquirir. Para ello
sigamos el siguiente procedimiento:
1 Volvamos a la Tabla 1 (Tabla de Pagos) de los beneficios de Illinois Central.
1 Observamos que el mejor pago si la economa entra en recesin es de $5000.
1 Multiplicamos este valor por la probabilidad de una recesin: 0.50x5000.
1 Procedemos de la misma manera con los otros dos estados naturales.
1 Elijamos en cada caso el mejor pago con ese estado natural y multipliqumoslo por
la probabilidad de que ocurra el estado natural.
1 Es decir, el pago de $50000 se multiplica por la probabilidad de expansin, que es el
20%, y para el caso de una economa estable el pago de $40000 se multiplica por la
probabilidad de estabilidad, que es el 30%.
1 El valor que Illinois Central podra esperar sera:
0.50x5000+0.20x50000+0.30x40000=24500 dlares.
Por consiguiente:
1 El valor esperado de la informacin perfecta (EV de PI), es: 24500-15000=9500
dlares
1 Esta cifra representa la cantidad mxima que Illinois Central debe estar dispuesto a
pagar por tal informacin.
2.3.3 Criterio de Mnima Varianza con Media Acotada
Objetivos

y se selecciona la que presente menor varianza, de esta forma se consigue la eleccin de


una alternativa con poca variabilidad en sus resultados y que proporciona, por trmino
medio, un resultado no demasiado pequeo. En resumen, el criterio de mnima varianza
con media acotada es el siguiente:

Ejemplo 3
Consideramos la misma Tabla del Ejemplo 2 (Tabla 4).
Para este caso tendramos la siguiente tabla que muestra el resultado esperado y su
varianza para cada una de las alternativas:
1 Verificamos los clculos:

1 Si el decisor selecciona un valor 10 para la constante K, quedara excluida del


proceso de decisin la alternativa , que es la que posee menor varianza. Excluida
sta, la eleccin ptima corresponde a la alternativa , pues es la que posee
menor varianza entre las que cumplen la condicin .
2.3.4 Criterio de la Media con Varianza Acotada.
Objetivos
Para la utilizacin de este criterio se consideran exclusivamente las alternativas cuya
varianza sea menor o igual que una constante K fijada por el decisor. Para cada
una de las alternativas ai que cumpla esta condicin se determina el valor esperado
de sus resultados, (Bravo, 2000)

y se selecciona la que presente mayor valor esperado, de esta forma se consigue la


eleccin de una alternativa con poca variabilidad en sus resultados y que proporciona,
por trmino medio, un buen resultado. En resumen, el criterio de la media con
varianza acotada es el siguiente:

Ejemplo 4
Consideramos la misma Tabla del Ejemplo 2 (Tabla 4).
La siguiente tabla muestra el resultado esperado y su varianza para cada una de las
alternativas.

Si el decisor selecciona un valor 20 para la constante K, quedara excluida del


proceso de decisin la alternativa , que es la que posee mayor valor esperado.
Excluida sta, la eleccin ptima corresponde a la alternativa , pues es la que posee
mayor valor esperado entre las que cumplen la condicin V.
2.3.5 Criterio de la Dispersin.
Objetivos
Para cada alternativa se calcula el siguiente valor medio corregido

donde K es una valor fijado por el decisor, y se selecciona la de mayor valor resultante.
De esta forma se consigue limitar la influencia de alternativas con un valor esperado
grande, pero tambin alta variabilidad. Por tanto, el criterio de dispersin puede
resumirse de la siguiente forma:

Ejemplo 5
De igual modo, considerando la Tabla 4 en el Ejemplo 2, la siguiente Tabla muestra,
para cada una de las alternativas, el valor esperado, la varianza y el valor esperado
corregido correspondiente a un factor K=2.:

Verificamos los clculos

La alternativa ptima segn el criterio de dispersin sera , pues proporciona el


mximo de los valores corregidos.
2.3.6 Criterio de la Probabilidad Mxima.
Para cada alternativa se determina la probabilidad de que la variable aleatoria que
proporciona el resultado tome un valor mayor o igual que una constante K fijada por el
decisor: (Bravo, 2000)

y se selecciona aquella alternativa con mayor probabilidad asociada. Por tanto,


el criterio de probabilidad mxima puede resumirse de la siguiente forma:
Ejemplo 6
Tambin considerando la Tabla 4 del Ejemplo 2, construimos la siguiente Tabla, que
muestra, para cada una de las alternativas, la probabilidad de que el resultado sea
mayor o igual que K=10.

Para la alternativa , slo los resultados correspondientes a los estados y


superan el valor 10, siendo sus probabilidades asociadas 0.2 y 0.5; sumando ambas se
obtiene la probabilidad de obtener un resultado mayor o igual que 10 para la alternativa
. De manera anloga se determinan las restantes probabilidades. La alternativa
ptima segn este criterio sera , pues proporciona la probabilidad ms alta.
2.3.7. rboles de Decisin

Cualquier problema que pueda presentarse en una tabla de decisin tambin puede
ilustrarse de manera grfica en un rbol de decisin. Todos los rboles de decisin son
similares en el sentido de que contienen puntos de decisin o nodos de decisin y
puntos de estados de la naturaleza o nodos de estados de la naturaleza: (Render,
2006)
1 Un nodo de decisin del que se pueden seleccionar varias alternativas.
1 Un nodo de estados de la naturaleza a partir del cual podra ocurrir un estado de la
naturaleza.
Cinco fases del anlisis por medio de rboles de decisin:
1 Definir el problema.
2 Estructurar o dibujar el rbol de decisin.
3 Asignar probabilidades a los estados de la naturaleza.
4 Calcular las ganancias de cada combinacin posible de alternativas y estados de la
naturaleza.
5 Resolver el problema mediante el clculo de los valores monetarios esperados de
cada nodo de estado de la naturaleza.
Ejemplo 7
Objetivos
Supongamos que se desea invertir $10000 en el mercado de valores comprando acciones
de una de dos compaas: A y B. Las acciones de la compaa A representan un riesgo,
pero podran dar un rendimiento del 50% sobre la inversin durante el siguiente ao. Si las
condiciones de la bolsa no son favorables (es decir, mercado a la baja), las acciones
pueden perder 20% de su valor. La compaa B proporciona inversiones seguras con 15%
de rendimiento en un mercado a la alza, y slo 5% en un mercado a la baja. Todas las
publicaciones que se han consultado, predicen un 60% de posibilidades para un mercado
a la alza y 40% de un mercado a la baja.
Dnde se debera invertir el dinero?
Primeramente resumamos en una tabla el problema de decisin:

1 Representamos al problema como un rbol de decisin:

Se utilizan dos tipos de nodos en el rbol: un cuadrado, representa un punto de


decisin, y un crculo, representa un evento de posibilidad. De esta forma, surgen dos
ramas del punto de decisin 1 para representar las dos alternativas de invertir en
acciones A o B. En seguida, las dos ramas que emanan de los eventos de posibilidad 2
y 3 representan los mercados a la alza y a la baja, con sus respectivas
probabilidades y resultados.
1 Calculamos el rendimiento esperado a 1 ao para las dos alternativas:
1
Con base en estos clculos, la decisin es invertir en las acciones A.

Preguntas de anlisis
Objetivos
Estimado estudiante, hemos revisado los contenidos referentes a la segunda semana, y
con el fin de afianzar el proceso de aprendizaje, te sugiero analices y des respuesta a
las siguientes interrogantes:
1. Proporcione un ejemplo de una buena decisin que haya tomado y que haya
resultado mal. Tambin de un ejemplo de una mala decisin que haya tomado y que
haya dado un buen resultado. Por qu fue buena o mala cada una de estas
decisiones?
2. Describa qu est involucrado en el proceso de toma de decisiones.
3. Qu es una alternativa? Qu es un estado de la naturaleza?
4. Exponga las diferencias entre un proceso de toma de decisiones bajo
certidumbre, de riesgo y de incertidumbre.
5. Cules son los criterios que se pueden aplicar para la toma de decisiones en
condiciones de riesgo?
6. Qu informacin debe colocarse en un rbol de decisin?
Video
1.1. Con ayuda del siguiente video explicaremos algunas dudas que se hayan
presentado en el concepto y tipologa de la toma de decisiones en condiciones de
riesgo de la segunda semana.
Con el contenido terico y prctico, citado en el presente video, se consolidan los
aprendizajes relacionados con el concepto de toma de decisiones en condiciones de
riesgo.
Actividad de anlisis y comprensin
Pregunta de Eleccin Mltiple
1. Con qu otro nombre se conoce a la Tabla de Pagos?
Tabla de probabilidades.

Tabla de estados de la naturaleza

Tabla de valores

Tabla de decisiones.

Tabla de alternativas.
Segn el vdeo, a la Tabla de Pagos tambin la llaman Tabla de decisiones.
Pregunta de Eleccin Mltiple
2. Es elemento de una Tabla de decisiones o Tabla de pagos:

Las diferentes alternativas de accin.

Un nmero infinito de estados de la naturaleza.

Las probabilidades de ocurrencia de algunos estados de la naturaleza.

Mejor valor esperado medio.

Valor esperado.
Todas las alternativas de accin debern ser consideradas y stas constituyen
elementos de la Tabla de Pagos.
Pregunta de Eleccin Mltiple
3. Cul es la decisin adecuada en el problema que se analiza en el video?

Importaciones

Plan de pensiones.
Amortizar la hipoteca.

Venta al por mayor

Fondo a un ao.
En las condiciones del problema, la decisin adecuada es amortizar la hipoteca.
Referencias bibliogrficas
Objetivos
Anderson, D., & Sweeney, D. (2010). Mtodos Cuantitativos para los Negocios.Mxico:
Cengage Learning Editores, S.A.
Bravo, R. B. (2000). Sociedad Andaluza de Educacin Matemtica Thales. Recuperado
el 21 de noviembre de 2014, de Recursos Didcticos Proyecto Thales CICA:
http://goo.gl/DdV5S6
Render, B. (2006). Mtodos cuentitativos para los negocios. Mxico: Pearson Prentice
Hall.
Webster, A. L. (2008). Estadstica Aplicada a los Negocios y la Economa. Madrid:
IRWIN.
Lecturas recomendadas (para ampliar conocimientos de la segunda semana)
Para saber ms
Ponemos a tu disposicin para que revises una lectura que te ayudar a reforzar y a
aclarar los temas que hemos estudiado:
1 Documento : Toma de decisiones en situaciones de certeza, riesgo e
incertidumbre
2 URL: http://goo.gl/f90vzi
3 Breve descripcin
En la presente lectura, de la Universidad Politcnica de Valencia, se describe el proceso
de toma de decisiones, se interpreta el marco mental en que estas decisiones se toman
y se analizan mtodos de valoracin de los resultados. Se recomienda interpretar los
diferentes mtodos y comparar el contenido con el de la presente gua 2.
Conclusiones de la segunda semana
Despus de haber concluido con todas las actividades de la segunda semana,
podemos mencionar algunas conclusiones:
1 La toma de decisiones es inherente al profesional moderno, quien tiene la necesidad
y la obligacin de tomar decisiones adecuadas, para evitar que determinada
empresa colapse.
1 La teora matemtica y estadstica nos proporciona tcnicas para tomar decisiones
ms adecuadas.
1 El proceso de toma de decisiones bsicamente se constituye en diferentes fases:
identificacin del problema, bsqueda de alternativas, establecimiento de criterios,
eleccin de una de ellas e implementacin y control.
1 De igual forma hemos aprendido que en algunas situaciones concretas se pueden
obtener soluciones ptimas, sin embargo, en el da a da de las empresas las
situaciones se desarrollan esencialmente en situaciones de riesgo e incertidumbre.
1 Ante situaciones de riesgo e incertidumbre existen diversos criterios que pueden
ayudar al decisor a decantarse por una alternativa u otra de entre las que tiene a su
disposicin.
1 Es importante recordar que la aplicacin de los criterios estudiados, pueden ser
afectados por factores externos tales como: estratgicos, polticos, de oportunidad,
etc. que pueden afectar a la toma de decisiones.

TERCERA SEMANA
Tema 03: Toma de Decisiones bajo condiciones de Riesgo
Estimados estudiantes, bienvenidos al interesante tema Dominemos las tcnicas
estadsticas para la toma de decisiones bajo condiciones de Riesgo con uso del muestreo.
Aprenderemos el uso de la teora de probabilidades a partir de muestras aleatorias, rboles
de decisin, teorema de Bayes, etc. para actualizar datos existentes y enriquecer nuestro
proceso de anlisis en la toma de decisiones.
Introduccin al tema
Al aplicar el mtodo del valor esperado (Tema 2), se mostr cmo la informacin de
probabilidad acerca de los estados de la naturaleza afecta los clculos del valor esperado
y, por tanto, la recomendacin de decisin. Suele suceder, con frecuencia, que quien toma
la decisin cuente con las evaluaciones preliminares oprobabilidad previa para los estados
de la naturaleza, que son los mejores valores de probabilidad disponibles en ese momento.
Sin embargo, para tomar la mejor decisin posible, puede desear obtener informacin
adicional de dichos estados. Esta nueva informacin podra utilizarse para revisar o
actualizar las probabilidades previas, de modo que la decisin final se base en
probabilidades ms certeras para los estados de la naturaleza. Con frecuencia la
informacin adicional se obtiene mediante experimentos diseados para
proporcionarinformacin muestral acerca de los estados. El muestreo de materia prima, la
prueba de productos y los estudios de investigacin de mercados son ejemplos de
experimentos (o estudios) que permiten a la gerencia revisar o actualizar las
probabilidades del estado de la naturaleza. Estas revisiones se llaman probabilidades
posteriores.
Mapa conceptual referido al tema
El presente mapa conceptual resume la temtica que abordamos en la presente semana.
Qu conceptos son conocidos?, cules desconocidos?
3.1 El
uso
del

muestreo en la toma de decisiones


Al aplicar el mtodo del valor esperado, mostramos cmo la informacin de la probabilidad
sobre los estados de la
naturaleza afecta a los clculos
del valor esperado y, por tanto, a
la decisin recomendada. Con
frecuencia los tomadores de
decisiones hacen evaluaciones
preliminares o deprobabilidad
previa para los estados de la
naturaleza que son los mejores
valores de probabilidad
disponibles en ese momento. Sin
embargo, es posible que para
tomar la mejor decisin el
tomador de decisiones quiera
buscar informacin adicional
sobre los estados de la
naturaleza. Esta nueva informacin se puede utilizar para revisar o actualizar las
probabilidades anteriores, de modo que la decisin final se base en probabilidades ms
precisas para los estados de la naturaleza. Con mayor frecuencia, la informacin adicional
se obtiene por medio de experimentos diseados para proporcionar informacin
muestral acerca de los estados de la naturaleza. El muestreo de materias primas, las
pruebas de productos y la investigacin de mercados son ejemplos de experimentos (o
estudios) que permiten a la gerencia revisar o actualizar las probabilidades del estado de la
naturaleza. Estas probabilidades revisadas se llaman probabilidades posteriores.
(Sweeney, 2011)
Tomemos como ejemplo el proyecto de construccin de la empresa Pittsburgh
Development Corporacin. (Sweeney, 2011)
Pittsburgh Development Corporation (PDC) compr un terreno para construir un lujoso
complejo de condominios. El lugar tiene una vista espectacular sobre el centro de
Pittsburgh y el Golden Triangle formado por los ros Allegheny y Monongahela que se unen
para formar el ro Ohio. PDC desea vender cada condominio en un precio entre $300 000 y
$1 400 000.
Para empezar, PDC ha encargado tres proyectos arquitectnicos de distintos tamaos: uno
de 30 condominios, otro de 60 condominios y el tercero de 90 condominios. El xito del
proyecto depender tanto del tamao del complejo como del evento aleatorio de la
demanda que pueda haber por los condominios. El problema de decisin de PDC es elegir
el tamao del complejo que conduzca a las mayores ganancias, dada la incertidumbre
relativa en la demanda de los condominios. (Sweeney, 2011)
3.2 Concepto de regla decisin
La regla de decisin es la forma de establecer la mejor entre todas las alternativas (una
forma es a travs del rbol de decisiones, como veremos luego).
De acuerdo con el planteamiento del problema presentado, es claro que la decisin es el
tamao adecuado del condominio. PDC tiene las siguientes tres alternativas para su
decisin:

Un

factor importante en la eleccin de la mejor


alternativa es la incertidumbre relacionada con el
evento aleatorio de la demanda que pueda haber por el condominio. Al preguntarse por las
posibilidades de demanda, el presidente de PDC reconoce que existe una amplia gama,
pero considera la ocurrencia de dos eventos aleatorios: una demanda alta y una demanda
baja.
En el anlisis de decisin, a los posibles resultados de un evento aleatorio se les conoce
como estados. Los estados se definen de tal manera que uno y slo uno de los estados
pueda presentarse.
En el problema de PDC, el evento aleatorio de la demanda de los condominios tiene dos
estados:

Los directivos elegirn,


primero, una alternativa de decisin (tamao del complejo), despus seguir un estado (demanda
por los condominios) y por ltimo se tendr una consecuencia. En este caso, la consecuencia son
las ganancias que obtendr PDC. (Sweeney, 2011)

Continuando con el ejemplo de PDC, supongamos que el director considera la posibilidad


de hacer un estudio de investigacin de mercado de seis meses de duracin para conocer
mejor la aceptacin potencial en el mercado del proyecto de los condominios de PDC. El
director prev que el estudio de la investigacin de mercado proporcionar uno de los dos
siguientes resultados:
1. Informe favorable: Una cantidad significativa de las personas entrevistadas expres
inters por comprar un condominio de PDC.
2. Informe desfavorable: Muy pocas de las personas entrevistadas expresaron inters por
comprar un condominio de PDC.
3.3 El teorema de Bayes en la toma de decisiones con uso del muestreo.

Ejemplo de aplicacin del teorema de Bayes


El 20% de los empleados de una empresa son ingenieros y otro 20% son economistas. El
75% de los ingenieros ocupan un puesto directivo y el 50% de los economistas tambin,
mientras que los no ingenieros y los no economistas solamente el 20% ocupa un puesto
directivo. Cul es la probabilidad de que un empleado directivo elegido al azar sea
ingeniero?
Solucin

3.4 Valor esperado de informacin de la muestra.


Objetivos
Antes de realizar cualquier experimento
debe determinarse su valor potencial. Se
presentan aqu dos mtodos
complementarios para evaluar su valor
potencial.
Cuando se aplica el primer mtodo se
supone (de manera poco realista) que la
experimentacin eliminar toda la
incertidumbre sobre cul es el estado
verdadero de la naturaleza y despus se hace un clculo rpido sobre cul sera la mejora
del pago esperado (ignora el costo de experimentacin).
Esta cantidad, llamada valor esperado de la informacin perfecta, proporciona una cota
superior del valor potencial del experimento. Por lo tanto, si esta cota superior es menor
que el costo del experimento, en definitiva ste no debe llevarse a cabo.
Sin embargo, si esta cota superior excede el costo de la experimentacin, debe usarse el
segundo mtodo (ms lento). Este mtodo calcula la mejora real del pago esperado (pasa
por alto el costo de experimentacin) que resultara de realizar el experimento. La
comparacin de esta mejora (llamada valor esperado de la experimentacin) con el costo
indica si el experimento debe llevarse a cabo. (Hillier, 2010)
Suponga ahora que el experimento puede identificar de manera definitiva cul es el
verdadero estado de la naturaleza y proporcionar con esto informacin perfecta.
Cualquiera que sea el estado de la naturaleza identificado, se debe elegir la opcin con el
mximo pago para ese estado. No se sabe de antemano cul estado se identificar, por lo
que el clculo del pago esperado con la informacin perfecta (sin el costo de
experimentacin) requiere ponderar el pago mximo para cada estado de la naturaleza con
la probabilidad a priori de ese estado.
En el problema de PDC, la informacin muestral que se usa para determinar la estrategia
ptima de decisin es el estudio de la investigacin de mercado. El valor esperado del
estudio de la investigacin de mercado es $15.93. Si no se realiza la investigacin de
mercado, el mejor valor esperado es $14.20.
Por tanto, se concluye que la diferencia
$15.93 - $14.20 = $1.73
es el valor esperado de la informacin muestral (VEIM). En otras palabras, realizar el
estudio de la investigacin de mercado agrega $1.73 millones al valor esperado de PDC.

3.5 Procesos de decisin polietpicos. rboles de decisin con uso de muestreo.


Un rbol de decisin proporciona una forma para desplegar visualmente el problema y
despus organizar el trabajo de clculos. Estos rboles de decisin son en especial tiles
cuando debe tomarse una serie de decisiones. (Hillier, 2010)
En la figura 1 se presenta el rbol de
decisin para el problema de PDC con
informacin muestral, en el que se
observa la secuencia lgica de las
decisiones y de los eventos aleatorios.
Primero, el director de PDC debe
decidir si llevar a cabo el estudio de la
investigacin de mercado. Si se realiza
este estudio, el director de PDC debe
estar preparado para tomar una
decisin acerca del tamao del
complejo de condominios en caso de
que el informe del estudio de la
investigacin de mercado sea favorable
y, tal vez, otra decisin distinta acerca
del tamao del complejo si el informe
de la investigacin de mercado es
desfavorable.
En la figura 1 los cuadrados indican
nodos de decisin y los crculos indican
nodos aleatorios.
En cada nodo de decisin, la rama que
se siga depende de la decisin que se
tome. En cada nodo aleatorio, la rama
que se siga depende de la probabilidad.
Por ejemplo, el nodo de decisin 1
indica que PDC debe decidir si realiza
el estudio de investigacin de mercado.
Si realiza el estudio de investigacin de
mercado, el nodo aleatorio 2 indica que
las ramas del informe favorable y del
informe desfavorable no se encuentran bajo control de PDC y estarn determinadas por la
casualidad. El nodo 3 es de decisin e indica que si el informe de la investigacin de
mercado es favorable, PDC debe decidir si el complejo que construya ser pequeo,
mediano o grande. El nodo 4 es un nodo de decisin que indica que si el reporte de la
investigacin de mercado es desfavorable, PDC debe decidir si el complejo que construya
ser pequeo, mediano o grande. El nodo 5 es un nodo de decisin que indica que si PDC
no realiza la investigacin de mercado debe decidir si el complejo que construya ser
pequeo, mediano o grande.
Los nodos 6 a 14 son aleatorios e indican que las ramas de los estados alta demanda o
baja demanda sern determinadas por la casualidad.
Para el anlisis de un rbol de decisin y para la eleccin de una estrategia ptima es
necesario que se conozcan todas las probabilidades de rama de todos los nodos
aleatorios. PDC tiene las siguientes probabilidades de rama.
Si se realiza el estudio de investigacin de mercado
Si el informe de la investigacin de
mercado es
favorable

Si no se realiza la investigacin de mercado, se pueden emplear las probabilidades previas

En el rbol de decisin de la figura 1, sobre el rbol de decisin, se muestran las


probabilidades de rama.
El mtodo que se emplea para determinar la estrategia ptima de decisin se basa en
recorrer el rbol de decisin en sentido regresivo, de atrs para adelante, debe seguir los
pasos que se indican a continuacin:
1. En los nodos aleatorios se calcula su valor esperado al multiplicar la recompensa
que aparece al final de cada rama por la correspondiente probabilidad de la rama.
2. En los nodos de decisin, se elige la rama de decisin que conduzca al mayor valor
esperado. Este valor esperado ser el valor esperado del nodo de decisin.

3.6 Concepto de funcin de utilidad


Objetivos
Para ilustrar lo mencionado respecto a la utilidad,
supongamos que hay una posibilidad de 50-50 de que
una inversin de 20000 dlares produzca una utilidad
de 40000 dlares o se pierda por completo.
La utilidadesperada asociada es 40000x0.5
20000x0.5 = 10000 dlares. Aunque hay
una utilidad esperada neta, diferentes individuos
interpretan el resultado de manera diferente. Un
inversionista que est dispuesto a aceptar el riesgo
puede emprender la inversin por una oportunidad de
50% de obtener una ganancia de 40000 dlares. A la
inversa un inversionista conservador quiz no est
dispuesto al riesgo de perder 20000 dlares. Desde este punto de vista, decimos que
diferentes individuos muestran diferentes actitudes hacia el riesgo. Esto se traduce a decir
que los individuos muestran diferente utilidadcon respecto al riesgo. (Taha, 2004)
La determinacin de la utilidad es subjetiva. Depende de nuestra actitud la aceptacin del
riesgo.
Cmo cuantificar la actitud hacia el riesgo de quien toma las decisiones?
En la ilustracin de inversin anterior, el mejor resultado es 40000 dlares y el peor es
-20000 dlares. De esta forma establecemos una escala de utilidad arbitraria, pero lgica,
U, de 0 a 100, en la que 0 es igual a la utilidad de -20000 dlares y 100 la utilidad de 40000
dlares, es decir, U(-20000)=0 y U(40000)=100. Enseguida, determinamos la utilidad de los
puntos entre -20000 dlares y 40000 dlares, con el objetivo de establecer la forma
general de la funcin de utilidad.

Si
la

actitud de quien toma la decisin es indiferente con respecto al riesgo, la funcin de utilidad
resultante ser una recta que una a (0, -$20000) con (100 $40000). En este caso, tanto el
dinero real como su utilidad deben producir decisiones consistentes. Para los casos ms
realistas, la funcin de utilidad puede adoptar otras formas, que reflejen la actitud hacia el
riesgo de quien toma decisiones. La Figura 2 ilustra los casos de los individuos X , Y y Z .
El individuo X es precavido (o cauteloso) porque tiene mayor sensibilidad a prdidas que a
ganancias. El individuo Z es lo contrario; es una persona arrojada. La figura muestra que
para la persona precavida X, la cada en la utilidad que corresponde a una prdida de
$10000 es mayor que el aumento asociado con una ganancia de $10000; esto es, Para
los mismos cambios ,,,, $10000 el arrojado Z muestra un comportamiento opuesto,
porque . Adems el individuo Y es neutral, porque los cambios sugeridos producen
cambios iguales en la utilidad. En general, un individuo puede ser precavido y arrojado al
mismo tiempo, en cuyo caso la curva de conveniencia tendr la forma de una S alargada.
Las de utilidad como las de la figura 2 se determinan cuantificando la actitud del tomador
de decisiones hacia el riesgo, para distintos niveles de dinero en efectivo. En nuestro
ejemplo, el intervalo deseado es (-$20000 a $40000), y el intervalo correspondiente de
utilidad es (0 a 100). Y si quisiramos especificar la utilidad correspondiente a los valores
intermedios de dinero en efectivo, por ejemplo -$10000, $0, $10000, $20000 y $30000?. El
procedimiento comienza estableciendo una lotera para una cantidad monetaria , cuya
utilidad esperada se define como:

Para determinar, se pide a quien toma decisiones que defina una preferencia entre una

cantidad de dinero garantizada x y la oportunidad de jugar en una lotera, en la que se


incurre en una prdida de -$20000 con probabilidad p, y una utilidad de $40000
con una probabilidad . Quien toma las decisiones traduce la preferencia
especificando el valor de p que transforme en indiferentes a las dos opciones. Por ejemplo,
si el tomador de decisiones puede decir que los $20000 en efectivo garantizados y la
lotera con . son igualmente atractivos. En este caso podemos calcular la
utilidad de $20000 como:

Observar que los altos valores de con la misma lotera reflejan la bsqueda
del riesgo (en oposicin a la aversin al riesgo). Por ejemplo, con

3.7 Problemas de aplicacin.


Problema 1
La empresa ADMR es la encargada de administrar una cadena de tiendas de ropa para
caballeros, entre las que
est la tienda Riley. Esta
tienda ha venido teniendo un
xito en las ventas; sin
embargo, a raz del anuncio
de la crisis financiera, sus
ventas se han debilitado
ltimamente a tal punto que
hay incertidumbre acerca de
lo que suceder en la
prxima temporada
veraniega. (Capuay, 2011)
El gerente de ventas tiene que decidir el nmero de lotes de pantalones de verano que
debe solicitar para la venta, lo que depender de si la demanda es alta o baja. El
administrador puede ordenar 1 o 2 lotes al comienzo de la estacin. Las proyecciones de
las ganancias, en miles de dlares, se muestran en la Tabla 1.
1 A priori, con la experiencia del administrador y la informacin de los economistas, se
ha determinado que las probabilidades para la demanda son: 0.3 para la demanda
alta y 0.7 para la demanda baja.
Sin embargo, con la finalidad de obtener una buena decisin, existe la posibilidad de llevar
a cabo una investigacin de mercado para conocer el estado de la demanda. La
investigacin sera realizada por una empresa de investigacin de mercados que cobra
4000 dlares y que tiene suficiente experiencia, a tal punto que en situaciones parecidas
acert en sus resultados en el 90% cuando la demanda fue alta y en 75% cuando la
demanda fue baja.
La tabla de retribuciones, de acuerdo a la informacin descrita, es como sigue:
1 Si
el

administrador de ADMR slo tomara en cuenta las probabilidades a priori y ordenara


un lote, el valor esperado de la retribucin sera: (70)(0.3) + (40)(0.7) = 49.00 miles
de dlares
2 Si el administrador de ADMR, slo tomara en cuenta las probabilidades a priori y
ordenara dos lotes, el valor esperado de la retribucin sera: (90)(0.3) + (35)(0.7) =
51.50 miles de dlares
De acuerdo a la estrategia del mejor valor esperado, el administrador deber ordenar dos
lotes. En este caso, el valor VME* = 51.50 miles de dlares.
Uso del muestreo en la toma de decisiones

analizar si conviene o no utilizar la informacin de la investigacin de mercado, se puede


proceder de la siguiente manera. De acuerdo a los resultados y para simplificar las
notaciones, se escribe:
a1 = ordenar un lote.
a2 = ordenar dos lotes.
s1 = Demanda alta.
s2 = Demanda baja.
F = Informe acertado de la investigacin de mercado.
D = Informe no acertado de la investigacin de mercado.
A partir de la informacin que proporciona la investigacin de mercado y usando el teorema
de Bayes, calcular las probabilidades revisadas o a posteriori de los estados de la
naturaleza.
Si el informe de la investigacin es acertado (F), entonces las probabilidades a posteriori
son:
En donde la probabilidad de que el informe sea acertado se calcula como: p(F) = p(F|
s1)p(s1) + p(F|s2)p(s2) = (0.90)(0.30) + (0.75)(0.70) = 0.795

El valor

esperado para la decisin a1, ordenar un lote es: (70)(0.3396) + (40)(0.6604) = 50.19 miles
de dlares
El valor esperado para la decisin a2, ordenar dos lotes es: (90)(0.3396) + (35)(0.6604) =
56.68 miles de dlares
1 Se observa que el mejor valor esperado (56.68 miles de dlares) se logra
ordenando dos lotes.
Si el informe de la investigacin no es acertado (D), entonces las probabilidades a
posteriori son:

El valor esperado para la decisin a1, ordenar un lote es:


(70)(0.1463) + (40)(0.8537) = 44.39 miles de dlares
El valor esperado para la decisin a2, ordenar dos lotes es:
(90)(0.1463) + (35)(0.8537) = 43.05 miles de dlares
1 Se observa que el mejor valor esperado (44.39 miles de dlares) se logra
ordenando un lote.
As se tiene que, cuando se utiliza la informacin que brinda la encuestadora, la
rentabilidad neta esperada es:
VECIP 4 = (0.795)(56.68) + (0.205)(44.39) 4 = 50.16 miles de dlares.
Valor esperado de informacin de la muestra

VEIM
=

54.1605 51.50 = 2.6605


Luego ADMR debera estar dispuesta a pagar hasta 2.6605 miles de dlares.
1 Como resultado, la administradora no deber usar el estudio de mercado, pues sin
este obtendr una mayor rentabilidad esperada (51.50 miles de dlares).
rboles de decisin con uso del muestreo
Problema 2
La GOFERBROKE COMPANY es duea de unos terrenos en los que puede haber
petrleo. Un gelogo consultor ha informado a la
administracin que piensa que existe una
posibilidad de 1 entre 4 de encontrar petrleo.
(Hillier, 2010)
Debido a esta posibilidad, otra compaa petrolera
ha ofrecido comprar las tierras en 90 000 dlares.
Sin embargo, la Goferbroke considera conservarlas
para perforar ella misma. El costo de la perforacin
es de 100 000 dlares. Si encuentra petrleo, el
ingreso esperado ser de 800 000 dlares; as, la
ganancia esperada para la compaa (despus de
deducir el costo de la perforacin) ser de 700 000
dlares. Se incurrir en una prdida de 100 000
dlares (el costo de barrenar) si no se encuentra
petrleo.
En la tabla 4 se resumen estos datos.
Una
opcin

disponible antes de tomar una decisin es llevar a cabo una exploracin sismolgica del
terreno para obtener una mejor estimacin de la probabilidad de que haya petrleo. El
costo es de 30 000 dlares. Una exploracin sismolgica obtiene sondeos ssmicos que
indican si la estructura geolgica es favorable para la presencia de petrleo. Los resultados
posibles de la exploracin se dividen en las siguientes categoras:
SSD: sondeos ssmicos desfavorables; es poco probable encontrar petrleo.
SSF: sondeos ssmicos favorables; es bastante probable encontrar petrleo.
Con base en la experiencia, si hay petrleo, la probabilidad de sondeos ssmicos
desfavorables es:

De igual manera, si no hay petrleo es decir, si el verdadero estado de la naturaleza es


Seco,entonces la probabilidad de sondeos ssmicos desfavorables se estima en:

Ms adelante se usarn estos datos para encontrar las probabilidades a posteriori de los
respectivos
estados de la naturaleza dados los sondeos ssmicos.
Si el resultado de la exploracin son sondeos ssmicos desfavorables (SSD), entonces las
probabilidades a posteriori son:
De

manera similar, si en la exploracin se obtienen sondeos ssmicos favorables (SSF),


entonces

Preguntas de anlisis
Estimado estudiante, hemos revisado los contenidos referentes a la tercera semana,
y con el fin de afianzar tu aprendizaje, te sugiero analices y des respuesta a las
siguientes preguntas:
1. Con qu finalidad se lleva a cabo la investigacin de mercado en la toma de
decisiones muestral?
2. Qu informacin nos brinda la tabla de retribuciones?
3. A qu se denomina probabilidad a priori y probabilidad a posteriori en su
relacin con el tema de la presente gua?
4. En qu casos usar la tabla de retribuciones y en qu casos los rboles de
decisin?
5. Para qu sirve el clculo del valor esperado de informacin de la muestra?
Actividad de anlisis y comprensin
Pregunta de Eleccin Mltiple
1. Qu es un rbol de Decisin?

Una tcnica que se utiliza para la toma de decisiones secuenciales basada en el uso slo
de probabilidades asociadas.

Una tcnica que se utiliza para la toma de decisiones secuenciales basada slo y
exclusivamente en el uso de resultados.

Una tcnica que se utiliza para la toma de decisiones secuenciales basada en el uso de
resultados y algunas veces teniendo en cuenta probabilidades asociadas.
Una tcnica que se utiliza para la toma de decisiones simultneas basada en el uso de
resultados y probabilidades asociadas.

Una tcnica que se utiliza para la toma de decisiones secuenciales basada en el uso de
resultados y probabilidades asociadas.
Los rboles de decisin para el caso de la toma de decisiones bajo condiciones de riesgo
con uso del muestreo es una tcnica de toma de decisiones secuenciales (polietpica), que
hace uso de la informacin, resultados previos, y su anlisis se basa en la teora de
probabilidades.
Pregunta de Eleccin Mltiple
2. Respecto a las ventajas de los rboles de decisin, se puede mencionar:

Presenta siempre la misma ventaja que una tabla de resultados.

Facilita la interpretacin de la decisin adoptada incluso en casos complejos.

Reduce el nmero de variables manteniendo su estructura inicial.

Facilita la interpretacin visual y siempre tiene que construirse a partir de una tabla de
resultados.

No es tan ventajoso su uso en cualquier circunstancia.


Los problemas de decisin que involucran una sola variable de decisin y una variable de
estado pueden ser analizados utilizando las tablas de resultados. Pero cuando los
problemas son ms complejos y el nmero de estas variables aumenta, la construccin de
tales tablas se torna imposible
Pregunta de Eleccin Mltiple
3. Indica el significado de la expresin: p(B|A)

Probabilidad de que ocurra el suceso A con la condicin de que ocurra el suceso B.

Probabilidad de que ocurra el suceso B y el suceso A simultneamente.


Probabilidad de que ocurra el suceso B con la condicin de que pueda no ocurrir el suceso
A.

Probabilidad de que ocurra el suceso B con la condicin de que ocurra el suceso A.

Probabilidad de que ocurra el suceso A con la condicin de que ocurra el suceso B.


La expresin que se indica, corresponde a un tipo de probabilidad condicional y significa la
probabilidad de que ocurra el suceso B con la condicin de que ocurra el suceso A.

Video 1
1.1. Con ayuda del siguiente video explicaremos algunas dudas que se hayan
presentado en el concepto y tipologa de la toma de decisiones en condiciones de
riesgo muestral, de la tercera semana.
Con el contenido terico y prctico, citado en el presente video, se consolidan los
aprendizajes relacionados con el concepto de Teorema de Bayes.
Video 2
Con el contenido terico y prctico, citado en el presente video, se consolidan los
aprendizajes relacionados con el concepto de rboles de decisin y su relacin con
la toma de decisiones.
Referencias (bibliogrficas)
Capuay, C. V. (2011). Estadstica para la administracin y los negocios. Mxico: Pearson
Educacin.
Eppen, G. D. (2000). Investigacin de Operaciones en la Ciencia Administrativa. Mxico:
Pearson Prentice Hall.
Hillier, F. (2010). Introduccin a la Investigacin de Operaciones. Mxico: McGrawHill.
Sweeney, A. (2011). Mtodos cuantitativos para los negocios. Mxico: Cengage Learning
Editores S. A.
Taha, H. (2004). Investigacin de Operaciones. Mxico: Pearson Prentice Hall.
Lecturas recomendadas (para ampliar conocimientos de la tercera semana)
Para saber ms
Ponemos a tu disposicin el interesante texto: Introduccin a la Investigacin de
Operaciones de los reconocidos autores Frederick S. Hillier y Gerald J. Lieberman, en el
que podrs complementar las ideas generales de la temtica tratada en la presente
semana.
1 Documento : Introduccin a la Investigacin de Operaciones.
2 URL: http://goo.gl/EPmlar
3 Breve descripcin
El texto presentado, se caracteriza por su excelente motivacin, explicaciones claras e
intuitivas, interesantes ejemplos acerca de la prctica profesional, organizacin adecuada
del material que presentan, a su software de soporte de gran utilidad y al uso moderado de
las matemticas. Se recomienda leer detenidamente el Captulo 15: Anlisis de decisiones.
Conclusiones de la tercera semana
Despus de haber concluido con todas las actividades de la tercera semana,
podemos mencionar las siguientes conclusiones importantes:
1 Para tomar la mejor decisin posible, se tiene que obtener informacin adicional de
los estados de la naturaleza respectivos, acudiendo para ello al muestreo de materia
prima, prueba de productos, estudios de investigacin de mercados, obteniendo
mejores estimaciones de las probabilidades de todos los estados posibles de la
naturaleza.
1 Los rboles de decisin son una herramienta visual til para analizar esta opcin o
cualquier serie de decisiones. Hace posible el uso de la regla de decisin.
1 La teora de la utilidad proporciona una manera de incorporar al anlisis la actitud
del tomador de decisiones frente al riesgo.
CUARTA SEMANA
Tema 04: Toma de decisiones en situacin de incertidumbre

Estimados estudiantes, bienvenidos al interesante tema referido a la toma de decisiones en


situacin de incertidumbre. Un tema tambin muy importante de la teora de decisiones,
que nos proporciona mtodos y tcnicas para la solucin de problemas en los que se
desconoce la distribucin de probabilidades de los estados de la naturaleza; tales tipos de
problemas son muy comunes en el entorno profesional administrativo y econmico que nos
compete conocer. Se abordarn temas relacionados con problemas de decisin cuando
prevalece la incertidumbre (sin conocimiento de la distribucin de probabilidades de los
estados de la naturaleza), criterios de Bayes Laplace, Optimista, Wald, Realista o de
Hurwicz, de la Prdida de Oportunidad, del Mtodo de Amplitud, y de las Probabilidades
subjetivas. Al finalizar la semana podrs reconocer y plantear problemas con condiciones
de incertidumbre, adems de aplicar adecuadamente los diferentes criterios para su
solucin.
Introduccin al tema
Cuando se toman decisiones en condiciones de
incertidumbre, no hay conocimiento previo del estado
natural que predominar. Por consiguiente es preciso
elaborar una estrategia que ayude a tomar las
decisiones. Esta estrategia depende en parte de que
se quiera adoptar una filosofa empresarial agresiva o
bien un enfoque ms conservador.
Las empresas se pueden caracterizar a menudo por ser agresivas o cautelosas en sus
estilos de direccin. El estilo agresivo va asociado ntimamente a una actitud optimista,
mientras que el estilo conservador se caracteriza por un pesimismo cauteloso.
Cuando adopta una estrategia optimista, el directivo piensa que, dada cualquier decisin
alternativa, ocurrir el estado natural ms favorable. En cambio, el enfoque ms
conservador basa sus decisiones en el temor de que ocurra el estado natural menos
favorable.
En los procesos de decisin bajo incertidumbre, el decisor conoce cules son los posibles
estados de la naturaleza, aunque no dispone de informacin alguna sobre cul de ellos
ocurrir. No slo es incapaz de predecir el estado real que se presentar, sino que adems
no puede cuantificar de ninguna forma esta incertidumbre.
En particular, esto excluye el conocimiento de informacin de tipo probabilstico sobre las
posibilidades de ocurrencia de cada estado.
Mapa conceptual referido al tema
En el presente mapa conceptual se sintetizan los principales conceptos de la temtica que
tratamos en la semana 4. Qu conceptos son conocidos?, Cules desconocidos?

4.1 Entornos y estructura de problemas de decisin cuando prevalece la


incertidumbre y no se conoce la distribucin de probabilidad de los estados de la
naturaleza.
La incertidumbre que rodea a muchas
decisiones proviene de nuestra falta de
conocimiento del estado natural que
pueda aparecer. El resultado final de una
toma de decisiones en condiciones de
incertidumbre puede tardar algn tiempo
en conocerse dependiendo del efecto
que el estado natural predominante
ejerza en ltimo trmino. Como quien
toma la decisin no tiene ningn control
sobre los estados naturales, ha de elegir una de las decisiones alternativas sin conocer a
ciencia cierta su resultado final. (Webster, 2008)
Estudio de caso
En cierta ciudad se va a construir un aeropuerto en una de dos posibles ubicaciones A y B,
que ser elegida el prximo ao.
Una cadena hotelera est
interesada en abrir un hotel cerca
del nuevo aeropuerto, para lo cual
tiene que decidir qu terrenos
comprar. La siguiente tabla muestra
el precio de los terrenos, el
beneficio estimado que obtendr el
hotel en cada posible localizacin si
el aeropuerto se ubica all, y el
valor de venta de cada terreno si
finalmente el aeropuerto no se
construye en ese lugar (los
cantidades aparecen expresadas
en 10 miles de dlares). (Bravo,
2000)
1 Cul es la decisin ms adecuada?

Las

alternativas posibles de que dispone el decisor son las siguientes:


1 Comprar la parcela en A.
1 Comprar la parcela en B.
1 Comprar ambas parcelas.
1 No comprar ninguna parcela.
Por otra parte, los posibles estados de la naturaleza son:
1 El aeropuerto se construye en A.
1 El aeropuerto se construye en B.
As, si la cadena hotelera compra el terreno en A y el aeropuerto se construye all
finalmente, obtendr como rendimiento final el correspondiente a la explotacin del hotel,
31, menos la inversin realizada en la compra del terreno, 18, es decir, 31-18 = 13. Por el
contrario, si el aeropuerto se construye en B, el terreno adquirido en A deber ser vendido,
por lo que se obtendr un beneficio de 6, al que habr que restar la inversin inicial en la
compra, 18. Esto proporciona un rendimiento final de 6-18 = -12.
De manera anloga se determinan los resultados de las restantes alternativas ante cada
uno de los posibles estados de la naturaleza, dando lugar a la siguiente tabla de decisin:
1 A

continuacin se describen las diferentes reglas de decisin en ambientes de


incertidumbre, y que sern sucesivamente aplicadas al ejemplo de construccin del
hotel.

4.2 Criterio de Bayes - Laplace


Este criterio, propuesto por Laplace en 1825, est basado en el principio de razn
insuficiente: como a priori no existe ninguna razn
para suponer que un estado se puede presentar
antes que los dems, podemos considerar que todos
los estados tienen la misma probabilidad de
ocurrencia, es decir, la ausencia de conocimiento
sobre el estado de la naturaleza equivale a afirmar
que todos los estados son equiprobables. As, para
un problema de decisin con n posibles estados de
la naturaleza, asignaramos probabilidad 1/n a cada
uno de ellos. (Bravo, 2000)
Una vez realizada esta asignacin de
probabilidades, a la alternativa le corresponder un
resultado esperado igual a:

La regla de Laplace selecciona como alternativa ptima aquella


que proporciona un mayor resultado esperado:

Ejemplo 1
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra los resultados
esperados para cada una de las alternativas. (Bravo, 2000)
El
resultado esperado mximo se obtiene para la tercera alternativa, por lo que la decisin
ptima segn el criterio de Laplace sera
comprar ambas parcelas.
Observacin:
1 La objecin que se suele hacer al
criterio de Laplace es la siguiente: ante una misma realidad, pueden tenerse
distintas probabilidades, segn los casos que se consideren. Por ejemplo, una
partcula puede moverse o no moverse, por lo que la probabilidad de no moverse es
1/2. En cambio, tambin puede considerarse de la siguiente forma: una partcula
puede moverse a la derecha, moverse a la izquierda o no moverse, por lo que la
probabilidad de no moverse es 1/3.
1 Desde un punto de vista prctico, la dificultad de aplicacin de este criterio reside en
la necesidad de elaboracin de una lista exhaustiva y mutuamente excluyente de
todos los posibles estados de la naturaleza.
1 Por otra parte, al ser un criterio basado en el concepto de valor esperado, su
funcionamiento debe ser correcto tras sucesivas repeticiones del proceso de toma
de decisiones. Sin embargo, en aquellos casos en que la eleccin slo va a
realizarse una vez, puede conducir a decisiones poco acertadas si la distribucin de
resultados presenta una gran dispersin.
4.3. Criterio optimista
Objetivos
Bajo la alternativa , el mejor resultado posible que puede ocurrir tiene un valor para el
decisor dado por:
El valor . se denomina nivel de optimismo de la alternativa . representa la
recompensa mxima que el decisor recibir si selecciona tal alternativa. (Bravo, 2000)
El criterio maximax consiste en elegir aquella alternativa que proporcione el mayor nivel de
optimismo posible, por lo que . Esta regla de decisin puede enunciarse de la
siguiente forma:

Este
criterio

corresponde a un pensamiento optimista, ya que el decisor supone que la naturaleza


siempre estar de su parte, por lo que siempre se presentar el estado ms favorable.

Ejemplo 2
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra las
recompensas obtenidas junto con los niveles de optimismo de las diferentes alternativas:
(Bravo, 2000)

La

alternativa ptima segn el criterio maximax sera comprar la parcela en la ubicacin A,


pues proporciona el mayor de los niveles de optimismo.

4.4. Criterio Wald (pesimista)


Bajo la alternativa peor resultado posible que puede ocurrir tiene un valor para el
decisor dado por:
El valor se denomina nivel de seguridad de la alternativa y representa la
cantidad mnima que el decisor recibir si selecciona tal alternativa. (Bravo, 2000)

En 1950, Wald sugiere que el decisor debe elegir aquella alternativa que le proporcione el
mayor nivel de seguridad posible, por lo que As, la regla de decisin de Wald
resulta ser:

Este
criterio
recibe

tambin el nombre de criterio maximin, y corresponde a un pensamiento pesimista, pues


razona sobre lo peor que le puede ocurrir al decisor cuando elige una alternativa.
Ejemplo 3
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra las
recompensas obtenidas junto con los niveles de optimismo de las diferentes alternativas:

La

alternativa ptima segn el criterio de Wald sera no comprar ninguno de los terrenos, pues
proporciona el mayor de los niveles de seguridad.
Ejemplo 4
Oportunidad de inversin (maximin).
Un inversor quiere elegir entre invertir $10000 durante un ao a un tipo de inters
garantizado del 12 por ciento e invertir la misma cantidad durante ese periodo en una
cartera de acciones ordinarias. Si elige el tipo de inters fijo, tendr con seguridad un
rendimiento de $1200. Si elige la cartera de acciones, el rendimiento depender del
comportamiento del mercado durante el ao. Si el mercado est boyante, se espera un
beneficio de $2500; si el mercado se mantiene estable, el beneficio esperado es de $500; y
si est deprimido, se espera una prdida de $1000.
Elabore la tabla de rendimiento de este inversor y halle la eleccin de la accin mediante el
criterio maximin. (NewBold, 2008
Solucin
La Tabla 6 muestra los rendimientos (en dlares); un rendimiento negativo indica una
prdida. El rendimiento mnimo de la inversin a un tipo de inters fijo es de $1200, ya que
ste es el rendimiento que se obtendr independientemente de lo que ocurra en la bolsa
de valores. El rendimiento mnimo de la cartera de acciones es una prdida de $1000, o
sea, un rendimiento de $1000, que se produce cuando el mercado est deprimido.

Dado
que el
mayor

rendimiento mnimo es el de la inversin a un tipo de inters fijo, se deduce que se


selecciona el tipo de inters fijo como curso de accin mediante el criterio maximin.
En estos ejemplos se observa claramente la forma general de la regla de decisin basada
en el criterio maximin. El objetivo del criterio maximin es maximizar el rendimiento mnimo.
4.5. Criterio Realista o de Hurwicz
Se trata de un criterio intermedio entre el criterio
de Wald y el criterio maximax. Dado que muy
pocas personas son tan extremadamente
pesimistas u optimistas como sugieren dichos
criterios, Hurwicz (1951) considera que el
decisor debe ordenar las alternativas de
acuerdo con una media ponderada de los
niveles de seguridad y optimismo: (Bravo, 2000)
en donde es un valor especfico elegido por el decisor y aplicable a cualquier
problema de decisin abordado por l, por lo que
As, la regla de decisin de Hurwicz resulta ser:

Los

valores de a prximos a 0 corresponden a un pensamiento optimista, obtenindose en el


caso extremo el criterio Wald.
Eleccin de
Para la aplicacin de la regla de Hurwicz es preciso determinar el valor de , valor propio de
cada decisor. Dado que este valor es aplicable a todos los problemas en que el decisor
interviene, puede determinarse en un problema sencillo, como el que se muestra a
continuacin, y ser utilizado en adelante en los restantes problemas que involucren al
decisor.

Si las

alternativas y son indiferentes para el decisor, se tendr


por lo que Por tanto, para determinar el decisor debe
seleccionar repetidamente una alternativa en esta tabla, modificando el valor de
en cada eleccin, hasta que muestre indiferencia entre ambas alternativas. (Bravo,
2000)
Ejemplo 5
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra las
recompensas obtenidas junto con la media ponderada de los niveles de optimismo y
pesimismo de las diferentes alternativas para un valor

Efectuando los clculos:


1 La alternativa ptima segn el criterio de Hurwicz sera comprar la parcela en la
ubicacin B, pues proporciona la mayor de las medias ponderadas para el valor de
seleccionado.

Ejemplo 6
National Outdoors School (NOS) est preparando un sitio para acampar en el verano en el
corazn de Alaska para ensear tcnicas
de sobrevivencia en reas salvajes. NOS
estima que la asistencia puede caer en
una de cuatro categoras: 200, 250, 300 y
350 personas. El costo del campamento
ser mnimo cuando su tamao satisfaga
la demanda con exactitud. Las
desviaciones por encima y por debajo de
los niveles de demanda ideales incurren
en costos adicionales por construir ms
capacidad que la necesaria o por perder
oportunidades de ingresos cuando la
demanda no se satisface. Si a
representan los tamaos de los
campamentos (200, 250, 300 y 350
personas) y si a el nivel de asistencia, la siguiente tabla resume la matriz de costos (en
miles de dlares) para la situacin. (Taha, 2012)

Construimos la tabla 10 para el criterio de Hurwicz:


Utilizando una apropiada podemos determinar la alternativa ptima. Por ejemplo,. . o
es la ptima, y en ,, es la ptima.
4.6. Criterio de la Prdida de Oportunidad
En 1951 Savage argumenta que
al utilizar los valores para realizar la
eleccin, el decisor compara el resultado
de una
alternativa bajo un
estado de la naturaleza con todos los
dems resultados, independientemente
del estado de la naturaleza bajo el que
ocurran. Sin embargo, el estado de la
naturaleza no es controlable por el
decisor, por lo que el resultado de una alternativa slo debera ser comparado con los
resultados de las dems alternativas bajo el mismo estado de la naturaleza. (Bravo, 2000)
Con este propsito Savage define el concepto de prdida relativa o prdida de
oportunidad asociad a a un resultado
como la diferencia entre el resultado de la mejor alternativa dado que es el
verdadero estado de la naturaleza y el resultado de la alternativa
bajo el estado

As, si el verdadero estado en que se presenta la naturaleza es y el decisor elige la


alternativa que proporciona el mximo resultado
entonces no ha dejado de ganar nada, pero si elige otra alternativa cualquiera
entonces obtendra como ganancia y dejara de ganar
Savage propone seleccionar la alternativa que proporcione la menor de las mayores
prdidas relativas, es decir, si se define como la mayor prdida que puede
obtenerse al seleccionar la alternativa

el criterio de Savage resulta ser el siguiente:


Conviene destacar que, como paso previo a la aplicacin de este criterio, se debe calcular
la matriz de prdidas relativas, formada por los elementos Cada columna de esta
matriz se obtiene calculando la diferencia entre el valor mximo de esa columna y cada
uno de los valores que aparecen en ella.
Ejemplo 7
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra la matriz de
prdidas relativas y el mnimo de stas para cada una de las alternativas.

El
mayor

resultado situado en la columna 1 de la tabla de decisin original es 13; al restar a esta


cantidad cada uno de los valores de esa columna se obtienen las prdidas relativas bajo el
estado de la naturaleza Aeropuerto en A. De la misma forma, el mximo de la columna 2
en la tabla original es 11; restando a esta cantidad cada uno de los valores de esa columna
se obtienen los elementos correspondientes al estado de la naturaleza Aeropuerto en B.
Como puede observarse, el valor menor se obtiene para la tercera alternativa, por lo que la
decisin ptima segn el criterio de Savage sera comprar ambas parcelas.
Ejemplo 8
Una empresa organizadora de conciertos tiene que elegir la ubicacin de un evento; y
duda entre dos opciones: un polideportivo
cubierto o un campo de ftbol al aire libre.
Dependiendo del tiempo que haga y de la
ubicacin elegida, esperan obtener los
siguientes beneficios: (Giraldo, 2012)

1 Si montan el concierto en el
polideportivo: 30000 si hace fro,
20000 si el clima es templado y
10000 si hace calor.
1 Si montan el concierto en el campo de ftbol: -12000 si hace fro, 1000 si el
clima es templado y 43000 si hace calor.
A partir de estos datos:
- Elaborar la matriz de pagos.
- Determinar qu decisin tomarn los organizadores en situacin de incertidumbre con
el criterio de Savage.

Solucin
- Matriz de pagos: En las columnas se ponen los estados y en las filas las acciones.
La matriz se rellena con las utilidades (ganancias) correspondientes a cada accin /

Det
ermin
acin
de la

decisin que tomarn los organizadores segn el criterio de Savage.


Savage emplea la frustracin, es decir, la diferencia entre los alcanzable y lo obtenido.
Matriz de frustraciones: al valor mximo por filas restar el valor de la casilla, despus
escoger el mnimo de los valores mximos por filas de la matriz.

Por lo
tanto,
la
decisin ptima que realizaran los organizadores de conciertos, es de acuerdo a la
alternativa de uso del polideportivo.
Observaciones
1 El criterio de Savage puede dar lugar en ocasiones a decisiones poco razonables.
Para comprobarlo, consideremos la siguiente tabla de resultados:

La

tabla de prdidas relativas correspondiente a esta tabla es la siguiente:


La alternativa ptima es Supongamos ahora que se aade una alternativa, dando
lugar a la siguiente tabla de resultados

La

nueva tabla de prdidas relativas sera:


El criterio de Savage selecciona ahora como alternativa ptima cuando antes

seleccion Este cambio de alternativa resulta un poco paradjico: supongamos que a una
persona se le da a elegir entre peras y manzanas, y prefiere peras. Si posteriormente se la
da a elegir entre peras, manzanas y naranjas, esto equivaldra a decir que ahora prefiere
manzanas
4.7 Criterio del El Mtodo de Amplitud
El Modelo de Amplitud (EMA), es
en s una combinacin del modelo
de Laplace, ya que lo primero que
se hace es calcular los valores
promedios, con cierta similitud al
modelo de Hurwicz, dado que se
corrige este valor promedio a travs
de un factor , que acta sobre la
amplitud, funcionando sta como un
castigo para cada alternativa.
(Hernndez, 2001)
El sentido de El Modelo de Amplitud, y de all la amplitud como castigo, es que entre
alternativas con pagos similares, difiriendo en su medida de dispersin, debe ser
seleccionada aquella que tenga menor dispersin, dado que implica un menor riesgo.
Sin embargo, como cada decisor tiene aversin o propensin al riesgo diferente, se deja en
libertad para que sea l quien escoja el valor de , que usar como castigo. Aunque, se
entiende que el factor de correccin, 0<= <= 1, en realidad el lmite superior no es
necesario, dado que quien toma la decisin puede incluso darle un peso de mayor que
uno, pero, como se discutir ms adelante, se puede, en caso extremo, perder el sentido
del modelo.
En resumen, la expresin de El Modelo de Amplitud quedar, para el caso de
maximizacin:
con como la amplitud de la alternativa i. Y VEi el valor esperado de la alternativa , que tal
como se calcul por el modelo de Laplace:

En el caso de minimizacin, manteniendo la misma nomenclatura se tiene:


Es importante
destacar, que
si bien, entre las alternativas posibles se decidi usar la amplitud. el Modelo de Amplitud no
perdera validez si se usara la desviacin estndar o la varianza.
4.8. Criterio de las Probabilidades Subjetivas
El mtodo de las probabilidades subjetivas mide el grado de creencia en la posibilidad de
que ocurra en el futuro un resultado determinado. As pues, estas posibilidades son una
valoracin subjetiva de la naturaleza de la realidad, en contraste con las probabilidades
objetivas que lo hacen sobre un hecho actual, cuantificable y observable. Las
probabilidades subjetivas son juicios intuitivos sobre las probabilidades de los estados de
la naturaleza, realizadas por individuos que poseen experiencia en los fenmenos
implicados. La probabilidad subjetiva se utiliza en los casos que la probabilidad objetiva no
puede usarse. El principal problema con las probabilidades subjetivas es que diferentes
decisores pueden dar diferentes estimaciones de las probabilidades, e incluso pueden
cambiar sus estimaciones como resultado de factores psicolgicos, emocionales u
otros. (Salort, 1997)
As por ejemplo, si se desea determinar la probabilidad de que el Per tenga un gobierno
democrtico en el ao 2020, uno no puede calcular la probabilidad objetiva de ello, ni idear
un experimento que proporcione una frecuencia relativa. En estos casos la probabilidad
subjetiva es la manera relevante, y en muchas situaciones la nica, de asignar
probabilidades a una ocurrencia.
Preguntas de anlisis
Estimado estudiante, hemos revisado los contenidos referentes a la cuarta semana,
y con el fin de afianzar tu aprendizaje, te sugiero analices y des respuesta a las
siguientes preguntas:
1. Determinar en qu condiciones se debe utilizar cada uno de los criterios para
la toma de decisiones en condiciones de incertidumbre, estudiados en la presente
gua?
2. Indicar cundo se toman las decisiones en situacin de incertidumbre.
3. Calcular y definir el valor esperado de una decisin alternativa y el valor
esperado de la prdida de oportunidad.
4. Crear una tabla de prdida de oportunidad.
5. Construir una tabla de utilidad y emplear la unidad esperada para determinar la
decisin alternativa ptima.
6. Mencionar un ejemplo en el que se debe aplicar el criterio de probabilidad
subjetiva.
Video
1.1. Con ayuda del siguiente video explicaremos algunas dudas que se hayan
presentado en el concepto y tipologa de la toma de decisiones en condiciones de
incertidumbre de la cuarta semana.
Con el contenido terico y prctico, citado en el presente video, se consolidan los
aprendizajes relacionados con el concepto de toma de decisiones en condiciones de
incertidumbre.

Actividad de anlisis y comprensin


Pregunta de Eleccin Mltiple
1. Cules son los elementos de una tabla de decisin?

Alternativas de accin, estados de la naturaleza, rendimientos.

Alternativas de accin, estados de la naturaleza, probabilidades de los estados de la


naturaleza.

Alternativas de accin, estados de la naturaleza, decisiones.

Alternativas de accin, estados de la naturaleza, porcentajes.

Alternativas de accin, resultados, rendimientos.


Para el caso de toma de decisiones en condiciones de incertidumbre, se desconocen las
probabilidades de los estados de la naturaleza, motivo por el cual, la tabla de decisin
bsicamente presenta tres elementos: Alternativas de accin, estados de la naturaleza y
rendimientos (pagos, resultados).
Pregunta de Eleccin Mltiple
2. Con respecto a la unidad de retorno, rendimiento o pago, qu se puede
mencionar?:

Slo se expresa en unidades monetarias.

Se puede expresar en unidades monetarias, utilidades o cualquier otra unidad que se


quiera considerar.
No tiene unidades

Presenta siempre unidades porcentuales

Tiene carcter cualitativo


El retorno, el pago, resultado o rendimiento se expresa numricamente y puede tener
unidades monetarias, utilidades o cualquier otra unidad que se quiera considerar.
Pregunta de Eleccin Mltiple
3. Qu respuesta est relacionada al criterio de Laplace en la toma de
decisiones en condiciones de incertidumbre?

Se interesa por conocer algo de los diferentes escenarios antes de asumir la respectiva
probabilidad.

No se puede caracterizar a los diferentes escenarios, por ello no se les asigna


probabilidades.

Encarga el clculo de probabilidades de los diferentes escenarios a una empresa


especializada.

Se conoce nada acerca de los diferentes escenarios por eso se asume que todos tienen la
misma probabilidad.

No considera necesario el uso de probabilidades.


Respecto al criterio de Laplace en la toma de decisiones en condiciones de incertidumbre,
se asume que todos los escenarios presentan la misma probabilidad, debido a que es muy
limitada la informacin que se tiene sobre los mismos.
Referencias bibliogrficas
Bravo, R. B. (2000). Sociedad Andaluza de Educacin Matemtica Thales. Recuperado el
21 de noviembre de 2014, de Recursos Didcticos Proyecto Thales CICA:
http://goo.gl/DdV5S6
Giraldo, G. L. (2012). Modelos de Decisn - Ejercicios resueltos: Teora de la
decisin.Catalua: Ctedra Nissan.
Hernndez, J. G. (2001). Toma de decisiones bajo incertidumbre considerando la
dispersin.Recuperado el 19 de 12 de 2014, de http://goo.gl/omCif3
NewBold, P. (2008). Estadstica para Administracin y Economa. Madrid: Pearson Prentice
Hall.
Salort, E. V. (1997). Mtodos cuantitativos volumen II. Valencia: Universidad Politcnica de
Valencia.
Taha, H. A. (2012). Investigacin de Operaciones. Mxico.: Pearson Educacin.
Webster, A. L. (2008). Estadstica Aplicada a los Negocios y la Economa. Madrid: IRWIN.
Lecturas recomendadas (para ampliar conocimientos de la cuarta semana)
Para saber ms
Ponemos a tu disposicin un texto de la base de datos e-libros que utiliza nuestra
universidad:
1 Documento: Anlisis cuantitativo para la toma de decisiones.
2 URL: http://goo.gl/ftQBT7
3 Breve descripcin
Este texto de Bierman, Harold Bonini, es un texto muy interesante que se encuentra en la
Biblioteca Digital de la USS, y contiene tpicos relacionados con la toma de decisiones en
condiciones de incertidumbre, lo que permitir complementar los aprendizajes sobre el
referido tema. Se recomienda leer el captulo 5: Teora de la decisin.
Conclusiones de la cuarta semana
Despus de haber concluido con todas las actividades de la cuarta semana,
podemos mencionar algunas conclusiones:
1 En muchos problemas de decisiones se presentan variables que no estn bajo el
control de un competidor racional y acerca de las cuales quienes toman las
decisiones tienen poca o ninguna informacin sobre la base de la cual conocer el
estado de cosas futuras.
1 La toma de decisiones bajo incertidumbre se presenta cuando no puede predecirse
el futuro sobre la base de experiencias pasadas. A menudo se presentan muchas
variables incontrolables. Algunas veces es posible consolidar los efectos de esas
variables no controlables en trminos de su distribucin de probabilidad.
1 A la apreciacin basada en juicios y opiniones personales de que ocurra un
resultado especfico se conoce como probabilidad subjetiva. Tales juicios varan de
un individuo a otro, dependiendo de su intuicin, experiencia previa en situaciones
similares, conocimientos y rasgos personales (como preferencia por la asuncin o
por la elusin de riesgos).
QUINTA SEMANA
Tema 05: Toma de decisiones bajo condiciones de certeza: Programacin Lineal
Mtodo Simplex.
Introduccin al tema
La programacin lineal es un mtodo de solucin de problemas desarrollado para ayudar a
los gerentes a tomar decisiones. En el competitivo entorno de negocios actual muchas de
las grandes y medianas empresas hacen uso de las aplicaciones de la programacin lineal.
Para ilustrar algunas de las propiedades que tienen en comn todos los problemas de
programacin lineal, mencionemos algunas aplicaciones tpicas:
1 Un fabricante quiere elaborar un programa de produccin y una poltica de
inventario que satisfaga la demanda de ventas en periodos futuros. En trminos
ideales, el programa y la poltica permitirn a la empresa satisfacer la demanda y al
mismo tiempo minimizar los costos.
2 Un analista financiero debe seleccionar un portafolio entre diversas alternativas de
acciones e inversiones. Al analista le gustara establecer el portafolio que maximice
el rendimiento sobre la inversin.
3 El gerente de marketing quiere determinar cmo asignar mejor un presupuesto de
publicidad fijo entre medios de publicidad alternos como la radio, la televisin, el
peridico y las revistas. Al gerente le gustara determinar la combinacin de medios
que maximice la efectividad de la publicidad.
Estos ejemplos son slo algunas de las situaciones en las cuales la programacin lineal se
ha utilizado satisfactoriamente. En ellos podemos notar una propiedad bsica que tienen
todos en comn: el inters por la maximizacin o minimizacin de alguna cantidad.
Mapa conceptual referido al tema
En el presente mapa conceptual se sintetizan los principales conceptos de la temtica que
tratamos en la quinta semana. Qu conceptos son conocidos?, Cules desconocidos?
5.1.
La

programacin lineal y sus principios. Formulacin de problemas

Desde el advenimiento de la Revolucin industrial, el


mundo ha sido testigo de un crecimiento importante
del tamao y la complejidad de las organizaciones.
Los pequeos talleres artesanales de pocas
anteriores se convirtieron en las corporaciones
actuales de miles de millones de dlares. Una parte
esencial de este cambio revolucionario fue el gran
nmero de la divisin del trabajo y de la separacin de
las responsabilidades administrativas en estas
organizaciones. Los resultados han sido
espectaculares.
Sin embargo, junto a los beneficios, el aumento del
grado de especializacin trajo consigo problemas
nuevos que an existen en numerosas
organizaciones. Uno de estos es la tendencia de algunos componentes de una
organizacin a convertirse en imperios con autonoma relativa, con sus propias metas y
sistemas de valores; de esta manera pierden de vista la forma en que sus actividades y
objetivos se acoplan a los de toda la organizacin. Con frecuencia, lo que es mejor para un
componente va en detrimento de otro, de forma que sus acciones pueden caminar hacia
objetivos opuestos. Un problema relacionado es que, en la medida que aumentan la
complejidad y la especializacin, es ms difcil asignar los recursos disponibles a las
diferentes actividades de la manera ms eficaz para la organizacin como un todo. Este
tipo de problemas y la necesidad de encontrar la mejor forma de resolverlos crearon el
ambiente propicio para el surgimiento de la investigacin de operaciones, a la que
tambin se hace referencia como IO. (Hillier, 2010).
5.1.1 Formulacin del problema
La formulacin del problema es el proceso de traducir una descripcin verbal de un
problema en un enunciado matemtico. El enunciado matemtico del problema se conoce
como modelo matemtico. El desarrollo de un modelo matemtico apropiado es un arte
que slo puede dominarse con la prctica y la experiencia. Aunque cada problema tiene
caractersticas nicas, la mayora de ellos tiene muchas caractersticas comunes o
parecidas. Como resultado pueden ser tiles algunos lineamientos generales para el
desarrollo de un modelo matemtico. Ilustraremos estos lineamientos mediante el
desarrollo de un modelo matemtico para el problema de RMC. (Hillier, 2010).
Estudio de caso

Un problema sencillo de
maximizacinRMC, Inc. es una empresa
pequea que fabrica una variedad de
productos qumicos. En un proceso de
produccin particular se utilizan tres
materias primas para elaborar dos
productos: un aditivo para combustible y
una base para solvente. El aditivo se
vende a las compaas petroleras y se
utiliza en la produccin de gasolina y otros
combustibles. La base para solvente se
vende a una variedad de compaas de
productos qumicos y se usa en artculos de limpieza para el hogar y la industria. Las tres
materia primas se mezclan para formar el aditivo para combustible y la base para solvente,
como en la Tabla 1, en la que se muestra que una tonelada de aditivo para combustibles es
una mezcla de 0.4 ton de material 1 y 0.6 ton de material 3, mientras que una tonelada de
base para solvente es una mezcla de 0.5 ton de material 1, 0.2 de material 2 y 0.3 de
material 3. (Anderson & Sweeney, D, 2010)

La

produccin de MRC est restringida por una disponibilidad limitada de las tres materias
primas. Para el periodo de produccin actual, RMC cuenta con las siguientes propiedades
de cada materia prima:
Debido al
deterioro y a la
naturaleza del
proceso de
produccin, los
materiales que no
se utilizan en la
produccin actual son intiles y deben desecharse.

El departamento de contabilidad analiz las cifras de produccin, asign todos los costos
relevantes y lleg a precios para ambos productos que generaran una contribucin a las
utilidades de $40 por cada tonelada de aditivo para combustible producido y $30 dlares
por cada tonelada producida de base para solvente. Utilicemos ahora la programacin
lineal para determinar la cantidad de toneladas de aditivo para combustible y de base
solvente a producir con el fin de maximizar la contribucin total a las utilidades.
5.2. Definir la funcin objetivo, variables de decisin y las restricciones de un
modelo de programacin lineal
Pasos:

1 Entender el problema a fondo.


El problema de RMC es relativamente fcil de
entender. RMC quiere determinar cunto de
cada producto debe fabricar para maximizar la
contribucin total a las utilidades. El nmero de
toneladas disponibles de los tres materiales que
se requieren para fabricar los dos productos
delimitan la cantidad de toneladas de cada
producto que pueden elaborarse. Para entender
los problemas ms complejos se requiere ms
trabajo; sin embargo, entender el problema es
el primer paso para desarrollar cualquier
modelo matemtico. (Anderson & Sweeney, D,
2010)
1 Describir el objetivo.
El objetivo de MRC es maximizar la contribucin total a las utilidades.
1 Describir cada restriccin.
Tres restricciones limitan el nmero de toneladas de aditivo para combustible y el nmero
de toneladas de base para solvente que pueden producirse.
Restriccin 1: el nmero de toneladas de material 1 empleadas debe ser menor o igual
que las 20 toneladas disponibles.
Restriccin 2: el nmero de toneladas de material 2 empleadas debe ser menor que o
igual que las 5 toneladas disponibles.
Restriccin 3: el nmero de toneladas de material 3 empleadas debe ser menor que o
igual que las 21 toneladas disponibles.
1 Definir las variables de decisin. Las variables de decisin son los insumos
controlables en el problema. Para el problema de RMC las dos variables de decisin
son: 1) el nmero de toneladas de aditivo para combustible producidas, y 2) el
nmero de toneladas de base para solvente producidas. En el desarrollo del modelo
matemtico para el problema de RMC, se utilizar la siguiente notacin para las
variables de decisin:

1 Escri
bir la funcin objetivo de las variables de decisin.
La contribucin a las utilidades de RMC proviene de la produccin de F toneladas de
aditivo para combistible y S toneladas de base para solvente. Como RMC gana $40 por
cada tonelada de aditivo para combustible producida y $30 dlares por cada tonelada de
base para solvente producida, la empresa ganar $40F de la produccin de aditivo para
combustible y $30S de la produccin de base para solvente. Por tanto,

Como el objetivo, es decir maximizar la contribucin total a las utilidades es una funcin de
las variables de decisin F y S, nos referimos a 40F + 30S como la funcin objetivo.
Utilizando Max, como una abreviatura de maximizacin, podemos escribir el objetivo de
RMC como sigue:

1 Escribir las restricciones en funcin de las variables de decisin.


Restriccin 1.
Cada
tonelada
de aditivo
que RMC
produce utiliza 0.4 ton de material 1. Por tanto, se utilizan 0.4F ton de material 1 para
producir F ton de aditivo para combustible. Del mismo modo, cada tonelada de base para
solvente que RMC produce utiliza 0.5 0.5 ton de material 1, as que se emplean 0.5S ton
de material 1 para producir S ton de base para solvente. Por consiguiente, el nmero de
toneladas de material 1 utilizado para producir Fton de aditivo para combustible y S ton de
base para solvente es:

Como
se
cuenta con 20 ton de material 1 disponibles para utilizar en la produccin, el enunciado
matemtico de la restriccin 1 es:

Restriccin 2.

El
aditivo
para

combustible no utiliza material 2, pero cada tonelada de base para solvente que RMC
produce utiliza 0.2 ton de material 2, as que se utilizan 0.2S ton de material 2 para
producir S ton de base para solvente. Por consiguiente, el nmero de toneladas de material
2 empleadas para producir F ton de aditivo para combustible y S ton de base para solvente
es:

Debid
o a
que se
dispone de 5 toneladas de material 2 para la produccin, el enunciado matemtico de la
restriccin 2 es:

Restriccin 3.

Cada

tonelada de aditivo para combustible que RMC produce utiliza 0.6 ton de material 3. Por
tanto, se utiliza 0.6F ton de material 1 para producir F ton de aditivo para combustible. De
manera similar, cada tonelada de base para solvente que RMC produce utiliza 0.3 ton de
material 3, as que se emplean 0.3S ton de material 1 para producir S ton de base para
solvente. Por consiguiente, el nmero de toneladas de material 3 empleadas para
producirF ton de aditivo para combustible y S ton de base para solvente es:

Dado
que se
dispone de 21 toneladas de material 3 para la produccin, el enunciado matemtico de la
restriccin 3 es:

1 Aadir las restricciones de no negatividad.


RMC no puede producir una cantidad negativa de toneladas de aditivo para combustible ni
una cantidad negativa de toneladas de base para solvente. Por tanto, se deben
aadirrestricciones de no negatividad para impedir que las variables de
decisin F y S tengan valores negativos. Estas restricciones de no negatividad son:

5.3.

Construir y reconocer modelos de programacin lineal en su forma cannica y


estndar
Se puede formular el modelo matemtico de un problema general de asignacin de
recursos a actividades. En particular, este modelo consiste en elegir valores de
Para

sujeta a las restricciones

1 Esta es llamada la forma estndar del problema de programacin lineal. (Hillier,


2010)
Modelo Matemtico para el problema de RMC:
Nuestra
tarea
ahora es
encontrar la mezcla de productos (es decir, la combinacin de F yS) que satisfaga todas
las restricciones
y, al mismo
tiempo, produzca
un valor mximo
para la funcin
objetivo. En
cuanto se
calculan los valores de F y S, encontraremos la solucin ptima para el problema.
1 Este modelo matemtico del problema de RMC es un programa lineal. El problema
de RMC tiene un objetivo y restricciones que, como se dijo antes, son propiedades
comunes de todos los programas lineales.

5.4. Mtodo grfico de solucin de un problema de Programacin Lineal de dos


variables
Un problema de programacin lineal que involucra slo dos variables de decisin puede
resolverse mediante un procedimiento de solucin grfica. Comencemos dicho
procedimiento al trazar una grfica que
muestre las soluciones posibles (valores de
F y S) para el problema de RMC. La grfica
de la Figura 1 tiene los valores de F en el eje
horizontal y los de S en el eje
vertical. Cualquier punto en la
grfica puede identificarse por medio de sus
valores de F y S, los cuales indican la
posicin del punto a lo largo de los ejes
horizontal y vertical respectivamente. Por
tanto, cada punto en la grfica corresponde
a una solucin posible. La solucin
y
se conoce como el origen. Debido a que tanto F como S deben ser no negativos, la grfica
de la Figura 1 slo muestra las soluciones en que
Y (Anderson & Sweeney, D, 2010)

Antes de determinar que la desigualdad que representa la restriccin del material 1 era:
Para mostrar todas las restricciones que satisfacen esta relacin, empezamos trazando la
grfica de la recta que corresponde a la ecuacin:

Trazamos la grfica de esta ecuacin al identificar dos puntos que satisfagan esta ecuacin
y luego trazar una recta que pase por los puntos. Si establecemos Y
calculamos , obtenemos ,,
por consiguiente, la solucin satisface la ecuacin anterior. Para encontrar
una segunda solucin que satisfaga esta ecuacin, establecemos
Al hacerlo, obtenemos y calculamos O Por tanto, una
segunda solucin que satisface la ecuacin es Con estos dos puntos, ahora
podemos trazar una recta, a la cual llamamos recta de restriccindel material 1, como muestra la
Figura 2.

Recordar que la desigualdad que representa la restriccin del material 1 es

1 Puede identificar todas las soluciones que satisfacen esta restriccin?


Primero observar que cualquier punto en la recta debe cumplir con la
restriccin. Pero,

1 Dnde estn las restricciones que satisfacen ?


Considerar dos soluciones yy
La Figura 2 muestra que la primera solucin est por debajo de la recta de restriccin y la segunda
solucin est por encima.

1 Cul de estas soluciones satisface la restriccin del material 1?


Para tenemos

Dado que 9 toneladas son menores que las 20 toneladas de material 1 disponibles, la
solucin ,,,,. cumple con la restriccin. Para y
tenemos:

Las 31 toneladas son mayores que las 20 toneladas disponibles, as que la solucin y
no satisface la restriccin.
Si una solucin en particular satisface la restriccin, todas las dems soluciones del
mismo lado de la recta de restriccin tambin la satisfarn. Si una solucin en particular no
cumple con la restriccin, todas las dems soluciones del mismo lado de la recta de
restriccin tampoco cumplirn con la restriccin. Por tanto, slo se necesita evaluar una
solucin para determinar cul lado de una recta de restriccin proporciona soluciones que
satisfacen la restriccin. El rea sombreada de la
Figura 3 muestra todas las soluciones que
satisfacen las restricciones del material 1.
A continuacin se identifican todas las soluciones
que satisfacen la restriccin del material 2:

Empezamos con el trazado de la recta de


restriccin Como esta ecuacin
es equivalente a la ecuacin simplemente
trazamos una recta cuyo valor de s sea 25 para
valor de F esta recta es paralela al eje horizontal
y est unidades por encima de la misma. La
Figura 4 muestra la recta que corresponde a la restriccin del material 2. Siguiendo el
enfoque que utilizamos para la restriccin del material 1, observamos que slo las
soluciones por encima y por debajo de la recta satisfarn la restriccin del material 2; por
tanto, en la Figura 4 el rea sombreada corresponde a las soluciones que satisfacen esta
restriccin.
Asimismo, podemos determinar las soluciones que satisfacen la restriccin del material 3.
La Figura 5 muestra el resultado.

Como prctica, trazar la grfica de las soluciones viables que satisfacen las restricciones
del material 3 y determinar si su resultado concuerda con el resultado mostrado en la
Figura 5.
Ahora tenemos tres grficas separadas que indican las soluciones que satisfacen cada una
de las restricciones. En un problema de programacin lineal, debemos identificar las
soluciones que satisfacen todas las restricciones simultneamente. Para hallar estas
soluciones, podemos trazar las tres restricciones en una grfica y observar el rea que
contiene los puntos que s satisfacen todas las restricciones de forma simultnea.
Las grficas de las Figuras 3, 4 y 5, pueden superponerse para obtener una grfica con las
tres restricciones.

Regin factible
La Figura 6 muestra esta grfica de
restriccin combinada; la regin
sombreada incluye cada punto de solucin
que satisface todas las restricciones de
forma simultnea. Como las soluciones
que cumplen con todas las restricciones
de forma simultnea se llaman soluciones
factibles, la regin sombreada se
llama regin de solucin
factible o sencillamente regin factible.
Cualquier punto en el lmite de la regin
factible o dentro de sta es un punto
de solucin factible para el problema de
programacin lineal.
Como prctica, trazar la grfica de las
soluciones viables que satisfacen las
restricciones del material 3 y determinar si
su resultado concuerda con el resultado
mostrado en la Figura 5.
Ahora tenemos tres grficas separadas que indican las soluciones que satisfacen cada una
de las restricciones. En un problema de programacin lineal, debemos identificar las
soluciones que satisfacen todas las restricciones simultneamente. Para hallar estas
soluciones, podemos trazar las tres restricciones en una grfica y observar el rea que
contiene los puntos que s satisfacen todas las restricciones de forma simultnea.
Las grficas de las Figuras 3, 4 y 5, pueden superponerse para obtener una grfica con
las tres restricciones. La Figura 6 muestra esta grfica de restriccin combinada; la regin
sombreada incluye cada punto de solucin que satisface todas las restricciones de forma
simultnea. Como las soluciones que cumplen con todas las restricciones de forma
simultnea se llaman soluciones factibles, la regin sombreada se llama regin de solucin
factible o sencillamente regin factible. Cualquier punto en el lmite de la regin factible o
dentro de sta es un punto de solucin factible para el problema de programacin lineal.
Una vez identificada la regin factible, estamos dispuestos a proseguir con el mtodo de
solucin grfica y obtener la solucin ptima para el problema de RMC. Recordar que la
solucin ptima para un problema de programacin lineal es la solucin factible que
proporciona el mejor valor posible de la funcin objetivo. Comenzaremos el paso de
optimizacin del procedimiento de solucin grfica al volver a trazar la regin factible en
una grfica separada, la cual se muestra en la Figura 7.
Un mtodo para encontrar la solucin ptima sera evaluar la solucin objetivo para
cada solucin factible; la solucin ptima por ende
es la que produce el valor ms grande.
La dificultad con este mtodo es que es que el
nmero infinito de soluciones factibles vuelve
imposible la evaluacin de todas las soluciones
factibles. Por consiguiente, este procedimiento de
prueba y error no se puede utilizar para identificar
la solucin ptima.
En vez de tratar de calcular la contribucin a las
utilidades para cada solucin factible,
seleccionamos un valor arbitrario para la
contribucin a las utilidades e identificamos todas
las soluciones factibles que producen el valor
seleccionado. Por ejemplo,
Cules soluciones factibles proporcionan una
contribucin a las utilidades de $240?
Estas soluciones estn determinadas por los valores de F y S en la regin factible que
proporcionar la funcin objetivo.

Esta expresin es simplemente la expresin de una recta. Por tanto, todas las soluciones
factibles que producen que producen una contribucin a las utilidades de $240
deben estar en la recta. El procedimiento para trazar la grfica de las utilidades o la recta
de la funcin objetivo es el mismo. Sea vemos que S debe ser 8 por tanto, el punto
de solucin ( ) est en la recta. De modo parecido, al establecer
vemos que el punto de solucin tambin est en la recta. Al trazar la recta que pasa
por estos dos puntos identificamos todas las soluciones que tienen una
contribucin a las utilidades de $240. En la Figura 8 se presenta una grfica de esta recta
de utilidades, la cual muestra que un nmero infinito de combinaciones de produccin
factibles proporcionar una contribucin a las utilidades de $240.
El objetivo es encontrar la solucin factible que produzca la ms alta contribucin a las
utilidades, as que proseguimos con la seleccin de contribuciones a las mayores
utilidades y encontramos las soluciones que producen los valores establecidos. Por
ejemplo,
1 Cules soluciones proporcionan una
contribucin a las utilidades de $720?
2 Cules soluciones proporcionan una
contribucin a las utilidades de $1200?
Para responder a estas preguntas debemos
determinar los valores de F yS que estn en las
rectas de utilidades:

Con el procedimiento anterior para trazar la grfica


de las rectas de utilidades y restricciones,
graficamos las rectas de $720 y $1200 presentadas en la Figura 9. No todos los puntos de
solucin en la recta de utilidades de $1200 estn en la regin factible, aunque algunos s lo
estn, por lo que podemos obtener una solucin factible que proporcione una contribucin
a las utilidades de $1200.

Podemos encontrar una solucin factible que produzca una contribucin a las utilidades
incluso mayor?
Mirar con atencin la Figura 9 y hacer algunas observaciones generales sobre las rectas
de utilidades. Se deber poder identificar las propiedades siguientes: 1) las rectas de
utilidades, son paralelas entre s, y 2) las rectas de utilidades con contribuciones a las
utilidades mayores estn ms alejadas del origen.
Como las rectas de utilidades son paralelas y aquellas y aquellas que son mayores estn
ms alejadas del origen, podemos obtener soluciones que producen valores cada vez
mayores para la funcin objetivo al continuar alejando la recta de utilidades del origen, pero
mantenindola paralela a las dems rectas de utilidades. Sin embargo, se llegar a un
punto en que el alejamiento coloque a la recta de utilidades completamente fuera de la
regin factible, Dado que los puntos fuera de la regin son inaceptables, el punto en la
regin factible que se encuentra en la recta de utilidades mayor es una solucin ptima
para el programa lineal.
Ahora estamos en condiciones de identificar el punto de solucin ptima para el problema
de RMC. Utilizar una regla y mover la recta de utilidades lo ms lejos del origen que se
pueda.
Cul es el ltimo punto en la regin factible?
Este punto, que es la solucin ptima, se muestra en la Figura 10. Los valores ptimos
para las variables de decisin son los valores de F y S en ese punto.

La solucin ptima est tanto en la recta de restriccin del material 1 y del material 3. Es
decir, la solucin ptima est tanto en la recta de restriccin del material 1:

como en la recta de restriccin del material 3,

Por tanto, los valores de las variables de decisin F y S deben satisfacer ambas
ecuaciones (5) y (6) de manera simultnea. Resolviendo el sistema respectivo, se obtienen
los valores:
Este punto de solucin proporciona las cantidades de produccin ptimas para RMC a 25
toneladas de aditivo para combustible 20 toneladas de base para solvente y produce una
contribucin a las utilidades de 40(25)+30(20)=$1600.

5.5 Mtodo Simplex. Formulacin y solucin de la Tabla Simplex: Casos de


maximizacin y minimizacin (el Mtodo de penalizacin o M)
Aunque el mtodo geomtrico es conveniente para resolver problemas de programacin
lineal en los que intervengan slo dos variables, es muy difcil su aplicacin en problemas
en los cuales intervienen varias variables. Para
tales problemas se necesita un mtodo
algebraico. Uno de los ms populares de tales
artificios algebraicos es el que se conoce como
el mtodo simplex. Aunque se dise para
resolver problemas ms complicados, lo
aplicaremos primero a un problema
bidimensional para simplificar la explicacin.
El mtodo Simplex es un procedimiento general
para resolver problemas de programacin
lineal. Desarrollado por George Dantzig en
1947, se ha comprobado su extraordinaria
eficiencia, y se usa en forma rutinaria para resolver problemas grandes en las
computadoras de hoy en da. (Hillier, 2010)
Problema
Encontrar los valores de y que maximizan a la funcin lineal:

Sujeta a las restricciones:

Este mtodo comienza por introducir tantas variables tantas variables como sean
necesarias para convertir las desigualdades en igualdades, excepto para las
desigualdades del tipo y Una desigualdad de la forma puede
convertirse en igualdad introduciendo una nueva variable, por ejemplo y escribiendo:

Si y , tienen valores tales que , entonces ser un nmero positivo que al


sumarse a har que la suma sea igual a 1. Si y tienen valores tales
que , entonces tendr el valor de 0, en consecuencia es un nmero no
negativo que transforma a la desigualdad en la igualdad De modo
semejante, puede introducirse una variable no negativa que transforme a la
desigualdad en la igualdad A las variables y que se han
introducido aqu se les llama variables marginales. Mientras que las variables y reciben
el nombre devariables bsicas.

Ahora puede reformularse el problema de la programacin lineal de (7) como el problema


de maximizacin de la funcin:

Sujeta a las restricciones:

Como las dos ltimas rectas de este conjunto son casos especiales de las dos primeras
igualdades que hay en (8) y se caracterizan por hacer y respectivamente, puede
representarse este conjunto de rectas por medio de los smbolos

El origen es un vrtice y se identifica por , porque es la interseccin del eje (


) y el eje ( ).El vrtice que est sobre el eje de las ( ) y la recta (
) El vrtice que se identifica por ( ) porque es la interseccin de las dos
rectas ( )y ( ) Por ltimo, el vrtice que est sobre el eje ,
se identifica por ( ) , porque es la interseccin del eje ( )En la Figura 10 se
ilustra en esta forma la identificacin de todos los vrtices de la regin de posibilidad o
defactibilidad.
El siguiente paso del mtodo simplex consiste en comenzar en un vrtice y avanzar hacia
un vrtice vecino que aumente el valor de Supngase que se comienza en el vrtice(
), entonces se avanza hacia el vrtice ( )Debe observarse que este
procedimientos deja nicamente a uno de los valores de o y substituye al otro por
el valor cero de una variable diferente. Dado que la funcin crecer ms a prisa si
se aumenta a que si se hiciera lo mismo con y se desea hacer a tan grande como sea
posible, se decide mantener , e incrementar tanto como sea posible. Pero en la
Figura 10 esto significa que se escoge el vrtice ( )), con preferencia sobre el
vrtice . Haciendo y en las ecuaciones (8), resulta:

Resolviendo estas ecuaciones, se encuentra que , y Como tena el valor 0


en nuestro vrtice inicial ( ) este desplazamiento ha aumentado su valor de 0 a
Ahora el procedimiento, comenzando con el vrtice ( )y tratando a y a como
variables bsicas, y a y como las variables marginales. Para hacerlo, tenemos que
expresar como la funcin de y de y sustituyndola en la expresin que se tiene para
Por lo tanto, se resuelve la primera ecuacin de (8) para en funcin de y y se
sustituye este valor en la expresin para Por lo tanto

Tratando ahora a ya como las variables bsicas, resulta claro por esta expresin que
puede aumentarse aumentando a partir de su valor cero. Sin embargo, aumentando el
valor de a partir de cero se disminuira el valor de Esto implica que debe mantenerse
fija a en su valor cero, y que debe aumentarse tanto como sea posible.
Geomtricamente, esto significa que debera moverse el vrtice ( )al vrtice vecino
en el que y es positiva, el cual, analizando la Figura 10, es el vrtice ( )
haciendo y en las ecuaciones (8), resulta:

Al resolver estas ecuaciones, se obtiene , , y Dado que el valor de ha


aumentado de a , este desplazamiento aument an ms el valor de Ahora, como se
escogen como nuevas variables bsicas y , lo cual se logra resolviendo las ecuaciones
(8) para y y en funcin de y sustituyendo dichos valores en . La solucin de las
ecuaciones (8) est expresada por:
Como resultado toma la forma:

Como y no pueden ser aumentados a partir de sus valores cero sin que disminuya el
valor de , se advierte que y dan el valor mximo de , o sea 5
5.6 Anlisis de sensibilidad
El anlisis de sensibilidad es el estudio de cmo
los cambios en los coeficientes de un problema
de programacin lineal afectan a la solucin
ptima. (Anderson & Sweeney, D, 2010)
Mediante el anlisis de sensibilidad podemos
responder preguntas como las siguientes:
1 Cmo afectar el cambio de un
coeficiente de la funcin objetivo a la
solucin ptima?
2 Cmo afectar el cambio de un valor del lado derecho de una restriccin a la
solucin ptima?
Ejemplo.
Para el caso del problema sobre RMC, la Figura 6, nos indica que la solucin ptima en el
vrtice respectivo de la regin de factible proporciona el valor mximo de la funcin
objetivo: Si cambiamos la funcin objetivo a entonces la solucin
del problema seguir siendo ptima siempre y cuando el declive de se encuentre entre
los declives de las dos lneas que se intersecan en el vrtice solucin, a saber
(Material 3) y (Material 1). Podemos expresar algebraicamente
esta relacin como:

En la primera condicin , significa que la funcin objetivo no puede ser horizontal. De


una manera similar, en la segunda condicin significa que no puede ser vertical.
Como se ve en la Figura 6, el rango ptimo de este modelo (definido por las dos lneas que
se intersecan en el vrtice solucin), no permite que la funcin objetivo sea una
lnea vertical u horizontal. Como resultado, cualquiera de las dos condiciones dadas es
aplicable en este ejemplo.
Preguntas de anlisis
Estimado estudiante, hemos revisado los contenidos referentes a la quinta semana,
y con el fin de afianzar tu aprendizaje, te sugiero analices y des respuesta a las
siguientes preguntas:

1 A qu se denominan sistemas lineales?. Menciona un ejemplo de un sistema no


lineal.
2 Cules son los elementos del modelo matemtico de un problema de
programacin lineal?.
3 Cules son las caractersticas comunes que presentan todos los problemas de
programacin lineal?.
4 Qu mtodo tiene mayor alcance, el mtodo grfico o el mtodo simplex?.
5 Cul es la finalidad de llevar a cabo el anlisis de sensibilidad?.

Actividad de anlisis y comprensin


Pregunta de Eleccin Mltiple

1. A qu se denomina funcin objetivo?

Es la funcin a la que se le aplica el mtodo simplex

Es la funcin que se expresa en forma de desigualdades.

Es la funcin a la que hay que maximizar o minimizar.

Es la expresin que posee las variables del problema.

Es la funcin que nos indica las limitaciones de los recursos.

El objetivo principal de los problemas de programacin lineal es el de optimizar recursos, en ese sentido la
funcin objetivo es aquellas funcin a la que hay que maximizar o minimizar segn el caso.

Pregunta de Eleccin Mltiple

2. Cuntas soluciones puede tener un problema de programacin lineal?:


Infinitas soluciones siempre.

Puede carecer de soluciones, tener una nica solucin, o ms de una solucin.

Siempre tiene un nmero finito de soluciones.

Siempre tiene una nica solucin.

Carece de soluciones.

En el caso de los problemas de programacin lineal, dado que la solucin se obtiene desarrollando sistemas
de ecuaciones lineales, entonces puede carecer de solucin (sistema incompatible), tener una solucin
(sistema compatible determinado) o tener infinitas soluciones (sistema compatible indeterminado).

Pregunta de Eleccin Mltiple

3. Cmo se establece la funcin objetivo?

Sumando los productos del nmero (desconocido) de objetos de un determinado tipo por el beneficio unitario
respectivo de dicho objeto.

Sumando los productos del nmero (desconocido) de objetos de un determinado tipo por el beneficio no
unitario respectivo de dicho objeto.

Sumando todas las restricciones del problema.

No existe una forma determinada para la funcin objetivo.

Con uso de software.


En efecto, del enunciado del problema quedan establecidos los beneficios unitariosde cada tipo de variable.
Por lo que, para establecer la funcin objetivo es necesario sumar los productos de cada beneficio unitario
por una letra que represente la cantidad de objetos (desconocido) de cada tipo de variable.

Referencias (bibliogrficas)

Anderson, D., & Sweeney, D. (2010). Mtodos Cuantitativos para los Negocios. Mxico: Cengage Learning Editores, S.A.

Hillier, F. (2010). Introduccin a la Investigacin de Operaciones. Mxico: McGrawHill.

Taha, H. A. (2012). Investigacin de operaciones. Mxico: Pearson.

Lecturas recomendadas (para ampliar conocimientos de la quinta semana)

Para saber ms

Ponemos a tu disposicin el siguiente texto a fin de afianzar tus conocimientos sobre el tema estudiado

1 Documento: Investigacin de Operaciones

2 URL: http://goo.gl/hCdD0l

3 Breve descripcin

Esta novena edicin Investigacin de Operaciones del reconocido autor Hamdy A. Taha, contiene de manera ms concisa que las
anteriores, tanto el texto como el software de apoyo, con el fin de que el lector se enfoque de lleno en la puesta en ejecucin algortmica
y prctica de las tcnicas de investigacin de operaciones.

Se recomienda leer todo lo relacionado a los captulos 1, 2 y 3, que contienen temas


relacionados con el slabo.

Conclusiones de la quinta semana

Despus de haber concluido con todas las actividades de la quinta semana,

podemos mencionar algunas conclusiones:

1 La programacin lineal es una tcnica poderosa para tratar problemas de asignacin


de recursos escasos entre actividades que compiten, al igual que otros problemas
cuya formulacin matemtica es parecida. Se ha convertido en una herramienta
estndar de gran importancia para muchas organizaciones industriales y de
negocios. An ms, casi cualquier organizacin social tiene el problema de asignar
recursos en algn contexto y cada vez es mayor el reconocimiento de la aplicacin
tan amplia de esta tcnica.

2 El mtodo grfico fue utilizado para problemas que incluan solamente dos
variables, sin embargo, cuando los problemas se ms complicados, su solucin
grfica resulta imposible; por lo tanto se necesita una solucin algebraica eficiente
que mantenga los clculos a un mnimo; este tipo de solucin se encuentra en el
mtodo simplex.

3 El mtodo simplex es un algoritmo eficiente y confiable para resolver problemas de


programacin lineal. Aunque tiene una interpretacin geomtrica til, el mtodo
simplex es un procedimiento algebraico. En cada iteracin se mueve de la solucin
actual a una adyacente mejor mediante la eleccin de la variable bsica entrante y
de la saliente; despus recurre a la solucin de sistemas de ecuaciones lineales y
contina el proceso hasta la obtencin de la solucin ptima.

4 Para llevar a cabo el anlisis de sensibilidad, se consideran dos aspectos: 1) los


cambios en los coeficientes del objetivo, y 2) los cambios en el lado derecho de las
restricciones.

SEXTA SEMANA

Tema 06: Toma de decisiones bajo condiciones de certeza: Programacin Lineal


Mtodo Dual.

Introduccin al tema

Uno de los descubrimientos ms importantes durante el desarrollo inicial de la


programacin lineal fue el concepto de dualidad y sus importantes ramificaciones. Este
descubrimiento revel que, asociado a todo problema de programacin lineal, existe otro
problema lineal llamado dual. Desde distintos puntos de vista las relaciones entre el
problema dual y el original (llamadoprimal) son muy tiles. Por ejemplo, se ver que, en
realidad, la solucin ptima del problema dual es la que proporciona los precios sombra
(tasa de cambio del valor ptimo ante una modificacin marginal del lado derecho de una
restriccin).

Una de las aplicaciones ms importantes es la interpretacin y realizacin del anlisis de


sensibilidad. El anlisis de sensibilidad es una parte esencial de casi todos los estudios de
programacin lineal. Debido a que la mayora de los valores de los parmetros que se
emplean en el modelo original son slo estimaciones de las condiciones futuras, es
necesario investigar el efecto que tendran sobre la solucin ptima en caso de que
prevalecieran otras condiciones. An ms, ciertos valores de estos parmetros (como la
cantidad de recursos) pueden representar decisiones administrativas, en cuyo caso su
eleccin debe ser el aspecto principal de la investigacin, el cual se puede estudiar a
travs del anlisis de sensibilidad.

Mapa conceptual referido al tema

En el presente mapa conceptual se sintetizan los principales conceptos de la temtica que


tratamos en la sexta semana. Qu conceptos son conocidos?, Cules desconocidos?

6.1 Dualidad en Programacin Lineal: Construccin del modelo Dual. Interpretacin


econmica del Problema Dual. Relacin entre el primal y el dual

Dentro de la investigacin de operaciones el concepto de dualidad desempea un papel


importante tanto en la teora como en la prctica. Todo modelo de programacin lineal est
asociado a otro modelo llamadomodelo dual; al modelo de programacin inicial tambin se
le conoce como modelo primal. (Castorena, 2011)
1 Ambos problemas estn
estrechamente relacionados
en el sentido de que la
solucin ptima de uno
proporciona automticamente
la solucin ptima del otro.

El problema dual, se define para


varias formas del primal segn el
tipo de optimizacin (maximizacin o
minimizacin), de restricciones( ,
o ) , y el signo de las variables (no negativas o irrestrictas). Abarcaremos de manera completa
todas las formas del primal.

Para establecer o definir el problema dual primeramente tenemos que expresar el


respectivo problema primal en su forma estndar; es decir,

1 considerando a todas las restricciones como ecuaciones con lado derecho no


negativo.

2 y considerando que todas las variables son no negativas.

Este requerimiento es consistente con el formato de la tabla inicial simplex.

1 Ideas clave para construir el dual a partir del primal:

1 Asignar una variable dual por cada restriccin primal.

2 Construir una restriccin dual por cada variable primal.

3 Los coeficientes de restriccin (columna) y el coeficiente objetivo de la variable


primal j-sima definen respectivamente los lados izquierdo y derecho de la
restriccin dual j-sima.

4 Los coeficientes objetivo duales son iguales a los lados derechos de las ecuaciones
de restriccin primales.

5 Las reglas que aparecen en la Tabla 1 rigen el sentido de optimizacin, la direccin


de las desigualdades y los signos de las variables en el dual. Una forma fcil de
recordar el tipo de restriccin en el dual (es decir, o es que si el objetivo dual es
de minimizacin (es decir, apunta hacia abajo), entonces todas las restricciones
sern del tipo , (es decir, apuntan hacia arriba). Lo opuesto aplica cuando el
objetivo dual es de maximizacin.

1 Todas las restricciones primales son ecuaciones con lado derecho no negativo y
todas las variables son no negativas.
Los siguientes ejemplos demuestran en la Tabla 1 el uso de las reglas; incluso,
muestran que la definicin incorpora automticamente todas las formas del primal.

Ejemplo 1

Problema dual:

Ejemplo 2

Problema dual:
Ejemplo 3

Problema dual:

La primera y segunda restricciones son reemplazadas por una ecuacin.

1 La regla general es que una variable primal irrestricta siempre corresponde a una
restriccin dual de igualdad.

1 A la inversa, una ecuacin primal de igualdad produce una variable dual irrestricta,
como lo demuestra la primera restriccin primal.

Resumen de reglas para construir el dual

Observar que los encabezados de columna que aparecen en la tabla no utilizan el nombre
primal y dual. Lo que importa en este caso es el sentido de optimizacin.

1 Si el primal es de maximizacin, entonces el dual es de minimizacin y viceversa.

Relaciones primal-dual.
Los cambios realizados en los datos de un modelo de programacin lineal pueden afectar
la optimalidad y/o factibilidad de la solucin ptima actual. Se presenta varias relaciones
primal-dual que pueden usarse para calcular de nuevo los elementos de la tabla simplex
ptima. Estas relaciones constituyen la base de la interpretacin econmica del modelo de
programacin lineal y del anlisis postptimo. (Taha, 2012)

Repaso de operaciones con matrices

La tabla simplex puede generarse por medio de tres operaciones de matrices elementales:
(fila vector)x(matriz), (matriz)x(columna vector) y (escalar)x(matriz). Por comodidad, estas
operaciones se resumen. En primer lugar, presentamos algunas definiciones de matriz:

1.-Una matriz, A, de tamao ( )es un conjunto rectangular de elementos con filas y


columnas.

2.-Un vector fila, V, de tamao es una matriz ( )

3.- Un vector columna, P, de tamao es una matriz ( )

Estas definiciones pueden representarse matemticamente como:

1 (Vector fila x matriz, VA). La operacin es vlida slo si el tamao del vector fila Vy
la cantidad de filas de A son iguales. Por ejemplo,

2 (Matriz x vector columna, AP). La operacin es vlida slo si la cantidad de


columnas de A y el tamao del vector columna P son iguales. Por ejemplo,

3 (Escalar x matriz, A ). Dada la cantidad escalar A da una matriz del mismo


tamao que la matriz A. Por ejemplo, dado que .

Diseo de la tabla simplex:


La Figura 1 representa esquemticamente las tablas simplex iniciales y generales.
En la tabla inicial, los coeficientes de restriccin bajo las variables iniciales forman
una matriz identidad (todos los elementos en la diagonal principal son 1, y todos
los elementos fuera de la diagonal son ceros). Con esta disposicin, las iteraciones
siguientes de la tabla simplex generadas por las operaciones de filas de Gauss -
Jordan modifican los elementos de la matriz identidad para producir lo que se
conoce como matriz inversa. Como veremos, la matriz inversa es la clave para
calcular todos los elementos de la tabla simplex asociada. (Taha, 2012)

Solucin dual ptima


Como el problema dual es un problema de programacin lineal, tambin tienen
soluciones en los vrtices. An ms, al emplear la forma de igualdades del
problema, estas soluciones se pueden expresar como soluciones bsicas. Debido a
que las restricciones funcionales tienen la forma la forma aumentada se obtiene al
restar el supervit (en lugar de agregar la holgura), del lado izquierdo de cada
restriccin Este supervit es:

Para

En consecuencia asume el papel de variable de supervit de la restriccin (o


su variable de holgura si la restriccin se multiplica por -1). Por tanto, cuando
aumenta cada solucin en un vrtice se obtiene una solucin bsica (
) al usar esta expresin para Como la forma
aumentada del problema dual tiene restricciones funcionales y variables,
cada solucin bsica tiene variables bsicas variables no bsicas. (Hiller, 2010)
Veamos dos mtodos para determinar los valores duales:

Mtodo 1.
Mtodo 2.

Los elementos del vector fila deben aparecer en el mismo orden en que las
variables bsicas aparecen en la columna bsica de la tabla simplex.

Ejemplo 4
Considerar el siguiente modelo de programacin lineal

Para preparar el problema para su solucin mediante el mtodo simplex, agregamos


una variable de holgura
1 en la primera restriccin y una variable artificial R en la segunda. Por consiguiente,
el primal resultante y los problemas duales asociados se definen como sigue:

1 Construimos la tabla primal ptima:

Paso 1

Colocamos en la primera fila, los coeficientes de la funcin objetivo (con signo cambiado),
y en las filas 2 y 3, los coeficientes respectivos de las restricciones:
Paso 2

Localizamos en la fila z, el nmero negativo de mayor valor absoluto; en este caso -12
(columna 2).

Establecemos los cocientes positivos entre los elementos respectivos de la ltima columna
y de la columna a la que pertenece el nmero elegido -12, es decir, la columna 2.

En este caso slo podemos dividir 10/2 dado que 8/(-1) es negativo; y este cociente
corresponde a la segunda fila.

Entonces el primer elemento pivote se encuentra localizado en la segunda fila y segunda


columna.

Paso 3

Convertimos el elemento pivote en ; esto se logra multiplicando toda la segunda fila


por , que es el inverso de 2.

Paso 4

Haciendo uso de las operaciones elementales de Gauss sobre la matriz, se busca igualar a
cero a los elementos situados encima y debajo del elemento pivote:
Paso 5

El nuevo elemento pivote, lo elegimos de la columna 1, por tener el menor elemento


positivo de la fila de la funcin objetivo z (dado que se trata de maximizacin); y de la fila
3, dado que esta fila es la nica en la que se puede realizar la divisin positiva entre los
elementos de la ltima columna y de la columna 1 ya elegida.

Paso 6

Normalizamos el nuevo elemento pivote, multiplicando la tercera fila por 2/5, que es el
inverso de 5/2.

Paso 7

Con aplicacin de las operaciones elementales de Gauss sobre matrices, establecemos los
valores nulos de los elementos de la matriz situados sobre el elemento pivote.

Mtodo 1.

En la tabla 8 las variables primales iniciales y corresponden slo a las variables


duales y respectivamente. Por lo tanto, determinamos la solucin dual ptima como
sigue:
Mtodo 2.

La matriz inversa ptima resaltada en la Tabla 8, bajo las variables iniciales y es:

El orden de las variables bsicas primales ptimas en la columna bsica es y seguida


por Los elementos de los coeficientes objetivo originales para las dos variables deben
aparecer en el mismo orden, es decir,

Los valores duales ptimos son:

Interpretacin econmica de la dualidad

Objetivos

La interpretacin econmica de la dualidad se basa de manera directa en la interpretacin


ms frecuente del problema primal (problema de programacin lineal en nuestra forma
estndar). (Hiller, 2010)
Se resume la interpretacin econmica del
problema primal en la siguiente tabla:

1 Para formalizar el planteamiento, consideremos la siguiente representacin de los


problemas primal y dual:

onsiderando como un modelo de asignacin de recursos, el problema primal consta


de n actividades econmicas y m recursos. El coeficiente en el primal representa el
ingreso por unidad de la actividad j. El recurso i, con disponibilidad se consume a razn
de unidades por unidad de actividad j. (Taha, 2012)

Interpretacin econmica de las variables duales

La teora establece que para cualquiera de las dos soluciones factibles primal y dual, los
valores de las funciones objetivo, cuando son finitos, deben satisfacer la siguiente
desigualdad:
En el ptimo, los dos valores objetivo son iguales, es decir,

En funcin del modelo de asignacin de recursos, representa $ ingresos y representa


unidades disponibles del recurso i. Por lo tanto, dimensionalmente, implica:

Esto quiere decir que la variable dual representa el valor por unidad del recurso i.

Es necesario aclarar que el nombre estndar precio dual (o precio sombra) del
recurso ireemplaza el nombre valor por unidad en toda la literatura de programacin lineal
y en los paquetes de software.

Utilizando el mismo anlisis dimensional, podemos interpretar la desigualdad para


cualquiera de las dos soluciones primal y dual) como

Esta relacin expresa que en tanto el ingreso total de todas las actividades sea menor que el valor
de los recursos, las soluciones primal y dual correspondientes no sern ptimas. La optimalidad se
alcanza slo cuando los recursos se han explotado por completo. Esto puede suceder slo cuando
la entrada (valor de los recursos) se iguala a la salida (ingreso en dlares).

Ejemplo 5

En determinado problema de programacin lineal referido a cierta empresa, el modelo primal y dual
se dan como sigue:
El modelo de la empresa en estudio se ocupa de la produccin de dos tipos de pintura (para
interiores y exteriores) con dos materias primas M1 y M2 (recursos 1 y 2) y sujeto a los lmites del
mercado y a la demanda por la tercera y cuarta restricciones. El modelo determina las cantidades
(en toneladas por da) de pinturas para exteriores e interiores que maximizan el ingreso diario
(expresado en miles de dlares).

La solucin dual ptima muestra que el precio dual (valor por unidad) de la materia prima M1
(recurso 1) es (o $750 por tonelada) y que la materia prima M2 (recurso 2) es (o
$500) por tonelada. Estos resultados se mantienen ciertos en intervalos de factibilidad especficos.
Para los recursos 3 y 4, que representan los lmites del mercado y de la demanda, ambos precios
duales son cero, lo que indica que sus recursos asociados son abundantes (es decir, no son
crticos al determinar el ptimo y, por consiguiente, su valor por unidad, o precio dual es cero).

Ejemplo 6

Una compaa fabrica cuatro modelos de escritorios;


cada escritorio es primero construido en el taller de
carpintera y entonces es enviado al departamento
de acabados, donde este es barnizado, encerado y
pulido. Se proporciona a continuacin la siguiente
informacin: (Celiz, 2006)

1 Los insumos (materia prima y accesorios)


estn disponibles en cantidades suficientes y
todos los escritorios pueden ser vendidos.

2 La compaa desea determinar la mezcla


ptima de productos tal que se maximice la
ganancia.

3 Las limitaciones de capacidad por


departamento para el prximo periodo de
planeacin son: 6000 H-H (Horas - Hombre)
en el taller de carpintera y 4000 H-H en el de acabados.

4 Las horas hombre requeridas por tipo de escritorio y sus ganancias se dan a continuacin:
Las variables del dual o precios sombra se encuentran en la fila

bajo las columnas que aportaron en la tabla inicial las variables de holgura (1. Restriccin que
aport la primera columna de la matriz identidad est relacionada con 2. Restriccin que
aport la segunda columna de la matriz identidad estar relacionada con y as sucesivamente).

El precio sombra o

Indicar

1Si n su ecuacin correspondiente, la variable de holgura es igual a cero; es decir, se usan


todos los recursos de esta restriccin.
2
3 Si en su ecuacin correspondiente, la variable de holgura es diferente de
cero; es decir, no se usan todos los recursos de esta restriccin.
Interpretemos la tabla final del ejemplo presentado:
Por cada Hora-Hombre extra que se tenga en el departamento de carpintera, la
ganancia se incrementar en 44/15 soles.

Por cada Hora-Hombre extra que se tenga en el taller de acabados, la ganancia


se incrementar en 4/15 soles

6.2 Interpretacin de rangos de sensibilidad para los coeficientes de la


funcin objetivo y para los valores del lado derecho
El anlisis de sensibilidad consiste en analizar lo que sucedera a la tabla

ptima, si uno solo de los


coeficientes de la funcin objetivo variase, o bien uno solo de los trminos
independientes de las restricciones iniciales del modelo se modificase. (Taha,
2012)
Analicemos el siguiente ejemplo:
El problema tiene que ver con el ensamble de tres tipos de juguetes: trenes,
camiones y autos. En el ensamble intervienen tres operaciones.

La tabla ptima asociada para el primal se da como:


1 La factibilidad de la solucin ptima actual, se ve afectada slo si se cambia el lado
derecho de las restricciones, o se agrega una nueva restriccin al modelo. En ambos casos,
la no factibilidad ocurre cuando una o ms de las variables bsicas actuales se vuelven
negativas.

1 Cambio en el lado derecho. Este cambio requiere volver a calcular el lado derecho de la
tabla aplicando la frmula:

1 Recordar que el lado derecho de la tabla muestra los valores de las variables bsicas.

Supongamos que la empresa del ejemplo, incrementa la capacidad diaria de las


operaciones 1, 2 y 3, a 600, 640 y 590 minutos respectivamente.

Cmo afectara este cambio al ingreso total?

Con estos incrementos, el nico cambio que tendr lugar en la tabla ptima es el lado
derecho de las restricciones (y el valor objetivo ptimo). Por tanto, la nueva solucin bsica
se calcula como sigue:

As, las variables bsicas actuales , y permanecen factibles con los


nuevos valores 140, 320 y 30 unidades, respectivamente. El ingreso
ptimo asociado es $1880.

Cambios en los coeficientes de la funcin objetivo. Este cambios afectan


slo la optimalidad de la solucin y requieren que se calculen de nuevo los
coeficientes de la fila z.

En el ejemplo presentado, supongamos que la compaa tiene una nueva


poltica de fijacin de precios para enfrentar la competencia. Los ingresos
unitarios son $2, $3 y $4 por los trenes, camiones y autos de juguete, en
ese orden.

1 La nueva funcin objetivo es:

asi

Por lo tanto, las nuevas variables duales se calculan como:

Los coeficientes de la fila z se determinan como la diferencia entre los lados izquierdo y
derecho de las restricciones duales. No es necesario calcular de nuevo los coeficientes de
fila objetivo de las variables bsicas ( )porque siempre son cero,
independientemente de cualquier cambio realizado en los coeficientes objetivo.

1 Observar que el lado derecho de la primera restriccin dual es 2 (y no 3), el nuevo


coeficiente en la funcin objetivo modificada.

1 Los clculos demuestran que la solucin actual, trenes, camiones y autos, permanece
ptima. El nuevo ingreso correspondiente se calcula como . No se recomienda la nueva
poltica de fijacin de precios porque disminuye el ingreso. (Taha, 2012)

6.3 Mtodo Dual Simplex

Como en el mtodo simplex (primal), la base del mtodo simplex dual es que cada iteracin
siempre est asociada a una solucin bsica. Las condiciones de optimalidad y factibilidad se
establecen para preservar la optimalidad de las soluciones bsicas y al mismo tiempo mover las
iteraciones de la solucin hacia la factibilidad. (Taha, 2012)
Condicin dual de factibilidad. La variable de salida , es la variable bsica que tiene el valor
ms negativo (los empates se rompen en forma arbitraria). Si todas las variables bsicas
son no negativas, termina el algoritmo.

Condicin dual de optimalidad. La variable de entrada se determina entre las variables no


bsicas, como la que corresponde a:

donde: es ES el coeficiente objetivo del rengln z en la tabla es el


coeficiente negativo de restriccin de la tabla, asociado con el rengln de la variable de
salida

y con la columna de la variable no bsica. Los empates se rompen


arbitrariamente. (Taha, 2012)

Ejemplo 7

sujeta a

En este ejemplo, se multiplican por -1 las dos primeras desigualdades para convertirlas a
restricciones ( ) As, la tabla de inicio es:

La tabla comienza ptima (todas las ,, en el rengln z) y la solucin bsica de inicio es


no factible ,,

Segn la condicin dual de factibilidad, es la variable de salida. La tabla


siguiente muestra cmo se usa la condicin dual de optimalidad para determinar la variable
de entrada:
Las razones indican que es la variable de entrada. Observar que una variable es
candidata para entrar a la solucin bsica slo que su sea estrictamente negativa.
Eso quiere decir que no se deben tener en cuenta las variables
La siguiente tabla se obtiene con las conocidas operaciones de rengln

Esta
tabla muestra que sale y entra y as se obtiene la siguiente tabla:

Esta ltima tabla es factible (y ptima) por lo que se termina el algoritmo. La solucin
correspondiente es ,,, ,,,,, (Taha, 2012)
Preguntas de anlisis
Estimado estudiante, hemos revisado los contenidos referentes a la sexta semana, y
con el fin de afianzar tu aprendizaje, te sugiero analices y des respuesta a las
siguientes preguntas:

1. A qu se denomina problema Dual de un problema Primal en programacin


lineal?.
2. Qu ventajas posee el enfoque Dual en la solucin de problema de
programacin lineal?.
3. A qu se refiere el anlisis de sensibilidad postptimo?
4. Para qu sirve el anlisis de sensibilidad postptimo?.
5. Cmo afecta a la solucin ptima, el cambio ya sea de un coeficiente en la
funcin objetivo, o en el lado derecho de alguna restriccin?.
Video
1.1. Con ayuda del siguiente video se aclaran algunas ideas sobre el concepto de la
dualidad en programacin lineal.
Actividad de anlisis y comprensin
Pregunta de Eleccin Mltiple
1. En qu consiste la relacin primal - dual?

Esta relacin consiste en que un problema primal tiene las mismas restricciones que su
respectivo dual.

Esta relacin consiste en que todo problema de optimizacin primal tiene un problema
asociado dual.

Esta relacin consiste en que un problema primal de optimizacin y su respectivo dual,


poseen funciones objetivo equivalentes.

Esta relacin consiste en que todo problema de optimizacin primal y su respectivo dual
tienen el mismo nmero de variables.

No existe relacin primal dual.


Todo modelo de programacin lineal primal tiene asociado su respectivo problema dual que
le brinda mejores opciones de anlisis en aquellos casos en que se pueda dificultar el
clculo debido a la existencia de un nmero mayor de restricciones que de variables.
Pregunta de Eleccin Mltiple
2. En relacin a la importancia del problema dual, podemos decir:

La dualidad slo tiene importancia en su contenido terico.

Sin el problema dual no se puede resolver el problema primal.

La dualidad permite realizar importantes interpretaciones econmicas de los problemas de


programacin lineal.
La dualidad slo es otra forma diferente de expresar el problema primal, y puede como no
tener ventajas sobre este ltimo.

El problema dual hace posible el anlisis de sensibilidad del problema primal.


El modelo dual es muy importante por varios aspectos, entre los que destacan, proporciona
de forma automtica la solucin del modelo primal, permite generar mtodos como el dual
del simplex de gran importancia, etc, resaltando el hecho que permite realizar importantes
interpretaciones econmicas.
Pregunta de Eleccin Mltiple
3. En relacin al anlisis de sensibilidad podemos decir:

Es el estudio de la forma en que se construye el problema dual.

Es el estudio del problema de estabilidad ante cambios en las restricciones.

Es el estudio de la forma en que se afecta la solucin ptima al presentarse cambios en los


coeficientes de un problema lineal.

Es el estudio de la forma en que se afecta la solucin ptima al cambiar de mtodo de


solucin.

Es el estudio de la forma en que se afecta la solucin ptima al utilizar un software de


clculo.
El anlisis de sensibilidad es el estudio de la forma en que se afecta la solucin ptima al
presentarse cambios en los coeficientes de un programa lineal.
Referencias (bibliogrficas)
Anderson, D., & Sweeney, D. (2010). Mtodos Cuantitativos para los Negocios. Mxico:
Cengage Learning Editores, S.A.
Castorena, R. V. (2011). Investigacin de Operaciones. Mxico: McGraw- Hill.
Celiz, H. M. (2006). Investigacin de Operaciones I. Recuperado el 16 de 12 de 2014, de
http://goo.gl/tDXgmJ
Eppen, G. D. (2000). Investigacin de Operaciones en la Ciencia Administrativa. Mxico:
Prentice-Hall.
Hiller. (2010). Investigacin de Operaciones. Mxico: McGRAW-HILL/INTERAMENRICANA
EDITORES, S.A.
Taha, H. A. (2012). Investigacin de Operaciones. Mxico.: Pearson Educacin.
Solucin dual ptima
Como el problema dual es un problema de programacin lineal, tambin tienen soluciones
en los vrtices. An ms, al emplear la forma de igualdades del problema, estas soluciones
se pueden expresar como soluciones bsicas. Debido a que las restricciones funcionales
tienen la forma la forma aumentada se obtiene al restar el supervit (en lugar de
agregar la holgura), del lado izquierdo de cada restriccin J

Para
En consecuencia, asume el papel de variable de supervit de la restriccin (o
su variable de holgura si la restriccin se multiplica por -1). Por tanto, cuando aumenta
cada solucin en un vrtice se obtiene una
solucin bsica
al usar esta expresin para Como la forma aumentada del problema dual tiene
variables bsicas y variables no bsicas. (Hiller, 2010)

Veamos dos mtodos para determinar los valores duales:


Mtodo 1.

Mtodo 2.

Los
elementos del vector fila deben aparecer en el mismo orden en que las variables bsicas
aparecen en la columna bsica de la tabla simplex
Lecturas recomendadas (para ampliar conocimientos de la sexta semana)
Para saber ms
Con la finalidad de ampliar y reforzar los temas que hemos estudiado, ponemos a
disposicin el presente URL, de un texto importante del Curso:
1 Documento: Investigacin de Operaciones
2 URL: http://goo.gl/TVCuXh
1 Breve descripcin
Esta novena edicin Investigacin de Operaciones del reconocido autor Hamdy A. Taha,
contiene de manera ms concisa que las anteriores, tanto el texto como el software de
apoyo, con el fin de que el lector se enfoque de lleno en la puesta en ejecucin algortmica
y prctica de las tcnicas de investigacin de operaciones.
Se recomienda leer todo lo relacionado al captulo 4, que contienen temas relacionados
con el slabo.
Conclusiones de la sexta semana
Despus de haber concluido con todas las actividades de la sexta semana,

podemos mencionar algunas conclusiones:


1 Asociado a cada problema lineal existe otro problema de programacin lineal
denominadoproblema dual, que posee importantes propiedades y relaciones
notables con respecto al problema lineal original, problema que para diferencia del
dual se denomina entonces comoproblema primal.
1 El problema dual tiene tantas variables como restricciones tiene el problema primal y
viceversa, el problema dual tiene tantas restricciones como variables tiene el
problema primal.
1 Los coeficientes de la funcin objetivo del problema dual son los trminos
independientes de las restricciones o RHS del problema primal, y viceversa, los
trminos independientes de las restricciones o RHS del dual son los coeficientes de
la funcin objetivo del problema primal.
1 Los problemas duales permiten resolver con mayor facilidad los problemas lineales
donde el nmero de restricciones es mayor que el nmero de variables.
1 La dualidad permite realizar importantes interpretaciones econmicas de los
problemas de programacin lineal.
1 La dualidad permite generar mtodos como el mtodo dual del simplex de gran
importancia en el anlisis de post optimizacin y en la programacin lineal
paramtrica.
Tema 07: Programacin de Proyectos: PERT - CPM.

Introduccin al tema
El problema de la administracin
de proyectos surgi con el proyecto de armamentos
del Polaris, alrededor de 1958. Con tantos
componentes y subconjuntos producidos por diversos
fabricantes se necesitaba una nueva herramienta para
programar y controlar el proyecto. El PERT
(Evaluacin de Programas y Tcnicas de Revisin),
fue desarrollado por cientficos de la oficina Naval de
Proyectos Especiales. Booz Allen y Hamilton y la
Divisin de Sistemas de Armamentos de la
Corporacin Lockheed Aircraft. La tcnica demostr
tanta utilidad que ha ganado amplia aceptacin tanto
en el gobierno como en el sector privado.
Casi al mismo tiempo, la Compaa Dupont, junto con la Divisin UNIVAC de la Remington
Rand, desarroll el mtodo de la ruta crtica (CPM) para controlar el mantenimiento de
Proyectos de Plantas Qumicas de Dupont.
El CPM es idntico al PERT en concepto y metodologa. La diferencia principal entre ellos
es simplemente el mtodo por medio del cual se realizan estimados de tiempo para las
actividades del proyecto. Con CPM, los tiempos de las actividades son determinsticos,
Con PERT, los tiempos de las actividades son probabilsticos o estocsticos.
Ambos mtodos aportan los elementos administrativos necesarios para integrar el mtodo
de camino crtico actual, utilizando el control de los tiempos de ejecucin y los costos de
operacin para buscar que el proyecto total sea ejecutado en el menor tiempo y al menor
costo posible. (Quiroz, 1999).
Mapa conceptual referido al tema
En el presente mapa conceptual se sintetizan los principales conceptos de la temtica que
tratamos en la sptima semana. Qu conceptos son conocidos?, Cules desconocidos?

7.1

Programacin PERT (Evaluacin y Revisin Tcnica de Proyectos). Definicin,


componentes, tiempo lo ms pronto posible y lo ms tarde permisible
Estudio de Caso 1
El propietario del centro comercial Western Hills piensa modernizar y ampliar el espacio de
32 tiendas. Se espera que el proyecto produzca espacio para 8 a 10 tiendas nuevas. El
financiamiento se negoci por medio de un inversionista privado. El propietario del centro
comercial slo tiene que planear, programar y terminar el proyecto de expansin.
(Anderson & Sweeney, D, 2010)
1 Mostremos cmo puede
ayudar PERT/CPM
1 Elaborar una lista de las
actividades que conforman el
proyecto. La Tabla 1, muestra
la lista de actividades del
proyecto de expansin del
centro
comercial Western Hills.

Se describen 9 actividades denotadas de la A a la I para referencia posterior.


La Tabla 1 tambin indica la(s) predecesora(s) inmediatas y el tiempo (en semanas) de
cada actividad.
Para una actividad dada, la columna predecesora inmediata identifica las actividades que
deben terminarse inmediatamente antes del inicio de dicha actividad.
Las actividades A y B no tienen predecesoras inmediatas y pueden iniciarse en cuanto se
inicia proyecto; por tanto, se escribe un guion en la columna predecesora inmediata para
estas actividades.
Las entradas restantes en la columna predecesora inmediata indican que las
actividades C, D y E no pueden iniciarse hasta que la actividad A haya sido completada; la
actividad F no puede iniciarse hasta que la E haya sido completada; la actividad G no
puede iniciarse hasta que las actividades B y C hayan sido completadas, y finalmente,
la I no puede iniciarse hasta que las actividades G y H hayan sido completadas. El
proyecto se termina cuando la actividad I se completa.
La ltima columna de la Tabla 1 muestra el nmero de semanas requerido para completar
cada actividad. Por ejemplo, la actividad A requiere 5 semanas, la B, 6 semanas, etc. La
suma de los tiempos de actividad es de 51 semanas. Por consiguiente, es posible que
piense que el tiempo total requerido para completar el proyecto es de 51 semanas, sin
embargo, como lo mencionamos, con frecuencia dos o ms actividades pueden
programarse al mismo tiempo, por lo que se acorta el tiempo de realizacin del proyecto.
1 El proceso de programacin PERT/CPM producir un programa de actividades
detallado para completar el proyecto en el menor tiempo posible.
Utilizando la informacin predecesora inmediata dada en la tabla 1 podemos construir una
representacin grfica del proyecto, o la red del proyecto.

La figura 1, ilustra la red del proyecto del centro comercial Western Hills. Las actividades
corresponden a los nodos de la red (trazados como rectngulos), y los arcos (las lneas
con puntas de flecha) muestran las relaciones de precedencia entre las actividades.
Adems se agregaron nodos a la red para denotar el inicio y la terminacin del proyecto.
1 Una red del proyecto permitir al gerente visualizar la relaciones entre las

actividades las cuales le servirn como realizar los clculos PERT/CPM.


Para facilitar los clculos PERT/CPM, modificamos la red del proyecto como se muestra en
la Figura 2. Observe que la esquina superior izquierda de cada nodo contiene la letra de la
actividad correspondiente.
El tiempo aparece debajo de la letra.
1 Para determinar el tiempo de terminacin del proyecto, tenemos que analizar la red
e identificar lo que se llama ruta crtica de la red.
Sin embargo, antes de hacerlo, tenemos que definir el concepto de ruta a travs de la red.
1 Una ruta es una secuencia de nodos conectados que conduce del nodo Inicio al
nodo Terminacin.
Por ejemplo, la secuencia de nodos A-E-F-G-I define una ruta para red mostrada en la
Figura 2 (siguiente seccin).
Por inspeccin, vemos que son posibles otras rutas, tales como A-D-G-I, A-C-H-I y B-H-I.
Todas las rutas que componen la red deben ser recorridas para completar el proyecto.
1 buscaremos la ruta que requiera el mayor tiempo.
Como todas las dems rutas son ms cortas. Esta ruta ms larga determina el tiempo total
requerido para completar el proyecto. Si las actividades que aparecen en la ruta ms larga
se demoran. Todo el proyecto se demorar. Por tanto, la ms larga es la ruta crtica. Las
actividades en sta se conocen como actividades crticas del proyecto. El siguiente
anlisis presenta un algoritmo paso a paso para determinar la ruta crtica en una red de
proyecto.
7.2. Tcnicas CPM (Mtodo del Camino Crtico): Elaboracin del diagrama real,
programacin de proyectos con tiempo de actividades conocidos

7.3.

Concepto y determinacin de la ruta crtica


1 Determinacin de la ruta crtica.
1 Primero determinamos el tiempo de inicio ms temprano y el tiempo de inicio ms
tardo de todas las actividades que componen la red.
Sean:

El tiempo de terminacin ms temprano de cualquier actividad es:


La actividad A puede iniciarse en cuanto se inicia el proyecto, por lo que hacemos el
tiempo de inicio ms temprano de la actividad A igual a 0. Con un tiempo de actividad de 5
semanas, el tiempo de terminacin ms temprano de la actividad A es .
1 Anotaremos los tiempos de inicio y terminacin ms tempranos en el nodo a la
derecha de la letra de actividad. Si utilizamos la actividad A como ejemplo se
obtiene.

Como una actividad no puede iniciarse hasta


que todas las actividades inmediatamente
precedentes hayan sido terminadas, pueden
utilizarse la siguiente regla para determinar
el tiempo de inicio ms temprano de cada actividad.

Apliquemos la regla del tiempo de inicio ms tempano a la parte de la red que implica los
nodos A, B, C y H, como se muestra en la Figura 3.
Con un tiempo de inicio ms temprano de cero y un tiempo de 6 para la actividad B.
mostramos , en el nodo de la actividad B. Examinando el nodo C, observamos que la
actividad A es la nica predecesora inmediata de la actividad C. Tiempo de terminacin
ms temprano de la actividadA es 5, de modo que el tiempo de terminacin ms temprano
de la actividad C es . Tanto el tiempo de inicio como el tiempo de terminacin ms
tempranos pueden mostrarse en el nodo de la
actividad C. (Figura 4).

Continuamos
con la Figura
4, pasamos a
la
actividad H y
le aplicamos
la regla del
tiempo de
inicio ms
temprano.
Con las
actividades B
y C como
predecesoras
inmediatas, el
tiempo de
inicio ms
temprano de
la
actividad H de
be ser igual al
mayor de los
tiempos de terminacin de las actividades B y C
Por tanto, con para la actividad , y para la actividad
, seleccionamos el valor mayor, 9, como el tiempo de inicio ms temprano de la
actividad H
Con un tiempo de actividad de 12 como se muestra en el nodo para la
actividad H, el tiempo de terminacin ms temprano es
Los valores y , ahora pueden ser anotados en el nodo para la
actividad H en la Figura 4.

1 Si seguimos con este paso hacia adelante a travs de la red, podemos establecer
los tiempos de inicio y terminacin ms tempranos de todas las actividades que
componen la red.
La Figura 5 muestra la red del proyecto del centro comercial Western Hills, con los
valoresES y EF de cada actividad. Observar que el tiempo de terminacin ms temprano
de la actividad I, la ltima en el proyecto, es de 26 semanas. Por consiguiente, ahora
sabemos que el tiempo de terminacin total del proyecto es de 26 semanas.
1 Ahora continuamos con el algoritmo para determinar la ruta crtica realizando un
paso hacia atrs a travs de la red.
Como el tiempo de terminacin total del proyecto es de 26 semanas, comenzamos con el
paso hacia atrs con un tiempo de terminacin ms tardo de 26 para la actividad I. Una
vez que se conoce el tiempo ms tardo, de una actividad, el tiempo de inicio ms tardo de
una actividad se calcula como sigue:

Entonces

Al iniciar el paso hacia atrs con la actividad I, sabemos que el tiempo de terminacin ms
tardo es y y que el tiempo de la actividad es Por tanto, el tiempo de inicio
ms tardo de la actividad Anotaremos los valores LS yLF en el
nodo directamente debajo de los tiempos de inicio ms temprano (ES) y terminacin ms temprano
(EF).

Por tanto, para el nodo I, tenemos:


1 La

siguiente regla puede usarse para determinar el tiempo de terminacin ms tardo


de cada actividad en la red:

Lgicamente, esta regla expresa que el tiempo ms tardo en que una actividad puede ser
terminada es igual al valor (menor) ms temprano del tiempo de inicio ms tardo de las
actividades siguientes.
La Figura 6 muestra la red del proyecto completa con los resultados de paso hacia
atrsLS y LF.
Podemos utilizar la regla del tiempo de terminacin ms tardo para verificar los
calores LSy LF mostrados para la actividad H. El tiempo de terminacin ms tardo de la
actividad Hdebe ser el tiempo de inicio ms tardo de la actividad I; por tanto, hacemos
para la actividad H.
Con la ecuacin (2), vemos que como el tiempo de inicio ms
tardo para la actividad H. Estos valores se muestran en el nodo para la actividad H en la
Figura 6.
La
actividad A requiere una aplicacin ms completa de la regla del tiempo de inicio ms
tardo.
En primer lugar, observar que tres actividades (C, D y E) siguen de inmediato a la
actividad A. La Figura 6 muestra que los tiempos de inicio ms tardos de las
actividadesC, D y E son
, respectivamente.
La regla del tiempo de terminacin ms tardo para la actividad A expresa que el LF para la
actividad A es el menor de los tiempos de inicio ms tardos para las actividades C, D y E.
Con el valor menor 5 para la actividad E, hacemos el tiempo de terminacin ms tardo
para la actividad A. Verificar este resultado y los dems tiempos de inicio y
terminacin ms tardos mostrados en los nodos que 6 aparecen en la Figura.

7.4. Camino crtico, holgura de tiempo, y holgura de suceso


La informacin que proporciona al responsable del control del proyecto, el conocimiento de
los tiempos early y last de los diferentes sucesos, no es, en s misma, demasiando
importante, con la excepcin del tiempo earlyo last del suceso fin del proyecto, pues, este
tiempo representa la duracin del proyecto, siendo esta duracin el objetivo a lograr por
parte del responsable del proyecto. (Lpez, 1993)
Despus de realizar los pasos hacia
adelante y hacia atrs, podemos
determinar la cantidad de holgura
asociada con cada actividad.
1 Holgura es el lapso de tiempo
que una actividad puede ser
demorada sin que se incremente
el tiempo de terminacin del
proyecto. La cantidad de holgura
para una actividad se calcula
como sigue:

Por ejemplo, la holgura asociada con la actividad C es LS ES = 8 5 = 3 semanas. Por


consiguiente, la actividad C puede ser demorada hasta 3 semanas, y an as el proyecto
puede completarse en 26 semanas. En este sentido, la actividad C no es crtica para la
terminacin de todo el proyecto en 26 semanas.
A continuacin consideramos la actividad E. Al utilizar la informacin que aparece en la
Figura 6, vemos que la holgura es LS ES = 5 5 = 0. Por tanto, la holgura de la
actividad E es cero o ninguna. As que, esta actividad no puede ser demorada sin
incrementar el tiempo de terminacin de todo el proyecto. En otras palabras:
1 terminar la actividad E exactamente como se program es crtico para mantener el
proyecto dentro del programa.
As, la actividad E es crtica.
1 En general, las actividades crticas son las actividades con holgura cero.
Los tiempos de inicio y terminacin mostrados en la Figura 6 pueden utilizarse para
desarrollar un programa de tiempos de inicio y terminacin de todas las actividades.
Al tabular esta informacin se obtiene el programa de actividades mostrado en la Tabla 2.
Observar que en una columna se muestra la holgura de las actividades A, E, F, G e I es
cero. Por consiguiente, stas son las actividades crticas del proyecto.
La ruta formada por los nodos A E F G I es la ruta crtica en la red del proyecto del
centro comercial Western Hill.
El programa detallado mostrado en la Tabla 2 indica la holgura o demora que puede ser
tolerada por las actividades no crticas antes de que stas incrementen el tiempo de
terminacin del proyecto.
1 C
ontribuciones del proceso de programacin PERT/CPM
Con anterioridad expusimos que los gerentes de proyectos buscan procedimientos que les
ayuden a responder preguntas importantes con respecto a la planeacin, programacin y
control de los proyectos. Volvamos a considerar esas preguntas a la luz de la informacin
que nos dan los clculos de ruta crtica. (Anderson & Sweeney, D, 2010)
1. Qu tanto tiempo se requiere para completar el proyecto?
Respuesta: El proyecto puede terminarse en 26 semanas si cada actividad se realiza
dentro del programa.
2. Cules son los tiempos de inicio y terminacin programados de cada actividad?
Respuesta: el programa de actividades (Tabla 2) muestra los tiempos de inicio y
terminacin ms tempranos y ms tardos de cada actividad.
3. Cules actividades son crticas y deben ser completadas exactamente como se
programaron para mantener el proyecto dentro del programa?
Respuesta: A, E, F, G e I son las actividades crticas.
4. Qu tanto puede demorarse las actividades crticas antes de que incremente el
Tiempo de terminacin del proyecto?
Respuesta: El programa de actividades (Tabla 2) muestra la holgura asociada con cada
actividad.
Esta informacin es valiosa para dirigir cualquier proyecto. Aunque los proyectos de gran
envergadura en general incrementan el esfuerzo requerido para desarrollar las relaciones
predecesoras inmediatas y las estimaciones de los tiempos de actividad, el procedimiento
y la contribucin del proceso de programacin PERT/CPM a proyectos ms grandes son
idnticos a los mostrados para el proyecto de expansin del centro comercial Western Hills.
1 Resumen del procedimiento de ruta crtica PERT/CPM
Paso 1. Elabore una lista de las actividades que conforman el proyecto.
Paso 2. Determine la(s) predecesora(s) inmediata(s) de cada actividad en el proyecto.
Paso 3. Calcule el tiempo de terminacin de cada actividad.
Paso 4. Trace una red del proyecto que ilustre las actividades y las predecesoras
inmediatas mencionadas en los pasos 1 y 2.
Paso 5. Utilice la red del proyecto y las estimaciones de los tiempos de actividad para
determinar los tiempos de inicio y terminacin ms tempranos de cada actividad
avanzando un paso a travs de la red. El tiempo de terminacin ms temprano de la ltima
actividad del proyecto identifica el tiempo total requerido para terminarlo.
Paso 6. Utilice el tiempo de terminacin del proyecto en el paso 5 como el tiempo de
terminacin ms tardo de la ltima actividad, y retroceda un paso a travs de la red para
identificar los tiempos de inicio y terminacin ms tardos de cada actividad.
Paso 7. Utilice la diferencia entre el tiempo de inicio ms tardo y el tiempo de inicio ms
temprano de cada actividad para determinar su holgura.
Paso 8. Determine las actividades con holgura cero; stas son las actividades crticas.
Paso 9. Utilice la informacin de los pasos 5 y 6 para desarrollar el programa de
actividades del proyecto.
Programacin de un proyecto con tiempos de actividad inciertos
Estudio de Caso 2
H.S. Daugherty Company ha fabricado
aspiradoras industriales durante muchos
aos. Recientemente, un miembro del
equipo de investigacin de nuevos
productos de la empresa present un
reporte donde recomienda que la empresa
fabrique una aspiradora inalmbrica. El
producto nuevo, conocido como Porta -
Vac, podra contribuir a la expansin de
Daugherty hacia el mercado de enseres
domsticos. La gerencia espera que pueda
ser fabricada a un costo razonable y que
su portabilidad y convivencia inalmbrica la
har extremadamente atractiva. (Anderson
& Sweeney, D, 2010)
La gerencia de Daugherty desea estudiar
la factibilidad de fabricar la aspiradora Porta-Vac. El estudio de factibilidad recomendar la
accin que se tomar, y para completar ste debe obtenerse informacin de los grupos de
investigacin y desarrollo (R&D), pruebas y fabricacin de productos, estimacin de costos
e investigacin de mercados. (Anderson & Sweeney, D, 2010)
Qu tiempo requerir el estudio de factibilidad?
Una vez que se desarrolla la red del proyecto, se necesita informacin sobre el tiempo
requerido para completar cada actividad. Esta informacin se utiliza en el clculo del
tiempo total requerido para completar el proyecto y en la programacin de actividades
especficas. En el caso de proyectos repetidos, como proyectos de construccin y
mantenimiento, es posible que los gerentes cuenten con la experiencia y datos histricos
necesarios para proporcionar estimaciones de tiempos de actividad precisas. Sin embargo
en proyectos nuevos o nicos, la estimacin del tiempo de cada actividad puede ser
bastante difcil. En realidad, en muchos casos, los tiempos de actividad son inciertos y se
describen mejor por medio de varios valores posibles y no por una estimacin de tiempo
especfica. En estos casos, los tiempos de actividad inciertos se tratan como variables
aleatorias con distribuciones de probabilidad asociadas. Por consiguiente, se harn
enunciados sobre la capacidad de satisfacer una fecha especfica de terminacin del
proyecto.
Para
ilustrar el procedimiento PERT/CPM con tiempos de actividad inciertos, consideremos las
estimaciones de tiempo optimista, ms probable y pesimista de las actividades del
proyecto Porta-Vac que aparecen en la Tabla 4. Como ejemplo, vemos que el tiempo ms
probable es de 5 semanas con una variacin desde 4 semanas (optimista) hasta 12
semanas (pesimista). Si la actividad pudiera repetirse varias veces, cul es el tiempo
promedio de la actividad? Este tiempo promedio o tiempo esperado (t) este como sigue:

Para la actividad A tenemos


un tiempo promedio o tiempo esperado de:

Con tiempos de actividad inciertos, podemos utilizar la varianza para describir la dispersin
o variacin de los valores del tiempo de actividad. La varianza del tiempo de actividad est
dada por la frmula:

La diferencia entre las estimaciones de tiempo pesimista (b) y optimista (a) afecta en gran
medida el valor de la varianza. Las grandes diferencias en estos valores reflejan un alto
grado de incertidumbre en el tiempo de actividad. Con la ecuacin (5), se obtiene la
medida de la incertidumbre, es decir, la varianza de la actividad A, denotado
Por tanto, aun cuando la variabilidad del tipo de actividad puede hacer que el tiempo de
terminacin exceda de 17 semanas, los clculos indican una excelente oportunidad de que
el proyecto se complete antes del plazo de 20 semanas.
Preguntas de anlisis
Estimado estudiante, hemos revisado los contenidos referentes a la sptima
semana, y con el fin de afianzar tu aprendizaje, te sugiero analices y des respuesta a
las siguientes preguntas:

1. Qu significa PERT/CPM?
2. Para qu sirve la tcnica CPM?.
3. Qu sucede si se mueve una actividad de la ruta crtica?
4. En el planeamiento de proyectos, a qu se denomina holgura?, cmo utilizarla en
beneficiosamente?
Videos
Actividad de anlisis y comprensin
Pregunta de Eleccin Mltiple
1. Enumera las dimensiones de estimacin de la duracin de cada actividad que
supone el PERT.

Duracin determinada, duracin indeterminada.

Duracin finita, duracin inifinita.

Duracin contable o calculable, duracin incontable o incalculable.

Duracin ptima, duracin psima, duracin ms probable.

Duracin ptima, duracin aceptable.


PERT supone que la duracin de cada actividad est determinada por una variable
aleatoria t que sigue una distribucin beta. Y recurre a tres tipos de estimaciones:
1 Duracin ptima.
2 Duracin psima.
Duracin ms probable.
Pregunta de Eleccin Mltiple
2. Para poder aplicar el mtodo PERT lo que se va a calcular es la probabilidad de
cumplimiento de todo el proyecto utilizando:
El Teorema Central del Lmite.

El Teorema de Bayes.

Teorema del producto.

Teorema de la probabilidad total

Tcnica de Mnimos Cuadrados


Para poder aplicar el Mtodo PERT, lo que se tiene que calcular es la probabilidad de
cumplimiento de todo el proyecto, utilizando el denominado Teorema Central del Lmite,
segn el cual la duracin del proyecto va a seguir una campana de Gauss, es decir una
distribucin normal, cuya media es la meda de la suma de las actividades que conforman
el proyecto.
Pregunta de Eleccin Mltiple
3. En relacin a la duracin ptima de las actividades de desarrollo del proyecto,
podemos decir:

Plazo mximo que se da cuando hay varias demoras motivadas por riesgos.

Es la duracin ms frecuente.

Plazo mnimo que se da cuando la actividad sucede de manera ideal

Plazo mximo que se da cuando la actividad sucede de manera ideal.

Duracin menos frecuente.


La duracin ptima es el plazo mnimo que se da cuando la actividad sucede de manera
ideal. Cuando todo marcha excepcionalmente bien.
Referencias (bibliogrficas)
Anderson, D., & Sweeney, D. (2010). Mtodos Cuantitativos para los Negocios. Mxico:
Cengage Learning Editores, S.A.
Hillier, F. (2010). Introduccin a la Investigacin de Operaciones. Mxico: McGrawHill.
Lpez, C. R. (1993). Tcnicas de Programacin y Control de Proyectos. Madrid: Ediciones
Pirmide S. A.
Quiroz, A. C. (1999). Principios de Investigacin de Operaciones. Mxico D.F: ECAFSA
Lecturas recomendadas (para ampliar conocimientos de sptima semana)
Para saber ms
Con la finalidad de ampliar y reforzar los temas que hemos estudiado, ponemos a
disposicin el presente URL, del texto:
Anderson, David R (2010). Mtodos Cuantitativos para los negocios. Cengage Learning
Editores,
indicado en las Referencias Bibliogrficas.
1 Documento: Mtodos cuantitativos para los negocios
1 URL: http://goo.gl/Sej5Dn
1 Breve descripcin
El texto propuesto, de autora del reconocido autor: Anderson Sweeney en su 11-va edicin
proporciona a los estudiantes universitarios y de posgrado una comprensin conceptual del
papel que juegan los mtodos cuantitativos en el proceso de toma de decisiones.
Se recomienda leer todo lo relacionado al Captulo 13, sobre programacin de proyectos
PERT.
Conclusiones de la sptima semana
Despus de haber concluido con todas las actividades de la sptima semana,
podemos mencionar algunas conclusiones importantes:
1 El mtodo PERT es un mtodo que sirve para planear, desarrollar y controlar
proyectos, tanto de empresas pblicas como privadas.
1 Podemos concluir que el PERT y CPM, son esencialmente lo mismo; sus diferentes
enfoques hacen a cada uno aplicable ms que el otro en situaciones diferentes.
1 En ambos mtodos, la informacin esencial deseada es la ruta crtica y las holguras.
1 El mtodo PERT , que pertenece en principio al rea de los programas dentro de la
planeacin m est ntimamente relacionado con todas las funciones administrativas,
puesto que adems de ser un programa dentro de la planeacin, sirve de base a la
organizacin como modelo para realizar un desarrollo objetivo y claro de sus etapas.
1 El PERT/CPM tambin considera los recursos necesarios para completar las
actividades, ya que en muchos proyectos, las limitaciones en mano de obra y
equipos hacen que la programacin sea difcil; adems de identificar los instantes
del proyecto en que estas restricciones causarn problemas y de acuerdo a la
flexibilidad permitida por los tiempos de holgura de las actividades no crticas,
permite que el gerente manipule ciertas actividades para aliviar estos problemas.