Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Anlisis cuantitativo
para la toma de decisiones
Octava edicin
Charles P. Bonini
Stanford University
Warren H. Hausman
Stanford University
Versin en espaol de
Ernesto Morales Peake
Mxico, D.F.
Con la colaboracin de
M Josefa Peralta Estadillo
Universidad Pontificia de Comillas
ICADE
Madrid, Espaa
a
McGRAW-HILL
MXICO BUENOS AIRES CARACAS GUATEMALA LISBOA MADRID NUEVA YORK
PANAM SAN JUAN SANTAF DE BOGOT SANTIAGO SO PAULO
AUCKLAND HAMBURGO LONDRES MILN MONTREAL NUEVA DELHI PARS
SAN FRANCISCO SINGAPUR ST. LOUIS SIDNEY TOKIO TORONTO
ISBN 970-10-1690-4
(ISBN 0-256-08267-7 octava edicin. Publicado por Richard D. Irwin, Inc.)
L.I.-97
Impreso en Mxico
Esta obra se termin de
imprimir en Mayo de 1997 en
Litogrfica Ingramex
Centeno Nm. 162-1
Col. Granjas Esmeralda
Delegacin Iztapalapa
C.P. 09810 Mxico, D.F.
9086543217
Printed in Mxico
Prefacio
vi
Prefacio
captulo dedicado a la simulacin, donde se muestra cmo llevar a cabo una
simulacin de Montecarlo en una hoja de clculo. Eliminamos el captulo acerca
de la estadstica clsica y agregamos un breve anlisis de los diagramas de
influencia, el anlisis conjunto y la "maldicin del ganador" en distintas partes
del texto. As mismo, combinamos dos de los captulos anteriores los relacionados con la teora de la decisin y la modificacin de probabilidades para
formar un captulo integral.
Aunque ya no se considera que Lawrence Fouraker y Robert Jaedicke sean
autores del libro, reconocemos que gran parte del material representa sus palabras
y sus ideas.
Harold Bierman, Jr.
Charles P. Bonini
Warren H. Hausman
Agradecimientos
Queremos agradecer a los siguientes revisores sus valiosas recomendaciones en
las ediciones ms recientes. Apreciamos sus contribuciones.
Thomas Boln, University of Illinois
Linda Salchenberger, hoyla University
Mary Rolfes, Mankato State University
George Vlahos, University of Dayton
Peter Ellis, Utah State University
Mike Middleton, University of San Francisco
Steve Achtenhagen, San Jos State University
G. John Miltenburg, McMaster University
Mark Walker, State University of New YorkStonybrook
Tim Ireland, Oklahoma State University
W. E. Pinney, University of Texas
Prem S. Mann, California State UniversityFullerton
vii
viii
ndice general
PARTE I
ndice general
Variables de decisin
Variables exgenas
Polticas y restricciones
Medidas de rendimiento
Variables intermedias
El modelo y la relacin entre variables, 17
Ejemplo: Modelo de un aserradero, 18
Relaciones: Diagrama de influencia
Relaciones fsicas
Relaciones financieras
Anlisis con el modelo, 22
Implantacin del modelo en un computador, 23
Frmulas para otros trimestres
Ejemplos de anlisis con el modelo, 27
Anlisis de sensibilidad
Ejemplo: Modelo New York Tunes, 33
Apndice: Valor actual y futuro del dinero, 34
Bibliografa, 35
Problemas con respuestas, 35
Problemas, 36
Problemas ms difciles, 37
Caso 2-6: Super Spuds, Inc., 38
Caso 2-7: Chase Manufacturing, 40
Caso 2-8: Gotham City Times, 45
PARTE II
Anlisis de decisiones, 49
3 Conceptos bsicos de probabilidad, 51
Probabilidades objetivas y subjetivas, 51
Enunciados bsicos de la probabilidad, 53
Sucesos mutuamente excluyentes, 53
Sucesos independientes, 54
Sucesos dependientes, 55
Probabilidades condicional, marginal y conjunta, 56
Modificacin de probabilidades, 62
Variables aleatorias, 64
ndice general
xi
xii
ndice general
Caso 4-46: Particular Motors, 134
Caso 4-47: Planta de montaje de automviles, 136
Caso 4-48: Telco, 137
5
ndice general
xiii
xiv
ndice general
ndice general
xv
xvi
ndice general
Apndice. Programacin lineal: El problema dual, 388
Bibliografa, 394
Problemas con respuestas, 394
Problemas, 397
Problemas ms difciles, 401
13 Programacin lineal: Temas especiales, 404
Problema de transporte, 404
Evaluacin de rutas alternativas
Soluciones enteras
Degeneracin
Oferta distinta de la demanda
Soluciones por computador
Interpretaciones econmicas, 410
Costos de rutas indirectas
Cambios en costos de envo
Ventajas de la ubicacin
Objetivos mltiples y programacin por metas, 412
Mtodo 1: Un slo objetivo con otros como restricciones
Mtodo 2: Definicin de compensaciones entre objetivos
Mtodo 3: Programacin por metas
Mtodo 4: Programacin por prioridades
Apndice: Problema de transporte expresado en forma convencional de
programacin lineal, 419
Bibliografa, 420
Problemas con respuestas, 420
Problemas, 422
Problemas ms difciles, 425
14 Programacin entera y procedimientos de ramificacin y
acotamiento, 429
Formulacin de problemas de programacin entera, 431
Problema de cargo fijo
Problema de tamao de lote
Restricciones mutuamente excluyentes
Ejemplos de formulaciones enteras, 433
Problema de presupuesto de capital
Problema de expansin de capacidad
ndice general
Tamao y ubicacin de fbricas
Solucin de problemas de programacin entera, 439
Algoritmo de ramificacin y acotamiento
rbol de posibilidades de solucin
Solucin del ejemplo por ramificacin y acotamiento
Discusin
Solucin por computador
Discusin
Apndice: Procedimientos de ramificacin y acotamiento para
problemas combinatorios, 453
Bibliografa, 459
Problemas con respuestas, 460
Problemas, 462
Problemas ms difciles, 466
Caso 14-25: Alien Company, 470
Caso 14-26: Rodney Development Company, 472
xvii
xviii
ndice general
ndice general
Conclusin, 548
Apndice 1: Proceso y distribucin de Poisson, 550
Apndice 2: Obtencin de la frmula bsica de colas, 552
Bibliografa, 554
Problemas con respuestas, 554
Problemas, 555
Problemas ms difciles, 556
19 Simulacin, 559
Simulacin probabilstica, 560
Simulacin y computadores
Simulacin y control de inventarios, 565
Anlisis de riesgo, 567
Simulacin con distribuciones continuas de probabilidad, 572
Mtodo grfico
Generacin de variables aleatorias por computador
Simulacin de sistemas complejos, 574
Apndice 1: Mtodo algebraico para generar variables aleatorias, 576
Apndice 2: Simulacin de Montecarlo en hojas de clculo, 577
Bibliografa, 587
Problemas con respuestas, 587
Problemas, 588
Problemas ms difciles, 589
20 PERT: Tcnica de evaluacin y revisin de programas, 592
Requisitos de informacin
Caso I: Tiempos conocidos de actividades, 593
Diagrama de red
Ruta crtica, 594
Algoritmo para la ruta crtica
Holgura y ruta crtica
Compensaciones entre tiempo y costo, 599
Caso II: Tiempos de actividad inciertos, 603
Varias estimaciones para tiempos de actividad inciertos
Simulacin de redes PERT, 607
Evaluacin de PERT, 609
Bibliografa, 610
Problemas con respuestas, 610
xix
xx
ndice general
Problemas, 611
Problemas ms difciles, 613
21 Procesos de Markov, 617
Anlisis a corto plazo
Anlisis de estado estacionario
Clculo de probabilidades de estado estacionario, 622
Caractersticas de un proceso de Markov, 624
Comportamiento en estado estacionario de un proceso de Markov de dos
estados, 625
Utilizacin de los procesos de Markov en problemas de decisin, 626
Solucin de estado estacionario para problemas mayores, 630
Bibliografa, 633
Problemas con respuestas, 633
Problemas, 634
Problemas ms difciles, 635
22 Programacin dinmica, 639
Conceptos bsicos, 640
Formalizacin de la tcnica de programacin dinmica, 642
Principio de optimalidad, 643
Formulacin y solucin de problemas de programacin dinmica, 654
Programacin dinmica en condiciones de incertidumbre, 655
Apndice: Uso de programacin dinmica en procesos de Markov, 659
Bibliografa, 663
Problemas con respuestas, 663
Problemas, 665
Problemas ms difciles, 669
Apndice de tablas, 673
Tabla A: Funcin de distribucin normal estandarizada, 673
Tabla B: Funcin de prdida de la distribucin normal estandarizada, 674
Tabla C: Distribucin binomial acumulada, 675
Solucin de problemas seleccionados, 693
ndice, 748
PARTE
Modelos y
toma de decisiones
CAPTULO
Introduccin al anlisis
cuantitativo
Este libro trata sobre la toma de decisiones en la empresa, proceso por medio del
cual la gerencia, al enfrentarse a un problema, selecciona un curso de accin
especfico o "solucin", de un conjunto de alternativas. Puesto que por lo general
hay incertidumbre con respecto al futuro, no es posible estar seguro de las
consecuencias de la decisin que se tome, y tampoco se puede asegurar que la
decisin que se elija produzca los mejores resultados. Adems, el problema puede
ser muy complejo, ya sea porque existan muchas alternativas por considerar o un
gran nmero de factores que deben tomarse en cuenta.
El libro presenta un mtodo general para que puedan utilizarlo los directivos
cuando se enfrenten a problemas de decisin, as como herramientas cuantitativas
especficas para tipos particulares de problemas.
Decisiones empresariales
El director de una empresa quiere escoger la accin ms efectiva para alcanzar
las metas de la organizacin. Al juzgar la eficacia de las distintas decisiones
posibles, hay que utilizar algn criterio o medida del rendimiento. La medida ms
comn del rendimiento es la unidad monetaria, pero en los captulos siguientes
se ver que para ciertas decisiones estas unidades no son adecuadas para determinar las ventajas relativas de distintos cursos de accin.
El proceso general que se presenta a continuacin es comn para todos los tipos
de situaciones de toma de decisiones:
1. Establecer el criterio que se usar. Por ejemplo, en una situacin sencilla, el
criterio puede ser elegir la accin que maximice los beneficios.
2. Seleccionar un conjunto de alternativas para considerarlas.
3. Determinar el modelo que se usar y los valores de los parmetros del proce
so. Por ejemplo, se podra decidir que una expresin adecuada de los gastos
totales sera:
Gastos totales = a + b(unidades vendidas)
Los parmetros son a y b y ser necesario determinar sus valores para poder
utilizar el modelo.
a = Costo fijo para el periodo o proyecto
b = Costo variable (marginal) por unidad
4. Determinar cul de las alternativas optimiza (es decir, produce el mejor valor
para) el criterio que se estableci en el paso 1.
Ejemplo
Abstraccin y simplificacin
Los problemas del mundo real tienden a ser de complejidad enorme. Hay,
literalmente, una cantidad incontable de "factores" intrnsecos en cualquier sita-
cin emprica. Adems, cada accin potencial inicia una cadena de causa, efecto
e interaccin que, como es lgico, nunca termina.
Considere el problema de construir un edificio. Se podra utilizar una cantidad
enorme de tiempo para recopilar informacin de los factores relacionados con la
situacin: por ejemplo, la ubicacin precisa y las caractersticas fsicas del
edificio; un estudio detallado de las condiciones climticas de los lugares posibles
y la influencia que tendran en los costos de construccin; las fuentes de financiacin que se usaran y sus costos. El decisor puede optar por considerar especficamente y con detalle todos los usos alternativos posibles de los fondos en este
periodo y los subsecuentes. Si el decisor adopta la estrategia de recopilar todos
los hechos antes de actuar, nunca se emprender la accin. La mente no puede
considerar todos los aspectos de un problema emprico. Hay que omitir algunos
de los atributos del problema para poder tomar una decisin. El decisor debe
determinar cules son los factores ms relevantes para el problema. La abstraccin
y la simplificacin son pasos necesarios para resolver cualquier problema humano. Nuestro objetivo es mejorar la toma de decisiones, no ofrecer un pretexto
para no tomar una decisin.
Construccin de modelos
Una vez que el decisor selecciona los factores decisivos, o variables, de la
situacin emprica, stos se combinan de manera lgica para que formen un
modelo del problema real. Un modelo es una representacin simplificada de una
situacin emprica. De manera ideal, elimina la complejidad abrumante de un
fenmeno natural y resalta el comportamiento bsico del mismo a travs de unas
cuantas variables que se relacionan de manera sencilla. Si es ms sencillo el
modelo, es mejor para la persona que toma la decisin, siempre y cuando
el modelo sea un smil razonablemente confiable del problema emprico. Las
ventajas de contar con un modelo sencillo son:
1. Reduce la cantidad de tiempo y esfuerzo.
2. El decisor puede comprenderlo rpidamente.
3. Si es necesario, el modelo se puede modificar de manera rpida y efectiva.
El objetivo del decisor no es construir un modelo que sea lo ms parecido
posible a la realidad. Se requerira demasiado tiempo para construir este modelo
y a final de cuentas podra quedar fuera de los lmites de la comprensin. En
cambio, se busca el modelo ms sencillo que pronostique los resultados con
precisin razonable y que sea consistente con la accin efectiva.
Soluciones
Despus de construir el modelo, se pueden obtener conclusiones acerca de su
comportamiento, por medio del anlisis lgico. Quien toma la decisin basa sus
Errores
Dos errores importantes que ocurren al usar modelos para la toma de decisiones son la exclusin de variables importantes y las equivocaciones al definir
las relaciones entre variables. Por ejemplo, en el problema relacionado con el
contrato con el gobierno, suponga que se puede esperar una prdida del 40%
en la produccin, por causa de especificaciones de producto muy rigurosas.
Si existiera este factor y se omitiera del anlisis, el modelo no representara
de manera adecuada la situacin para una decisin (se obtendra la decisin
equivocada).
tativo, ciencia de la decisin, ciencia de la direccin o investigacin de operaciones. Por supuesto, la representacin cuantitativa y la resolucin de problemas
empresariales son mucho ms antiguas que estas etiquetas, como lo demuestra la
prctica de la contabilidad. No obstante, el anlisis cuantitativo se ha extendido
a otra reas de las operaciones de la empresa y se ha establecido como una manera
eficaz de atacar ciertos problemas de decisiones empresariales. Los directores
actuales tienen que conocer estas tcnicas y estos modelos tan bien como conocen
los informes de contabilidad.
Hay que hacer una advertencia: los ejecutivos de una empresa nunca debern
ser prisioneros de un modelo cuantitativo ni aceptar automticamente sus conclusiones como si fueran la decisin correcta. La conclusin que se obtiene de un
modelo contiene cierto grado de error, debido al proceso de abstraccin. Es
cuestin de juicio determinar cundo es tan grande el error que hay que modificar
la conclusin antes de aceptarla como solucin. La cuantificacin es un auxiliar
del juicio empresarial, no un sustituto. Al considerar el anlisis cuantitativo de
problemas empresariales, es deseable usar el mismo grado de escepticismo
constructivo que se aplica a otros procesos de toma de decisiones.
Factores cualitativos. Muchas decisiones empresariales, en particular las ms
importantes, comprenden algunas variables que son de naturaleza cualitativa,
ms que cuantitativa. Por ejemplo, las decisiones importantes pueden afectar la
moral o el liderazgo en una organizacin, o pueden alterar el empleo, las acciones
positivas, la contaminacin u otras reas de responsabilidad social. Muchos de
estos factores no pueden expresarse en trminos monetarios; entonces, cmo
considera el decisor estas variables cualitativas?
Primero, hay dos actitudes externas que deben evitarse. Una es omitir los
factores cualitativos, con el argumento de que los factores que no pueden medirse
no son importantes. El otro extremo sera afirmar que los modelos cuantitativos no
tienen valor, ya que slo los factores cualitativos son importantes.
Un mtodo ms sensato es aceptar la idea de que el modelo cuantitativo puede
tratar de manera eficaz los aspectos mensurables del problema de decisin, y que
el decisor tambin deber contar con un modelo intuitivo que considere las
variables cualitativas. El director deber hallar un equilibrio adecuado entre los
factores cualitativos y los cuantitativos.
RESUMEN
Decisiones e incertidumbre
Las decisiones empresariales ocurren en dos contextos esencialmente distintos:
en condiciones que se aproximan a la certidumbre y, lo ms comn, en condiciones
de incertidumbre. El anlisis cuantitativo que apoya la toma de decisiones en
condiciones de certidumbre generalmente se refiere a la maximizacin de un
objetivo (por ejemplo, el beneficio o la produccin) sujeto a restricciones (por
ejemplo, la capacidad productiva).
En el ejemplo del principio del captulo se compararon las alternativas "aceptar
el pedido" y "rechazar el pedido" para un contrato con el gobierno por 1000
unidades. sta fue una decisin en condiciones de certidumbre. Se compararon
las dos alternativas y, como el beneficio era 15 000 dlares mayor al aceptar el
pedido, se eligi esta alternativa.
Suponga, que se modifica ligeramente la situacin anterior. Se vender el
producto a 50 dlares por unidad y, como antes, los gastos de produccin de X
unidades son:
Pero ahora hay incertidumbre acerca del nivel real de las ventas. Las ventas pueden ser de 100 unidades, de 250 o de 1000, pero no se sabe con seguridad cul ser el nivel que se alcance. Las dos alternativas son: (1) lanzar el
producto al mercado y aceptar los beneficios o las prdidas que surjan, o (2)
rechazar el proyecto y no obtener beneficios. Suponga que hay que aplicar
los 5000 dlares de costos fijos antes de conocer la demanda real, pero que se
pueden producir unidades despus de conocer la demanda (no hay problemas
de inventario).
La figura 1-1 ilustra un rbol de decisin para este problema. Las alternativas
(lanzar al mercado o no hacerlo) se representan como ramas que parten del nudo (o
nodo) cuadrado; y los sucesos inciertos (niveles de ventas), como ramas que parten del nudo circular. La figura 1-1 tambin contiene los beneficios o las prdidas
que se obtienen de cada nivel de ventas posible y que se calculan como sigue:
Ventas
Ingresos
(50 por unidad)
Gastos
(5000 + 30 por unidad)
Beneficio
(ingresos - gastos)
100
250
1000
5 000
12 500
50 000
8 000
12 500
35 000
-3 000
0
15 000
Figura 1-1
de 100 unidades, hay que rechazar el proyecto y evitar una prdida de 3000 dlares. Si las ventas fueran de 250 unidades, no importara la alternativa que se
eligiera, ya que los beneficios de ambas decisiones son de cero dlares.
Cuando se desconoce el estado real de la situacin, el decisor tiene que actuar
con informacin imperfecta. Hay varios procedimientos de toma de decisiones
que tienen que ver con la informacin imperfecta; se analizarn algunas de las
tcnicas ms tiles ms adelante en este libro. Estas tcnicas comprenden tanto
el uso de probabilidades para representar el juicio acerca de la posibilidad de
ocurrencia de los sucesos como los procedimientos para determinar el valor
de obtener ms informacin antes de actuar.
Clasificacin de modelos
En el libro se analizarn varios tipos de modelos de decisin, los cuales se
clasifican en la figura 1-2. Los modelos se clasifican como ciertos si se supone
que se conocen los factores principales, y como inciertos si se desconocen
algunos factores.
Problemas sencillos
Al construir el modelo para el anlisis hay que simplificar todos los problemas.
Si con esto se obtiene un nmero pequeo de factores o variables, y relativamente
10
Figura 1-2
Tipos de modelos
Las variables principales en los problemas de decisin
Cierto
El problema de decisin es:
Sencillo
Complejo
Dinmico
son: Incierto
Modelos de caso
Anlisis de decisiones
(rboles de decisin)
Modelos de caso
Programacin
lineal y entera
Simulacin
Modelos de inventarios
Modelos de inventarios
Modelos de colas
Programacin dinmica
Procesos de Markov
Programacin dinmica
Problemas complejos
Muchos problemas de decisin implican gran nmero de factores o de variables
importantes, o pueden considerar muchas alternativas. Por ejemplo, una empresa
puede tener varias plantas que producen bienes para envo a cientos de clientes.
El problema de decisin de la programacin de actividades de las plantas y la
determinacin de cules plantas proveern a qu clientes, para minimizar el costo,
comprende cientos de variables y restricciones y puede tener millones de soluciones posibles.
Los modelos de programacin lineal y entera son las tcnicas que ms se
usan para resolver los problemas empresariales grandes y complejos de este tipo.
11
Problemas dinmicos
Los problemas dinmicos de decisin comprenden un tipo de complejidad
especial: una secuencia de decisiones relacionadas que se presentan en varios
periodos. La parte IV del libro incluye varios de estos tipos de modelos: modelos
de inventarios para determinar cundo pedir inventario y cuntas existencias
se deben almacenar; modelos PERT o de ruta crtica para la programacin de
proyectos; modelos de colas para problemas que implican colas de espera; y la
programacin dinmica y los procesos de Markov, para problemas dinmicos
ms generales.
RESUMEN
Se pueden clasificar las decisiones segn se tomen con certidumbre o incertidumbre, dependiendo de que se suponga o no el conocimiento de los factores
principales. La toma de decisiones en condiciones de incertidumbre implica el
uso de probabilidades para expresar la verosimilitud de sucesos inciertos.
12
Bibliografa
Baker, K. R. y D. H. Kropp, Management Science:
An Introduction to the Use of Decision Models,
Nueva York, John Wiley & Sons, 1985.
Bodily, S., Modern Decision Making: A Guide to
Modeling with Decision Support Systems, Nueva
York, McGraw-Hill, 1985.
Bonini, C. R, Computer Models for Decision
Analysis, Palo Alto, Calif., Scientific Press,
1980.
Buffa, E. S. y J. S. Dyer, Management Science/Operations Research, segunda edicin, Nueva York,
John Wiley & Sons, 1981.
Eppen, G. D., F. J. Gould y C. Schmidt, Quantitative Concepts for Management, tercera edicin,
Englewood Cliffs, N.J., Prentice Hall, 1988.
Jackson, B. B., Computer Models in Management,
Homewood, 111., Richard D. Irwin, 1979.
Raiffa, H., Decision Analysis, Reading, Mass., Addison-Wesley Publishing, 1968.
Schlaifer, R., Analysis of Decisions under Uncertainty, Nueva York, McGraw-Hill, 1969.
Wagner, H. M., Principles of Operations Research,
segunda edicin, Englewood Cliffs, N.J., Prentice Hall, 1975.
1-2.
Remtase al ejemplo del contrato gubernamental de este captulo. Suponga que existe
una prdida del 40% en la produccin por
causa de las especificaciones ms rigurosas
para el producto.
a. Cuntas unidades tendran que entrar al
proceso de produccin para obtener 1000
unidades "buenas"?
b. Cul es el costo total para obtener 1000
unidades "buenas"?
c. Debe aceptarse el contrato? Por qu?
La compaa de aparatos domsticos XYZ
pretende sustituir un engranaje metlico con
uno de plstico. El engranaje de plstico ahorrar 50 centavos por unidad, pero se requiere un gasto de 20 000 dlares para elaborar
un molde especial para la produccin del engranaje. El molde especial durar un ao y las
ventas anuales son de 80 000 unidades.
a. Deber la compaa hacer el cambio al
engranaje de plstico? Por qu?
b. Suponga ahora que el engranaje de plstico se relaciona con una tasa de averias un
poco ms alta en el primer ao; especficamente, por cada 1000 unidades que se venden, habr, en promedio, dos averas ms
con el engranaje de plstico que con el metlico. Las averas le cuestan 40 dlares a
la compaa (costos de reparacin por garanta y por reaccin negativa). Deber
ahora la compaa hacer el cambio al engranaje de plstico? Por qu?
13
Problemas
1-3. La determinacin del precio de un producto es
una decisin empresarial muy importante.
Cules son los elementos de incertidumbre
que existen en la decisin de cambiar el precio
de un producto?
1-4. En qu sentido existen "oponentes" cuando
se establece el precio de un producto?
1-5. Una familia quiere realizar un da de campo.
En qu forma es un oponente la naturaleza?
Es razonable usar probabilidades para describir los distintos estados de la naturaleza?
1-6. Con frecuencia se describe a la maximizacin de beneficios como el criterio principal
que debe aplicarse en la toma de decisiones
empresariales. Si usted fuera el gerente de
una empresa, qu otros criterios usara para
tomar sus decisiones?
1-7. La compaa Crude Oil considera la posibilidad de perforar para buscar petrleo en un terreno que alquila. Es razonable especificar
una probabilidad de encontrar petrleo?
1-8. Piense en una decisin empresarial o personal
con la que est familiarizado. Describa esta
decisin en funcin de: a. Las alternativas
disponibles.
donde:
T = Costos totales
a = Costos fijos
b = Costos variables
X = Nmero de unidades
Analice lo adecuado de este modelo para predecir el costo total relacionado con una produccin determinada.
Problemas ms difciles
1-11.
C(x) = 800+1.25*
Relacin de ventas:
x = -100 + 2 000/p
Beneficio:
NP = px - C(x)
a. Comente acerca del modelo que escogi
el gerente, en trminos de lo razonable de
las relaciones, las variables que se incluye
ron (y las que se excluyeron) y el valor
del modelo.
b. Encuentre por tanteo una solucin aproximada para el modelo (es decir, pruebe distintos precios entre dos y diez dlares y
trate de encontrar un precio que genere
buenos beneficios).
1-12. En un aeropuerto se discute la posibilidad de
instalar un complicado dispositivo de ayuda
para aterrizajes. El costo equivalente anual
14
de este dispositivo (incluyendo todos los costos) es de 800 000 dlares por ao, que no podr recuperarse de las lneas areas. El
dispositivo reducir el nmero esperado de
accidentes por ao en el aeropuerto, de 1.8 a
1.7.
Los vuelos que llegan al aeropuerto transportan en promedio 40 personas (incluyendo
la tripulacin) y el avin tiene valor de reventa de dos millones de dlares.
a. Si se rechaza el dispositivo, cul es el valor implcito que se asigna a la vida de las
personas que viajan en el avin?
b. Cunto estara dispuesto a pagar por el
dispositivo?
1-13. El gerente de producto de una fbrica de cereales intenta determinar el presupuesto para
publicidad del ao entrante. Cuenta con la siguiente informacin: el precio de venta es de
cinco dlares por caja; el costo variable de
manufactura es de dos dlares por caja; los
costos fijos para producir el cereal ascienden a
100 000 dlares por ao. El gerente ha estimado la siguiente relacin entre las ventas del
cereal (que se llama X y se mide en miles de
cajas) y los dlares que se gastan en publicidad (a lo que se denomina Z y se mide en
miles de dlares):
Para:
a. Formule un modelo para los beneficios netos del cereal. Es decir, identifique todas
las variables y relaciones necesarias para
determinar los beneficios.
Costo fijo
Costo variable
por unidad
Precio de venta
al mayoreo
Modelo A
Modelo B
$ 10 millones
$20 millones
$500
$300
$1500
$1000
CAPTULO
Introduccin a la
construccin de modelos
Introduccin
En el captulo 1 se presentaron los conceptos bsicos de la toma de decisiones y
el papel que representa un modelo en dicho proceso. El propsito de este captulo
es entrar en mayor detalle y explicar lo que es un modelo y cmo pueden los
directores usar y construir cierto tipo de modelos, los modelos de caso. En
secciones posteriores del libro se vern otros tipos: modelos para la toma de
decisiones en condiciones de incertidumbre, modelos de optimizacin y modelos dinmicos.
Variables de decisin.
Variables exgenas.
Polticas y restricciones.
15
16
Variables de decisin
Las variables de decisin son aquellas que estn bajo el control del decisor y
representan alternativas para el director. Considere el caso de un gerente de
mercadotecnia que decide acerca de la introduccin de un producto nuevo.
El gerente puede elegir entre introducir o no el producto; el gerente tambin puede
elegir el precio de venta del producto y la cantidad que se invertir en publicidad. stas son las elecciones ms importantes; por lo tanto, son las variables
de decisin.
El gerente tambin puede tomar algunas decisiones menores, como el color del
producto, los detalles del contenido de la publicidad, cmo se le informar a la
fuerza de ventas sobre el producto, etctera. El gerente podra excluir del modelo
estos factores menos importantes, para que el anlisis sea ms sencillo.
Variables exgenas
Las variables exgenas o externas son aquellas que tienen importancia para el
problema de decisin pero estn bajo el control de factores ajenos al decisor. Por
lo general, las variables exgenas son las condiciones econmicas, las acciones
de los competidores, el precio de las materias primas y otros factores similares.
En el caso del gerente de mercadotecnia que considera la introduccin de un
producto nuevo, la reaccin de los clientes (cunto comprarn) es ciertamente una
variable exgena importante. Otras variables exgenas son el costo de las materias
primas y otros elementos necesarios para fabricar el producto.
Polticas y restricciones
Con frecuencia el decisor tiene que operar con ciertas restricciones impuestas por
las polticas de la compaa, con cuestiones legales y con limitaciones fsicas.
Por ejemplo, la capacidad disponible de la planta puede estar limitada, lo cual
puede restringir las ventas posibles. Una poltica de la compaa puede especificar
que se adquieran los materiales de ciertos proveedores o que se mantengan ciertos
niveles de calidad.
En ocasiones se pueden modificar las polticas o las restricciones. Por ejemplo,
la capacidad de la planta es una restriccin, pero la gerencia puede optar por
ampliar la planta. Esto significa que a veces puede existir confusin entre lo que
se considera una variable de decisin y lo que es una restriccin. No es tan
importante hacer una distincin precisa entre ambas, pero la gerencia s debe
reconocer la presencia de las restricciones y tener presente que pueden modificarse, de ser necesario.
17
Medidas de rendimiento
Al tomar una decisin, los gerentes tienen metas u objetivos que tratan de alcanzar.
Los criterios o medidas de rendimiento son expresiones cuantitativas de estos
objetivos. Por ejemplo, para el gerente de mercadotecnia que toma la decisin de
introducir un producto nuevo, una de las medidas de rendimiento sera el nivel
de los beneficios. Otras medidas podran ser la cuota de mercado y el rendimiento
sobre inversiones.
Variables intermedias
Con frecuencia se necesitan otras muchas variables para incluir todos los factores
importantes para el problema de decisin. Muchas veces son variables contables
relativas a los factores de costo o ingresos y que se usan para relacionar las
variables de decisin y las exgenas con las medidas de rendimiento. Son variables intermedias, en el sentido de que se encuentran entre las otras variables. En
el ejemplo de la decisin de un producto nuevo, una variable intermedia sera el
nivel de los ingresos totales (precio por cantidad de venta); los componentes de
los costos de manufactura y ventas seran otras variables intermedias.
18
exgenas, las polticas y las restricciones son entradas al modelo, mientras que
las salidas son las medidas de rendimiento. En s, el modelo representa el conjunto
de todas las relaciones entre variables. La definicin de estas relaciones es el
segundo paso importante en la construccin de un modelo (el primer paso, como
se mencion antes, es la definicin de las variables importantes).
Algunas relaciones son definiciones contables. Por ejemplo, los beneficios son
los ingresos menos los gastos, una sencilla regla de contabilidad. Otras relaciones
dependen de lmites fsicos, como la determinacin de la cantidad de producto
que puede producirse a partir de un lote de materias primas. Algunas relaciones
son de juicio, que representan el conocimiento del gerente acerca de la relacin
entre factores. Un ejemplo de este tipo de relacin es el juicio del gerente con
respecto a la reaccin de los clientes ante un cambio en el precio.
El modelo es el conjunto de todas estas relaciones. Es algo as como una "caja
negra" que transforma las variables de decisin en medidas de rendimiento para
un conjunto especfico de variables exgenas, polticas y restricciones.
Vase el caso Puyallup Forest Products en Charles P. Bonini, Computer Models for Decision Analysis, Palo
Alto, Calif., Scientific Press, 1980, pgs. 55-66.
Tabla 2-1
19
Variables de decisin
TARIFA LABORAL. Salario promedio de los empleados del aserradero (dlares por hora). CAPACIDAD
ADICIONAL. Cantidad de capacidad (capacidad MPC o miles de pies cuadrados de madera) que se aade en
cada trimestre.
Medida de rendimiento
BENEFICIOS. Beneficios netos que se obtienen cada trimestre y al ao por la operacin del aserradero (M$ p
miles de dlares).
Variables exgenas
PRECIO DE LA MADERA. Precio de venta de la madera en cada trimestre (dlares por MPC).
DEMANDA. Demanda de la madera cada trimestre (MPC).
COSTO DE TRONCOS. Costo de compra de los troncos (dlares por MPT, dlares por miles de pies de tabla).
PRODUCTIVIDAD LABORAL. Produccin (MPC) por hora de trabajo.
Restricciones y polticas
No hay inventarios de madera. La produccin se programa para igualar las ventas. El anlisis se har por trimestres.
Variables intermedias
INGRESOS. Ingresos por la venta de madera (M$ por trimestre;.
GASTOS OPERATIVOS (DE EXPLOTACIN). Gastos que se relacionan directamente con la produccin de la
madera (gastos por suministros, materias primas y fuerza de trabajo; M$ por trimestre).
GASTOS DE SUMINISTROS. Gasto para la adquisicin de suministros (M$ por trimestre).
GASTOS DE MATERIAS PRIMAS. Costo de las materias primas (troncos; M$ por trimestre).
GASTOS LABORALES. Costo de la fuerza de trabajo (M$ por trimestre).
TRONCOS REQUERIDOS. Cantidad de troncos que se necesitan para la produccin (MPT por trimestre).
HORAS DE TRABAJO. Cantidad de horas de trabajo que se requieren para la produccin (horas por trimestre).
PRODUCCIN DE MADERA. Cantidad de madera que se produce (MPC por trimestre). CAPACIDAD.
Capacidad productiva real del aserradero (MPC por trimestre).
OTROS GASTOS. Total de los dems gastos, que incluyen gastos de ventas, fijos y de equipo (M$ por trimestre).
GASTOS DE VENTAS. Gastos para vender la madera (M$ por trimestre). GASTOS FIJOS. Gastos fijos (M$
por trimestre). GASTOS DE EQUIPO. Costo del alquiler del equipo (M$ por trimestre).
Para producir la madera, la compaa incurre en gastos laborales, de suministros y, por supuesto, de materias primas (troncos). Hay otros gastos que
se relacionan con las ventas. La compaa alquila su equipo de produccin
y paga por el alquiler. Tambin hay otros costos fijos (adicionales) en cada
periodo.
La tabla 2-1 presenta una lista de los factores importantes para este ejemplo.
La abreviatura MPC representa miles de pies cuadrados de superficie y es la
unidad de medida de la madera. MPT denota miles de pies de tabla, la unidad para
los troncos. M$ indica miles de dlares.
20
Figura 2-2
21
Ahora se puede comenzar a definir las relaciones entre variables. Comenzaremos por las relaciones fsicas (las que incluyen variables fsicas, no monetarias).
Relaciones fsicas
CAPACIDAD = 9200 + CAPACIDAD ADICIONAL
Esta relacin establece que se requieren 0.52 MPT de troncos por cada MPC
de madera que se produzca. La cifra 0.52 es una constante que depende de la
eficiencia para producir madera a partir de las materias primas, los troncos. El
asterisco * significa "multiplicado por"; es un smbolo normal que se usa en
programas de computacin y que se usar como tal en este captulo.
Aqu es necesaria una pausa para explicar las constantes. Al construir un
modelo, hay valores numricos, como el coeficiente 0.52 anterior, que se estiman
a partir de los costos u otros datos de la empresa. Aunque se les puede considerar
como variables exgenas, tienen menor importancia y se supone en cambio que
son constantes. Se espera que permanezcan fijas (constantes) durante los anlisis
del modelo.
HORAS DE TRABAJO = PRODUCCION DE MADERA/PRODUCTIVIDAD LABORAL
22
algunos casos se requiere la divisin entre 1000 para hacer la conversin a miles
de dlares.
BENEFICIOS = INGRESOS - GASTOS OPERATIVOS - OTROS GASTOS
INGRESOS = (PRODUCCIN DE MADERA * PRECIO DE LA MADERA) /1000
COSTO OPERATIVO =GASTOS DE MATERIALES + GASTOS DE MATERIAS
PRIMAS + GASTOS DE FUERZA DE TRABAJO
OTROS GASTOS =
GASTOS DE VENTAS + GASTOS DE EQUIPO
+ GASTOS FIJOS
GASTOS DE FUERZA DE TRABAJO =
(TARIFA LABORAL * HORAS DE TRABAJO)
/1000
GASTOS DE MATERIAS PRIMAS = (TRONCOS REQUERIDOS *
COSTO DE TRONCOS) /1000
(28 *
Los gastos de ventas son del 10% del ingreso por ventas.
GASTOS FIJOS = 20
Recuerde que se alquila el equipo del aserradero. Las cuotas del alquiler son de
11 dlares trimestrales por MPC de capacidad instalada.
RESUMEN
23
Tabla 2-2
Primer
Segundo
Tercer
Cuarto
trimestre
$/MPC
trimestre
125
trimestre
130
trimestre
130
MPC
10 000
10 800
Unidad
Demanda de madera
Costo de troncos
$/MPT
Productividad laboral
MPC/hora
75
0.4
125
75
0.4
8000
75
0.4
10 000
80
0.4
24
Figura 2-3
25
letras,2 iniciando con A. Una celda (o casilla) es la interseccin de una fila y una
columna, y se indica con la designacin de la columna y la fila. Por ejemplo, la
celda B3 es la celda de la columna B y la fila 3.
Una celda puede contener informacin alfanumrica como la etiqueta "Variables de decisin"; puede contener un nmero, como 9.00 para la tarifa laboral; y
tambin puede contener una frmula. Las frmulas incluyen como variables las
designaciones de las celdas; por ejemplo, si la celda D3 contiene la siguiente
frmula:
Esta codificacin de filas y columnas es la que se aplica en la mayora de los programas de hoja de clculo,
pero no en todos.
26
Tabla 2-4
Como C4 contiene la CAPACIDAD ADICIONAL, esta frmula calcula la capacidad real como la capacidad inicial de 9200 MPC ms cualquier adicin. En la
hoja de clculo, es el equivalente de la relacin:
CAPACIDAD = 9200 + CAPACIDAD ADICIONAL
27
La celda C14 es la nica excepcin a esta afirmacin de que se pueden copiar las frmulas a otras columnas.
La celda D14 debe ser (C14 + D4); o sea, CAPACIDAD (en el segundo periodo) - CAPACIDAD (en el primer
periodo) + CAPACIDAD ADICIONAL del segundo periodo. Hay que registrar esta frmula en la celda D14 y
despus se podra copiar (duplicar) al tercero y al cuarto periodos.
28
Figura 2-4
29
30
Tabla 2-6
Beneficio anual
(M$)
387
405
374
330
puede observar, hay un aumento neto en el beneficio anual (de 387 000 a 405 000
dlares).
Otra decisin se relaciona con la adicin de capacidad al aserradero. Se puede
partir del caso base y aadir distintas capacidades en el primer trimestre. La tabla
2-6 presenta los resultados de cuatro casos, cada uno con diferente capacidad
adicional. A partir de estos resultados parece que lo mejor sera agregar cerca de
1000 MPC, aunque las diferencias no son muy grandes.
La direccin tambin podra preguntar cmo cambiara esta decisin de capacidad si no fueran correctos los pronsticos de la demanda de madera. En otras
palabras, es sensible esta decisin de capacidad con respecto a la demanda? Para
verlo, supongamos que el patrn de la demanda es el mismo durante los cuatro
trimestres (alto en el segundo trimestre, bajo en el tercero), pero que se considera
un caso en el que la demanda total real es la mitad (50%) del pronstico, en otro
caso es 60% del pronstico, etc., hasta 150% de lo pronosticado. En 100%,
el pronstico y lo real son iguales. Consideremos tambin la instalacin de
1000, 2000 o 3000 MPC de capacidad adicional. Para esto hay que introducir
gran nmero de combinaciones en el modelo y registrar los resultados; de hecho, algunos programas de hoja de clculo tienen procedimientos para efectuar
este tipo de anlisis en unos cuantos pasos. El grfico de los resultados aparece en la figura 2-5 (incluso algunas hojas de clculo pueden generar grficos
como ste).
Antes de comentar los resultados de este anlisis, hay que sealar que, por lo
general, las inversiones en nueva capacidad se evaluaran en un periodo prolongado. Nosotros hemos restringido el modelo a un ao para que sea sencillo y, por
esto, se limitan las conclusiones que se presentan a continuacin.
Observe, en la figura 2-5, que la decisin de aadir capacidad no afecta de
manera considerable el beneficio anual mientras que la demanda real sea cercana
al pronstico. Es decir, las lneas de la figura 2-5 estn bastante cerca cuando la
demanda real est entre 100 y 110% del pronstico. Si la direccin confa en el
pronstico de la demanda, entonces la decisin de ampliacin de la capacidad no
es crtica, ya que las alternativas tienen casi la misma calidad. El costo de la
capacidad adicional es aproximadamente igual a los beneficios adicionales que
crea dicha capacidad. Por otra parte, si la gerencia cree que la demanda real ser
31
32
Figura 2-6
Como se puede ver en las tablas 2-4 y 2-5, esta informacin est disponible y la
direccin la puede considerar al tomar sus decisiones.
Anlisis de sensibilidad
El anlisis anterior es un ejemplo del anlisis "qu pasa si..." o de sensibilidad.
Este tipo de anlisis indica lo que sucede si se hace un cambio a una de las
variables exgenas o de decisin. El objetivo es ver el efecto en la medida de
rendimiento (beneficio), o sea, la sensibilidad del beneficio ante los cambios. Este
mtodo permite que los directores comprendan mejor el problema al que se
enfrentan. En vez de producir "la respuesta", sirven para apreciar mejor la
situacin.
Se puede desarrollar an ms el anlisis si se contempla la sensibilidad del
beneficio con respecto a cada una de las variables exgenas. Esto se hace
considerando casos en los que cada una de las variables est 10% por encima y
10% por debajo de los valores del caso base. Las variables se alteran una por una,
con las dems en sus valores base. Los resultados se muestran en la figura 2-6,
en lo que se denomina diagrama de araa por su parecido a una telaraa.
La inclinacin de una lnea en el diagrama de araa indica la sensibilidad del
beneficio ante los cambios en la variable. Observe que la lnea del precio de la
Figura 2-7
33
madera es muy inclinada; esto significa que incluso los cambios pequeos en el
precio tienen gran efecto en la rentabilidad. Por ejemplo, una reduccin del 10%
reduce a cero el beneficio. Por otra parte, es ms modesto el efecto de los cambios
en la demanda, en especial el de sus aumentos (en estos casos la produccin est
limitada por la capacidad). Una vez ms, observe que son anlisis uno por uno y
que suponen que todos los dems factores estn en los niveles del caso base. Se
pueden usar cambios distintos al 10%, si se desea.
Leonard Foreman," The New York Times Newspaper Planning Model", en Corporate Planning Models, Thomas H.
Naylor, editor, Reading, Mass., Addison-Wesley Publishing, 1979.
34
RESUMEN
APNDICE
Si depositan en el banco 497.18 dlares con tasa de inters del 15% (calculado
anualmente), tendra mil dlares al trmino de cinco aos. En trminos generales,
el valor actual de cualquier cantidad A, con tasa de descuento r, por recibirse en
n aos es:
Para conocer ms acerca de estos procedimientos y otras tcnicas para evaluar flujos de efectivo en el tiempo,
vase H. Bierman y S. Smidt, The Capital Budgetlng Decision, sptima edicin, Nueva York, Macmillan, 1980.
35
Si hay una serie de flujos de efectivo a lo largo de varios aos, entonces el valor
actual de la serie es la suma del valor actual de cada uno de los flujos. As, el
valor actual de 10 dlares que se reciben al final del ao 1, ms 20 dlares que se
reciben al concluir el ao 2, es:
La mayora de las hojas de clculo tienen funciones para realizar los clculos del
valor actual. Por ejemplo, muchos programas usan para ello la funcin @NPV
(net present value, valor neto actual).
Bibliografa
Bodily, S., Modern Decision Making: A Guide to
Modeling with Decision Support Systems, Nueva York, McGraw-Hill, 1985.
Bonini, C, Computer Models for Decision Analysis, Palo Alto, Calif., Scientific Press, 1980.
Jackson, B. B., Computer Models in Management,
Homewood, 111., Richard D. Irwin, 1979.
Naylor, T. H., Corporate Planning Models, Reading, Mass., Addison-Wesley Publishing, 1979.
Plane, D. R., Quantitative Tools for Decision Support Using IFPS, Reading, Mass., Addison-Wesley Publishing, 1986.
miento, las variables intermedias y las polticas o restricciones para este problema.
b. Defina las relaciones entre las variables
que identific en (a).
c. Si tiene acceso a un computador con un
programa de hoja de clculo, desarrolle
36
Problemas
2-2. Remtase al problema 2-1, la compaa MA.
Suponga que quiere ampliar el modelo para
que muestre el beneficio de cada uno de los
prximos cinco aos. El precio de venta inicial se establece en 1600 dlares y la estimacin de ventas para el primer ao es de 100
unidades, lo mismo que antes. Tampoco varan el costo de manufactura (300 dlares por
unidad ms costos fijos de 80 000 dlares
anuales). Suponga que los costos de ventas
son del 10% del importe (lo mismo que antes) pero que los costos fijos son de 70 000
dlares al ao. Suponga adems que las ventas de unidades aumentan un 50% cada ao.
En otras palabras, las ventas de 1993 son el
150% de las de 1992, las de 1994 son el
150% de las de 1993, etctera.
a. Desarrolle un modelo para este problema.
b. Implante el modelo en un programa de hoja de clculo.
c. Use el modelo para responder las siguientes preguntas:
(1) Con la estimacin de ventas actual de
100 unidades en 1992 (con crecimiento del 50% al ao), cunto tardar
su compaa en mostrar beneficios
positivos?
(2) Suponiendo que se mantiene la tasa de
crecimiento del 50%, cuntas unida
des tendra que vender en el primer
ao para llegar al punto de equilibrio
en el segundo? Cuntas unidades ten-
37
Problemas ms difciles
2-5. Usted piensa comprar un edificio de apartamentos que contiene 25 unidades y se vende
en 300 000 dlares. Su idea es conservar el
edificio durante tres aos y luego venderlo.
Usted averigua que los impuestos sobre la
propiedad son de 6000 dlares por ao, y que
la administracin y el mantenimiento de los
apartamentos costar cerca de 300 dlares
por unidad. Se espera que los impuestos aumenten un 2% cada ao y que los costos de
mantenimiento lo hagan en un 15% cada ao.
An no decide de cunto ser el alquiler.
En este momento el alquiler es de 300 dlares mensuales por unidad, pero el ndice de
rotacin es muy elevado y la tasa de ocupacin es slo del 75%. En otras palabras, en
promedio, 75% de las unidades estn alquiladas en cualquier instante. Usted estima que si
38
CASO 2-6
Super Spuds, Inc. (SSI), compra patatas a los agricultores y las deshidrata para
producir hojuelas que se venden a una empresa procesadora de alimentos. En
39
primavera la compaa se enfrenta a dos decisiones. La primera implica determinar qu cantidad de sus necesidades totales de patatas comprar a los agricultores
que formalicen un contrato de pretemporada. Con base en este contrato, las patatas
se compran antes de que se siembren y se garantiza un precio especfico para el
agricultor, que en este caso es de dos dlares por quintal. El resto de las patatas
se compra en otoo, en el mercado libre, al precio vigente en ese momento.
La segunda decisin tiene que ver con el precio que se cobrar a la empresa
procesadora que compra las hojuelas de patata de SSI. Esta decisin se toma en
negociaciones con la procesadora y tambin implica la cantidad de hojuelas que
la procesadora ordenar en el ao. Durante la preparacin para las negociaciones,
SSI ha estimado que si ellos insisten en el precio del ao anterior, 33 dlares por
quintal de hojuelas, es probable que la procesadora pida 800 000 quintales. Se
puede negociar un precio mayor o menor de los 33 dlares, pero el efecto ser
que la procesadora compre menos de 800 000 quintales (si el precio es mayor) o
ms (si es menor). Los directores de SSI han expresado su opinin con respecto
a la relacin entre el precio que se negocie y el volumen de hojuelas que se pedira,
como sigue:
40
para una serie de casos en los cuales el precio de las hojuelas vare entre 31 y
34 dlares, con incrementos de 50 centavos (es decir, 31 dlares, 31.50, 32,
32.50, etctera). Con qu precio se obtienen mayores beneficios? Qu
sensibilidad presenta el beneficio frente a diferencias de precios entre 32 y
33 dlares?
d. Suponga que el precio de las hojuelas de patata es de 33 dlares por quintal.
Considere la tabla que se presenta a continuacin y compltela ensayando una
serie de casos y calculando el beneficio con los distintos valores del precio de
las patatas en el mercado libre y las diferentes polticas acerca de la porcin
de las necesidades de patatas que se compran con contrato de pretemporada.
Cul de las alternativas es la ms "conservadora". Nota: Dejaremos para el
captulo 4 el anlisis de la forma en que los directores deben escoger la accin
indicada en un problema de este tipo.
Porcentaje de patatas que Precio de las patatas en el mercado libre
se obtienen con contrato
de pretemporada
$1/quintal $2/quintal $3/quintal
25%
50
75
CASO 2-76
xxxx
xxxx
xxxx
xxxx
xxxx
xxxx
xxxx
xxxx
xxxx
Fuente: Reimpreso con autorizacin de Stanford University Graduate School of Business, 1985 Board of
Trustees of the Leland Stanford Junior University.
41
Tabla 2-7
$540.8
Costos de manufactura
Costos de mercadotecnia
Costos administrativos y generales
282.8
104.1
81.1
Costos totales
Beneficios antes de impuestos
468.0
72.8
* Hiptesis:
Precio de venta, neto con descuentos: 8 dlares por unidad.
Potencial total de mercado: 104 000 unidades.
Penetracin en el mercado: 65%.
Ventas de unidades (65% de 104 000): 67 600 unidades.
Costos de manufactura: 80 000 dlares ms tres dlares
por unidad.
Costos de mercadotecnia: 10% de las ventas (comisiones
por ventas)
ms 50 000 dlares para publicidad y promocin.
Costos administrativos y generales: 15% de las ventas.
42
43
44
Figura 2-9
con precio de cinco dlares y con potencial de mercado de 200 000 unidades
es el que propuso Chase. Boxer tambin proporcion el punto donde el
precio es de 10 dlares y el potencial de mercado es de 40 000 unidades.
Suponga que es razonable unir estos tres puntos con una lnea recta, como
se ilustra en la figura 2-9. Los economistas lo llaman funcin de demanda. La
ecuacin de una recta es:
Potencial de mercado = m Precio + b
donde m y b son constantes que se determinarn. A la constante m se le llama
pendiente de la recta. Vea si puede determinar los valores de m y b por tanteo;
si, despus de cierto tiempo, no lo logra, consulte el pie de pgina 7.7
b. Defina las otras relaciones del modelo de Chase.
c. Por ltimo, use su modelo para calcular el beneficio del siguiente caso:8
Precio = 7 dlares por unidad
Publicidad = 100 000 dlares
7
8
45
CASO 2-89
El comit ejecutivo del peridico Gotham City Tunes se rene para considerar
propuestas del departamento de promocin y del director de operaciones. A usted,
como asistente del editor, se le ha pedido que estudie los aspectos financieros de
estas propuestas.
Operaciones del Times. La mayora de los peridicos como el Times obtienen
ingresos de dos fuentes: (1) la circulacin, o sea, la venta de los peridicos al
pblico lector, y (2) las ventas de espacio publicitario. Los costos se relacionan
con (1) el sistema de distribucin (que el peridico llegue a los clientes); (2) la
cobertura editorial y de noticias; (3) la composicin, es decir, la tipografa, el
formato para fotograbado y el trabajo artstico; (4) la impresin, o sea, operar las
imprentas para producir el peridico; y (5) el papel y la tinta.
Para el Tunes, la circulacin y la publicidad son factores relacionados. Si la
circulacin es mayor deben aumentar los ingresos por publicidad, ya que sta
llegara a ms personas, algo que favorece a los anunciantes. As mismo, muchas
personas compran el peridico por los anuncios.
Ingresos y costos. A efectos de planificacin se considera un mes como una
unidad y se utilizan promedios mensuales de circulacin, publicidad y noticias.
El promedio actual de la circulacin diaria es de un milln (30 millones al mes).
Los ingresos medios son de 15 centavos por peridico al da.
La publicidad se mide en pulgadas columna. Actualmente, el peridico contiene 225 000 pulgadas columna de publicidad por mes, lo que genera ingresos de
20 dlares por pulgada columna. Los artculos editoriales y las noticias ocupan el
resto del peridico y en la actualidad representan 135 000 pulgadas columna por
mes. No se contempla ningn cambio al espacio asignado a esta categora. Una
pgina del Times contiene 200 pulgadas columna.
Los costos variables de composicin se muestran en la tabla 2-8, mientras que
en la tabla 2-9 se indican los costos variables de impresin. Un pliego es una copia
Fuente: Reimpreso con autorizacin de Stanford University School of Business, 1981 Board of Trustees of
the Leland Stanford Junior University.
46
Tabla 2-8
Costo de composicin
Tabla 2-9
Tipo de material
Material publicitario
Material de noticias, editorial y especial
$4
$6
Tabla 2-10
$800
$1200
Capacidad (en
millones de pliegos
mensuales)
1500
Sin lmite
Costos fijos
Departamento
Editorial, noticias y especiales
Composicin
Impresin
Distribucin
Tabla 2-11
Alternativa
A
B (+10%)
C (+20%)
47
Circulacin
(promedio diario)
Costo de
obtener
circulacin
adicional
(miles de dlares)
1 000 000*
1 100 000
1 200 000
o
400
800
200
225
230
*Niveles actuales.
48
Intervalo
Parmetro
Precio de venta
Capacidad de impresin
Cantidad de material editorial
Cantidad inicial de publicidad
Costo de compra de papel (por encima de 20 000 toneladas)
Bajo
0.14
1400
120
200
120
Caso base
Alto
0.15
1500
135
225
160
0.18
1700
150
240
180
PARTE
Anlisis de decisiones
CAPTULO
Conceptos bsicos de
probabilidad
52
53
54
Tabla 3-1
Suceso: Eleccin
Probabilidad
Candidato demcrata A
Candidato demcrata B
Candidato republicano C
Candidato republicano D
0.18
0.42
0.26
0.14
1.00
Sucesos independientes
Los sucesos pueden ser dependientes o independientes. Si dos sucesos son
independientes (estadsticamente), la ocurrencia de un suceso no afectar la
probabilidad de que ocurra el segundo.1
Cuando dos sucesos o ms son independientes, la probabilidad de que ocurran
los dos (o ms de dos) es igual al producto de las probabilidades de los sucesos
individuales. Es decir:
P(A y B) = P(A) P(B) si A,B son independientes
(3-1)
donde:
P(A y B) = Probabilidad de que ocurran los sucesos A y B
P(A) = Probabilidad del suceso A
P(B) = Probabilidad del suceso B
La ecuacin 3-1 indica que la probabilidad de que ocurran A y B es igual a la
probabilidad de A multiplicada por la probabilidad de B, si A y B son independientes. Si A es la probabilidad de que caiga cara la primera vez que se lanza una
moneda y B es la probabilidad de que caiga cara en el segundo lanzamiento,
entonces:
P(A) =
P(B) =
P(A y B) = =
Hay que distinguir la dependencia o independencia estadstica de la dependencia o independencia causal. Que
dos sucesos dependan entre s estadsticamente no quiere decir que uno sea la causa del otro. Cuando se utilice
el trmino dependencia o independencia en este libro, se har referencia a la dependencia o independencia
estadstica.
55
(3-2)
Sucesos dependientes
Dos sucesos son dependientes si la ocurrencia de uno de ellos afecta la probabilidad de ocurrencia del segundo.
Ejemplo:
Sucesos
dependientes
RESUMEN
56
(3-4)
Ejemplo 1
Suponga que hay tres cajas que contienen bolas rojas y negras, de la siguiente
manera:
Caja 1: 3 rojas y 7 negras
Caja 2: 6 rojas y 4 negras
Caja 3: 8 rojas y 2 negras
57
Figura 3-1
Tabla 3-2
Suceso
RR
RN
NR
NN
Marginal
Condicional
Conjunta
P(A)
P(B\A)
P(A y B)
P(R) = 0.30
P(R) = 0.30
P(N) = 0.70
P(N) = 0.70
P(R|R) = 0.60
P(N|R) = 0.40
P(R|N) = 0.80
P(N|N) = 0.20
P(RR) = 0.18
P(/RN) = 0.12
P(NR) = 0.56
P(NN) = 0.14
Suponga que se extrae una bola de la caja 1; si es roja, se extrae una bola de la
caja 2. Si la bola extrada de la caja 1 es negra, entonces se extrae una de la caja 3.
El diagrama de la figura 3-1 ilustra el juego. Considere las siguientes preguntas
relacionadas con las probabilidades en este juego:
1. Cul es la probabilidad de extraer una bola roja de la caja 1? Esta probabilidad
es incondicional o marginal e igual a 0.30 (la probabilidad marginal de sacar
una negra es 0.70).
2. Suponga que se extrae una bola de la caja 1 y es roja; cul es la probabilidad
de sacar otra bola roja de la caja 2 en la segunda extraccin? La respuesta es
0.60. ste es un ejemplo de una probabilidad condicional; es decir, la probabilidad de extraer una bola roja la segunda vez si se saca una bola roja de la
caja 1 es una probabilidad condicional.
3. Suponga que la primera bola que se sac es negra; cul es la probabilidad
condicional de que la segunda bola (esta vez de la caja 3) sea roja? La
probabilidad es 0.80. La extraccin de la caja 1 (el suceso que condiciona o
condicionante) es muy importante para determinar las probabilidades de una
bola roja (o negra) en la segunda extraccin.
4. Suponga que antes de extraer bolas se plantea la pregunta: Cul es la probabilidad de sacar dos bolas rojas? Aqu sera una probabilidad conjunta; el
58
(3-4)
La tabla 3-2 y la figura 3-2 indican que la probabilidad de sacar dos bolas rojas
es 0.18 [es decir, P(R y R) o, de manera ms sencilla, P(RR), la rama superior del
rbol]: Las probabilidades conjuntas se pueden resumir como sigue:
= 0.68
= 0.26
Figura 3-2
Diagrama de rbol
Ejemplo 2
59
= 0.60
Suponga que se lanza dos veces una moneda y se piden las siguientes probabilidades:
1. Probabilidad de dos caras.
2. Probabilidad de una cara y una cruz en dos lanzamientos.
3. Probabilidad de que el segundo lanzamiento d cara.
60
Tabla 3-3
Una caracterstica importante del ejemplo anterior es que ilustra la independencia. Observe que son iguales las dos ltimas probabilidades que se calculan;
la probabilidad de cara en el segundo lanzamiento es l/z, sin importar el resultado
del primer lanzamiento. Se dice que ambos sucesos son independientes ya que la
probabilidad de que en el segundo lanzamiento resulte cara no se ve afectada por
el resultado del primer lanzamiento. Esto no sucedi en el ejemplo 1, donde la
probabilidad de una bola roja en la segunda extraccin era afectada por el
resultado de la primera extraccin. Para hacer un resumen de este resultado:
Dependencia (ejemplo 1)
61
Tabla 3-4
Suceso
Probabilidad
Frmula
Frmula general:
Independencia (ejemplo 2)
Probabilidad condicional
de cara en el segundo
lanzamiento, si cae cruz
en el primero
Probabilidad conjunta
Probabilidad marginal
de cara en el primer
lanzamiento ( 1/2 )
0.50, probabilidad
marginal de que resulte
cara
Frmula general:
si B es independiente de A.
Ejemplo 3
62
Tabla 3-5
La familia:
Compra productos alimenticios especiales
No los compra
Nmero total de familias
18
42
60
Nmero
Ingresos altos
(ingresos familiares total de
superiores a $30 000) familias
20
20
38
62
40
100
Modificacin de probabilidades
Despus de analizar la probabilidades conjuntas y las condicionales, pasemos
a estudiar cmo se modifican las probabilidades para incorporar informacin
nueva.
Suponga que no sabemos si una moneda es legtima. Si lo es, la probabilidad
de que caiga cruz es 0.50; si la moneda no es legtima, la probabilidad de que
caiga cruz es 0.10. Suponga que se asigna una probabilidad a priori de 0.80 de
que la moneda sea legtima y una de 0.20 de que no lo sea. Al suceso "moneda
legtima" se le designar A1; mientras que A2 corresponde al suceso "moneda
ilegtima". La moneda se lanza una vez y digamos que el resultado es cruz. Cul
es la probabilidad de que la moneda sea legtima?
La figura 3-3 muestra que la probabilidad condicional de una cruz es 0.50, si la
moneda es legtima; es decir, P(cruz\A1) = 0.50. Si la moneda no es legtima,
la probabilidad de que caiga cruz es 0.10; P(cruz\A2) = 0.10.
Calculemos la probabilidad conjunta P(cruz y A1). Existe una probabilidad
inicial de 0.80 de que A1 sea el estado verdadero; si A1 es el estado verdadero,
hay una probabilidad condicional de 0.50 de que caiga cruz. La probabilidad
conjunta de que el estado A1 sea verdadero y de que se obtenga cruz es (0.80 0.50)
= 0.40. As:
P(cruz y A1) = P(A1) P(cruz\A1) = 0.80 0.50 = 0.40
63
Figura 3-3
64
RESUMEN
Variables aleatorias
Una funcin de probabilidad es una regla que asigna probabilidades a cada
elemento de un conjunto de sucesos que pueden ocurrir. Si se puede asignar un
valor numrico especfico a cada elemento del conjunto de sucesos, a la funcin
que asigna estos valores numricos se le llama variable aleatoria. El valor de la
variable aleatoria es el resultado general de un experimento aleatorio (o de
probabilidad). Es conveniente establecer la diferencia entre la variable aleatoria
y los valores que puede asumir. El valor de una variable aleatoria se desconoce
hasta que ocurre el suceso (es decir, hasta que se lleva a cabo el experimento
aleatorio). Sin embargo, se conoce anticipadamente la probabilidad de que la
variable aleatoria sea un valor especfico. La probabilidad de cada valor de
una variable aleatoria es igual a la suma de las probabilidades de los sucesos
asignados a dicho valor de la variable aleatoria. En la tabla 3-6 se muestran
algunos ejemplos de variables aleatorias.
Tabla 3-6
Variable aleatoria
(representada con
una letra mayscula)
U
X
Y
Valores de
la variable
aleatoria
2, 3 , . . . , 12
0, 1 , 2 , 3 , 4 , 5
0, 1,2, . . . , S
65
1/4
1/2
1/4
66
Tabla 3-7
Probabilidad
Demanda ponderada
aleatoria X
(demanda de maana)
De X i
P(X i )
por la probabilidad,
X i P(X i )
X 1 = 25 unidades
X2 = 26 unidades
X 3 = 27 unidades
X4 = 28 unidades
X 5 = 29 unidades
X6 = 30 unidades
P(X1 )
P(X2)
P(X3)
P(X4)
P(X5)
P(X 6 )
=
=
=
=
=
=
0.05
0.10
0.15
0.30
0.20
0.20
1.00
1.25
2.60
4.05
8.40
5.80
6.00
E(X) = 28.10
(3-6)
(3-7)
67
(3-9)
(3-10)
si X, Y, Z son independientes
68
Tabla 3-8
Clculo de la varianza
Observe que en el margen inferior de la figura 3-4 se muestran las probabilidades globales de vender 200, 100 y 0 cajas a Tiendas Grandes. As mismo,
en la columna de la derecha se presentan las probabilidades marginales de ventas
a Mercados Pequeos. Sabemos adems que P(ventas Mercados Pequeos =
100|ventas Tiendas Grandes = 200) = 0.5; esta probabilidad condicional se incluye
en la esquina superior del cuadro de la parte superior izquierda. Sabemos tambin
que P(ventas Mercados Pequeos = 0|ventas Tiendas Grandes = 0) = 0.5, lo que
se muestra en la esquina superior del cuadro de la parte inferior derecha de la
figura 3-4.
Utilizando:
P(AB)= P(A\B)P(B)
se puede calcular la probabilidad conjunta:
P(Mercados = 100 y Tiendas = 200) = PMercados = 100|Tiendas = 200) P
(Tiendas = 200) = (0.5)(0.2) = 0.1
Anlogamente:
P(Mercados = 0 y Tiendas = 0) = P(Mercados = 0|Tiendas = 0) P(Tiendas = 0)
= (0.5)(0.4) = 0.2
Estas probabilidades conjuntas se muestran en los cuadros respectivos de la
figura 3-4.
Ahora se puede llenar el resto de la figura 3-4, a partir del hecho de que el total
de las probabilidades conjuntas de cualquier fila o columna debe ser igual a las
probabilidades marginales. En la figura 3-5 se presenta la tabla completa.
69
Figura 3-4
Figura 3-5
70
Tabla 3-9
Si lo nico que nos interesara fuera el nivel de las ventas totales esperadas, ste
se podra obtener fcilmente de las ventas esperadas para cada cliente. Sin
embargo, la obtencin de las figuras 3-4 y 3-5 fue necesaria para obtener toda la
distribucin de probabilidad.
En la tabla 3-9 tambin se calcula la varianza de las ventas totales; vanse las
columnas (4) y (5).
RESUMEN
71
Ejemplo 2
72
Relacin o smbolo
Interpretacin
Probabilidad de que un nmero desconocido de xitos, R (la variable
aleatoria) sea igual que un nmero especfico, r (digamos 10), dado un
nmero de ensayos especfico, n (por ejemplo, 20) y una probabilidad
especfica, p, de xito en cada ensayo.
Probabilidad de que el nmero de xitos sea mayor o igual que un nmero
especfico, r, dados valores para p y n. A esto se le conoce como
probabilidad acumulada. La tabla C (en el apndice al final del libro)
contiene los valores de las probabilidades acumuladas.
Probabilidad de que el nmero de xitos sea mayor que un nmero
especfico. Esta desigualdad es exclusiva; es decir:
P(R > 10)
excluye a 10 e incluye a los nmeros 11 y mayores. Probabilidad de que
el nmero de xitos sea menor o igual que un nmero
especfico (por ejemplo, 10). Probabilidad de que el nmero de
xitos sea menor que un nmero
especfico. La probabilidad de que ocurran exactamente 10 xitos puede
obtenerse del
apndice C restando dos probabilidades acumuladas. Si se resta
P(R> 11)
a P(R 10), el resultado es la probabilidad de que ocurran precisamente 10.
Como las probabilidades suman 1, si se resta a 1 la probabilidad de obtener 10
xitos o ms, el resultado es la probabilidad de que ocurran menos de 10
xitos.
73
Interpretacin
Puesto que menor o igual que 10 incluye a 10, reste a 1 la probabilidad
de 11 xitos o ms.
Para leer una desigualdad estricta de la tabla C del apndice, sume 1 al
nmero deseado. La relacin
P(R > 10)
excluye a 10, por lo que esta probabilidad es igual a P(R > 11), que incluye
a 11 pero excluye a 10.
Suponga que una moneda legtima se lanzar tres vez y que se desea calcular las
siguientes probabilidades:
a. La probabilidad de tres caras en tres lanzamientos.
b. La probabilidad de dos o ms caras en tres lanzamientos.
c. La probabilidad de menos de dos caras en tres lanzamientos.
En este ejemplo, la p del proceso de Bernoulli es 0.50 y se considera un xito
cuando caiga cara. El nmero de ensayos (n) es tres.
La primera probabilidad es de obtener tres caras (xitos) en tres lanzamientos
(tres ensayos), con probabilidad de 0.50 de que caiga cara en cualquier lanzamiento. La probabilidad deseada se puede representar de la siguiente manera:
P(R =3\p = 0.50, n = 3) = ?
donde P = probabilidad, R = nmero de xitos, n = nmero de ensayos y p =
probabilidad de xito en un ensayo. El lado izquierdo de la ecuacin debe leerse
74
"la probabilidad de tres xitos, si la probabilidad del proceso es 0.50 y hay tres
ensayos".
Antes de responder las preguntas acerca de las probabilidades, presentemos
todos los resultados posibles de los tres ensayos y calculemos las probabilidades
(vase Tabla 3-11; H = cara, T= cruz).
Probabilidades
Interpretacin
La probabilidad de tres caras en tres ensayos es un
octavo. sta es la probabilidad de HHH; vase
Tabla 3-11.
La probabilidad de dos caras o ms es de cuatro
octavos. sta es la probabilidad de dos caras ms
la probabilidad de tres y se calcula sumando las
probabilidades de las siguientes combinaciones:
HHH, HHT, HTH, THH.
La probabilidad de que ocurran menos de dos caras
es la probabilidad de cero o una cara y se calcula
sumando las probabilidades de las siguientes
combinaciones: TTH, THT, HTT, TTT.
Tabla 3-11
Resultados
posibles
Probabilidad
de cada
resultado
75
Clculos
Explicacin
Consulte la tabla C del apndice bajo n = 3,p = 0.50;
busque en la columna
y luego reste a esto:
Ejemplo 2
De manera estricta, el lote es de tamao finito, los elementos de la muestra no son independientes y por
consiguiente las hiptesis de Bernoulli no se satisfacen exactamente; en este caso debera emplearse otro tipo de
distribucin, la distribucin hipergeomtrica. Sin embargo, si el tamao del lote es grande con respecto a la
muestra, es pequeo el error que introduce la aplicacin de la hiptesis de Bernoulli.
76
Bibliografa
Blake, I. R, An Introduction to Applied Probability,
Nueva York, John Wiley & Sons, 1979
Ewart, P. J., J. S. Ford y C. Y. Lin, Probability for
Statistical Decision Making, Englewood Cliffs,
N. J., Prentice Hall, 1974.
Feller, W., An Introduction to Probability Theory
and Its Applications, vol. 1, tercera edicin,
Nueva York, John Wiley & Sons, 1968.
Hodges, J. L., Jr., y E. L. Lehmann, Elements ofFinite Probability, segunda edicin, San Francisco, Holden-Day, 1970.
Kemeny, J. G., A. Schleifer, Jr., J. L. Snell y G. L.
Thompson, Finite Mathematics with Business
77
3-6. Use las tablas binomiales para obtener las siguientes probabilidades:
a. P(R = 4|0.50,10)
b. P{R > 4|0.50,10)
c. P(R > 4|0.40, 8)
d. P(R < 4|0.20,10)
e. P(R = 0|0.30,10)
f. P(R > 5|0.60,10)
Para (f), consulte la nota al pie de la primera
pgina de la tabla C del apndice.
3-7. Suponga que la probabilidad de que un ven
dedor efecte una venta en una casa seleccionada al azar es de 0.1. Si el vendedor realiza
20 visitas al da, determine lo siguiente:
a. La probabilidad de que no venda nada.
b. La probabilidad de una venta.
c. La probabilidad de cuatro ventas o ms.
d. La probabilidad de ms de cuatro ventas.
e. La probabilidad de cuatro ventas.
3-8. Remtase al ejemplo del captulo que se relaciona con la figura 3-3. Suponga que el primer lanzamiento resulta cara. Calcule las
probabilidades modificadas (a posteriori) para
la moneda legtima y la ilegtima.
78
Problemas
3-9. Cul de las siguiente distribuciones de frecuencia seran "objetivas" y cules seran
"subjetivas"?
a. Nmero de caras en 100 000 lanzamientos
de una moneda.
b. Nmero de caras en los prximos 100 000
lanzamientos de una moneda que no ha si
do probada.
c. Nmero de aos "prsperos" en la prxima dcada.
d. Los beneficios de Ford Motor Company
en los prximos cinco aos (aos "renta
bles" y aos de "prdidas").
e. La probabilidad de extraer al azar el nombre de un varn del directorio de estudian
tes de Cornell University.
3-10. Discuta los siguientes enunciados:
a. "Hay una probabilidad de 1.5 de que el siguiente presidente sea _________."
b. "La probabilidad de que el sol no salga
maana es de - 1.0."
c. "Hay 0.40 de probabilidad de que apruebe
el examen y 0.70 de que lo suspenda."
3-11. Analice si los siguientes sucesos son dependientes o independientes.
a. (1) Que los Gigantes de San Francisco ganen la Serie Mundial de bisbol.
(2) Que los Gigantes de San Francisco ganen el ttulo de la Liga Nacional de
bisbol.
b. (1) Los ahorros que se obtienen al usar
una mquina en el ao 2.
(2) Los ahorros derivados de usar la misma
mquina en el ao 1.
c. (1) La venta exitosa de un automvil de alto precio despus de
(2) La venta exitosa de una lnea de ropa
de bajo costo.
3-12. Considere dos urnas:
Bolas rojas
Bolas negras
Urna 1
Urna 2
7
3
4
6
79
80
81
82
Problemas ms difciles
3-35. El comisionado de seguridad de una ciudad realiz un estudio de las muertes de peatones en
cruces de carreteras. Observ que slo seis de
las 19 muertes correspondan a peatones que
cruzaban con la luz roja (es decir, desobedeciendo el reglamento), mientras que las otras
13 personas haban cruzado con la luz verde.
Esta situacin extra al comisionado, ya que
las cifras parecan indicar que era dos veces
ms seguro para el peatn cruzar con la luz roja que con la verde. Puede usted explicar al
comisionado esta contradiccin aparente?
3-36. Suponga que existe una nueva prueba para
detectar la adiccin a las drogas. La prueba
tiene precisin del 95%, en ambos sentidos;
es decir, si la persona es adicta, hay 95% de
posibilidad de que la prueba indique "s"; si la
persona no es adicta, la prueba indicar "no"
en el 95% de las veces. Se sabe que en
poblaciones urbanas la incidencia de adiccin
a las drogas es aproximadamente de una
persona en 10 000. Si la prueba genera un resultado positivo (s), cul es la probabilidad
de que sea adicta la persona a la que se aplic
la prueba/
3-37. Se lanza un satlite para recopilar datos sobre
las condiciones atmosfricas de un planeta lejano. El satlite contiene dos celdas de energa, cada una de las cuales tiene 90% de
probabilidad de funcionar correctamente. Las
83
Suponga que los dos almacenes tienen normalmente dos unidades en existencia.
a. Cul es la probabilidad de que uno u otro
de los almacenes tenga ms demanda que
existencias?
b. Cul es la probabilidad de que ambos al
macenes queden sin existencias?
3-42. Remtase al problema 3-41. Suponga que la
compaa Acm consolida los dos almacenes
en uno solo que surte a las dos ciudades. El
almacn consolidado tendr cuatro unidades
en existencias.
a. Determine la distribucin de probabilidad de la demanda para el almacn con
solidado.
b. Cul es la probabilidad de que falte una
unidad en las existencias del almacn con
solidado? Dos unidades? Compare los resultados con las respuestas que se
obtuvieron en el problema 3-41.
3-43. El profesor Smullyan describe una isla en la
cual todos los habitantes son caballeros o bribones.3 Los caballeros nunca mienten y los
bribones nunca dicen la verdad. Suponga el
80% de los habitantes (tanto caballeros como
bribones) estn a favor de elegir al profesor
Smullyan como rey de la isla. La isla est poblada por caballeros en un 60% y por bribones en un 40%, pero no se puede saber quin
es quin. Suponga que toma una muestra
aleatoria de 10 habitantes y les pregunta
"Est a favor de que Smullyan sea el rey?"
Raymond Smullyan, What is the Name of This Book, Englewood Cliffs, N. J., Prentice Hall, 1978.
84
a. Suponiendo que las partes se pueden revisar con la misma rapidez, en qu orden
propondra que se revisaran las partes?
Por qu?
b. Suponga ahora que el tiempo necesario para revisar las partes es el que sigue (suponga que hay que revisar las partes una por
una):
Esta pregunta se basa en S. C. Salop, "Evaluzting Uncertain Evidence with Sir Thomas Bayes: A Note for Teachers",
The Journal of Economics Perspectives, pgs. 155-159, verano
de 1987.
CAPTULO
Toma de decisiones en
condiciones de incertidumbre:
Modificacin de
probabilidades
Valor condicional
Suponga que un tendero se enfrenta al problema de determinar cuntas cajas de
leche debe tener en existencia para satisfacer las demandas del da siguiente.
Suponga que la leche que no se venda en el da representar una prdida total para
el tendero. Adems, la demanda insatisfecha no tiene mayor costo que la venta
perdida; pero el cliente insatisfecho regresar. Este ejemplo es muy simple pero
sirve para ilustrar los principios bsicos del valor esperado y del valor condicional.
En el anlisis del problema del tendero, sera til saber algo acerca de las ventas
en el pasado, partiendo de la hiptesis de que la experiencia puede servir como
gua con respecto a lo que suceder. Suponga que el tendero en cuestin ha llevado
un registro, como el que se muestra en la tabla 4-1.
85
86
Parte II
Anlisis de decisiones
Tabla 4-1
Demanda histrica
Demanda total
por da
25
26
27
28
Tabla 4-2
Nmero de das
en los que se registr
la demanda
cajas
cajas
cajas
cajas
Probabilidad de
cada suceso
20
60
100
_20
200
0.10
0.30
0.50
(H0
1.00
Valores condicionales
Acciones posibles
Suceso: Demanda
Almacenar
25
Almacenar
26
Almacenar
27
25 cajas
26 cajas
27 cajas
28 cajas
$50*
50
50
50
$42
52*
52
52
$34
44
54*
54
Almacenar
28
$26
36
46
56*
87
Tabla de prdidas
Adems de elaborar la tabla que muestra los beneficios condicionales (Tabla 4-2),
tambin se puede construir una tabla que muestre las prdidas de oportunidad
condicionales (Tabla 4-4). Considere la accin "Almacenar 28"; si la demanda
fuera de 28, el tendero tendra un beneficio de 56 dlares. Es lo mejor que puede
obtener con una demanda de 28. Si la demanda fuera de 28 y el tendero slo tuviera
27 cajas en almacn, el beneficio habra sido de 54 dlares; entonces, esta accin
implicara una prdida de oportunidad de dos dlares en comparacin con la
mejor accin para una demanda de 28. Si la demanda fuera de 28 y el tendero
tuviera 26 cajas en existencia, la prdida de oportunidad condicional sera de
cuatro dlares ($56 - $52). La prdida de oportunidad se puede definir en
trminos generales como los beneficios que se pierden por no escoger la mejor
accin para cada suceso. Con base en esta definicin se puede elaborar la tabla
de prdida de oportunidades de la tabla 4-4.
Hay que hacer hincapi en que los beneficios (o prdidas) condicionales se
relacionan con los beneficios condicionados por dos cosas:
1. La ocurrencia de un suceso.
2. Una accin determinada.
No sabemos si va a ocurrir el suceso; entonces, hay incertidumbre y, por lo tanto,
los beneficios condicionales de una decisin no corresponden a un nmero,
Tabla 4-3
$10
10
10
10
Ingresos
totales
$250
260
270
270
Costo de 27
cajas
(27 $8)
$216
216
216
216
Beneficios condicionales
de la accin
"Almacenar 2 7"
$34
44
54
54
88
Tabla 4-4
cajas
cajas
cajas
cajas
$0
2
4
6
$8
0
2
4
$16
8
0
.
$24
16
8
0
25
26
27
28
$50
52
54
56
- $50 = $0
- 50 = 2
- 50 = 4
- 50 = 6
Almacenar 26
$50
52
54
56
$42
52
52
52
= $8
= 0
= 2
= 4
Almacenar 27
$50 52 54 56 -
$34 = $16
44 =
8
54 =
0
54 =
2
Almacenar 28
$50
52
54
56
- $26 = $24
- 36 = 16
- 46 =
8
- 56 =
0
sino a una tabla de beneficios (o prdidas) asociados con los sucesos posibles. El
beneficio sera de 44 dlares slo si se almacenan 27 unidades y si la demanda
real es de 26 unidades. Si la demanda no fuera de 26 unidades, el beneficio real
no sera de 44 dlares.
89
Tabla 4-5
Suceso: Demanda Probabilidad del suceso
25 cajas
26 cajas
27 cajas;
28 cajas
Tabla 4-6
0.10
0.30
0.50
0.10
1.00
Suceso:
Probabilidad
Demanda del suceso
25 cajas
26 cajas
27 cajas
28 cajas
0.10
0.30
0.50
0.10
1.00
Valor monetario esperado
Tabla 4-7
Accin: Almacenar 27
Valor
VC ponderado por
Valor
VC ponderado por
condicional la probabilidad condicional
la probabilidad
(VC)
del suceso
(VC)
del suceso
$ 4.20
15.60
26.00
5.20
$42
52
52
52
$34
44
54
54
$51.00
$ 3.40
13.20
27.00
5.40
$49.00
Valor monetario
esperado
$50
51 (accin ptima)
49
42
90
Accin: Almacenar 27
Prdidas
PC ponderadas
Prdidas
PC ponderadas
Suceso:
Probabilidad condicionales por la probabilidad condicionales por la probabilidad
Demanda del suceso
(PC)
del suceso
(PC)
del suceso
25 cajas
26 cajas
27 cajas
28 cajas
0.10
$8
0
0.30
2
0.50
4
0.10
1.00
Prdida de oportunidad esperada
$0.80
0.00
1.00
0.40
$2.20
$16
8
0
2
$1.60
2.40
0.00
0.20
$4.20
Tabla 4-9
Accin
Almacenar 25
Almacenar 26
Almacenar 27
Almacenar 28
RESUMEN
91
Prdidas de
oportunidad
esperadas
Comparacin de
las prdidas de oportunidad
esperadas con lo ptimo
$ 3.20
2.20 (accin ptima)
4.20
11.20
$1
0
2
9
Utilidad esperada
Aunque el valor monetario esperado es una buena gua para determinar la accin
apropiada en varios casos, hay ocasiones en que no lo es. Esto no destruye el
modelo del valor esperado; significa que se debe modificar el anlisis cuando la
situacin lo requiera. Consideremos una de las mayores dificultades que surgen
del uso del valor monetario esperado.
Suponga que un gerente tiene la oportunidad de invertir 500 000 dlares en un
producto nuevo. Si el producto tiene xito, el beneficio neto ser de un milln de
dlares; en cambio, si fracasa, se perdern los 500 000 dlares que se invirtieron
en el desarrollo, en la produccin y en la venta del producto. En la tabla 4-10 se
presenta la tabla de valores condicionales del gerente.
Si, despus de recoger pruebas, el gerente asigna una probabilidad subjetiva de
0.90 para el xito, el VME de la accin "Invertir" sera de 850 000 dlares
($1 000 000 x 0.90 - $500 000 * 0.10 = $850 000), en comparacin con un
VME de cero para la accin "No invertir". Suponga ahora que la empresa se
92
Tabla 4-10
Valor condicional
encuentra en una situacin financiera muy difcil y que una prdida de 500 000
dlares la llevara a la bancarrota. En este caso el VME sera una gua deficiente
para determinar la accin. El gerente no estara dispuesto a aceptar una probabilidad de 0.10 de perder 500 000 dlares, sin importar la magnitud de los beneficios
condicionales o el VME, debido a las consecuencias poco deseables de la prdida.
En este caso, al gerente le provocara problemas la prdida y hay que incorporar
esta situacin en el anlisis.
Si se ignoraran los aspectos de la utilidad, o en el problema la utilidad del dinero
fuera aproximadamente lineal (vase Cap. 5), el VME servira como gua razonable para determinar la accin. Por ejemplo, si las prdidas potenciales no son muy
grandes y el margen de beneficio esperado es estrecho, por lo general no son significativas las consideraciones de utilidad. Esta situacin es la que prevalece en
el problema del tendero, por lo que el VME es adecuado.
Sin embargo, si se contemplan acciones que implican prdidas potenciales de
gran magnitud, puede ser conveniente alterar el anlisis e incorporar los aspectos
de la utilidad. Esto se logra calculando el valor de la utilidad esperada de las
acciones posibles, en vez del valor monetario esperado; en el captulo 5 se
analizar la modificacin del anlisis. Por el momento supondremos que se trata
de situaciones en la cuales los aspectos de utilidad no tienen importancia (es decir,
el valor monetario esperado es una medida razonable de la utilidad esperada).
Tabla 4-11
93
Tabla de valores condicionales para las decisiones ptimas con pronsticos perfectos
Accin
Suceso: Demanda
25 cajas
26 cajas
27 cajas
28 cajas
$50
$52
$54
$56
25 cajas
26 cajas
27 cajas
28 cajas
Probabilidad
del suceso
0.10
0.30
0.50
0.10
Beneficios
condicionales
(BC)
$50
52
54
56
BC ponderados por
la probabilidad del
suceso
$ 5.00
15.60
27.00
5.60
$53.20
94
Almacenar 27 Almacenar 28
$50.00
3.20
$51.00
2.20
$49.00
4.20
$42.00
11.20
$53.20
$53.20
$53.20
$53.20
95
este paso si se deja hasta el final la estimacin de probabilidades. Para cada accin
se puede encontrar una gama de probabilidades dentro de la cual la accin es
ptima. Luego, el decisor determina en qu intervalo estn las probabilidades.
Ilustraremos esta situacin con un ejemplo anterior. En la tabla 4-10 se
presentaron valores condicionales para la decisin de un producto nuevo (un
milln de dlares si el producto tena xito; 500 000 dlares si fracasaba; y cero
si no se introduca). Sea p la probabilidad de xito y, por lo tanto, (1 - p) la
probabilidad de fracaso del nuevo producto. Suponiendo que el decisor desea usar
el criterio VME, el valor esperado de la introduccin del producto es:
VME = p(1 000 000) + (1 - p)(-500 000)
= - 500 000 + 1 500 000p
Para introducir el producto, el VME debe ser mayor que cero. Es decir:
- 500 000 + 1 500 000 > 0
o
Tabla 4-14
Para que este concepto sea ms claro, considere una vez ms el ejemplo del tendero que decide cuntas cajas de leche debe almacenar. En la tabla 4-7 se determin que la accin ptima era almacenar 26 cajas. Este resultado se obtuvo con
las probabilidades de la primera columna de la tabla 4-14. Usted puede verificar
que la accin "Almacenar 26" sigue siendo la ptima para todos los conjuntos de
probabilidades posibles de la tabla 4-14. Entonces, el decisor puede ver que la
decisin no es sensible a las variaciones en las probabilidades que se presentan
en la tabla 4-14.' Sin embargo, hay otras probabilidades que podran cambiar la
Alternativas de conjuntos de probabilidades
Conjuntos de probabilidades
Suceso: Demanda
25 cajas
26 cajas
27 cajas
28 cajas
0.1
0.3
0.5
0.1
0.2
0.3
0.4
0.1
0.05
0.15
0.40
0.40
0.1
0.1
0.3
0.5
La accin "Almacenar 26" ser la ptima mientras P(demanda - 25) < 0.20 y /"(demanda > 27) < 0.80. Este
modelo se desarrolla detalladamente en el captulo 17.
96
rboles de decisin
En las secciones anteriores de este captulo se ha desarrollado el criterio de
decisin del valor monetario esperado y se analizaron decisiones sencillas con
tablas de valores condicionales. Esta seccin describe un mtodo general para
tomar decisiones ms complejas, que sirve para estructurar el problema de
decisin y para encontrar una solucin. El mtodo utiliza un rbol de decisin,
una herramienta grfica para describir las acciones disponibles para el decisor,
los sucesos que pueden ocurrir y la relacin entre estas acciones y sucesos.
rbol de decisin para el problema del tendero
Para ilustrar los conceptos bsicos, desarrollemos el rbol de decisin para el
problema del tendero, que se utiliz en la seccin anterior. Recuerde que la
decisin refiere a la cantidad de cajas de leche que debe pedir. El punto de decisin
se representa con un cuadrado o nudo de decisin en la figura 4-1. Las alternativas se representan con ramas que parten el nudo de decisin.
Suponga que el tendero selecciona una alternativa, digamos el pedido de 28
cajas. Hay siete sucesos que pueden ocurrir, correspondientes al nmero de cajas
de leche que pueden solicitar los clientes. Estos sucesos se muestran en la figura
4-2 como ramas que parten de un nudo circular (se utiliza convencionalmente un
cuadrado para un nudo de decisin y un crculo para un nudo de incertidumbre o
de sucesos). Observe que estas ramas representan sucesos inciertos que no puede
controlar el decisor. Sin embargo, se pueden asignar probabilidades a cada suceso,
las cuales estn registradas entre parntesis debajo de cada rama.
Al final de cada rama estn los beneficios condicionales para la accin seleccionada y el suceso que se da (los mismos valores de la Tabla 4-2). Entonces, los
benficos condicionales representan los beneficios relacionados con las decisio-
nes y los sucesos a lo largo de la ruta, desde la primera parte del rbol hasta el
final. Por ejemplo, la cifra de 26 dlares de la figura 4-2 representa el beneficio
que se relaciona con el pedido de 28 cajas de leche y demanda de 25 cajas.
El valor monetario esperado (VME) se calcula para cada nudo de suceso de la
misma manera que en la seccin anterior (vase Tabla 4-6). Es decir, se multiplican las probabilidades por los beneficios condicionales y se suman. El VME se
coloca dentro del nudo de suceso para indicar que es el valor esperado que
se calcul para todas las ramas que parten del nudo.
La figura 4-3 muestra el rbol de decisin completo para el problema del
tendero. Observe que no es necesario incluir por separado cada suceso posible en
todas las decisiones. As, cuando se piden 26 cajas, slo hay dos sucesos que
producen beneficios condicionales diferentes: demanda de 25 cajas, con beneficio
de 42 dlares, y demanda de 26 cajas o ms (o sea, demanda igual a 26, 27 o 28
cajas), con beneficio de 52 dlares. Si el tendero pide 25 cajas slo puede haber
un resultado, especficamente, la venta de las 25 cajas con beneficios condicionales de 50 dlares.
En la figura 4-3 los valores monetarios esperados se muestran en los nudos de
sucesos. El tendero deber escoger la accin, y esto consiste en seleccionar la
opcin con mayor VME (26 cajas con VME = 51 dlares). Esto se indica en el
rbol colocando 51 en el nudo de decisin (cuadrado) del inicio del rbol. Se
dibuja adems la marca || sobre las ramas de decisin que no son ptimas, para
indicar'que no deben seguirse.
98
Figura 4-2
Figura 4-3
99
100
Figura 4-4
101
son los que se presentan en la figura 4-4, al final del rbol. Estos valores de
beneficios incluyen el costo de introduccin del producto y los beneficios que se
obtienen de su venta. Los valores negativos indican que los costos de introduccin
exceden los beneficios de las ventas.
El decisor tambin tiene que evaluar las probabilidades de cada suceso; en el
ejemplo se muestran debajo de las ramas de suceso de la figura 4-4. Observe que
estas probabilidades pueden depender de acciones o sucesos anteriores. Por esto,
las probabilidades del comportamiento del precio del competidor que se incluyen
en la figura 4-4 son distintas cuando el precio es ms alto o ms bajo.
Diagrama de influencia
Tambin podemos representar el problema del director con un diagrama de
influencia, como se hizo en el captulo 2 (vase la Figura 4-5). Este diagrama
de influencia es bastante sencillo, por lo que puede parecer que no es muy til
para estructurar el problema de decisin y el rbol de decisin. Sin embargo, en situaciones ms complejas, puede ser conveniente elaborar un diagrama de influencia antes de desarrollar el rbol de decisin detallado; el diagrama de influencia
sera una forma excelente de estructurar las hiptesis acerca de los factores y de
las relaciones importantes del modelo. En trminos generales, recomendamos usar
rboles de decisin para este tipo de problemas; sin embargo, en casos especializados, los prototipos de paquetes de software (DAVID, por ejemplo) son una
nueva alternativa para la resolucin de problemas de decisin directamente a partir
del diagrama de influencia.2
Figura 4-5
Vase R. Shachter, "DAVID: Influence Diagram Processing System for the Macintosh", en Uncertainty in
Artificial Intelligence, vol. II, L. N. Kanal y J. Lemmer, editores, North-Holland, 1988.
102
Figura 4-6
103
104
2. Los sucesos relacionados con las ramas de un nudo de sucesos deben ser
mutuamente excluyentes y deben incluirse todos los sucesos, de manera que la
suma de la probabilidades sea 1.
3. Las alternativas asociadas con un nudo de decisin deben ser todas las que se
consideren en ese punto.
Por lo general es til desarrollar el rbol de decisin en secuencia cronolgica,
para que se mantenga el orden adecuado de los sucesos y las decisiones. Sin
embargo, varios aspectos de la elaboracin del rbol son arbitrarios. Por ejemplo,
en el caso anterior, suponga que la empresa debe anunciar su decisin con respecto
al nuevo producto y establecer el precio antes de que se conozca la informacin
acerca del competidor. La parte del rbol que se relaciona con estas decisiones
podra dibujarse en dos formas equivalentes, que se exhiben en la figura 4-7.
Figura 4-7
105
Modificacin de probabilidades
En esta seccin se presenta la oportunidad de experimentar, es decir, recoger
informacin adicional y modificar las probabilidades antes de tomar la decisin.
Utilizaremos la ms sencilla de las situaciones posibles, en la cual slo hay un
factor desconocido. Por ejemplo, la decisin puede depender de la demanda del
producto en el prximo ao. Suponga que se decidi experimentar y que la
demanda es el nico factor que se desconoce. En esta situacin (que podra ser
un problema de inventarios) el proceso de decisin es el que sigue:
1. Escoja el criterio de decisin; suponemos que ser la regla de decisin del valor
esperado.
2. Describa el conjunto de resultados y decisiones posibles.
3. Asigne probabilidades a los resultados posibles (estados).
4. Determine una funcin de beneficios (beneficios condicionales).
5. Lleve a caho un experimento.
6. Modifique las probabilidades asignadas.
7. Calcule los beneficios esperados para cada decisin.
8. Considere que la decisin ptima es la accin con mayores beneficios espe
rados.
El proceso anterior supone que se ha determinado previamente que la experimentacin es deseable. Ahora analizaremos esta cuestin.
106
Tabla 4-15
107
Resultados
Ventas altas
Ventas bajas
Valor monetario esperado
Acciones
Probabilidades Introducir el producto No introducir el producto
0.3
0.7
4.0 2.0
0
0
-0.2
Figura 4-8
108
Figura 4-9
Determinacin de probabilidades
Para completar el anlisis de la figura 4-9 se requieren las probabilidades de los
distintos sucesos. Supongamos que el gerente de mercadotecnia estima que
las probabilidades son las de la tabla 4-16. Son probabilidades condicionales para
los diversos resultados del estudio dado el nivel potencial de ventas del producto.
Tabla 4-16
109
0.4
0.4
0.2
1.0
0.1
0.5
0.4
1.0
110
Tabla 4-17
Inconcluyente (I)
Fracaso (F)
P(EyA)
P(IyA)
P(Fy
A)
P(IyB)
P(FyB)
P(B)
P(F)
1.00
P(EyB)
Probabilidades marginales
del pronstico del estudio
Probabilidades
marginales del
nivel de ventas
P(A)
P(E)
P{I)
Inconcluyente (I)
Fracaso (F)
Probabilidades
marginales del
nivel de ventas
0.30
Alto (A)
0.12
0.12
0.06
Bajo (B)
0.07
0.35
0.28
0.70
Probabilidades marginales
del pronstico del estudio
0.19
0.47
0.34
1.00
111
112
Figura 4-10
Figura 4-11
113
114
RESUMEN
Conclusin
En este captulo se ha visto el usode las probabilidades para tomar decisiones
empresariales en condiciones de incertidumbre. Se desarroll el criterio de maximizacin del valor monetario esperado y se estudi el concepto del valor de la
informacin. Tambin se presentaron los diagramas de influencia y los rboles
de decisin y sus aplicaciones, adems de ilustrar el valor de la informacin
imperfecta.
Las ideas que se presentaron en este captulo se ampliarn en captulos
posteriores. En el captulo 5 se estudiarn otros criterios de decisin posibles y se
profundizar en el anlisis de la utilidad. El captulo 6 abarca los problemas de
decisin en los cuales la incertidumbre se puede expresar como una distribucin
continua de probabilidad.
115
Bibliografa
Behn, R. D. y J. W. Vaupel, Quick Analysis for
Busy Decision Makers, Nueva York, Basic
Books, 1982. Brown, R. V., A. S. Kahr y C.
Peterson, Decisin
Analysis for the Manager, Nueva York, Holt, Rinehart & Winston, 1974. Bunn, D. W., Applied
Decision Analysis, Nueva
York, McGraw-Hill, 1984. Holloway, C,
Decision Making under Uncertainty:
Models and Choices, Englewood Cliffs, N.J.,
Prentice Hall, 1979. McNamee, P. y J. Celona,
Decision Analysis for the
Professional with Supertree, Redwood City, Calif., Scientific Press, 1987. Pratt, J. W., H. Raiffa
y R. Schlaifer, Introduction
to Statistical Decision Theory, Nueva York,
McGraw-Hill, 1965. Raiffa, H., Decision
Analysis, Reading, Mass., Addison-Wesley Publishing, 1968.
Schlaifer, R., Analysis of Decisions under Uncertainty, Nueva York, McGraw-Hill, 1969.
Spetzler, C. S. y C. A. Stael von Holstein, "Probability Encoding in Decision Analysis", Management Science, pgs. 340-358, noviembre de
1975.
Spurr, W. A. y C. P. Bonini, Statistical Analysis for
Business Decisions, edicin revisada, Homewood, 111., Richard D. Irwin, 1973.
SRI Decision Analysis Group, Readings in Decision Analysis, Menlo Park, Calif., Stanford Research Institute, 1976.
Vatter, P. A., S. P. Bradley, S. C. Frey, Jr., y B. Jackson, Quantitative Methods in Management: Text
and Cases, Homewood, 111., Richard D. Irwin,
1978.
Winkler, R. L., Introduction in Bayesian Inference
and Decision, Nueva York, Holt, Rinehart &
Winston, 1972.
116
Probabilidad
0.05
0.10
0.20
0.30
0.35
1.00
te en los estados sureos; sin embargo, despus de concluir la planta de Atlanta se iniciar una campaa promocional de gran
magnitud. La gerencia tiene algunas dudas
con respecto al xito de esta campaa. Estiman que hay 0.4 de probabilidad de que la
compaa capte una cuota considerable de
mercado y una probabilidad de 0.6 de que se
obtenga slo una cuota moderada.
Se requiere una planta grande si se consigue una cuota considerable de mercado. Una
planta pequea bastar para el caso moderado. El costo de la planta grande es de ocho
millones de dlares; el costo de la planta pequea es de cinco millones de dlares.
Si logran obtener la cuota considerable de
mercado, el valor actual estimado de los beneficios que se obtendran (excluyendo el costo
de la planta) es de 13 millones de dlares; si la
cuota es moderada, el valor actual de los beneficios (una vez ms, sin incluir el costo de la
planta) es de ocho millones de dlares.
El gerente tiene otra alternativa: construir
una planta pequea, ver qu sucede como resultado de la campaa de promocin y luego
ampliar la planta, de ser conveniente. Costara
4.5 millones de dlares ampliar la planta
pequea para que tenga la capacidad de una
grande.
a. Elabore un rbol de decisin para este
problema.
b. Qu decisin debe tomar la compaa y
cul es el valor esperado?
4-6. Usted est a cargo del control de inventarios
en la compaa Volant. Usted piensa que hay
una probabilidad de 0.4 de que exista una recesin el prximo ao. Si se presenta la recesin, debe vender el modelo AE4 al precio de
oferta de un milln de dlares, ya que slo
podra obtener 800 000 dlares en un ao de
recesin. Estas cantidades se recibiran en un
ao. Sin embargo, el agente de compras de
una compaa le ha prometido comprar el modelo AE4 por 1.3 millones de dlares si no
hay recesin (cantidad pagadera dentro de un
ao). Despus de efectuar algunos clculos
preliminares, an no decide qu hacer con
respecto a las ventas y decide obtener pruebas
acerca de la probabilidad de que exista una
recesin el ao entrante. Usted descubre
Figura 4-12
117
que en fechas recientes ha aumentado la cantidad de cuentas incobrables. Despus de investigar un poco averigua que en ocho de las
ltimas diez recesiones el nmero de cuentas
incobrables comenz a aumentar aproximadamente un ao antes. Usted est dispuesto a
aceptar la cifra de 0.8 como estimacin de la
probabilidad de que aumenten las cuentas
incobrables supuesto que ocurra una rece-
118
Pronstico
del estudio
xito
Inconcluyente
Fracaso
Nivel real
de ventas
Alto
Bajo
0.3
0.5
0.2
1.0
0.2
0.5
0.3
1.0
Problemas
4-10. El anlisis y el pronstico de las ventas del
prximo mes dan como resultado la siguiente
distribucin de probabilidades:
Suceso:
Demanda
10 unidades
11 unidades
12 unidades
Probabilidad
0.10
0.70
0.20
1.00
Los beneficios por unidad son de cinco dlares y el costo del producto es de seis dlares. Si el producto no se vende en el mes
0.20
200 000
300 000
400 000
500 000
0.20
0.20
0.20
0.20
1.00
119
Probabilidad
0.60
0.30
0.10
1.00
120
Probabilidad
de la demanda
5000
0.10
10 000
20 000
0.50
0.40
1.00
Poca
Media
Mucha
0.2
0.7
0.1
1.0
Tasa de cambio
(yenes por dlar) Probabilidad
Tamao del transformador
instalado originalmente
Cantidad de electricidad
Pequeo Mediano Grande
realmente necesaria
50
150
100
Poca
140
150
100
Media
190
150
190
Mucha
140
0.1
150
160
170
0.6
0.2
0.1
1.0
121
Probabilidad Consecuencias
0.16
0.40
-$100 000
50 000
0.24
0.20
100 000
200 000
Elabore un rbol de decisin para este problema y calcule el valor monetario esperado para la accin "perforar". La compaa debe
perforar o vender el contrato?
4-20. La compaa de promociones ABC tiene la
oportunidad de llevar a cabo una competencia
atltica muy lucrativa. Sin embargo, el encuentro no puede realizarse si llueve. De
realizarse el juego, la empresa obtendr beneficios netos de dos millones de dlares, pero
si llueve perder un milln de dlares de su
propio dinero (no es una prdida de oportunidad). La probabilidad de lluvia es de 0.2. La
empresa quiere saber si debe comprar un seguro contra lluvia.
Elabore un rbol de decisin. Cunto podra pagar la empresa por un seguro para cubrir la prdida de un milln de dlares y no
quedar en una situacin peor, desde el punto
de vista del valor esperado, que si no hubiera
comprado el seguro? Debe comprar el seguro a ese precio?
4-21. Una compaa de produccin de plsticos necesita ampliar su capacidad productiva, lo
cual puede hacer de dos maneras: utilizar
tiempo extra en su planta actual o alquilar otra
planta. El tiempo extra cuesta por caja de
producto tres dlares ms que el tiempo regular y slo puede aplicarse a un mximo de
15 000 cajas por ao. El alquiler de otra planta
implica un costo fijo anual de 25 000 dla-
Demanda adicional
(cajas por ao)
5000
10 000
15 000
Probabilidad
0.3
0.5
0.2
a. Elabore un rbol de decisin para este problema y encuentre la decisin ptima para
minimizar los costos esperados.
b. Suponga que una compaa de investiga
cin de mercados ofrece realizar un estudio para determinar la cantidad exacta de
la demanda adicional. Debera pagar la
compaa mil dlares por este estudio perfecto? Por qu? Cul es la prdida de
oportunidad esperada (POE) de la mejor
decisin en ()?
4-22. La compaa QPC decide acerca de poner a la
venta el producto A o el producto B. La decisin depende de la rapidez con la cual los
distribuidores acepten el producto y el tipo de
estrategia de mercadotecnia (promocin o
publicidad) que emplee QPC. La compaa ha
elaborado un diagrama de su problema de
decisin, el cual se muestra en la figura 4-13.
Los flujos de efectivo relacionados con las
decisiones y sucesos se presentan al final de
las ramas del rbol. Suponga que QPC est
dispuesta a usar el VME para tomar esta
decisin.
a. Cul es la estrategia ptima para QPC y
cul es el flujo de efectivo esperado para
esta estrategia?
b. Suponga que QPC tiene que tomar una de
cisin acerca de la estrategia de mercadotecnia (promocin o publicidad) antes de
saber acerca de la rapidez de aceptacin
123
124
Resultado real
Cara
Cruz
Usted apuesta a:
Cara
Cruz
+ 100
-400
-100
+ 100
125
126
ltimos 20 aos
127
"muy bueno" y "muy malo" se determinan slo con base en la calificacin; los otros dos
grupos se definen despus de la revisin de la
oficina de crdito.
El banco ha determinado que el valor actual
de los beneficios futuros de un solicitante que
"paga" es de 400 dlares, mientras que el
valor actual de las prdidas ocasionadas por
un solicitante que "no paga" es de -200
dlares.
Problemas ms difciles
4-34. Durante varios aos, Wheeling Steel Corporation ha tenido una poltica PMP (precio al
momento del pedido). Una empresa poda pedir acero para entrega futura y pagar el precio
vigente en el momento de hacer el pedido, no
en el momento de la entrega. Comente acerca
de esta poltica de precios.
4-35. Football Concessions posea la franquicia para
vender helado, refrescos, salchichas y otros
productos durante los encuentros locales de
ftbol de Wombat University. Era un negocio
rentable, ya que se poda estimar con bastante
precisin la cantidad de aficionados
128
4-36.
Probabilidad
0.30
0.20
0.10
0.40
1.00
Probabilidad
0.02
0.10
0.40
0.20
0.12
0.06
0.04
0.03
0.02
0.01
1.00
Agrixon se produce en una mquina especial que genera 200 kilogramos por ao. El
costo fijo de compra y operacin de una mquina es de 560 000 dlares anuales, lo cual
incluye supervisin, mantenimiento y otros
costos fijos, ms el inters anualizado y los
costos de equipo. Suponga que los beneficios
de la produccin anual de una mquina (sin
incluir los costos fijos) son de 1.3 millones de
dlares, si la demanda es suficiente para
operar la mquina todo el ao.
El problema que tiene la compaa de productos qumicos es determinar cuntas mquinas debe instalar en la planta para el primer
ao. Los aos siguientes no representan ningn problema, ya que la compaa podr
comprar mquinas adicionales si lo requiere y
absorber la capacidad no utilizada en los aos
anteriores, conforme crezcan las ventas.
Cuntas mquinas debe instalar la empresa para maximizar el beneficio neto esperado
en el primer ao?
4-38. La compaa electrnica Little ha presentado
una querella legal contra Artex Computers,
por prcticas comerciales injustas y monopolistas; Little pide una compensacin de 10 millones de dlares por daos. El cuatro de
noviembre, la compaa recibe una oferta de
Artex para arreglar la disputa por medio de un
pago de 3.5 millones de dlares a Little.
La direccin de Little quiere decidir si
acepta el arreglo o contina con la querella.
Los abogados estn de acuerdo en que la probabilidad de que gane Little es de 2/3. Sin
embargo, sealan que, incluso si ganan, slo
hay un 50% de probabilidad de que el juez
otorgue los 10 millones de dlares; existe la
misma probabilidad de que otorgue una compensacin parcial de cinco millones de dla-
129
130
131
que hay que efectuar la prueba antes de presentar la cotizacin, ya que puede influir en
el precio de concurso de FMS.
Qu acciones debe emprender FMS?
Cul es el beneficio esperado?
Probabilidades de diversos costos estimados
Costo estimado
por el supervisor
$9
10
11
$10
$11
0.8
0.1
0.1
1.0
0.1
0.8
0.1
1.0
0.1
0.1
0.8
1.0
4-43. La compaa Breezy Breakfast Foods Company quiere vender un nuevo cereal para el
desayuno. Si el nuevo cereal tiene xito, representara beneficios de 10 millones de dlares (valor actual) durante la vida del producto.
Si fracasa, se incurrira en una prdida de dos
millones de dlares. La gerencia opina que
hay un 50% de probabilidad de que el
producto tenga xito.
Dos empresas de investigacin de mercados
han propuesto a Breezy que obtenga ms
informacin. Una de ellas, Attitude Surveys,
recopila datos acerca de la opinin de los
clientes con respecto a las caractersticas especficas del producto, como seran la dulzura, el contenido de caloras, el valor nutritivo,
etc., para producir un pronstico de "xito" o
"fracaso". La experiencia de la compaa en
sus 50 estudios ms recientes de productos similares es la que se presenta a continuacin:
Experiencia de Attitude Surveys
132
Acciones
Nivel
de xito
Probabilidad
xito
Regular
Fracaso
0.3
0.4
0.3
Distribucin
inicial limitada
Distribucin
general
$22 millones
8
-10
$12 millones
8
- 2
1.0
xito
9
1
0
10
3
5
2
10
24
12
4
40
Caso 4-45
133
Susan Parks, jefe de analistas del Departamento Estatal de Bosques, elabora una
recomendacin para el gobernador con respecto al rea de esqu propuesta para
Wabash. El departamento propuso inicialmente un centro de esqu de gran tamao,
pero la escasez de gasolina, la inflacin y otros factores han puesto en duda las
estimaciones originales acerca del nmero de personas que usaran el centro. Se
han propuesto otras dos alternativas: una es construir instalaciones ms pequeas
y ampliarlas dentro de dos aos si lo justifica la demanda; la otra es posponer el
proyecto dos aos. La seora Parks ha recopilado estimaciones de costos, ingresos
y probabilidades relacionadas con las diversas alternativas.
Costar 15 millones de dlares construir un centro de gran tamao. Si se
construyen instalaciones ms pequeas y se amplan despus, el costo sera de
doce millones de dlares para la parte inicial y de seis millones para la ampliacin.
Parks ha decidido usar tres niveles de demanda potencial de esquiadores para
Wabash: alto, medio y bajo. Los costos y los ingresos para estos casos se presentan
en la tabla de estimaciones de la pgina 132. El Departamento de Bosques utiliza
una medida de los beneficios al evaluar este tipo de proyectos, la cual incluye
los ingresos y los costos monetarios, pero adems incorpora un valor para los
beneficios de recreacin que ofrece el centro (a razn de un dlar diario por
visitante).
Despus de consultar con sus colegas, la seora Parks estima que hay 0.10 de
probabilidad de que la demanda de los prximos dos aos sea alta, 0.60 de que
sea media y 0.30 de que sea baja. La demanda que exista despus del segundo ao
depender de lo que ocurra en los dos primeros aos. Estas probabilidades tambin
se han evaluado y se muestran en la tabla de la siguiente pgina.
Considere un periodo de 15 aos para evaluar este proyecto y calcule los
beneficios netos totales de los 15 aos. No incluya ninguna previsin para la
inflacin, descuentos o crecimiento en la demanda, nada que no est indicado en
la tabla. Suponga que al trmino de dos aos, el Departamento de Bosques podr
evaluar con certeza la demanda de los 13 aos siguientes. Por ltimo, suponga
que el departamento est dispuesto a usar los beneficios netos esperados como
criterio para presentar su recomendacin al gobernador.
a. Elabore el diagrama de rbol para el problema de decisin.
b. Complete las probabilidades y los beneficios del rbol.
c. Qu recomendacin debe presentarse al gobernador?
134
Visitantes
al ao
(miles)
Ingresos anuales
por alquiler y
concesiones
(miles de dlares)
Costos
fijos
(miles de
dlares)
Ingresos
netos
(miles de
dlares)
Beneficios
netos
ponderados*
(miles de
dlares)
800
500
200
$2 400
1 600
500
400
200
$1 600
1 000
600
600
$700
$) 700
700
700
900
$2 500
1 400
-100
100
$400
$1 200
400
400
600
200
$1 700
1 000
400
Los beneficios netos ponderados incluyen los ingresos monetarios y los visitantes valorados en un dlar por da.
Probabilidades de la demanda en
el centro Wabash despus del segundo ao
Demanda Demanda
despus del
hasta el
ao 2
ao 2
Alta
Alta
Media
Baja
Caso 4-46
Probabilidad
1.0
Alta
Media
Baja
Alta
Media
Baja
Es junio de 1992 y el director general de Particular Motors, fabricante australiano de automviles, considera el futuro del modelo Torana. Actualmente, el Torana
se ofrece con la opcin de un motor L4 (de cuatro cilindros, importado de
Alemania), o un motor L6 o V8, ambos fabricados en Australia. Se ha programado
un cambio radical del modelo que se presentar al pblico en febrero de 1995.
Hay un punto an por decidirse: si Particular Motors debe fabricar en Australia
su propio motor L4.
Australia, al igual que otros lugares, se enfrenta a una crisis energtica. El
gobierno central de Canberra considera seriamente la posibilidad de aprobar una
ley que aumentara notablemente el precio de la gasolina y el aumento dara lugar
a mayores ventas del Torana con motor L4, ms pequeo, y la reduccin en la
venta de los Torana con motores L6 y V8. El gobierno puede establecer tres
135
precios posibles para la gasolina: 1.10, 1.35 o 1.60 dlares por litro. El departamento de ventas estima que las ventas de los tres modelos en el periodo 1995-1997
es el siguiente (despus de 1997 habr nuevos cambios en el Torana):
Precio de
la gasolina
$1.10
1.35
1.60
Motor L6
25 000 80
000 120
000
75 000
75 000
50 000
Motor V8
20 000
15 000
10 000
Total
120 000
170 000
180 000
Modelo
$100
300
350
400
0.10
0.50
0.40
1.00
136
Caso 4-47
137
de 50 automviles por hora. Su contrato sindical le permite mandar a los trabajadores a casa sin tener que pagarles (si ya trabajaron cuatro horas); sin embargo,
la planta opera con un programa muy ajustado y tendra que recuperar la produccin perdida con tiempo extra, a un costo de 40 dlares por automvil.
Tambin hay limitaciones en el caso de la sustitucin del dispositivo de apertura
del cofre con un modelo similar. El sustituto cuesta lo mismo y al parecer funciona
igual, pero la sustitucin debe ser aprobada por el comit de ingeniera de
producto, en Detroit. Esta aprobacin no la obtendra hasta maana; sin embargo,
puede anticiparse y usar el dispositivo sustituto. Si llegara la aprobacin no se
presentara ningn costo adicional, pero si no se aprueba, maana tendra que
quitar el sustituto e instalar el correcto, a un costo de 120 dlares por automvil.
Usted estima que hay 0.6 de probabilidad de que el comit de ingeniera de
producto apruebe la sustitucin.
La tercera opcin implica montar los automviles sin el dispositivo de apertura
del cofre y montarlo maana, cuando lleguen las piezas. Esto se hace fuera de la
lnea de montaje y cuesta 60 dlares por automvil.
El diagrama adjunto resume la situacin. Otras hiptesis adicionales: puede
cerrar la planta en cualquier momento (es decir, en la hora 4, la 5 o la 6); pero
si ya la cerr, permanece as hasta el final del turno. Suponga tambin que si
comienza con una alternativa, usar el sustituto o no usarlo, continuar con
ella hasta que lleguen las piezas o usted cierre (con esto se elimina la posibilidad
de usar el sustituto en la hora 4 y en la hora 5 utilizar la alternativa de no montar
la pieza).
Caso 4-48
Son las 7:00 P.M. del 24 de diciembre; el lugar es el centro de control de emergencia
de Telco, la compaa telefnica del rea de la baha de San Francisco. Larry
Nettles, el director en turno, ha recibido varios informes del rea de servicios de
operacin de que los clientes han tenido problemas para efectuar llamadas fuera
de sus reas locales. Al revisar los informes de diagnstico de las oficinas de
138
Parte II
Anlisis de decisiones
Cable
Ubicacin
Probabilidad
de averas
Cable 1
Cable 2
Cable 3
San Francisco/Oakland
Sausalito/Oakland
Hayward/San Francisco
0.3
0.5
0.2
Cable
Prdida de ingresos
(miles de dlares
por hora)
Cable 1
Cable 2
Cable 3
$ 28
90
120
139
CAPTULO
Teora de la decisin
La teora de la decisin tiene que ver principalmente con la forma de ayudar a las
personas (o a las organizaciones) a tomar decisiones y a mejorar el proceso de
toma de decisiones en condiciones de incertidumbre. La teora de la decisin
permite que el decisor analice un conjunto de situaciones complejas con varias
alternativas y distintas consecuencias. El objetivo principal es identificar un curso
de accin que sea consistente con las cuestiones econmicas y los deseos psicolgicos del decisor. En el captulo 4 tambin se analiz la teora de la decisin,
pero no se consideraron criterios de decisin distintos del criterio de maximizacin del valor monetario esperado.
Los gerentes empresariales muchas veces tratan las decisiones complicadas
suponiendo que hay certidumbre. Es decir, suponen que los datos que usan en los
clculos son conocidos y no hay dudas al respecto; a lo mucho, hacen una
declaracin justificadora, como: "por supuesto, no siempre se conocen los datos
con certeza". Este mtodo es razonable para muchas decisiones. La toma de
decisiones puede ser compleja, incluso en condiciones de certidumbre. En ocasiones puede ser conveniente partir de una situacin en la que se supone que se
conocen los hechos. Muchas soluciones convencionales que se ofrecen para
problemas como los de control de inventarios, decisiones de fabricar o comprar,
presupuestos y precios, suponen que hay certidumbre.
En este captulo continuar el anlisis del arte de tomar decisiones en condiciones de incertidumbre. El punto focal ser el criterio de decisin que se utilice:
es decir, cmo debe seleccionarse la mejor accin. En el captulo 4 supusimos que
el criterio adecuado era el valor esperado. En este captulo y los que siguen se
considerarn otros criterios y resultar evidente que es difcil encontrar respuestas
absolutamente correctas cuando el futuro es incierto; sin embargo, hay mtodos
razonables para esta clase de problemas de decisin que deben comprender los
gerentes.
140
141
El problema de decisin
En este captulo se considerar un tipo de decisin bastante comn. Hay varias
acciones y varios estados de la naturaleza posibles. Por ejemplo, las acciones
pueden ser:
1.
2.
3.
4.
5.
6.
Los estados de la naturaleza son los sucesos posibles que pueden ocurrir. Uno
de los estados es el verdadero, pero no se sabe cul. A continuacin se presentan
posibles estados o sucesos de las acciones anteriores:
1. La demanda del producto puede ser 0, 1, 2, 3, . . ., 50.
2. Puede ocurrir un incendio o puede no ocurrir.
3. Si se fabrica el producto, el costo sera 10 centavos, 11 centavos, . . .,
50 centavos.
4. Si se invierte en el equipo, el ahorro en costo por hora puede ser 1.00, 1.01,
1.02,. .., 2.50 dlares.
5. Si se ampla una lnea de productos, las ventas pueden ser de un milln de
dlares, dos millones, etctera.
6. Si el precio se modifica, las ventas pueden ser 0, 1, 2, 3,. . ., 10 000 unidades.
Al no saber cul de los estados es el verdadero, se asigna una distribucin de
probabilidad a la posible ocurrencia de cada suceso (la divisin de los estados
posibles puede ser tan fina como se desee). La distribucin de probabilidad puede
basarse en pruebas objetivas del pasado, si el decisor considera que se mantienen las mismas fuerzas en el futuro. Sin embargo, no estamos restringidos a
usar probabilidades objetivas. En algunos casos puede ser razonable asignar las
probabilidades que el decisor se considere adecuadas para los estados posibles,
de manera que la accin que se elija sea consistente con lo que se cree acerca de
los sucesos posibles y sus consecuencias econmicas. Las pruebas objetivas deben
proporcionarse, en la medida de lo posible, para ayudar al decisor a mejorar la
asignacin de probabilidades.
Ejemplo
142
Tabla 5-1
Tabla 5-2
estados de la naturaleza posibles son que la demanda ser cero, una o dos unidades.
El primer paso para obtener una solucin es preparar una tabla (vase Tabla 5-2)
que muestre los beneficios que se obtendran de cada combinacin de accin y
estado de la naturaleza; a esta tabla la hemos llamado tabla de pagos o de
beneficios condicionales. Los beneficios dependen de la eleccin de una accin
especfica y de la ocurrencia de un estado; la representacin simblica de un
pago es R(q, dj). As, R(q2, d3) representara el beneficio de la decisin d3 si el
estado es q2. En este caso, R(q2, d3) = -1.
Hay que decidir si se piden cero, una o dos unidades. No es obvio cuntas hay
que pedir. La solucin de este problema relativamente sencillo es complejo; es
ms, ni siquiera est claro cul "debera" ser la respuesta. Presentaremos ahora
para ello, distintos criterios de decisin posibles.
Criterios de decisin
A continuacin se presentan algunos criterios de decisin posibles:
143
144
suponer que existe una probabilidad de ocurrencia igual para cada uno de los
sucesos.
Cuando se considere que es adecuado usar probabilidades y no haya una razn
para suponer que las probabilidades de los estados sean iguales, entonces deber
usarse la mejor estimacin de las probabilidades, en lugar de la hiptesis de
"igualmente probables".
Maximax
El criterio maximax propone que el decisor debe buscar los mayores beneficios
posibles para cada accin y escoger la accin que tenga mayores beneficios. Esta
estrategia slo contempla el mayor beneficio posible e ignora las probabilidades y
consecuencias de los otros sucesos que pueden ocurrir. En el ejemplo (Tabla 5-2),
el criterio maximax elegira la accin "comprar 2", ya que ofrece beneficios
posibles de cuatro dlares; sin embargo, ignora la posibilidad de que pueda
generar prdidas por seis dlares.
El criterio maximax no es una regla de decisin prudente. Hay algunas circunstancias en las que se desea tomar riesgos prudentes, pero debe hacerse tomando
en cuenta las probabilidades y las consecuencias de lo que puede suceder. El
mtodo de la utilidad esperada, que se aborda en el siguiente captulo, s incluye
estos factores al tomar una decisin.
Minimax
El criterio minimax sugiere que se seleccione la accin con menor prdida
mxima posible o, de otro modo, la que presente los mayores beneficios mnimos
posibles. En otras palabras, hay que asegurar que se ganen por lo menos R dlares
y buscar la accin que brinde la R mayor (la menor prdida, si se analizan las
prdidas).
La accin minimax del ejemplo sera pedir cero unidades. La prdida mxima
que puede ocurrir con cero unidades es cero dlares; las prdidas mximas de las
otras dos acciones son tres y seis dlares.
El criterio minimax tiende a llevar a la decisin de no hacer nada, a menos que
no haya probabilidad de prdida. Es un criterio muy conservador. La persona
que use el criterio minimax se vera, a final de cuentas, ante la amenaza de morirse
de hambre (al no hacer nada) y estara obligado a actuar. En trminos de las
actividades empresariales, la corporacin se estancara y sera superada por la
competencia dispuesta a innovar y a tomar riesgos razonables de sufrir prdidas.
En otras situaciones se puede llegar a una decisin totalmente irracional al usar
el criterio minimax. Por ejemplo, suponga que la tabla 5-2 muestra los costos
condicionales de dos acciones. La mejor accin es "comprar el seguro", de
acuerdo con el criterio minimax, ya que el costo mximo es 100 dlares (el costo
mximo de la accin "no comprar" (el seguro) es 101 dlares). Sin embargo, si
los dos estados tuvieran la misma probabilidad, o si el estado q2 es ms probable
Captulo 5
Tabla 5-3
Teora de la decisin
145
Comprar seguro
No comprar
q1
q2
$100
100
$101
1
Probabilidad mxima
Si se usa el procedimiento del criterio de decisin de probabilidad mxima, se
considera nicamente la consecuencia del estado con mayor probabilidad de
ocurrencia y se elige la mejor accin para el estado. En el ejemplo, este estado es
"la demanda es uno", lo que lleva a la decisin de pedir slo una unidad. Es una
decisin razonable en este contexto, pero no siempre ser as. Por ejemplo,
suponga que la probabilidad de que la demanda sea uno es de 0.51 y 0.49 de que
la demanda sea dos. Ahora ya no es tan evidente que la mejor decisin sea pedir
uno. Para que sea ms evidente que la decisin de probabilidad mxima puede
tener defectos, reduzca la prdida de una unidad sobrante (aumente el valor de
desecho) de manera que no existan consecuencias desfavorables si sobran unidades. Es mejor pedir dos unidades si la probabilidad de vender la segunda unidad
es 0.49.
El criterio de probabilidad mxima ignora las consecuencias de todos los
estados, excepto del que tiene mayor probabilidad; por lo tanto, no aprovecha gran
parte de la informacin disponible para la decisin. Si no se usa esta informacin,
es posible que la decisin que se tome no sea razonable.
146
Tabla 5-4
147
Dominacin
Existen varios mtodos en los cuales se toma una decisin con base en la
dominacin. El caso ms sencillo se llama dominacin de resultados, en el cual
el peor resultado en cuanto al beneficio de una accin es por lo menos tan bueno
como el mejor resultado de una segunda accin. Por ejemplo, considere las
acciones d1 y d2 de la tabla 5-5.
El resultado con peor beneficio para la accin d1 es 0 (cuando ocurre q3); el
mejor beneficio para la accin d2 es tambin 0 (cuando ocurre q2). Por lo tanto,
la accin d1 domina a la accin d2. Uno est seguro de con d1 los resultados sern
iguales o mejores, sin importar lo que suceda.
Otra forma de dominacin se denomina dominacin de sucesos; ocurre si una
accin tiene beneficios mejores o iguales que las de otra accin para cada suceso.
Considere las accin dx y d3 de la tabla 5-5. Para cada suceso (es decir, cada
estado), los beneficios condicionales de d1 son mayores que las de la accin rf3.
Entonces, d1 domina a d3 por dominacin de sucesos. No importa qu suceso
ocurra, d1 es mejor que d3. Observe que d1 tambin domina a d2 por dominacin de
sucesos.
Una tercera forma de dominacin se denomina dominacin probabilstica o
de probabilidad.1 Para demostrarlo, es necesario reorganizar la informacin de
la tabla 5-5 como se muestra en la tabla 5-6. Aqu, los sucesos se definen en
funcin de los beneficios condicionales y se ordenan de menor (-1) a mayor (2).
Las probabilidades de cada uno de los beneficios se presentan en las columnas
P(X). Las columnas P(X o ms) muestran la probabilidad de obtener beneficios de
X dlares o ms. Considere la accin d1: Hay seguridad (la probabilidad es 1.0)
de obtener beneficios de -1 o ms y tambin de cero o ms. La probabilidad de
obtener 1 o ms es de 0.5 y de 0.3 de obtener 2 o ms. Las probabilidades como
P(X o ms) se llaman probabilidades acumuladas y se analizan con mayor detalle
en el captulo 7.
Una accin domina probabilsticamente a otra si la P(X o ms) de la primera es mayor o igual que la P(X o ms) de la segunda para todos los valores de
1
Tambin conocido como dominacin estocstica. Aqu slo se considera la dominacin estocstica de primer
orden. Existen formas ms complejas (de segundo y tercer orden) que dependen de las caractersticas de la funcin
de utilidad de la persona que toma la decisin. Vase Derek W. Bunn, Applied Decision Analysis, Nueva York,
McGraw-Hill, 1984, Cap. 4.
148
Tabla 5-6
X. Compare las acciones d1 y d4 de la tabla 5-6. Observe que para cada valor de X,
la P(X o ms) de la accin d4 siempre es mayor o igual que la de la accin d1. Por
lo tanto, d4 domina a d1 por dominacin de probabilidades.
Considere una cantidad fija de dinero. Obviamente, usted preferir la alternativa que tenga mayor probabilidad de obtener esa cantidad o ms. Si, para una
cantidad cualquiera, hay una alternativa que tenga igual o mejor probabilidad de
obtener dicha cantidad o ms, entonces esa alternativa domina en probabilidad.
De las tres formas de dominacin, la de resultados es la ms fuerte, sigue la de
sucesos y la de probabilidad es la ms dbil. Si la accin Adomina por dominacin
de resultados, tambin dominar por sucesos y por probabilidad; sin embargo, no
sucede lo mismo a la inversa. Por ejemplo, la accin d4 domina a d1 estocsticamente pero, como ya se mostr, no domina ni por sucesos ni por resultados.2
Es muy sensato usar el criterio de dominacin para elegir entre alternativas de
decisin. La dificultad estriba en que posiblemente no exista una alternativa que
domine a las dems. De hecho, es lo ms usual. Considere el ejemplo original de
la tabla 5-2; ninguna de las acciones domina a las otras en ninguna de las formas
de dominacin propuestas. Por lo tanto, el criterio de dominacin no seleccionara
la accin que debe tomarse. sta es la mayor limitacin de la dominacin; sin
embargo, puede servir para eliminar algunas alternativas y reducir en consecuencia el proceso de decisin.
El criterio de dominacin est relacionado con el valor esperado en cuanto a
que si una primera accin domina a una segunda, esto implica que el valor
esperado de la primera accin es mayor que el valor esperado de la segunda. Sin
embargo, lo contario no sucede.
Dominacin en rboles de decisin
Tambin es posible revisar si existe dominacin cuando el problema de decisin
se estructura como un rbol de decisin. Primero debemos introducir el concepto
2
Hay casos especiales para los tres tipos de dominacin en los que se relacionan las dos acciones. En el caso del
dominio de resultados, es posible que los beneficios de las dos acciones sean iguales. En lo que se refiere
al dominio de sucesos, los beneficios de cada suceso son los mismos. Para la dominacin de probabilidad, las
probabilidades P(X o ms) son iguales para toda X. En estos casos no hay dominacin y se considera que
las acciones son equivalentes.
Figura 5-1
149
150
Figura 5-2
que en los dos enunciados de las estrategias se describen todas las decisiones que
deben tomarse en todas las circunstancias. Si el producto se abandona, entonces
ya no hay ms decisiones, pero de introducirse hay que especificar una decisin
"Siga" o "Pare", dependiendo de la aceptacin rpida o lenta. Al determinar si el
enunciado de la estrategia est completo, pregntese si contendra instrucciones
suficientes para que un asistente pueda tomar la decisin si usted no est presente.
Si no es as, el enunciado no especifica una estrategia completa.
Hay otras tres estrategias posibles, adems de la estrategia de abandono y de
la Siga/Siga:
Una estrategia determina todas las decisiones, por lo que slo quedan sucesos. Podemos elaborar de nuevo el diagrama de rbol para cada estrategia; en la
figura 5-2 se muestra el rbol para la estrategia Siga/Siga. Las probabilidades de
Tabla 5-7
151
P(X)
.04
.36
0
.30
.30
P(X o ms)
1.00
.96
.60
.60
.30
Estrategia Siga/Pare
Estrategia Pare/Siga
P(X)
P(X o ms)
P(X)
P(X o ms)
0
.12
.40
.18
.30
1.00
1.00
.88
.48
.30
.04
.24
.60
.12
0
1.00
.96
.72
.12
0
152
Figura 5-3
RESUMEN
Funciones lineales
En el captulo 3 se present el concepto de variable aleatoria. Recuerde que si la
variable aleatoria X se multiplica por la constante c, el valor esperado del producto
cX puede expresarse como la constante multiplicada por el valor esperado de X
(vase Ecuacin 3-7). Es decir:
E(cX) = cE(X)
(5-1)
P=a+bX
153
Observe que lo anterior simplifica los clculos. En vez de tener que calcular
los beneficios condicionales para cada estado de la naturaleza (o sea, para cada
valor de X) y despus calcular los beneficios esperados, se puede introducir
el valor esperado de X (es decir, el estado promedio) en la ecuacin del beneficio.
Como ejemplo, suponga que los costos mensuales de un departamento son
10 000 dlares, ms cinco dlares por cada unidad que se produzca. Es decir:
C = 10 000 + 5X
donde X es la variable aleatoria, nmero de unidades producidas. Suponga que el
valor esperado E(X) es 1500 unidades. Luego, el costo esperado E(C) es:
E(C) = 10 000 + 5E(X)
= 10 000 + 5(1500) = 17 500
si X y Y son independientes
(5-3)
154
Tabla 5-8
Valores de Q
Probabilidad
9
10
11
0.4
0.5
0.1
155
Tabla 5-9
Valores de B
$1.50
1.60
1.70
Probabilidad
0.20
0.70
0.10
Cuando los beneficios se pueden expresar como una funcin lineal de las variables
desconocidas, es posible simplificar el clculo del valor esperado con las ecuaciones 5-2 y 5-3, sin que se pierda informacin (si se acepta el criterio de decisin
del valor esperado).
Conclusin
La teora de la decisin se refiere a la eleccin de la mejor opcin de un conjunto de
acciones posibles, supuesto que hay incertidumbre acerca del estado de la naturaleza que existe. Al usar la regla de decisin del valor esperado, la eleccin se
puede lograr de manera consistente con las creencias de la persona que decide,
incluso si no hay probabilidades objetivas que puedan aplicarse a los estados de
la naturaleza.
El aporte principal de este procedimiento es que centra la atencin en todos los
sucesos posibles y requiere el clculo de las consecuencias de cada accin y cada
estado de la naturaleza posible. Incluso si el anlisis se detiene en la tabla
de valores condicionales o en el rbol de decisin, sera una contribucin a la
toma de decisiones. Sin embargo, es posible llegar ms lejos si se usa la regla de
decisin del valor esperado. No se justifica que el decisor se detenga despus
de realizar un solo clculo con el suceso ms probable, en vista de las tcnicas disponibles para incorporar la incertidumbre al anlisis.
La utilizacin de la regla de decisin del valor esperado implica relaciones
medibles de la utilidad. Los datos de entrada que existen para las decisiones del
156
Bibliografa
Bell, D., H. Raiffa y A. Tversky, editores, Decision
Making: Deschptive, Nonnative and Prescriptive Interaction, Cambridge, Cambridge University Press, 1988.
Bunn, D. W., Applied Decision Analysis, Nueva
York, McGraw-Hill, 1984.
Chernoff, H. y L. E. Moses, Elementary Decision
Theory, Nueva York, John Wiley & Sons, 1959.
Samson, D., Managerial Decision Analysis, Homewood, 111., Richard D. Irwin, 1988.
Weiss, L., Statistical Decision Theory, Nueva
York, McGraw-Hill, 1961.
Winkler, R. L., Introduction to Bayesian Inference
and Decision, Nueva York, Holt, Rinehart &
Winston, 1972.
Accin
Probabilidad
0.2
0.2
0.4
0.2
d1
0
0
0
0
d2
0
5
2
-3
d3
-4
-4
3
6
d4
5
0
3
6
d5
-1
2
5
3
d6
5
5
0
5
157
Valores de B
$5
6
7
5-4.
Probabilidad
0.10
0.50
0.40
a. Calcule el beneficio esperado para el prximo periodo, suponiendo que se vendern mil unidades.
b. Calcule el beneficio esperado para el
prximo periodo, suponiendo que hay
0.5 de probabilidad de vender mil unidades y 0.5 de probabilidad de no vender nada (suponga que B y Q son
independientes).
Un director de ventas presenta las probabilidades de niveles de demanda de la columna
de al lado para un producto nuevo.
Suponga que el costo de introduccin del
producto es 500 dlares y que el beneficio
por cada unidad que venda es cinco dlares.
Cul es el beneficio esperado del nuevo producto?
Probabilidad
Demanda
(unidades)
0.10
0.30
0.30
0.15
0.10
0.05
50
100
150
200
250
300
5-5. Remtase a la figura 4-4 del Captulo 4. Suponga que no se presenta ningn producto
competitivo; con base en esta hiptesis:
a. Haga una lista de todas las estrategias del
rbol de decisin de la figura 4-4.
b. Calcule la lotera de beneficios o perfil de
riesgo de cada una de las estrategias que
identific en (a).
c. Determine cul de las estrategias domina
a las dems.
d. Elabore un grfico de las distribuciones
acumuladas de los beneficios de todas las
estrategias.
Problemas
5-6. Considere una decisin empresarial con la
que est familiarizado. Defina las acciones y
los estados y haga estimaciones aproximadas
de los beneficios condicionales. Qu criterio
usara para tomar la decisin? Considere las
ventajas relativas de la hiptesis de sucesos
igualmente probables, minimax, probabilidad
mxima, dominacin y regla de decisin del
valor esperado.
5-7. En el texto se ha mencionado que las decisiones no siempre pueden basarse en clculos
que slo impliquen expresiones monetarias
de las consecuencias. Describa algunas situaciones empresariales donde son ms importantes los factores no monetarios.
5-8. Al tomar decisiones en condiciones de incertidumbre, podra un experto desarrollar un
158
Rendimiento
($000)
-50
0
50
100
150
Probabilidades de rendimiento
de inversiones
Inversin Inversin B
A
0.4
0.0
0.4
0.2
0.0
versin C
0.2
0.0
0.2
0.1
0.2
0.4
0.2
0.1
0.6
0.0
0.01 defectuoso
0.02 defectuoso
0.03 defectuoso
0.04 defectuoso
0.05 defectuoso
0.10 defectuoso
0.15 defectuoso
Probabilidad
del suceso
0.10
0.15
0.20
0.30
0.20
0.03
0.02
1.00
5-14.
te. Usted debe elaborar planes con vistas a estos estados posibles. Sus alternativas son: (a)
Continuar con la fabricacin de aviones, con
lo que obtendra beneficios por 10 millones
de dlares, sin importar la decisin acerca de
Marte, (b) Disear el sistema de carga para el
viaje a Marte (si no se aprueba el programa,
perder 30 millones de dlares; si lo aprueban, sus beneficios sern de 40 millones de
dlares, participen o no los rusos), (c) Disear el sistema de propulsin. Si el programa
fracasa, usted perder 100 millones de dlares. En cambio, de aprobarse el programa y
viajar con los rusos, lo ms probable es que
se use el sistema de propulsin ruso y sus beneficios sern de 20 millones de dlares. Si
los rusos no van, sus beneficios sern 80 millones de dlares. Base su decisin en los beneficios monetarios.
a. Cul es la mejor accin con la hiptesis
de estados igualmente probables
b. Cul es la accin minimax?
c. Cul es la accin de probabilidad
mxima?
d. Hay acciones dominadas?
e. Cul es la accin que maximiza el valor
esperado?
f. Qu decisin prefiere usted? Una
compaa piensa efectuar una campaa
publicitaria para aumentar las ventas de
Gadgeto, el producto principal de la compaa. Para el prximo ao se ha propuesto un
presupuesto de 300 000 dlares para
publicidad.
El gerente de ventas y el presidente de la
compaa estn de acuerdo en la distribucin
Aumento en
ventas
(unidades)
150 000
200 000
250 000
300 000
350 000
400 000
450 000
Probabilidad
0.05
0.25
0.30
0.20
0.10
0.05
0.05
1.00
5-15.
159
5-16.
5-17.
5-18.
5-19.
5-20.
160
Problemas ms difciles
5-21.
A continuacin se presenta una carta escrita
al editor de The New York Times3 el 28 de febrero de 1971.
Yalta: Falta de comunicacin con
respecto a la bomba
Seor editor:
En al artculo "The Truth About Yalta"
(La verdad acerca de Yalta), del 14 de febrero, C. L. Sulzberger analiza la declaracin que realiz el embajador Charles
Bphlen de los problemas principales a los
que se enfrentaron el presidente Roosevelt
y la delegacin estadounidense durante la
Conferencia de Yalta, en febrero de 1945.
El tercer prrafo de la declaracin incluye
lo siguiente:
"Aunque Roosevelt y algunos de sus
consejeros saban del Proyecto Manhattan,
nadie saba con certeza si la bomba
atmica realmente explotara ni cul sera
su efectividad como arma".
El problema se vea distinto desde el
punto de vista del laboratorio cientfico
Los Alamos, responsables del desarrollo
de la bomba. En febrero de 1945, a m y a
otros cientficos con conocimiento del tema
nos pareca que la probabilidad de que la
bomba atmica explotara era del 90%; que
en realidad sera un arma efectiva y que
habra material suficiente para construir
varias bombas en los meses siguientes.
Incluso si hubiera fracasado la primera
bomba, el proyecto triunfara en poco
tiempo. En la guerra, menos aun en la poltica, son pocas las cosas que tienen una
probabilidad tan buena como un 90%.
La razn por la cual esta certidumbre de
los cientficos no se transmiti a los decisores fue una deficiencia en la comunicacin: el exceso de sigilo y la falta de lazos
directos entre los cientficos y los funcionarios superiores del gobierno. Debido a
3 1972 The New York Times. Reimpreso con autorizacin.
esta deficiencia en la comunicacin directa, en Yalta, Estados Unidos propuso a Rusia que participara en el ataque a Japn,
con graves consecuencias para el futuro de
la situacin poltica en el Lejano Oriente.
Suponga que hubiera existido buena comunicacin; debera haber actuado el
gobierno de Estados Unidos con base en la
probabilidad del 90% de xito en el desarrollo? En mi opinin, por supuesto que s.
Una vez ms, en 1958 tuvimos la oportunidad de establecer una prohibicin de
las pruebas de armas nucleares, en una etapa cuando Estados Unidos llevaba ventaja
a la Unin Sovitica en lo referente al diseo de armamento. Sin embargo, nos
preocup la posibilidad de pruebas subterrneas clandestinas soviticas de armas
nucleares pequeas, por lo cual insistimos
en condiciones rigurosas de seguridad. La
Unin Sovitica no las acept y no se lleg
a ningn acuerdo hasta 1961.
En 1961, los rusos llevaron a cabo una
serie de pruebas de armas nucleares en las
cuales lograron igualar, en los aspectos
ms importantes, el rendimiento de las armas termonucleares estadounidenses. Una
vez ms, por insistir en la certidumbre, Estados Unidos volvi a perder una ventaja
clara.
El propsito de esta carta no es indicar
que nuestra poltica externa se deba centrar
en las ventajas sobre la Unin Sovitica. Lo
nico que deseo es plantear que al buscar
esta ventaja como parte de la poltica,
debemos actuar con base en probabilidades
tcnicas altas, en vez de requerir la certeza,
y tambin que sea fcil la comunicacin
entre las personas que conocen el asunto y
los decisores.
Hans Bethe
Ithaca, Nueva York, 16 de febrero de 1971
El autor, Premio Nobel de fsica en 1967,
fue jefe de las divisiones tericas del labora-
161
5-22. Muchas veces se ha discutido que el gobierno de Estados Unidos debe alentar el uso de
otras fuentes de energa (por medio de subsidios, garantas y prstamos directos), aun
cuando las alternativas energticas pueden
ser ms costosas que el petrleo. Trate de
evaluar este problema utilizando un mtodo
de la teora de la decisin; es decir, defina las
alternativas, sucesos, beneficios y probabilidades y recomiende una alternativa.
CAPTULO
Suponga que usted tiene una opcin en cada uno de los siguientes pares de
alternativas. Puede seleccionar una de las opciones/l, una de las opciones B o una
de las opciones C. Escriba una nota con respecto al conjunto de alternativas que
escoja.
A 1 = La seguridad de o A2 - Nada, si cae cara al lanzar una moneda, o un
un regalo de mil
ob sequ io de 2 50 00 0 d lares libres d e
dlares.
impuestos si cae cruz.
B1 = No pierde ni
o B2 = Una posibilidad sobre 100 de incurrir en una
gana nada.
deuda de 9000 dlares y el 99% de posibilidad
de ganar 100 dlares.
C1 = Un regalo de
o C2 = Un pago de 2N centavos, donde N es el nmero
10 000 dlares,
de veces que se lanza una moneda legtima
libres de
antes de que caiga cruz. Si cae cruz en el
impuestos
primer lanzamiento, usted recibe dos centavos;
si aparece cara en el primer lanzamiento y cruz
en el segundo, usted recibe cuatro centavos;
dos caras consecutivas le generan
ocho centavos, etctera. Sin embargo, slo
puede participar una vez y la secuencia se
detiene la primera vez que caiga cruz.
162
163
El hecho de que ninguna persona prudente preferira este juego frente a una
cantidad cierta de dinero modesta, forma la base de la famosa paradoja de San
Petersburgo. Esta paradoja condujo a Daniel Bernoulli a sus primeras investigaciones de la utilidad como base para la toma de decisiones en vez del valor
monetario esperado.
Utilidad
Puesto que la mayora de las personas elegira A1 B1 y Cl en vez de las alternativas
con mayor expectativa monetaria, parece razonable concluir que las personas no
siempre toman decisiones para maximizar el valor monetario esperado. Entonces,
cul es el criterio alternativo para la toma de decisiones? Von Neumann y
Morgenstern elaboraron un marco consistente con las decisiones del tipo de A1
B1 y C1.1 Ellos plantearon que las decisiones se tomaban para maximizar la
utilidad esperada en vez del valor monetario esperado. Si usted selecciona A1 en
lugar de A2, entonces llegaramos a la conclusin de que la alternativa A1 tiene
J. von Neumann y O. Morgenstern, Theory ofGames and Economic Behavior, Princeton, Princeton Uni versity
Press, 1944.
164
para usted ms utilidad que la alternativa A2. Si usted fuera indiferente ante las
dos alternativas, digamos B1 y B2, la conclusin sera que cada una le ofrece la
misma utilidad esperada. La indiferencia puede definirse como su aceptacin de
cualquier resultado al azar o como el permiso para que alguna persona extraa
decida por usted. Es posible generalizar la funcin de utilidad de un bien (por lo
general el dinero) para un persona, de manera que sea consistente con la lgica y
la observacin de decisiones repetitivas. De ello se desprende que es razonable
suponer que las personas toman decisiones para maximizar la utilidad esperada,
ms que el valor esperado. Pero el uso de la utilidad esperada no es una eleccin
gratuita, en tanto que el valor monetario esperado es un concepto sin ambigedades y relativamente fcil de calcular. Sera conveniente que se pudieran relacionar
los distintos resultados monetarios con ndices de las preferencias del decisor. As
se podra transformar un conjunto complejo de alternativas en medidas de la
utilidad a fin de tomar una decisin. Nuestro propsito en este captulo es
relacionar el dinero y un ndice de utilidad, y obtener generalizaciones acerca de
esta relacin en situaciones de riesgo.
Medida de la utilidad
Es posible medir la utilidad del dinero? Para tratar de responder esta pregunta,
se considerarn tres escalas de medicin distintas:
1. Escala nominal o de clasificacin.
2. Escala ordinal o de categoras.
3. Escala cardinal o de intervalos.
Una escala nominal asigna una descripcin a un conjunto de elementos. Estos
elementos pueden ser una unidad fsica o una condicin, mientras que la descripcin puede ser un nmero (como en un sistema de numeracin de jugadores de
ftbol), o una palabra, (como cuando un nio dice que tiene hambre o que no
tiene hambre). En ocasiones una escala nominal puede ser til para el anlisis de
decisiones. Por ejemplo, un conjunto de resultados puede dividirse en subconjuntos o clasificaciones de "satisfactorio" y "no satisfactorio". Las inversiones se
pueden clasificar en dos clases, "aceptables" e "inaceptables", en una escala
nominal. Una forma de calificar podra asignar dos calificaciones, "aprobado" o
"suspendido". Es fcil concebir medidas nominales de la utilidad. Por ejemplo,
las acciones se podran clasificar como "las que tienen utilidad negativa" (desutilidad) o "positiva". Sin embargo, una escala nominal que no contiene orden o
clasificacin puede resultar intil en el anlisis de decisiones.
Una medida ordinal aade el concepto de orden relativo o clasificacin. Unos
objetos son "ms" o "menos" que otros objetos. Una persona puede afirmar que
un sonido es ms fuerte que otro. Varias fuentes luminosas pueden clasificarse
por su intensidad, sin requerir una medicin numrica de la cantidad de luz. Sin
un cronmetro se puede determinar quin es el ganador de una carrera. Tambin
se podra intentar clasificar todas las inversiones de acuerdo con su deseabilidad
relativa (aunque puede ser ms fcil describir que lograr este proceso).
165
Hiptesis psicolgicas
El uso de la utilidad en la toma de decisiones implica exigir ciertas hiptesis acerca
de cmo reacciona un individuo ante los resultados. Como lo que pretendemos es
medir las actitudes con respecto a situaciones inciertas, es importante que el
modelo utilizado para tomar la decisin sea consistente con las caractersticas
psicolgicas de las personas.
Se harn las siguientes siete hiptesis:
1. Ante dos alternativas, podemos decidir si somos indiferentes a ellas o cul
preferimos. Esto parece un requisito trivial, pero es necesario. De hecho, puede
ser difcil determinar una reaccin especfica inequvoca ante pares de alternativas. Por ejemplo preferira usted 200 dlares seguros o una lotera con la
misma probabilidad de no ganar nada o ganar mil dlares? Cambie el resultado
cierto hasta que su preferencia sea diferente. Es muy difcil encontrar el punto
166
Considere las dos loteras que se muestran en la tabla 6-1. Debe preferirse la lotera
A a la B.
5. Si se prefiere A en vez de B y B en vez de C, entonces existe una lotera de
resultados A y C que el indiferente al resultado cierto B.
Ejemplo
Sea:
A = $1000
B = $400
C = $0
Construiremos una lotera que comprenda a A con probabilidad p, y a C con
probabilidad (1 - p). El valor monetario esperado de la lotera ser:
A(p) + C(1 - p) = 1000p + 0(1 - p)
2
167
Tabla 6-1
Probabilidades de los
resultados de la lotera
Resultados posibles
$1 000 0
0.80
0.20
0.50
0.50
Sea:
A = $1000
B = $400
C = $0
A(p) + C(l - p) es preferida a B(p) + C(l - p). Si p es igual a 0.6, entonces
$1000 0.6 + $200 0.4 es preferida a $400 0.6 + $200 0.4.
La hiptesis 6 tambin puede expresarse como sigue: Si una lotera de A y C
es preferida a una lotera de B y C, donde C tiene la misma probabilidad (menor
que uno) en ambas loteras, entonces A es preferida a B.
7. Se define la utilidad de una lotera como la expectativa de la utilidad de sus
componentes.
La hiptesis de que la utilidad de una lotera es la suma de las expectativas
de la utilidad de sus componentes es conveniente para la manipulacin matemtica.3 Supongamos que una lotera, Lu tiene los resultados que se muestran
en la tabla 6-2, en la que se asigna una medida de la utilidad y una probabilidad de ocurrencia a cada resultado. La utilidad de la lotera se define como:
U(L1) =plU(A1) +p2U(A2) + ... +pnU(An)
Para una demostracin, vase R. Dorfman, P. A. Samuelson y R. M. Solow, Linear Programming andEconomic
Analysis, Nueva York, McGraw-Hill, 1958, pgs. 465-469.
168
Tabla 6-2
El sentido en que Von Neumann y Morgenstern emplean el trmino utilidad es ligeramente distinto al de su
aplicacin tradicional en la economa. En el sentido de Von Neumann, la utilidad se relaciona con elecciones en
las que hay incertidumbre; en la versin econmica, ms antigua, la utilidad representaba la satisfaccin intrnseca
que se obtena con un bien. En el anlisis posterior se har ms clara esta diferencia. En algunos libros recientes
se ha empleado el trmino preferencia en vez de utilidad, para evitar esta confusin.
169
Tabla 6-3
170
Figura 6-1
Figura 6-2
171
Funciones de utilidad
172
Tabla 6-4
173
0
0.25
0.50
0.75
1.0
y que:
U(-$2500) + U($47 000) = (0.25) + (0.75) = 0.5
Por lo tanto, como revisin final de sus asignaciones, le debe ser indiferente
tener 15 000 dlares seguros o una alternativa que implica una probabilidad del
50% de -2500 dlares y del 50 % de obtener 47 000 dlares. Si lo anterior no es
verdadero, sus evaluaciones no son consistentes y deben modificarse.
Otro procedimiento para construir la funcin de utilidad es escoger un valor
monetario cierto y determinar a continuacin las probabilidades que haran que
una apuesta con los valores mnimo y mximo fuera equivalente a la cantidad
cierta. Por ejemplo, si se eligiera la cantidad segura L, se formulara la ecuacin:
pU($100 000) + (1 - p)U(-$10 000) = U(L)
y se encontrara la probabilidad p que hace que el decisor sea indiferente entre los
dos lados de la ecuacin. Como ejemplo, si L fuera 25 000 dlares, el decisor
tendra que asignar una probabilidad p tal que le fuera indiferente tener 25 000
dlares seguros, o una probabilidad p de 100 000 dlares y una probabilidad
(1 - p) de -10 000 dlares. En este caso p podra ser 0.60; entonces:
U(L) = U($25 000) = 0.6U($100 000) + 0.4U(-$10 000)
= 0.6(1) + 0.4(0) = 0.6
(porque se estableci U($ 100 000) = 1.0 y U(-$ 10 000) = 0, U(L) =p). Para obtener
otros valores de la curva de utilidad se seleccionaran otros valores de L y se
determinara la probabilidad p. De esta manera se podra obtener una curva
semejante a la de la figura 6-3.
174
Figura 6-3
Ejemplo
Suponga que una persona debe escoger una de dos alternativas. La alternativa A
comprende un contrato en el que la compaa obtendra con seguridad beneficios
de 20 000 dlares. La alternativa B, por otra parte, es la introduccin de un
producto nuevo y se desconocen las ventas que lograra el producto y, por
consiguiente, los beneficios. La gerencia asign las probabilidades que se muestran en la tabla 6-5 a las diversas posibilidades de obtencin de beneficios.
El valor monetario esperado de la alternativa B es 25 000 dlares. Con base
en ello, se preferira B en lugar de A; sin embargo, si la persona fuera adversa
al riesgo, podra cambiar la preferencia. Observe que en la alternativa B hay
un 30% de probabilidad de no obtener beneficios y un 10% de perder dinero.
Si el decisor tuviera la funcin de utilidad que se muestra en la figura 6-3,
se evaluara esta alternativa con base en los valores de utilidad, en vez de
los valores monetarios. Los valores de utilidad relacionados con cada uno de los
beneficios se podran obtener por interpolacin en la figura 6-3; estos valores se presentan en la tabla 6-5. Despus se usaran las probabilidades de la
misma tabla para calcular la utilidad esperada (multiplicando las probabilidades
por las cantidades de utilidad, y sumando). La utilidad esperada calculada es
0.524. Observe que la utilidad de los 20 000 dlares es de 0.55 en la tabla 6-5.
Por lo tanto, la utilidad esperada de la alternativa B es menor que la utilidad del
contrato que representa 20 000 dlares seguros y debe aceptarse el contrato
seguro.
Tabla 6-5
175
0.1
0.3
0.2
0.2
0.1
0.1
Valores esperados:
Beneficios
(miles de Utilidad
dlares)
-$10
0
20
40
60
80
$25
0
0.30
0.55
0.71
0.82
0.90
0.524
Equivalentes ciertos
En este captulo se ha presentado varias veces el concepto de equivalente cierto;
veamos ahora con mayor detalle su significado. Considere una situacin de
decisin incierta, que puede representarse por una lotera, L, con resultados
monetarios A1 y A2 y probabilidades p y (1 - p) correspondientes. El equivalente
cierto es la cantidad monetaria cierta o segura A* que es equivalente (para el
decisor) a la lotera L.
El equivalente cierto puede interpretarse como lo mximo que pagara el
decisor por un seguro que lo librara de un riesgo indeseable (por ejemplo, la prima
mxima que pagara para proteger su casa contra un incendio). Tambin se podra
considerar el equivalente cierto como la cantidad cierta mnima que uno estara dispuesto a aceptar para vender un conjunto de resultados inciertos, pero
deseables.
Una vez que se obtiene la funcin de utilidad del decisor y las probabilidades
de una situacin de decisin determinada, es fcil obtener el equivalente cierto
con los mtodos descritos previamente. En el ejemplo anterior, la alternativa de
introducir un producto nuevo tiene utilidad esperada de 0.524. Si 17 500 dlares
tambin tuvieran utilidad esperada de 0.524, se podra decir que la cifra de 17 500
dlares es el equivalente cierto de la alternativa que implica la introduccin del
nuevo producto. Cuando uno se enfrenta a una situacin de decisin incierta, es
provechoso determinar directamente el equivalente cierto preguntando al decisor.
Si su respuesta no concuerda con el valor que se calcul con la funcin de utilidad
y las probabilidades, entonces se presenta una inconsistencia, la cual puede
deberse a la curva de utilidad o a las probabilidades asignadas a los resultados.
Por ello, el equivalente cierto sirve como prueba de la validez del anlisis.
El equivalente cierto tiene otra aplicacin en el anlisis de situaciones de
decisin complejas. Hasta ahora nuestro procedimiento ha requerido obtener las
probabilidades de los diversos resultados y una funcin de utilidad, como entradas
separadas para el proceso de toma de decisiones. Puesto que ambas representan
opiniones subjetivas del decisor, en ocasiones es conveniente recortar el anlisis
y obtener directamente un equivalente cierto.
176
Figura 6-4
Funcin de utilidad
Ejemplo
Una empresa concursa para obtener un contrato para proveer mil unidades de un
componente electrnico y tiene que decidir cul ser su precio de oferta. Un factor
incierto en el proceso de decisin es la posibilidad de que sus trabajadores inicien
una huelga. Si ocurre la huelga, habr demoras y multas por incumplimiento de
las fechas establecidas en el contrato. Para que el anlisis de la decisin sea ms
sencillo, podemos preguntar al fabricante cunto estara dispuesto a pagar por un
seguro contra las prdidas que pudieran ocurrir debido a la huelga. La respuesta
podra ser, por ejemplo, 3000 dlares. Esta cantidad es un equivalente cierto de
la situacin incierta relacionada con la huelga (los resultados monetarios con la
huelga y sin ella y las probabilidades asociadas). Es probable que el decisor no
pueda comprar un seguro de este tipo, pero el equivalente cierto proporciona una
cifra que puede usarse en el anlisis para determinar la cotizacin apropiada que
debe presentar el fabricante.
Primas de riesgo
Suponga que un individuo tiene una funcin de utilidad U(I) como la que se
muestra en la figura 6-4. Considere primero una apuesta que otorga una probabilidad de para la cantidad I1 y de para la cantidad I3. El valor monetario
esperado (VME) de esta apuesta es I2. El equivalente cierto de la apuesta es I*, la
cantidad cierta que tiene utilidad igual a la utilidad esperada de la apuesta [es
177
Considere un empresario cuya tabla de utilidad contiene los valores de la tabla 6-6
y suponga que existen dos decisiones: (a) Es deseable pagar una prima de
La conjetura original se debe a Friedman y Savage, "The Utility Analysis of Choices Involving Risk", Journal of
Political Economy, agosto de 1948, apoyada por las observaciones empricas de que muchas personas estaban
dispuestas a aceptar operaciones de riesgo (es decir, loteras) en las que puede darse un "muy buen" resultado
con baja probabilidad al mismo tiempo que se aseguraban contra prdidas cuantiosas. Con posterioridad a esta
idea, se ha obtenido apoyo experimental que confirma esta perspectiva.
178
Figura 6-5
Utilidad de la riqueza
100 dlares para asegurarse contra la posibilidad de una prdida de 10 000 dlares
por incendio si la posibilidad de un incendio en la propiedad del empresario es de
1 en 200? (b) Es deseable invertir 100 dlares en un proyecto de perforacin para
buscar petrleo, en el cual un gelogo indica que slo hay una posibilidad en 200
de encontrar petrleo (con la expectativa de 10 000 dlares de beneficio) y
199/200 de probabilidad de perder la inversin de 100 dlares? Analicemos estas
decisiones en funcin de las expectativas que se calculan a partir de las medidas
de la utilidad. En la tabla 6-7 se describe la decisin de asegurar o no asegurar.
En la tabla 6-7, la utilidad esperada de la accin 1 es menor que la utilidad
esperada de la accin 2; el empresario maximiza la utilidad si elige la accin 2
(asegurar).
Tabla 6-6
M
U(M)
-$10 000
-200
-100
0
10 000
-800
-2
-1
0
250
Tabla 6-7
179
RESUMEN
Cuando los aspectos de riesgo son importantes, puede ser ms apropiado maximizar la utilidad esperada y no el valor monetario esperado. Una funcin de
utilidad se puede determinar por medio de loteras y puntos de indiferencia o a
Tabla 6-8
180
Tabla 6-9
100
150
75
50
100
25
20
40
42
22
Suponga que hay cinco propuestas diferentes para mejorar la seguridad en las
carreteras, todas con el mismo costo anual. Los resultados anticipados se presentan en la tabla 6-9.
Un enfoque inicial sera tratar de reducir el problema con varios atributos a un
problema con un solo criterio, buscando una forma de que los atributos sean
directamente comparables. Por ejemplo, suponga que se estudia un gran nmero
de decisiones en el pasado que implicaban transferencia o intercambio entre las
muertes y el nmero de dlares invertidos para evitarlas y se descubre que, en
promedio, las decisiones anteriores indicaron que la sociedad estaba dispuesta a
gastar 250 000 dlares para evitar un accidente fatal. En la tabla 5-10 se muestran
los resultados monetarios de las cinco alternativas, con base en la estimacin de
250 000 dlares para la conversin de fallecimientos a dlares.
A partir de la tabla 6-10, se encuentra que la alternativa C presenta el mayor
valor monetario si se evala un fallecimiento en 250 000 dlares. Este ejemplo
ilustra cmo se pueden usar intercambios entre atributos distintos para convertir
un problema con varios atributos a un problema con uno solo.
Tabla 6-10
181
B
C
D
E
Valor de la
reduccin en
el nmero de
fallecimientos
(millones
de dlares)
Reduccin
anual
en daos a
propiedades
(millones
de dlares)
Reduccin
total
, (millones
de dlares)
100
25
25
50
150
75
50
100
37.5
18.75
12.5
25
20
40
42
22
57.5
58.75
54.5
47
ejemplo anterior. El siguiente paso sera buscar las alternativas dominadas. Una
alternativa dominada es aquella cuyos resultados son todos inferiores o iguales
a los resultados de otra alternativa. Si revisa la tabla 6-9, puede observar que la
alternativa E es dominada por la alternativa A, la cual tiene la misma reduccin
en el nmero de fallecimientos y un resultado ms favorable en lo que se refiere
a daos a propiedades. Entonces, se puede eliminar la alternativa E.
Si las alternativas de decisin no son mutuamente excluyentes y se pueden usar
dos o ms en cualquier proporcin, entonces es conveniente buscar una dominacin ponderada. En el ejemplo, esto se obtiene elaborando el grfico de las cuatro
alternativas restantes (vase Fig. 6-6). Se pueden unir los resultados de la
figura 6-6 que ofrezcan la mayor cantidad de un atributo con respecto a otro; as,
los resultados B, C y D se unen por medio de lneas. Estas lneas representan una
frontera eficiente. Con base en las cuatro alternativas y la oportunidad de aplicar
ms de una de ellas en combinacin, el punto ptimo debe estar sobre la frontera
eficiente.
Observe la posicin de la alternativa ,4 con respecto a la frontera eficiente; est
debajo de la lnea que une las alternativas C y B. Esto significa que una mixtura
o media ponderada de B y C superara a A, por lo cual A es dominada por las
alternativas B y C. Para verlo, considere una ponderacin de I/3 para B y % para
C; esto correspondera a invertir una tercera parte del presupuesto en la alternativa
B y dos terceras partes en C. El resultado medio ponderado sera:
Reduccin en fallecimientos
Reduccin en daos a propiedades
El punto (100, 33.33) est sobre la frontera eficiente y directamente encima de
la alternativa A, por lo cual la domina.
El concepto del dominio ponderado slo tiene sentido cuando las alternativas
no son mutuamente excluyentes y pueden usarse en proporciones diversas. En el
ejemplo, la alternativa B podra ser la publicidad para el uso del cinturn de
seguridad y la alternativa C podra comprender la construccin de vallas ms
resistentes en las curvas de las carreteras. Cada una de estas alternativas puede
182
Figura 6-6
Figura 6-7
183
Curvas de indiferencia
Anlisis conjunto
Para construir las curvas de indiferencia entre ms de dos atributos, es comn una
tcnica estadstica llamada anlisis conjunto. Esta tcnica es cada vez ms popular
entre los gerentes de mercadotecnia que necesitan evaluar la utilidad relativa de
diversos atributos de productos para los consumidores actuales y potenciales.
Aunque los detalles estadsticos del anlisis conjunto estn fuera del alcance de
este libro, el resultado del anlisis sera un conjunto de ponderaciones de importancia para cada atributo. Por ejemplo, los pesos promedio de la importancia de
los atributos de un automvil podran ser los de la tabla 6-11. Los gerentes
de mercadotecnia pueden obtener estos datos para otros segmentos de la poblacin de posibles compradores y disear productos con combinaciones de atributos
que sean atractivos para distintos sectores del mercado.
RESUMEN
En situaciones sin riesgo con varios atributos, primero se intenta descubrir las
transferencias o intercambios entre atributos que permitiran reducir el problema
a un solo atributo, como sera el dinero. Si no puede lograrse un acuerdo con
respecto a tal intercambio, se busca la eliminacin de las alternativas dominadas
184
Figura 6-8
Decisin ptima
Resultados en riesgo
Hemos visto que el anlisis de un problema de decisin con varios atributos es
bastante complejo, incluso si los resultados no son inciertos. El anlisis del problema
general con resultados inciertos es un problema muy complejo. Aunque, en teora,
el mtodo de deteccin de los puntos de indiferencia puede aplicarse al caso que
implica riesgo, en la prctica es un procedimiento muy complicado y tedioso.
Tabla 6-11
Rendimiento
0.20
Confiabilidad
Economa de combustible
uridad
Caractersticas
Seg
Total
0.20
0.30
0.10
0.20
1.00
Peso
Figura 6-9
185
Resultados inciertos
100 fallecimientos menos Reduccin
de 15 millones de dlares en daos
a propiedades
Alternativa B
200 fallecimientos menos Reduccin
de 25 millones de dlares en daos
a propiedades
0.67
70 fallecimientos menos
Reduccin de 35 millones de dlares
en daos a propiedades
Alternativa C
85 fallecimientos menos
Reduccin de 50 millones de dlares en
daos a propiedades
Hay una versin del problema de riesgo que es bastante fcil de analizar: la
situacin en la cual el riesgo de los atributos se trata en forma independiente.
La independencia de los atributos en riesgo no significa que los atributos no se
relacionen; quiere decir que las preferencias de aversin al riesgo con respecto a
un atributo no son una funcin del nivel de riesgo del otro atributo. Lo anterior
quedar ms claro con un ejemplo.
Ejemplo Considere el ejemplo anterior, pero ahora suponga que slo hay dos alternativas,
B y C, y que los resultados de stas son inciertos. La figura 6-9 describe los
resultados y sus probabilidades.
Digamos que el decisor determina dos funciones de utilidad distintas para la
reduccin en el nmero de fallecimientos y la reduccin en daos a propiedades
y est de acuerdo en que la utilidad total es la suma de las dos funciones de utilidad.
Si la utilidad total se puede separar en dos funciones de utilidad aditivas, entonces
el problema puede analizarse de manera bastante directa.
Por ejemplo, suponga que el decisor tiene una funcin de utilidad U1 para la
reduccin en el nmero de fallecimientos, que se presenta en la figura 6-10, y una
funcin de utilidad correspondiente U2 para la reduccin en los daos a propiedades, que se muestra en la figura 6-11.
Ahora las funciones de utilidad se pueden usar con resultados en riesgo para
determinar la utilidad de cada alternativa, si las funciones de utilidad son aditivas.
Para la alternativa B:
186
Figura 6-10
RESUMEN
Los problemas de riesgo con varios atributos se pueden resolver con funciones
de utilidad si la utilidad de los resultados se puede representar con funciones de
utilidad aditivas para cada atributo.
Vase C. A. Holloway, Decisin Making undcr Uncertainty: Models and Choices, Englewood Cliffs, N.J.,
Prentice Hall, 1979, capitulo 20.
Figura 6-11
187
Resultados
Probabilidad
0.8
0.2
3000
1.0
$4 000
D. Kahneman y A. Tversky, "Prospect Theory: An Analysis of Decisin under Risk", Econometrica, pgs.
263-291, marzo de 1979. Tambin, Kahneman y Tversky, "The Framing of Decisions and the Psychology of
Choice", Science, pgs. 453-458, enero de 1981.
188
Lotera
Resultados
Probabilidad
$4 000
0.2
0.8
3000
0
0.25
0.75
lo cual es la lotera D.
Resultado
Probabilidad
3 000
0
0.25
0.75
189
Figura 6-12
Probabilidad
4 000
0
0.20
0.80
190
Bibliografa
Bunn, D. W., Applied Decisin Analysis, Nueva
York, McGraw-HM, 1984. Edwards, W. y A.
Tversky, editores, Decisin Making, Baltimore, Penguin Books, 1967.
Fishburn, P. C, Utility Theoryfor Decisin Making, Nueva York, John Wiley & Sons, 1970.
Friedman, M. y L. J. Savage, "The Utility Analysis
of Choices Involving Risk", Journal ofPolitical
Economy, agosto de 1948. Green, P. E. y Y.
Wind, Multiattribute Decisions in
Marketing, Hinsdale, 111., Dryden Press, 1973.
Holloway, C. A., Decisin Making under Uncertainty: Models and Choices, Englewood Cliffs,
N. J., Prentice Hall, 1979 IEEE Transactions on
Systems Science and Cybernetics (edicin especial sobre el anlisis
de decisiones), vol. SSC-4, nm. 3, septiembre de
1968. Kahneman, D. y A. Tversky, "Prospect
Theory: An
Analysis of Decisin under Risk", Econometrica, pgs. 263-291, marzo de 1979.
Kahneman, D. y A. Tversky, "The Framing of Decisions and the Psychology of Choice", Science,
pgs. 453-458, enero de 1981.
Keeney, R. L. y H. Raiffa, Decisions with Mltiple
Objectives, Nueva York, John Wiley & Sons, 1976.
Pratt, J. W., H. Raiffa y R. Schlaifer, "The Foundations of Decisin under Uncertainty: An Elementary Exposition", Journal ofthe American
Statistical Association, junio de 1964.
Savage, L. J., The Foundations of Statistics, Nueva
York, John Wiley & Sons, 1954.
Schlaifer, R., Analysis of Decisions under Uncertainty, Nueva York, McGraw-Hill, 1969.
Swalm, R. O., "Utility Theory-Insights into Risk
Taking", Harvard Business Review, noviembrediciembre de 1966.
Von Neumann, J. y O. Morgenstem, Theory of Gantes and Econoinic Behavior, Princeton, Princeton University Press, 1944.
Zeleny, M., Mltiple Criterio Decisin Making,
Nueva York, McGraw-Hill, 1982.
6-2.
6-3.
6-4.
6-5.
6-7.
191
Costo unitario
Atractivo esttico
Alternativ
(dlares)
$100
B
C
D
E
80
110
125
150
7
8
9
10
Beneficio: $5000
Duracin 7
Producto B
192
Problemas
6-9.
6-10.
6-11.
6-12.
6-13.
Atributo
Rendimiento
Confiabilidad
Economa de
combustible
Seguridad
Caractersticas
Total
Segmento A
Ponderacin
0.10
Segmento B
Ponderacin
0.30
0.30
0.10
0.40
0.10
0.10
1.00
0.20
0.10
0.30
1.00
6-14.
Usted es el gerente de planta de una pequea
industria de manufactura. Hay que repavimentar el estacionamiento adyacente a la
fbrica y un contratista le ha dicho que
presentar una oferta que consiste en el costo
total esperado ms un 10% de beneficio. La
nica incertidumbre en el clculo del costo de
este trabajo es el tiempo. Si es soleado, el costo
incremental del trabajo ser 40 000 dlares,
pero si llueve, el costo incremental ser 55 000
dlares. La oficina meteorolgica ha informado
que la probabilidad de lluvia en el periodo en
cuestin es de 1 en 10 y que todos los
contratistas conocen y aceptan esta informacin.
Usted sabe que recibir otras dos ofertas para
el trabajo. Dos contratistas pequeos de la
localidad, Willie y Joe, han estado en pugna
desde la Segunda Guerra Mundial.
ltimamente, el objetivo de su rivalidad ha
sido ver quin es el primero en obtener
beneficios superiores a 100 000 dlares en un
ao. Usted sabe que los beneficios de Willie en
el ao han sido 109 500 dlares y las de Joe, 95
000 dlares. Queda muy poco tiempo en el ao
y su trabajo puede ser el ltimo para ambos.
Adems, los dos tienen exceso de capacidad y
pueden
193
Equivalente
cierto
_________ Apuesta ___________ determinado
1. Probabilidad de Vi para -$100 000 y
de 1/2 para $200 000
$ 10 000
2. Probabilidad de Vi para $10 000 y
de Vi para $200 000
100 000
3. Probabilidad de Vi para $10 000 y
de Vi para -$100 000
-55 000
a. Elabore un grfico con los puntos de utili
dad que se relacionan con las apuestas an
teriores y dibuje una curva de utilidad
suave uniendo los puntos.
b. A partir de la curva, encuentre el equiva
lente cierto de la siguiente apuesta:
Probabilidad
-$80 000
80 000
160 000
6-16.
Nmero de incendios
en un ao
0
1
2
0.80
0.15
0.05
3 o ms
Utilidad
-$10 000
0.000
-4000
0
1 000
3000
0.300
0.490
0.537
0.620
0.2
0.4
0.2
0.2
Probabilidad
Millones
de dlares
-4.00
-3.50
-2.00
0.75
5.00
10.00
6-18.
Utilidad
0.0
0.2
0.4
0.6
0.8
1.0
194
lares y una probabilidad de 0.5 de perder cuatro millones de dlares. Use la curva de utilidad que pasa por los puntos proporcionados
en el problema 6-17.
Varios inversores ofrecen asociarse con
QPC para el proyecto. Especficamente, el inversor A ofrece compartir con QPC la mitad
de los beneficios o las prdidas. El inversor B
ofrece aceptar el 40% de las prdidas a cambio del 30% de los beneficios. El inversor C
ofrece pagar a QPC dos millones de dlares a
cambio de la mitad de los beneficios, pero no
compartira las prdidas. Cul de estas ofertas debe aceptar QPC, si es que debe aceptar
alguna?
6-19. Considere la figura 6-6 de este captulo. Suponga ahora que las alternativas son mutuamente excluyentes; es decir, slo se puede
escoger una.
a. Dibuje la frontera eficiente para esta situa
cin.
b. Use las curvas de indiferencia de la figura
6-8 y los resultados de la figura 6-6 y de
termine cul es la mejor opcin.
Hay
cuatro alternativas de inversin, as como
6-20.
dos criterios con los siguientes resultados
(para ambos criterios, es mejor una cantidad
mayor):
Alternativa
Criterio 1
Criterio 2
30
10
2
3
4
5
10
20
40
20
25
6-21.
Problemas ms difciles
6-22.
b.
c.
Suponga que, antes de que la compaa comience a perforar, otra empresa le ofrece
comprar el contrato. Cul es el precio mnimo que debe aceptar la compaa?
Suponga que, antes de que comenzara la
perforacin, un grupo de inversores exter-
195
Beneficios: $150
Calidad 8
Introduccin diferida
Beneficios: $75
Calidad 8
6-23.
Apuesta
Equivalente
cierto
determinado
6-24.
CAPTULO
7
Distribucin de probabilidad
normal y valor de la
informacin
En este captulo se presenta un concepto importante de la probabilidad, llamado
distribucin normal, el cual se usar posteriormente para evaluar la informacin
adicional de un problema de decisin.
Distribuciones de probabilidad
Las distribuciones de probabilidad pueden ser discretas o continuas. Una funcin
discreta se denomina funcin de masa de probabilidad y una funcin continua
de probabilidades se denomina funcin de densidad de probabilidad. En una
funcin de masa de probabilidades (distribucin discreta), la variable aleatoria
puede tomar slo valores seleccionados (por ejemplo, 0.1,0.2 o 0.3, pero no 0.11,
0.21 o 0.31).
Como ejemplo se podra indicar la proporcin de familias que tienen X
miembros. Una familia puede tener 4 miembros, pero no 4.2 miembros; por lo
tanto, X debe ser entero. En ocasiones se clasifican los datos para que pueda
usarse una distribucin discreta de probabilidad en casos en los que se podra usar
una distribucin continua. Por ejemplo, es posible que la demanda de un producto
sea cualquier cantidad, pero se puede clasificar la demanda del da como dcimos
de tonelada (es decir, 0.1, 0.2, etctera).
La distribucin binomial, que se describi en el captulo 3, es otro ejemplo de
una distribucin discreta de probabilidad. La variable aleatoria, el nmero de xitos, slo puede tomar el valor cero y los valores de los nmeros enteros positivos
de uno a n (el nmero de ensayos).
Una funcin de densidad de probabilidad continua representa una distribucin en la cual el valor de la variable aleatoria puede ser cualquier nmero dentro
196
197
Figura 7-1
Figura 7-2
198
Tabla 7-1
s
0
0.00
1
2
3
4
0.20
0.40
0.30
0.10
1.00
P(S = s)
Tabla 7-2
S
0
0.00
0.00
1
2
3
4
0.20
0.40
0.30
0.10
0.20
0.60
0.90
1.00
P<S = s)
P(S < s)
199
P(S=s)
P(S<s)
200
Figura 7-4
Figura 7-5
201
Figura 7-6
Desviacin
estndar
Funcin de densidad
de probabilidad normal
Media
202
Figura 7-7
Figura 7-8
203
Figura 7-9
Figura 7-10
Ahora se presenta un smbolo nuevo, GN, que se define como el rea debajo de
la cola derecha de una funcin de densidad de probabilidad normal. En la figura
7-10, el rea no sombreada es la cola derecha de una curva normal; es decir,GN{b).
204
ya que, por definicin, el rea total debajo de la funcin de densidad de probabilidades suma 1.
de manera que:
205
Ejemplo 3
206
Figura 7-11
207
Suponga que una compaa tiene la oportunidad de comprar una mquina por
17 200 dlares. La mquina, si tiene xito, ahorrar horas de trabajo en un proceso
de produccin que actualmente requiere mucha mano de obra. La vida fsica de
la mquina es un ao. Suponga que el costo incremental de una hora de trabajo
para la compaa es ocho dlares; entonces, si la mquina ahorrara ms de
2150 horas de trabajo ($17 200/$8 = 2150), la compaa obtendr un beneficio
del uso de la mquina.
Supongamos que el ingeniero de produccin opina que en promedio se ahorrarn 2300 horas y que hay un 50% de probabilidad de que las horas reales que se
ahorren sean menos de 2100 o ms de 2500 horas en el ao.
Con esta descripcin de la opinin del ingeniero es posible suponer que una
distribucin normal especfica se ajustar a las expectativas previas. La media de
la distribucin es 2300 y, si es posible determinar la desviacin normal, se habr
descrito la distribucin normal de probabilidad a priori.
En la distribucin normal, ms o menos la mitad del rea (por lo tanto, la mitad
de la probabilidad) se encuentra a 0.67 unidades de desviacin estndar de la
media. La figura 7-12 aproxima el ajuste de una distribucin normal a las
estimaciones del ingeniero. El ingeniero ha estimado una media de 2300 horas y
ha considerado que el valor real estar entre 2100 y 2500 horas, con probabilidad
de 0.50. Entonces, la mitad del rea debe estar fuera de estos lmites, 0.25 del lado
izquierdo y 0.25 del lado derecho. La figura 7-12 muestra que si se desplaza en
la direccin positiva de 200 unidades, se mover 0.67 a. Esta relacin se puede
usar para determinar la desviacin estndar:
Figura 7-12
208
Cuando la estimacin de la media de los ahorros est por encima del punto de
equilibrio, los beneficios esperados son positivos y la mquina debe comprarse
(suponga que estamos dispuestos a comprar la mquina sobre la base del equilibrio; es decir, en este captulo se omitirn los aspectos relacionados con la utilidad
y el rendimiento de intereses requeridos para las inversiones aceptables). Aunque
la distribucin de probabilidad a priori del ingeniero es bastante estrecha (la
desviacin estndar, = 300, es relativamente pequea en comparacin con el
tamao de la media, por lo que el ingeniero est bastante seguro de la estimacin
de la media), quizs est dispuesto a obtener ms informacin antes de actuar. Por
lo tanto, es de inters el valor esperado de la informacin perfecta (VEIP).
Definamos primero la prdida de oportunidad condicional. La accin ptima,
con base en el valor esperado, es comprar la mquina. Suponga que se compra la
mquina y que los ahorros reales son menores de 2150 horas. En este caso, cunto
se pierde? Si Xb representa la cantidad de equilibrio de 2150 horas, la prdida
condicional aumentar ocho dlares por cada hora que falte para llegar al punto
de equilibrio. Si X es mayor que Xb, la prdida de oportunidad es cero si se compra
el equipo. Por lo tanto, la prdida de oportunidad condicional (suponiendo que se
compra el equipo) sera:
Vase Cap. 5.
209
Figura 7-13
210
Parte II
Anlisis de decisiones
Figura 7-14
211
Figura 7-15
Vase R. Schlaifer, Probabiltry and Statistics for Business Decisions, Nueva York, McGraw-Hill, 1959,
pgs. 452-455.
212
Figura 7-16
213
RESUMEN
Bibliografa
Schlaifer, R., Probability and Statistics for Business Decisions, Nueva York, McGraw-Hill,
1959.
Winkler, R. L., Introduction to Business Inference
and Decisin, Nueva York, Holt, Rinehart &
Winston, 1972.
7-2.
7-3.
7-4.
En los casos siguientes se considera una distribucin normal como buena distribucin de
probabilidad a priori. Determine para cada
uno el valor esperado de la informacin perfecta (VEIP).
a. La media es 100 unidades; la desviacin
estndar es 20 unidades; C, la constante
de prdidas, es 2000 dlares por unidad;
el punto de equilibrio es 80 unidades.
b. La media es 100 unidades; la desviacin
estndar es 30 unidades; C, la constante
de prdidas, es 20 000 dlares por unidad;
el punto de equilibrio es 80 unidades.
Se sabe que las ventas diarias de un producto
tienen una distribucin normal de 20 unida-
214
7-5.
Problemas
7-6.
Escriba las funciones de probabilidad requeridas para las probabilidades de ventas que se
indican a continuacin:
Ventas (s)
(en
d1 d )
2
3
4
5
10
15
Probabilida
d 0.10
0.15
0.20
0.30
0.20
0.03
0.02
1.00
P(-0.8<X< 1.2)
7-10.
7-11.
7-12.
7-13.
7-14.
7-15.
215
216
7-16.
7-17.
Informacin de:
Precio
Ventas esperadas
(miles de dlares)
Desviacin estndar de la
distribucin
de ventas
Precio
Precio
Precio despus de despus del
actual /
: aumento
d
$3
$4
$2.50
100
250
60
20
75
35
Problemas ms difciles
7-19. Una empresa de ventas por correo pretende
incluir anuncios a color en su catlogo, el
cual se enva a 100 000 clientes. Las compras
actuales por cada cliente que recibe los cat-
7-20.
7-21.
7-22.
7-23.
7-24.
217
218
7-25.
7-26.
El agente de compras de una cadena de panaderas quiere determinar cul es la mejor manera de comprar los sacos de trigo que la
compaa necesitar en septiembre. Una alternativa es pagar el trigo en el mercado actual
al precio de 3.28 dlares por saco, para que lo
entreguen en septiembre. Este precio concuerda con las expectativas del agente de
compras en lo que se refiere al precio del trigo
que se compre en el mercado libre en el mes
de septiembre (la otra alternativa). La experiencia indica que el precio del mercado libre puede variar considerablemente en
septiembre y que la probabilidad de que el
precio en dicho mes est 25 centavos por encima o por debajo del precio de 3.28 dlares
(por saco) es de 2/3.
a. Si el agente tiene aversin al riesgo, qu
alternativa escogera: Comprarlo ahora en
el mercado para entrega a futuro o com
prarlo en el mercado libre en septiembre?
b. Cul es el VEIP?
CAPTULO
8
Modificacin de
probabilidades normales
por muestreo
220
Distribuciones de probabilidad
En el anlisis se usarn cinco distribuciones de probabilidad:
1. La distribucin de la poblacin, donde = desviacin estndar y = media.
Esta distribucin refleja las caractersticas de los componentes individuales de la
poblacin de la cual se extrae la muestra. En el ejemplo anterior, se trata de
la distribucin de probabilidad de ventas por tienda, para la poblacin de 5000
tiendas. Si estuvieran disponibles todos los datos, se podran agrupar las tiendas
por las cantidades que venden y luego dividir estas cantidades entre el total de
tiendas, de manera que la suma de las proporciones sea igual a 1. En la figura 8.1
se muestra una distribucin posible de las ventas de las tiendas de la poblacin.
Habra una pequea proporcin de tiendas con ventas cuantiosas (ms de 800
unidades), pero la mayora vendera menos de 800 unidades. Esta distribucin,
como es tpico en muchas de las distribuciones de datos econmicos, se inclina
hacia la derecha (es decir, tiene una cola larga a la derecha) y la distribucin
normal no sera una buena aproximacin de la curva de la figura 8-1. La empresa
supuestamente tiene una buena estimacin de la desviacin estndar de la
distribucin de las ventas de las tiendas, la cual puede basarse en los datos de
estudios anteriores o en una muestra. No se conoce la media real de la distribucin.
Por lo general se desconocen
y se usan la media y la desviacin estndar
de la muestra como estimaciones de
2.
En este libro slo se har nfasis en el error de muestreo. Si desea conocer un anlisis ms detallado del
procedimiento para tratar algunas de las formas de sesgo, vea R. Schlaifer, Probability and Statisticsfor Business
Decisions, Nueva York, McGraw-Hill, 1959, Cap. 31.
Figura 8-1
221
La
Un estadstico de una muestra es insesgado si el valor esperado del estadstico es igual al parmetro correspon
diente de la poblacin. En particular,
La media de la muestra es insesgada, ya que, en
promedio, ser igual a la media de la poblacin.
3
En este libro se llamar
como se defini antes, a la varianza de la muestra, aunque otros autores pueden
usar el trmino para referirse a la frmula anterior sustituyendo n - 1 por n. Al usar n, la varianza de la muestra
no es una estimacin insesgada de la varianza de la poblacin
222
Esto es resultado del teorema central del lmite. Vase cualquier libro sobre teora estadstica, como los que se
presentan en la bibliografa, al final del captulo.
5
La determinacin del tamao de muestra necesario para asegurar la normalidad de la distribucin de muestreo
de no es sencilla. Si la poblacin es simtrica, son adecuadas las muestras muy pequeas. Si las distribuciones
presentan mucha inclinacin, entonces se requieren muestras muy grandes. Para fines prcticos se consideran
adecuadas las muestras de 30 a 50 elementos. Vase Schlaifer, Probability and Statistics, Cap. 17, para conocer
ms al respecto.
223
Las ecuaciones 8-8 y 8-10 (en la pgina 225), para las distribuciones normal a
priori y de la muestra, son equivalentes al procedimiento de modificacin de
probabilidad del captulo 3: determinan la media y la desviacin estndar de la
distribucin normal a posteriori.
Ejemplo
Nuestra empresa, que quiere introducir un producto nuevo, posee una distribucin
a priori normal de las ventas medias del producto por tienda con media
unidades y desviacin estndar de = 30 unidades. Hay 5000 tiendas y se
selecciona al azar una muestra de 100 tiendas. El producto se entrega a las 100
tiendas y se mantiene un registro de las ventas. Las ventas promedio por tienda,
en las 100 tiendas, son de 420 unidades; es decir, (la media de la muestra) =
420. La desviacin estndar de la muestra es 200 unidades; o sea,
Si se usa como estimacin de la desviacin estndar de la
poblacin, se puede estimar con la ecuacin 8-4:
224
Ejemplo
El valor de
225
fueron:
226
Figura 8-2
se puede calcular
con la relacin:
RESUMEN
227
la media
es:
Beneficio
El valor de equilibrio de la media de las ventas, representado con
es:
donde
en este caso:
RESUMEN
La distribucin normal a posteriori se puede usar como cualquier otra distribucin
normal para tomar decisiones y para determinar el valor esperado de la informacin perfecta.
Decisin de muestrear
Veamos ahora si es apropiado el muestreo y cul debe ser el tamao de la muestra.
El anlisis de esta seccin difiere del de la seccin anterior, por ser anterior a la
muestra, no posterior.
Situacin inicial
La gerencia considera la posibilidad de invertir en un producto nuevo. Suponga
que el cambio en el beneficio por unidad que se obtendra de la decisin de invertir
228
Figura 8-3
Funcin de
densidad
normal
Distribucin
a priori
C = pendiente
donde:
229
El valor de equilibrio es
416 unidades.
La accin ptima que se basa en las probabilidades a priori es rechazar el
producto nuevo. Sin embargo, la prdida de oportunidad esperada de la accin de
rechazo (el valor esperado de la informacin perfecta) es:
VEIP =
VEIP =
Entonces, estaramos dispuestos a pagar hasta 7076 dlares por la informacin
perfecta acerca del verdadero nivel de las ventas promedio por tienda para el
nuevo producto.
230
de manera que:
VEIM
donde:
Decisin de muestrear
Consideremos, para el ejemplo anterior, la posibilidad de tomar una muestra de
tamao = 100. Recuerde que el VEIP = 7076 dlares. Incluso si el costo de la
muestra es menor que esta cantidad, no existe la seguridad de que la muestra valga
la pena, ya que slo proporciona informacin imperfecta.
Suponga que
200 (se sabe por la experiencia anterior). Con tamao de
muestra igual a 100, la desviacin estndar de las medias de la muestra es:
El valor de
de la ecuacin 8-13:
= 24.9 (aproximadamente)
De la ecuacin 8-14
VEIM
231
Suponga ahora que el nmero de unidades equilibrio es 402 (antes era 416; ahora
es ms fcil tomar la decisin incorrecta). El valor esperado de la informacin
perfecta, con la ecuacin 8-11, es ahora:
De la
tamao
Si el costo del muestreo de 100 unidades es menor que 11211 dlares, entonces
es deseable.
El valor esperado de la informacin de muestreo ha aumentado considerablemente en este segundo ejemplo al reducir la diferencia entre el nmero
esperado de unidades y el nmero de unidades de equilibrio. El valor esperado de
la informacin de la muestra tambin habra aumentado si a0 hubiera sido mayor
(o sea, mayor incertidumbre acerca de la JJ verdadera), con lo que aumentara la
posibilidad de tomar la decisin equivocada.
Tercer Supong
ejemplo
es 150
es 200.
232
Parte II
Anlisis de decisiones
El VEIM es ahora mucho mayor que en los dos ejemplos anteriores. El valor
implica eran cantidad de incertidumbre acerca de la estimacin a
de 150 para
La muestra reduce notablemente esta incertidumbre y, por lo tanto,
pnon
tiene gran valor.
fuera menor que 200 unidades, la muestra proporcionara mas informaSi
cin, ya que los elementos escogidos perteneceran a una poblacin menos
aumentara. Con esto, habra una tendencia a aumentar el VEIM.
dispersa;
Adems, el valor de D* disminuira y el trmino N(D*) aumentara, con lo que
tambin aumenta el valor esperado de la informacin de la muestra.
Se puede obtener una
En muchas situaciones no se conocer el valor de
estimacin del valor tomando una pequea muestra preliminar y usando la
relacin:
RESUMEN
233
Un ejemplo integral
Suponga que un fabricante de juguetes considera la produccin de un juguete
nuevo. La inversin necesaria para llevar a cabo la produccin del juguete es de
500 000 dlares en el primer ao. Los beneficios incremntales (precio de venta
menos costo variable) son de un dlar por juguete. Para que la empresa no tenga
prdidas, debe vender por lo menos 500 000 unidades en un ao.
El producto se vender a 50 000 tiendas minoristas a las cuales la compaa
vende actualmente sus productos. El punto de equilibrio de las ventas,
es 10
unidades por tienda (500 000 -s- 50 000). Despus de pensarlo con cuidado, el
fabricante supone que las ventas medias por tienda sern de 12 unidades (es decir,
= 12) y asigna una probabilidad del 50% de que las ventas medias por tienda
En algunas circunstancias se puede reducir la determinacin del tamao ptimo de la muestra a una frmula
matemtica. Vase, por ejemplo, R. Schlaifer, Probability and Statistics for Business Decisions, Nueva York,
McGraw-Hill, 1959, Cap. 34. En este captulo se determinar por tanteo un valor ptimo aproximado.
234
Figura 8-5
sean menor que 8 o mayor que 16. Si se acepta una distribucin normal como
indicacin de las probabilidades subjetivas a priori, la distribucin se podra
ajustar como se muestra en la figura 8-5.
La media de la distribucin, es igual a 12 unidades y la desviacin
estndar, 0, es de seis unidades. Es una distribucin que muestra la
probabilidad de distintos valores de las ventas medias por tienda.
Con base en los datos anteriores, la mejor accin es introducir el juguete. Esto
se debe a que las ventas por tienda necesarias para lograr el equilibrio,
son menores que la estimacin de la media, 12. El costo de la incertidumbre, o
VEIP, es de 76 650 dlares:
C = 1 juguete x 50 000 tiendas $1 por juguete
= $50 000
VEIP
Hay que determinar si vale la pena efectuar el muestreo y, de ser as, cul deber
ser el tamao de la muestra.
Consideremos primero si la accin cambiar despus de obtener la informacin
de la muestra. Si se toma una muestra y se observa la media, se modificar
entonces la media de la distribucin subjetiva a priori. Si la media modificada es
mayor que 10 (la media de equilibrio), se mantendr la decisin de vender el
235
Figura 8-6
Pendiente
$50 000
Ventas medias
236
Figura 8-7
la media
y;
donde
es la varianza a priori, y su valor en el ejemplo es 36;
de las medias de la muestra. Los clculos son:
es la varianza
La estimacin de
Recuerde que esta estimacin se hace antes de
tomar la muestra. Con una muestra de tamao 25, el valor esperado de la
informacin de la muestra se calcula como sigue:
Tabla 8-1
Tamao de
la muestra
237
Varianza
de las medias
de la muestra
20
25
35
40
45
GNE
Costo de
la muestra
5.00
4.00
2.85
2.50
2.22
5.62
5.69
5.75
5.77
5.80
0.356
0.351
0.346
0.345
0.344
0.246
0.248
0.250
0.251
0.251
$69 126
70 556
72 125
72 739
73 099
$2 000
2 500
3 500
4 000
4 500
(VEIM
costo de
la muestra)
$67 126
68 056
68 625
68 739
68 599
238
Conclusin
Este captulo y el anterior han contemplado la toma de decisiones con probabilidades normales y funciones de prdida lineales. Estas hiptesis de normalidad
y linealidad implican que se ha considerado un caso especial, pero en realidad son
muchas las aplicaciones. Se han desarrollado otros mtodos para distribuciones
y funciones de prdida diferentes; sin embargo, estos mtodos quedan fuera del
alcance de este libro. El caso de la distribucin normal y la funcin de prdida
lineal ilustran correctamente los conceptos que forman parte de la toma de
decisiones en condiciones de incertidumbre.
Bibliografa
Jones, J. M., Introduction to Decisin Theory, Homewood, 111., Richard D. Irwin, 1977.
Pratt, J. W., H. Raiffa y R. Schlaifer, Introduction to
Statistical Decisin Theory, Nueva York,
McGraw-Hill, 1965.
Raiffa, H. y R. Schlaifer, Applied Statistical Decisin Theory, Boston, Divisin of Research, Harvard Business School, 1961.
8-2.
8-3.
8-4.
8-5.
239
Problemas
8-6.
8-7.
8-8.
8-9.
8-10.
240
8-11.
8-12.
8-13.
8-14.
8-15.
8-16.
241
Problemas ms difciles
8-17.
8-18.
8-19.
8-20.
Una compaa que fabrica herramientas especiales pretende introducir un producto nuevo.
La gerencia cree que cada uno de los mil centros de distribucin de la compaa podra
vender un promedio de 150 unidades; as
mismo, hay una probabilidad de Vi de que las
ventas promedio estn entre 100 y 200
unidades.
La herramienta nueva se vendera a cinco
dlares cada una. La mquina A tiene un costo
de alquiler de 100 000 dlares y un costo
unitario de produccin de dos dlares; la mquina se alquila por 200 000 dlares y su
costo unitario de produccin es de un dlar.
En un intento por estimar la demanda con
mayor precisin, el fabricante envi prototipos de la herramienta a 50 centros de distribucin. El promedio de las ventas en cada
centro fue de slo 90 unidades, con desviacin estndar de 60.
a. Antes de recopilar la informacin de la
muestra, cul era la mejor decisin que
poda tomar el fabricante? Cul era el
VEIP?
b. Cul es la distribucin a posteriori, des
pus de la muestra, de la demanda prome
dio por centro de distribucin? Cul es
la mejor accin? Cul es el VEIP
posterior?
c. Cul era el VEIM antes de llevar a cabo
la muestra?
Suponga que el costo total de tomar una
muestra de cualquier tamao es una cantidad
fija, K. Cul sera el tamao ptimo de la
muestra?
El VEIP del ejemplo de las pginas 229-230
es de 7076 dlares (antes del muestreo); el
VEIM es de 4918 dlares; pero, como se calcul en la pgina 227, el VEIP a posteriori para una muestra de tamao - 100 es 7000
dlares. Resuelva la paradoja aparente de este
caso.
El editor de una revista deseaba publicar una
edicin en pasta dura de una seleccin de fotografas de su revista. La edicin fotogrfica
se vendera principalmente por correo a las
personas cuyos nombres aparecan en el directorio de la revista. El directorio no slo inclua a los suscriptores, sino tambin a
personas consideradas como posibles suscriptores. La gerencia crea que se podan vender
gran cantidad de ejemplares, por la reputacin de la revista y las excelentes crticas que
haban recibido las secciones fotogrficas
cuando se publicaron por primera vez en la
revista. Es ms, muchas personas haban enviado cartas para proponer que se presentara
una edicin de este tipo.
Ya se haba invertido dinero en la edicin
cuando se prepararon las fotografas y el texto para la revista. Sin embargo, se estimaba
que e gastaran otros 10 000 dlares. Adems, se consideraba que el costo del diseo y
la impresin del material publicitario y del
envo por correo sera de 250 000 dlares. El
directorio de la revista inclua cerca de dos
millones de nombres (algunos de los cuales,
por supuesto, estaban duplicados). Se propuso hacer dos envos, con un costo por nombre
de cinco centavos por concepto de correo.
Tambin se invertiran unos 50 000 dlares
para el desarrollo del material publicitario.
El costo variable de manufactura del libro
sera de dos dlares por ejemplar. El precio
de venta se fijara en tres dlares.
La gerencia aun no decida acerca del proyecto editorial, por los altos costos iniciales.
Las mejores estimaciones giraban alrededor
de 250 000 ejemplares vendidos. La gerencia
opinaba que haba Vi de probabilidad de que
las ventas estuvieran entre 200 000 y 300 000
ejemplares.
La gerencia se opona a abandonar el proyecto, ya que la edicin podra tener un alto
valor en cuanto a prestigio. Por ello, se consider la posibilidad de realizar un estudio de
mercado antes de tomar la decisin final. Sera bastante sencillo seleccionar una muestra
de personas del directorio de la revista y evaluar la aceptacin de la edicin.
Los costos de correo y otros costos variables sumaban 25 centavos por individuo de la
242
8-21.
8-22.
243
econmico que la STBM cancelara las entrevistas siguientes y tomara en este momento la decisin?
d. Calcule ahora el VEIM del siguiente grupo de 100 viajeros. Es mayor o menor
que el costo del muestreo?
CAPTULO
9
Teora de juegos
En este captulo se desarrollar un modelo de decisin que se aplica principalmente a las relaciones entre dos entidades (individuos u organizaciones) independientes que compiten entre s. Este anlisis se deriva de la monumental obra de J.
von Neumann y O. Morgenstern, Theory of Games and Economic Behavior
(Teora de juegos y comportamiento econmico).1
Aunque la teora de juegos no se usa mucho en la industria, es conveniente
conocer el tema, pues presenta conceptos que pueden ser de utilidad para la toma
de decisiones. Hay que tomar muy en cuenta las hiptesis de cada uno de los
modelos de la teora de juegos, ya que con frecuencia limitarn la aplicacin del
modelo.
Juegos
J. von Neuman y O. Morgenstem, Theory of Games and Economic Behavior, Princeton, Princeton University
Press, 1944.
244
245
Tabla 9-1
Estrategia 2
Mnimo de
la fila
Estrategia 1
10
14
10
Estrategia 2
12
Mximo de la columna
10
14
246
menor de los mximos de las columnas (la estrategia 1). Puesto que el mximo
iguala al minimax (los dos valen 10), hay un equilibrio y se dice que estos valores
son un par "de equilibrio". Si uno de los jugadores trata de salir del equilibrio sin
que el otro cambie de posicin, el que se mueve pasar a una posicin inferior.
Una estrategia pura (es decir, que cada uno de los jugadores elija slo una
estrategia) lleva a un juego estrictamente determinado en el cual el valor mximo
de los mnimos de las filas es igual al mnimo de los mximos de las columnas.2
Al valor 10 se le llama punto de silla.
Hay que observar que los mrgenes de la tabla 9-1 indican el beneficio mnimo
garantizado del jugador I o los costos mximos garantizados del jugador II. Puesto
que los valores de la tabla pueden ser expectativas, stas pueden ser valores
esperados.
Ejemplo:
Compaa
contra
sindicato
Este enunciado es vlido mientras las estrategias del decisor, cuyas ganancias positivas se describen en la matriz
de pagos, se indiquen en la columna de la matriz; de lo contrario se tendr que modificar la descripcin de un
juego estrictamente determinado por estrategias puras.
247
Estrategias de la compaa
Mnimos
de las filas
Por lo general, ste no ser el caso, a menos que los costos totales sean una parte relativamente sin importancia
de los costos totales de la compaa y las negociaciones no tengan mucha importancia emotiva o simblica. Es
probable que no sea as cuando la compaa y el sindicato sean grandes; en este caso hay que cambiar las posibles
modificaciones en salarios a trminos de utilidad.
248
miento (C2) que slo genere dos centavos para el sindicato. Es obvio que el
sindicato nunca seguir la estrategia conciliadora (/4), ya que siempre ganara
ms con Uu sin importar la estrategia que use la compaa. Puede decirse que Ux
domina a la estrategia U4.
La estrategia minimax es una regla que pueden seguir los participantes en esta
situacin. La compaa podra adoptar la estrategia que minimice el mayor
aumento de salarios que tendra que otorgar, sin importar la accin del sindicato.
Si el sindicato sigue esta regla, escogera la estrategia que maximizara el aumento
mnimo de los salarios. En el ejemplo, la estrategia minimax para la compaa es
C3, con aumento de salarios mximo de 12 centavos; para el sindicato sera Uu
con aumento mnimo de 12 centavos. En la tabla 9-2, los 12 centavos son el
mximo de la columna C3 y el mnimo de la fila /1; por lo que es la solucin de
equilibrio para esta situacin. En trminos de la teora de juegos, 12 es el valor
del juego. Las estrategias puras (/,, C3) proporcionan el equilibrio de este caso,
ya que si la compaa usa C3, la mejor defensa del sindicato es U; si el sindicato
escoge Ux, C3 es la mejor defensa de la compaa.4
Estrategias mixtas
No todas las situaciones de conflicto tienen un equilibrio minimax que puede
lograrse con estrategias puras. Podemos modificar la tabla 9-2 a este caso con slo
cambiar una de las cantidades. Si la interseccin de C3 y /3 fuese ahora +19
centavos, en lugar de +10 centavos, +12 centavos ya no sera el mximo de la
columna, como se muestra en la tabla 9-3. Ahora C2 es la estrategia que minimiza
la prdida mxima de la compaa; el mximo del sindicato es an Ux. Sin
embargo, la interseccin de estas estrategias no es un punto de equilibrio, porque
+15 centavos no es el mximo de la columna y el mnimo de la fila. Si el sindicato
adoptara la estrategia {/,, la compaa preferira la estrategia C3, no C2. Pero, si
la compaa escoge la estrategia C3, al sindicato le gustara ms U3 que U1 Si el
sindicato selecciona /3, la estrategia ptima de la compaa ser C2, pero C2 es la
opcin contra la cual el sindicato usara Uu como se seal al principio. Se ha
cerrado el crculo. Las estrategias puras (Uu C2) ya no son un par de equilibrio;
no son las mejores contra la otra.
Reduzcamos la tabla 9-3 a las estrategias que se muestran en la tabla 9-4. Esto
se hace por medio de la eliminacin sucesiva de las estrategias dominadas. La
estrategia /4 del sindicato es dominada por Uu por lo cual U4 puede eliminarse.
La estrategia C, de la compaa es dominada por C2 o C3; por lo tanto, tambin C{
puede eliminarse. Con lo anterior, queda la estrategia U2 del sindicato, dominada
por Uu y las nicas estrategias que quedan para el sindicato son U, y U3. Al llegar
a este punto, la estrategia C2 domina a C4 y las nicas estrategias para la compaa
son C2 y C3.
Un juego con suma cero puede tener ms de un par de equilibrio; no obstante, todos los pares de equilibrio
tendrn el mismo valor y los jugadores sern indiferentes ante ellos.
249
Tabla 9-3
Estrategias de la compaa
Mnimos
de las filas
Tabla 9-4
Estrategias no dominadas
Estrategias
del sindicato
Compaa
Solucin grfica
Un mtodo sencillo e instructivo para encontrar la solucin del caso de dos
personas y dos estrategias es el mtodo geomtrico propuesto por Luce y Raif-
250
Figura 9-1
R. D. Luce y H. Raiffa, Games and Decisions, Nueva York, John Wiley & Sons, 1957.
251
Figura 9-2
sindicato se relaciona con la estrategia t/3. Las lneas punteadas en la figura 9-2
indican el conjunto de aumentos mximos que la compaa tendra que otorgar,
suponiendo que el sindicato siempre adopte la estrategia ms favorable como
respuesta a una estrategia mixta de la compaa. Si la compaa siguiera la regla
de minimizacin del mximo aumento que ofrecera, adoptara la estrategia mixta
(0.35C2, 0.65C3) y dara al sindicato un aumento de .35(15) + 0.65(12) =
13.05 si el sindicato escogiera Uu o de 0.35(2) + 0.65(19) = 13.05 si la
opcin del sindicato fuera U3. Cualquiera que sea la accin del sindicato, no
puede obtener ms de 13.05 centavos de aumento salarial por hora (es decir, el
mejor aumento promedio es de 13.05 centavos).
Qu estrategia se espera que siga el sindicato? Segn la filosofa minimax, el
sindicato supondr que la compaa erigir la defensa ms slida posible contra
la estrategia que seleccione el sindicato. En la figura 9-3 se muestran las estrategias disponibles para el sindicato y el conjunto de aumentos mnimos que se
relacionan con ellas. Si la compaa adopta la estrategia C3, los aumentos que
obtiene el sindicato para las distintas estrategias mixtas se indican con la lnea
que une 12 centavos con 19 centavos. Esta lnea indicara el aumento mnimo para
las estrategias entre (1.0Uu 0/3) y (0.15 Uu 0.15t/3). La lnea que une 15 centavos
con 2 centavos define los aumentos que se obtendran como respuesta a varias
estrategias mixtas del sindicato si la compaa elige la estrategia C2. Esta estrategia ofrece el menor aumento de salarios para una accin del sindicato en el
intervalo (0.85 U1, O.15U3 ) a (0. Uu 1.0U3 ). Si el sindicato quiere maximizar
el aumento mnimo, adoptar la estrategia (0.85U1 , 0.15U3), con lo que obtiene
un aumento esperado de:
0.85(15) + 0.15(2) = 13.05
252
Figura 9-3
Solucin algebraica
Se puede obtener una solucin algebraica, en vez de grfica, para determinar la
probabilidad que dar lugar a que la utilidad esperada, desde el punto de vista del
253
Este valor esperado es mayor que los valores mnimos que se obtendran al
seguir una estrategia pura.
Al resolver el mismo problema desde el punto de vista de la compaa, sea
ahora la probabilidad de que la compaa escoja la estrategia C2. Los costos
esperados para las dos estrategias del sindicato son:
254
Tabla 9-5
255
estrategia que puede usar su oponente para explotarle o hacerle dao. A la estrategia mixta se le puede considerar como un medio de compromiso o de precaucin
contra la explotacin.
256
del juego. Tambin supone que es un juego nico y que las partes no pueden tener
un proceso de aprendizaje. Es posible que las empresas I y II aprendan de la
desafortunada experiencia de su primer juego y cooperen en un juego posterior,
incluso si no hubiera comunicacin.
Este ejemplo ilustra un juego de dos personas con suma distinta de cero.
Aunque existe un tipo de solucin, porque la decisin de anunciarse domina a la
de no anunciarse, no es una solucin satisfactoria. Un par de jugadores no
racionales podran llegar a la solucin ms deseable en la cual ninguno se anuncia.
Los juegos con suma distinta de cero muchas veces no tienen soluciones satisfactorias tan fciles de determinar.
Resultados inciertos
En el ejemplo anterior los resultados eran cantidades seguras, pero es posible que
los resultados de un juego estn sujetos a distribuciones de probabilidad. Por
ejemplo, en vez de que la empresa II sepa que perdera 10 si las dos empresas se
anuncian, se podra decir que el resultado sera una prdida de 40 con probabilidad
de 0.5 o una ganancia de 20 con probabilidad de 0.5. El valor esperado es:
0.5(-40) + 0.5(20) = -10
Cuando los resultados se obtienen de procesos probabilsticos se requiere un
clculo adicional. Antes de analizar las decisiones posibles, el valor esperado de
cada par de decisiones se calcula y se introduce en la tabla. Hay que recordar que
se usan valores medios de utilidad y no valores monetarios esperados.
Para conocer el anlisis terico, vse J. H. Kagel y D. Levin, "The Sinner's Curse and Public Information in
Common Valu Auctions", The American Economic Review, pgs. 894-920, diciembre de 1986.
257
del bien que se subasta. Por esta razn, muchas compaas petroleras se unirn
para presentar ofertas conjuntas, en vez de que cada empresa compita por su
cuenta. As reducen en un 50 a 75% el nmero de ofertas.
Otra estrategia que se sigue es determinar un valor estimado y luego establecer
el monto inicial de las ofertas muy por debajo del valor esperado. Aunque la
probabilidad de ganar se reduce, s aumenta la probabilidad de estar satisfecho si
se gana (y se obtiene una ganancia neta). El objetivo debe ser obtener una ganancia
econmica, no ganar la subasta.
Algunas de las empresas que participan en negocios de compras y fusiones de
empresas no participan en situaciones de ofertas competitivas. Si una compaa
se interesa por vender sus acciones, esta empresa presentar lo que considera una
oferta justa slo si la compaa en venta est de acuerdo en aceptar o rechazar
la oferta antes de buscar una segunda. Naturalmente, la compaa que vende
quizs ya tenga informacin acerca de la poblacin de posibles compradores y
sus probables precios de oferta; sin embargo, deber decidir acerca de la oferta
sin buscar (o aceptar) otras ofertas. Si el comprador potencial sabe que otros
compradores ya han efectuado ofertas, deber reducir la cantidad que est dispuesta a ofrecer.
La maldicin del ganador se presenta en muchas situaciones. Por ejemplo, en
un mercado inmobiliario de mucho movimiento, si una casa ha estado en el
mercado por ms de un ao, habra que suponer que muchos compradores han
rechazado el precio que solicitan por la casa. Una forma de la maldicin del
ganador sera comprar la casa al precio solicitado, dado el gran nmero de
compradores que la han rechazado. Es posible que sea una casa nica y justo lo
que usted desea y que a los otros compradores no les gusten las caractersticas
exclusivas; tambin es posible que los compradores potenciales que la rechazaron
supieran lo que estaban haciendo.
Conclusiones
El lector debe considerar si en la realidad existen situaciones en las cuales
compiten dos o ms partes y las ganancias se aproximan a una suma cero (lo que
pierde uno es lo que gana el otro) o tienen suma distinta de cero. Son beneficiosos
para la sociedad los resultados de estos juegos?
Los ejemplos de "juegos" de la vida real van desde guerras (donde slo puede
ganar uno a expensas del otro y donde es muy probable que ambos pierdan) hasta
la industria de los automviles y los juegos colegiales de ftbol, donde la
escalacin en los gastos "para vender" muchas veces dan como resultado que
todas las partes se hallen en una situacin peor de la que estaran con estrategias
diferentes.
Es posible que en la realidad no puedan aplicarse las soluciones exactas a las
situaciones de juego, por lo cual no pueden aplicarse con precisin las teoras.
Por otra parte, la teora de juegos ayuda a aprender cmo enfrentar una situacin
de conflicto y comprenderla, adems de cmo mejorar el proceso de toma de
decisiones.
258
RESUMEN
Todos los juegos de dos personas con suma cero tienen una solucin de equilibrio
minimax, la cual ser un par de estrategias puras o un par de estrategias mixtas.
Los juegos con suma distinta de cero pueden llegar a soluciones de equilibrio que
no son satisfactorias.
La maldicin del ganador propone que, cuando no hay certeza acerca del valor
de un artculo, es posible que la persona que presenta la oferta ms alta exceda el
valor del artculo, y que el monto de la sobreoferta es una funcin creciente del
nmero de personas que realizan ofertas.
Bibliografa
Davis, M. D., Game Theory, a Nontechnical Introduction, Nueva York, Basic Books, 1970.
Englebrecht-Wiggans, R., "Auctions and Bidding
Models: A Survey",Management Science, febrero
de 1980.
Englebrecht-Wiggans, R., P. R. Milgrom y R. J. Weber, "Competitive Bidding and Proprietary Information", Journal of Mathematical Economics
11, 1983.
Kagel, J. H. y D. Levin, "The Winner's Curse and
Public Information in Common Valu Auctions",
The American Econontic Review, diciembre de
1986.
Luce, R. D. y H. Raiffa, Games and Decisions,
Nueva York, John Wiley & Sons, 1957.
McDonald, J., The Game of Business, Garden City,
N.Y., Doubleday, 1975.
Owen, G., Game Theory, Filadelfia, W. B. Saunders, 1968.
Shubik, M, editor, Game Theory and Related Approaches to Social Behavior, Nueva York, John
Wiley & Sons, 1964.
Shubik, M., Game Theory in the Social Sciences:
Concepts and Solutions, Cambridge, Mass., MIT
Press, 1983.
Vickrey, W., "Counterspeculation, Auctions, and
Competitive Sealed Tenders", The Journal ofFinance, marzo de 1961.
Von Neumann, J. y O. Morgenstern, Theory of Games and Econontic Behavior, Princeton, Princeton University Press, 1944.
Williams, J. D., The Compleat Strategyst, edicin
modificada, Nueva York, McGraw-Hill, 1966.
Wilson, R. B., "Competitive Bidding with Disparate
Information", Management Science, marzo de
1969; y "Competitive Bidding with Asymmetrical Information", Management Science, julio de
1967.
9-2.
9-3.
9-4.
a. Qu estrategia seguira A?
259
b. Qu estrategia seguira B?
c. Cul es el "valor" del juego?
d. Elabore un grfico de los pagos de estas
estrategias, desde el punto de vista del ju
gador A.
9-5. Suponga que la siguiente matriz de resultados
es adecuada para las estrategias de mercadotecnia de dos oponentes:
a. Qu estrategia seguira A? Por qu?
b. Qu estrategia seguira B? Por qu?
c. Qu resultado pronosticara para esta si
tuacin?
Problemas
9-6. En la siguiente matriz de resultados para A y
B, las cantidades son la utilidad que gana A
y pierde para cualquier interseccin de
estrategias:
9-9.
260
9-11.
Problemas ms difciles
9-12.
9-13.
9-14.
9-15.
9-16.
9-17.
261
Publicidad
media
Publicida
d
Mnimos
de las filas
Sin publicidad
Publicidad media
Publicidad cuantiosa
Mximos de las
columnas
9-18.
PARTE
Programacin matemtica
CAPTULO
Introduccin a la
programacin lineal
Como se describi en los captulos anteriores de este libro, los gerentes construyen
modelos como instrumentos de ayuda para resolver problemas de decisin.
Un modelo de programacin lineal es un tipo especial de modelo matemtico en
el cual las relaciones entre variables son lineales y donde hay un solo objetivo o
medida del rendimiento. Una ventaja de este tipo de modelo es que existe una
tcnica matemtica, llamada programacin lineal, que puede determinar la
decisin ptima o mejor, incluso si existen miles de variables y relaciones. En
este captulo se considera la formulacin de modelos de programacin lineal; en
los captulos posteriores se tratan la resolucin de los problemas y la interpretacin de resultados.
En el modelo de programacin lineal hay un conjunto de variables de decisin,
, X2, XN- El modelo de programacin lineal est diseado para maximizar (o
minimizar) una funcin objetivo de la forma:
266
267
Tabla 10-1
Producto
A
268
El objetivo de la empresa es maximizar los beneficios. El problema es determinar cuntas unidades de los productos A y deben producirse dentro de los
lmites de las capacidades disponibles de las mquinas.
Formulacin. Sea:
Xx = Nmero de unidades del producto A que se fabricarn
X2 = Nmero de unidades del producto que se fabricarn
= Beneficios adicionales totales para la empresa
La funcin objetivo es:
Maximizar: = 6XX + 7X2
Esta ecuacin establece que los beneficios totales de la empresa se forman con
los beneficios del producto A (seis dlares multiplicados por el nmero de
unidades vendidas) ms los beneficios del producto (siete dlares multiplicados
por el nmero de unidades vendidas).
La primer restriccin se refiere a la disponibilidad de tiempo en la primera
mquina. Esto se puede expresar como sigue:
2X, + 3X2 < 24
Cada unidad del producto A utiliza dos horas de esta mquina y cada unidad del
producto emplea tres horas. Por lo tanto, el total de horas utilizadas se expresa
con el primer miembro de la expresin anterior y debe ser igual o menor que el
total de horas disponibles de la primera mquina (24). Para la segunda mquina
hay una restriccin similar:
2X, + 1X2 < 16
As mismo, en toda formulacin de programacin lineal est implcita la
restriccin de que Xx y X2 no sean negativas. En trminos del problema, esto quiere
decir que la empresa slo puede producir cantidades positivas o cero.
La formulacin total es:
Maximizar: = 6X1 + 7X2
Sujeto a:
X1,X2 > 0
Este ejemplo es sencillo y no se requerira programacin lineal para resolverlo.
Sin embargo, los problemas que implican docenas de productos y varias restricciones no pueden resolverse en forma intuitiva; la programacin lineal ha demostrado su utilidad en estos casos.
269
Tabla 10-2
Ventas anuales
Ubicacin del almacn (miles de cajas)
Nueva York
50
Boston
Chicago
Los ngeles
Dallas
Total
10
60
30
20
170
Tabla 10-3
De
Cincinnati
Denver
Atlanta
Nueva York
$120
210
150
Boston
$150
220
170
Chicago
$ 80
150
150
Los ngeles
$250
100
240
Dallas
$180
110
200
270
El costo total es la suma de los productos, para cada ruta de envo posible (de
la fbrica al almacn), del costo de envo de la tabla 10-3 multiplicado por el
nmero de millares de cajas que se envan.
Hay dos conjuntos de restricciones para este problema. El primero garantiza
que se cumplirn las necesidades del almacn, Entonces, para Nueva York:
Lo anterior estipula que la suma de las cajas que se envan a Nueva York de la
primera fbrica (Cincinnati), la segunda (Denver) y la tercera (Atlanta) debe ser
50 000 cajas, el requerimiento de ventas de Nueva York. Para los otros almacenes
se tiene:
Boston :
Chicago :
Los ngeles :
Dallas :
El segundo conjunto de restricciones garantiza que las fbricas no excedan sus
capacidades de produccin. De esta manera, para la fbrica de Cincinnati:
271
Sujeto a:
Restricciones de
requerimientos
de almacenes
Restricciones
de capacidad
de fbricas
y presin de vapor de 7:
272
Tabla 10-4
Mezclas disponibles
Octanaje
104
94
Tabla 10-5
Presin
Cantidad
de vapor
disponible
5
30 000 barriles 9
70 000 barriles
Productos
finales
Gasolina para aviacin
Gasolina para motores
Octanaje
mnimo
Presin de
vapor mxima
102
%
6
8
Ventas
mximas
20 000 barriles
Cualquier cantidad
Precio de
venta (por
barril)
$45.10
32.40
Formulacin. Sea:
= Nmero de barriles de gasolina para la mezcla 1 utilizados
en gasolina para aviacin
X2 = Nmero de barriles de gasolina para la mezcla 2 utilizados
en gasolina para aviacin
X3 = Nmero de barriles de gasolina para la mezcla 1 utilizados
en gasolina para motores
X4 = Nmero de barriles de gasolina para la mezcla 2 utilizados
en gasolina para motores
La funcin objetivo es maximizar = Ingresos totales:
Maximizar:
273
Otro conjunto de restricciones tiene que ver con el octanaje de las gasolinas
finales. Recuerde que la cantidad total de la gasolina para aviacin es Xx + X2 y
su octanaje estar definido por las cantidades relativas de X, + X2, de acuerdo con
la siguiente frmula:
Las cifras 104 y 94 provienen de la tabla 10-4 y son los octanajes de las
gasolinas para mezcla 1 y 2, respectivamente. En la tabla 10-5 se observa que el
octanaje de la gasolina para aviacin debe ser por lo menos 102, por lo cual se
tiene la siguiente restriccin:
274
El ltimo conjunto de restricciones tiene que ver con los requisitos de presin
de vapor de las gasolinas finales. En el caso de la gasolina para aviacin, la
restriccin es:
Restriccin de la demanda
Restricciones de disponibilidad
de gasolina para mezclas
Restricciones de octanaje
Restricciones de presin de vapor
275
La programacin dinmica tambin trata los problemas dinmicos (vase Cap. 22). En ocasiones es posible
formular una situacin como un problema de programacin lineal y de programacin dinmica. Vase los
ejercicios al final del captulo 22.
276
Tabla 10-6
Requerimientos y costos
Mes
12
Para el mes 2:
277
Sujeto a:
Restricciones
de balance de
inventario
Restricciones
de produccin
en tiempo normal
Restricciones
de produccin
en tiempo extra
278
Figura 10-1
279
280
281
Y as para todos los productos. Observe que al especificar los valores para todas
las X, define de hecho la mezcla de productos.
Otro mtodo que en ocasiones sirve para definir las variables de decisin es
dibujar un diagrama de flujo que muestre cmo se relacionan las diversas partes del
problema; la figura 10-1 es un ejemplo de este mtodo. Despus se definen las
variables que representen el flujo de los bienes, de los materiales, etc., entre las diversas partes. Observe que las variables de la tabla 10-7 estn asociadas con las
flechas de la figura 10-1. Por ejemplo, una flecha muestra el flujo de los troncos
al aserradero de madera contrachapada, y las variable Xg (MPT de abeto al aserradero
de madera contrachapada) y Xi0 (MPT de pino al aserradero de madera contrachapada) son las variables de decisin que corresponden a este flujo de madera.
5. Defina especficamente las restricciones, con base en las variables de deci
sin. Tome la lista de restricciones que defini en el paso 3 y use las variables de
decisin del paso 4 para obtener restricciones detalladas. El resultado es un
conjunto de restricciones como las que se ilustraron en los cinco ejemplos del
captulo.
6. Defina con detalle la funcin objetivo. Hay que definir un coeficiente de costo
o de beneficio para cada variable de decisin del paso 4. Es importante incluir
slo los costos o los beneficios que varen con las decisiones que se consideran.
Siempre hay que excluir los costos fijos.
Por ejemplo, el costo de mano de obra por unidad puede parecer razonable para
incluirse en la formulacin de programacin lineal que define la mezcla de
productos que debe producir una empresa. Sin embargo, si la empresa tiene una
poltica de pagar a sus empleados por tiempo completo, sin importar el tiempo
real que se utilice, entonces el costo de mano de obra es fijo. No vara con la
decisin de mezcla de productos y debe excluirse de la funcin objetivo.
Aunque estos seis pasos son un esquema general para formular modelos
lineales, no son un sustituto de la prctica y la experiencia. Usted debe probar
varios de los ejercicios al final del captulo para aumentar su habilidad para
formular modelos.
RESUMEN
En un modelo de programacin lineal hay una funcin objetivo lineal que debe
maximizarse o minimizarse, sujeta a un conjunto de restricciones lineales. Todas
las variables de decisin son no negativas. La formulacin de un modelo de
programacin lineal consiste en traducir un problema de decisin empresarial a
terminologa de programacin lineal, definiendo variables, especificando una
funcin objetivo y escribiendo todas las restricciones como desigualdades o
igualdades. Los ejemplos y pasos que se proporcionaron antes estn diseados
para ayudarle a formular problemas de programacin lineal.
282
Bibliografa
Baumol, W. J., Economic Theory and Operations
Analysis, cuarta edicin, Englewood Cliffs, N.
J,, Prentice Hall, 1977. Bradley, S. P., A. C. Hax
y T. L. Magnanti, Applied
Mathematical Prograinming, Reading, Mass.,
Addison-Wesley Publishing, 1977. Chames, A.
y W. W. Cooper, Management Models
and Industrial Applications of Linear Programming, dos vols., Nueva York, John Wiley &
Sons, 1963. Dantzig, G. B., Linear
Prograinming and Extensions, Princeton, N. J., Princeton University
Press, 1963.
Eppen, G. D., F. J. Gould y C. Schmidt, Quantitative Concepts for Management, tercera edicin,
Englewood Cliffs, N. J., Prentice Hall, 1988.
Geoffrion, Arthur M., "Better Distribution Planning with Computer Models", Harvard Business
Review, julio-agosto de 1976.
Hillier, F. y G. J. Lieberman, Introduction to Operations Research, quinta edicin, Nueva York,
McGraw-Hill, 1990.
Savage, Sam L., What's Best, Oakland, Calif., Holden-Day, 1986.
Schrage, L., Linear, Integer and Quadratic Prograinming with LINDO, cuarta edicin, South
San Francisco, Calif., Scientific Press, 1989.
283
Wagner, H., Principies of Operations Research, segunda edicin, Englewood Cliffs, N. J., Prentice
Hall, 1975.
10-2.
(porcentaje)
Prstamos personales
15
12
9
10
7
Los prstamos personales no pueden exceder el 10% de la cantidad total de los prstamos. La cantidad de prstamos personales y
para muebles, en conjunto, no debe ser mayor
del 20%. Las primeras hipotecas deben
constituir por los menos el 40% de todas las
hipotecas y por lo menos el 20% del total de
prstamos. Las segundas hipotecas no pueden
exceder el 25% del total de prstamos.
La compaa desea maximizar los ingresos
de los intereses de los prstamos, sujetndose
a las restricciones anteriores. La empresa
puede prestar como mximo 1.5 millones de
dlares.
Formule este problema como uno de programacin lineal. No lo resuelva. Una
10-3. compaa vende dos productos diferentes, A y B.
La informacin del precio de venta y de los
costos unitarios es la siguiente:
Producto A
Precio de venta
Costo unitario
Beneficios unitarios
$60
30
$30
Producto
$40
10
$30
284
Tabla 10-8
es
Ene.
Feb.
Mar.
Abr.
Mayo
Jun.
58
36
34
69
72
43
$18.0
17.0
17.0
18.5
19.0
19.0
$20.0
19.0
19.0
21.0
22.0
22.0
Tabla 10-9
Mina
Planta 1
Planta 2
Planta 3
Capacidad
(m3 de tierra
procesada)*
Costos de
tratamiento
(rands por
m3)
Grado
(quilates
por m3)
83 000
310 000
190 000
R0.60
R0.36
R0.50
0.36
0.22
0.263
Recuento de
gemas (nmero
de piedras por m3)
0.58
0.26
0.21
10-4.
10-5.
285
Problemas
Queremos seleccionar una estrategia de publicidad para llegar a dos tipos de clientes: amas
de casa de familias con ingresos anuales
superiores a 10 000 dlares y amas de casa de
familias con ingresos anuales inferiores a 10
000 dlares.2 Consideramos que las personas
del primer grupo comprarn dos veces ms
nuestro producto que las personas del segundo
grupo, y nuestro objetivo es maximi-zar las
compras. Podemos anunciar el producto en
televisin o en una revista; una unidad de
publicidad en televisin cuesta 20 000 dlares
y llega a aproximadamente 2000 personas del
primer grupo y a 8000 del segundo. Una
unidad de publicidad en la revista cuesta 12
000 dlares y llega a 6000 personas del primer
grupo y a 3000 del segundo.3 Hay que usar por
lo menos seis unidades de publicidad en
televisin y no podemos usar ms de 12
unidades de publicidad en la revista, por
cuestiones de poltica. El presupuesto para
publicidad es de 180 000 dlares.
Formule este problema como un problema
de programacin lineal, definiendo todas las
variables que utilice. En fechas recientes,
10-7. Super Sausage Com-pany (SSC) ha
experimentado cambios radicales en los
precios de las materias primas, y el gerente ha
dado instrucciones a un analista para que
examine las proporciones de
Costo por
40
10
kilogramo
$1.80
C
D
20
10
5
15
35
40
0.75
0.40
0.15
286
10-10.
10-11.
287
Tabla 10-10
Reduccin
Limite superior
Prevencin
esperada en daos
esperada
de gastos
para el
de fallecim ientos a propiedades
por cada 1000
proyecto
por cada 1000
(en dlares) dlares gastados dlares gastados
Proyecto
1. Publicidad para el uso
de cinturones de seguridad
2. Investigacin para mejorar
el diseo de carreteras
3. Investigacin para mejorar
el diseo de automviles
4. Dlares gastados para promover
leyes estatales ms severas
para conductores ebrios
Tabla 10-11
$80 000
0.33
20 000
0.25
20 000
75 000
0.15
30 000
100 000
0.27
10 000
Primer
proceso
Segundo
proceso
45
25
35
20
50
70
60
80
Prdidas en la produccin
10-12.
288
10-13.
Capacidad
(mximo de
alumnos)
4 000 3
000 2
000
Total
9 000
Nmero de
estudiantes
de minoras
Porcentaje de
estudiantes
2 100
Vecindario
1
2
3
4
5
30
80
20
10
20
2 400
1 300
800
1 600
8 200
Total
1.2
0.4
2.6
1.4
2.4
0.8
1.3
2.0
2.2
0.5
1.6
0.7
2.0
3.0
0.2
Escuela
289
Tabla 10-12
Tipo
Remolque
Mediano
Camioneta
Almacn
1
2
3
Costo
de compra
Costo operativo
(toneladakilmetro)
$15 000
8 000
5 000
$0 28
0 32
0.40
Precio Demanda
de venta
anual
(por unidad) (unidades)
$1.00 40 (XX) 10 (XX)
1.10 20 (XX) 25 (X)O
1.00
0.60
Costo variable
de produccin
Planta por unidad
10-15.
Capacidad
anual
(unidades)
$0.40
40 000
0.35
0.45
30 000
45 000
10-16.
Capacidad
(toneladaskilmetro
por mes)
10
(XX)
8 000
6 000
290
Tabla 10-13
Regular
Modelo
Precio de venta por unidad Costo de materias primas por
unidad Horas de trabajo necesarias para el montaje, para
el acabado y para el empaquetado por unidad* Lmite
superior de la demanda para las ventas semanales
$7
$3
0.1
1 000
Especial De lujo
$15
$6
0.2
800
$25
$10
0.
5
300
291
Puede servir su modelo de programacin lineal de (a) para resolver el problema de reubicacin de aviones de ?
De ser as, indique los cambios en las defi-
Problemas ms difciles
10-17.
10-18.
Tabla 10-14
Mtodo de corte
Anchura
60 centmetros
50 centmetros
30 centmetros
20 centmetros
Desperdicio
(centmetros)
292
Elemento
Maz
Cebada
$100
$120
10
120
100
*) $4.25
$4.50
$5.25
Unidades
Enero
100
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Total
200
300
400
100
100
500
300
2000
10-20.
Enero
Febrero
Marzo
Abril
Mayo
Junio
Horas necesarias
8000
7000
8000
10 000
9 000
12 000
10-21.
293
294
Tabla 10-15
Tipo
Vapor
Hidroelctrica, sin represa
Hidroelctrica, represa pequea
Hidroelctrica, represa grande
Suministro
garantizado
(millones de
kilo-watts)
0.15
Suministro Costo de la
mximo
inversin
(millones
(miles de
de kilowatts) dlares)
$30
0.20
0.10
0.10
0.80
0.10
0.40
0.90
40
60
100
Costo total
actualizado
(miles de
dlares)
$65
42
64
110
295
Tabla 10-16
Automviles necesarios
10-23.
10-24.
Oct.
Nov.
Dic.
Ene.
Feb.
Mar.
380
360
300
360
330
340
10-25.
de alquiler para los prximos seis meses, como se presenta en la tabla 10-16.
La compaa obtiene sus vehculos por
arrendamiento de un fabricante de automviles. Hay tres planes de arrendamiento disponibles, con duracin de tres, cuatro o
cinco meses. Los automviles se arriendan
al comenzar el primer da de cada mes y se
devuelven al fabricante el ltimo da del mes
en el cual concluye el periodo de arrendamiento. Los costos de arrendamiento se
muestran en la tabla 10-17.
Estos costos incluyen el pago por arrendamiento al fabricante y los gastos normales
de mantenimiento y reparacin. El arrendamiento se puede obtener en cualquier mes.
El fabricante tiene ciertas restricciones: por
lo menos el 60% de los automviles deben
arrendarse a cinco meses, y no ms del 20%
pueden estar en arrendamiento a tres meses.
La flotilla est compuesta, al 30 de septiembre, por 300 automviles. Para 100 de
ellos, el arrendamiento vence al trmino de
octubre; para otros 100, vence al final de
noviembre y para los 100 restantes vence al
concluir diciembre. Premier desea tener
entre 300 y 350 automviles en la flotilla al
terminar marzo (despus de devolver los
automviles cuyo arrendamiento vence ese
mes).
Premier quiere tambin minimizar sus
costos de arrendamiento. Formule un problema de programacin lineal para resolver
el problema de planificacin de la flotilla.
Precisin Pencil Company (PPC) produce
lpices de madera y el grafito de los lpices.
Hay dos clases principales de sus productos:
lpices regulares y de dibujo. La produccin
del grafito para las dos clases utiliza las
mismas instalaciones, pero en el caso del de
mayor calidad para dibujo, las operaciones
del departamento requieren ca-
Parte III
296
Programacin matemtica
Tabla 10-17
Tipo de arrendamiento
Tres meses
Costo total del atrendamiento
Costo por mes
$1 360
340
$1 140
380
Cuatro meses
Dibujo
(por hora)
Departamento
Regular
(por hora)
Grafito
500 kilogramos 300 kilogramos
Fabricacin de lpices 30 gruesas*
30 gruesas*
* Una gruesa es 144 lpices.
Cinco meses
$1 500
300
Captulo 10
Tabla 10-18
Nmero
de ciudad
297
Secuenci
a de
Combustible adicional
Consumo consumido por litro de
normal combustible
almacenado en el
de
combustiblt
Combustible Combustible
si se carga el tanque (es decir,
mnimo
mximo
combustible combustible por encima
requerido permitido
mnimo del mnimo; en litros)
Precio por
litro
(centavos)
298
Caso 10-28
yV
Impala Gold Company operaba una mina de oro en el Estado Libre de Orange,
Sudfrica. La operacin consista en minera subterrnea, a una profundidad de
1400 metros, para la extraccin de mineral de oro. Las rocas se transportaban por
los tneles de la mina a un molino que trituraba la roca y extraa el oro.
La mina Impala tena tres tneles. La informacin acerca de estos tneles se
presenta en la tabla adjunta. Observe que el mineral que se obtiene de cada una
de las reas de los tneles tiene diferente contenido de oro y distinto costo.
Las rocas que se extraan de los tres tneles se enviaban al molino para ser
trituradas y refinadas. La capacidad del molino dependa de la finura del molido
de las rocas. Si las rocas se molan finamente, la capacidad del molino era de
240 000 toneladas mensuales y se recuperaba el 95% del oro en la operacin. Las
rocas de cada tnel se podan moler por separado. El costo de molido fino de una
tonelada de roca era 1.12 rands por tonelada. Si el molido de las rocas era grueso,
la capacidad del molino era de 250 000 toneladas, pero la recuperacin de oro
bajaba al 90%. El costo de molido grueso de una tonelada de roca era de 0.85
rands. La mina poda vender todo el oro que produjera, a 0.80 rands el gramo.
El gerente de la mina estaba preocupado por la cantidad de mineral que deba
extraer de cada una de las reas de los tneles. Haba observado que la capacidad
del molino no era suficiente para manejar todos los tneles si stos operaban a
toda su capacidad. El problema se complicaba an ms por el requisito legal de
que la mina no poda operar "por encima del grado promedio" de las reservas
de mineral. En la mina Impala este grado promedio era de 20 gramos por tonelada.
Por lo tanto, exista la restriccin legal de que la mezcla de rocas de los tres tneles
no poda exceder un promedio de 20 gramos de oro por tonelada de mineral.
Formule un modelo de programacin lineal para maximizar los beneficios de
la operacin de la mina.
Captulo 10
Caso 10-29
299
Tnel 1
Tnel
2
Tnel
3
85 000
25 6
90 000 20
5
95 000
15
4
300
Parte III
Programacin matemtica
Tabla 10-19
Saldo de cuentas por cobrar
(al iniciar el mes)
Pagos planificados de compras
(suponiendo que se aplica
el descuento)
Necesidades de efectivo para
las operaciones
Excedente de efectivo de las
operaciones
Caso 10-30
Sept.
Oct.
Nov.
Dic.
Ene.
Feb.
$70
$50
$70
$120
$100
$ 50
80
90
100
60
40
50
30
60
90
20
30
150
Tabla 10-20
Mina de origen
y tipo de fluido
Mina A
Ligero
Mediano
Pesado
Mina
Ligero
Mediano
Pesado
MinaC
Ligero
Mediano
Pesado
Tabla 10-21
Mina
301
Porcentaje del
contenido
de cenizas
del carbn
recuperado
0.40
0.50
0.55
0.62
0.91
1.04
1.6
1.9
2.1
0.70
0.90
0.95
0.22
0.35
0.47
1.9
2.3
2.5
0.62
0.75
0.82
0.42
0.50
0.78
1.5
1.8
2.2
Capacidad
(toneladas
mximas
extradas por
semana)
6000
2 300
5000
Costo (dlares
por tonelada
extrada)
$25
45
40
CAPTULO
Resolucin de problemas de
programacin lineal
En el captulo 10 se present una amplia gama de problemas que pueden formularse como modelos de programacin lineal. En este captulo se ver la forma de
resolverlos. Puesto que los problemas reales de programacin lineal pueden ser
muy grandes y complejos, se emplean mtodos de computacin para resolverlos.
Estos mtodos son de gran inters para los especialistas en computacin y los
matemticos, y las ideas bsicas de esta tcnica, llamada mtodo simplex, se
analizan en el captulo 12. Los gerentes se interesan ms por las soluciones que
por los aspectos matemticos de los mtodos. Usted podr preguntarse por
qu debe estudiar este captulo; la respuesta es que las soluciones de los problemas
de programacin lineal permiten ver muchos detalles del problema de decisin.
En el captulo 2 se analizaron el valor del anlisis de sensibilidad y otros aspectos
de los modelos en general que los gerentes pueden conocer. Las soluciones de los
problemas de programacin lineal ofrecen muchos detalles y, para comprender
plenamente las/ soluciones, es necesario conocer algo acerca del proceso de
resolucin. Por lo tanto, este captulo presenta algunas ideas de las soluciones
algebraica y grfica de la programacin lineal y los conceptos tiles que los
gerentes pueden obtener de estas soluciones.
Solucin grfica
En la mayora de los casos no es posible resolver grficamente los problemas de
programacin lineal, por nuestra incapacidad para visualizar ms de tres dimensiones espaciales. Sin embargo, es conveniente ver cmo se puede resolver un
problema sencillo en forma grfica, ya que los problemas de mayor dimensin
tienen soluciones semejantes.
Situacin. Una empresa fabrica dos productos, A y B. Cada uno requiere tiempo
en dos mquinas. La primera mquina tiene 24 horas disponibles y la segunda
302
303
tiene 16. Cada unidad del producto A requiere dos horas en ambas mquinas y
cada unidad del producto necesita tres horas en la primera mquina y una hora
en la segunda. Los beneficios son de seis dlares por unidad de Ay de siete dlares
por unidad de B, y la empresa puede vender todas las unidades que fabrique de
ambos productos.
Problema. Suponga que el objetivo es maximizar el beneficio; cuntas unidades de los productos A y debe producir? Este problema de programacin lineal
se analiz en el captulo 10. Aqu se repasar brevemente su formulacin.
Formulacin. Sea:
X, = Nmero de unidades del producto A que se fabricarn Xi =
Nmero de unidades del producto que se fabricarn =
Beneficio total para la empresa
La situacin y el objetivo (maximizar el beneficio) se pueden expresar con las
siguientes ecuaciones:
Maximizar:
Sujeto a:
304
Figura 11-1
Esta lnea contiene varios puntos factibles (puntos en ACDE), todos los cuales
generaran 42 dlares de beneficio. Pero la lnea = 54 es mejor que = 42, pues
contiene puntos factibles con beneficio de 54 dlares. Observe que la lnea de
beneficio = 54 es paralela a la lnea = 42; en los problemas de programacin
lineal todas las lneas de beneficios sern paralelas. Continuamos considerando
Ms adelante se ver que dos o ms vrtices adyacentes pueden ser soluciones ptimas alternativas.
Figura 11-2
305
las lneas paralelas a la lnea = 42 hasta llegar a la lnea - 64. Aqu slo hay
un punto en la regin ACDE, D, y D (que es X1 = 6 y X2 = 4) es la solucin ptima.
No hay puntos en la regin factible para valores de mayores.
El vrtice especfico que ser la solucin depender de la pendiente de la
funcin de beneficio, es decir, de la rentabilidad relativa de los productos A y B.
Si, por ejemplo, el producto A fuera mucho ms rentable que el producto
B, digamos ocho dlares por unidad de A y dos dlares por unidad de B, entonces
la funcin objetivo sera:
SX 1 + 2X 2
306
Figura 11-3
Figura 11-4
ptimas. Los vrtices C y D son puntos ptimos con beneficio de 64 dlares, pero
tambin lo son todos los puntos sobre la lnea CD de la figura 11-4.
Ms dimensiones. Visualice la extensin del problema de programacin lineal a
tres dimensiones, como se muestra en la figura 11-5. Las restricciones repre-
307
sentan planos en el espacio tridimensional y la regin factible es un rea tridimensional limitada por estos planos. Los vrtices A, B,... O representan los puntos
donde se intersecan los planos de restriccin. Las funciones de beneficios (que
no se muestran) tambin son planos. Al igual que en el caso de dos dimensiones,
la solucin ptima debe estar en uno de los vrtices factibles.
Aunque no podemos visualizar un problema con cuatro dimensiones o ms, las
ideas bsicas se pueden aplicar por medios algebraicos a problemas con muchas
variables.
RESUMEN
308
Figura 11-6
Precios duales
Considere la ecuacin de restriccin para la mquina 1, que especifica un mximo
de 24 horas disponibles. En trminos de la programacin lineal, este lmite de la
capacidad con frecuencia se denomina valor del trmino independiente o segundo miembro de la restriccin (o sencillamente TI). Suponga que puede agregar
una hora para que la restriccin sea
309
310
Figura 11-8
311
312
ptima requera slo cuatro unidades del producto B, por lo cual no importa el
lmite de seis unidades que impone el mercado. Por lo tanto, el precio dual es cero.
De hecho, el precio dual de cualquier restriccin no efectiva siempre es cero.
Costos reducidos: Precios duales para restricciones de no negatividad. Tambin es posible determinar los valores marginales asociados a introducir al menos
una unidad de una variable decisin en la solucin. Recuerde que las restricciones
de no negatividad son
El incluir una unidad en la solucin implica
modificar una restriccin de no negatividad a
Los valores
marginales de hacer esto se denominan costos reducidos.
Considere de nuevo el problema bsico cuya grfica se presenta en la figura
11-9. La solucin ptima requiere Xx = 6 y X2 = 4. Los dos son valores positivos
y, por lo tanto, ninguna de las restricciones de no negatividad es efectiva.
Entonces, el valor marginal (es decir, el costo reducido) asociado a su modificacin es cero, al igual que para las dems restricciones no efectivas.
Suponga ahora que la funcin objetivo es = 10X1 + 3X2, como se muestra en
la figura 11-10. El punto C es la solucin ptima, con Xx = 8 y X2 = 0 y beneficio
de 80 dlares. Observe que X2 = 0, por lo cual la restriccin de no negatividad
X2 < 0 es efectiva. Suponga ahora que debe producirse por lo menos una unidad
del producto B, debido a un compromiso con un cliente, por lo cual se cambia la
restriccin de no negatividad a X2 > 1. Con esto cambia la solucin ptima de
la figura 11-10 a C", con X, = 7.5, X2 = 1 y beneficio de 78 dlares, una reduccin
de dos dlares con respecto al nivel anterior. En este caso el costo reducido o valor
marginal asociado con la restriccin de no negatividad de X2 es de dos dlares, lo
cual representa el costo de conservar al cliente.
313
RESUMEN
314
Captulo 11
315
RESUMEN
Restriccin
Lmite
actual
Precio
dual
Aumento
permitido
Reducci
n
permitida
Horas de la mquina 1
Horas de la mquina 2
Demanda del producto
24
16
6
$2
$1
0
4
8
Infinito
8
4
2
Los precios duales expresan el valor marginal del cambio del trmino independiente de una restriccin, pero estos valores slo se mantienen en ciertos intervalos.
316
dlar. Una unidad del producto C requiere cuatro y tres horas en las dos mquinas,
respectivamente. Entonces, el costo de oportunidad de una unidad del producto C es:
[(Precio dual de las horas de la mquina 1) (Horas requeridas en la mquina 1)] +
[(Precio dual de las horas de la mquina 2) (Horas requeridas en la mquina 2)]
o sea
Esto representa el costo de prdida de oportunidad de la produccin de A y B. El
beneficio del producto C es slo de 10 dlares, por lo cual no debe producirse, ya
que el costo de oportunidad excede el beneficio unitario.
Otro
ejemplo
La misma empresa tiene otro artculo, el producto D, que requiere una hora en
cada una de las mquinas y produce un beneficio unitario de cinco dlares. Debe
producirse?
El costo de oportunidad de este producto es
RESUMEN
317
por unidad del producto aumenta a ocho dlares, nueve dlares y luego a diez.
Cuando el coeficiente de X2 en la funcin objetivo es $8 (es decir, beneficio de
ocho dlares por unidad del producto B), la funcin de beneficio es = 6XX + SX2
y el punto D es an la solucin ptima. Si el coeficiente de X2 aumenta a $9,
la pendiente de la funcin de beneficio es idntica a la pendiente de la restriccin
de la mquina 1 y cae exactamente sobre la lnea de restriccin. Por lo tanto hay
varias soluciones ptimas alternativas (vase pg. 305) y tanto D como son
vrtices ptimos. Suponga que el coeficiente de X2 aumenta ms, hasta 10 dlares
por unidad, de manera que la funcin de beneficio es = 6X + 10X2, como
se muestra en la figura 11-13. Observe que en la regin factible hay puntos
por encima de la lnea (es decir, con mayores beneficios), por lo cual el punto D
ya no es el ptimo. Ahora el punto es la nica solucin ptima. En otras
palabras, si el coeficiente de X2 excede nueve dlares, el punto ptimo pasa del
punto D al H.
El anlisis es el mismo si se reduce el coeficiente de X2. La figura 11-14 muestra
la funcin de beneficio para valores de $5, $3 y $1 del coeficiente de X2. Con un
coeficiente de 3, la funcin de beneficio es = 6XX + 3X2, la funcin de beneficio
coincide con la restriccin de la mquina 2 y los puntos C y D son ptimos. Si el
coeficiente se reduce ms, a 1, el punto ptimo se desplaza a C.
Se puede aplicar el mismo anlisis para los beneficios de A, manteniendo
constante el coeficiente de X2 y modificando el de Xx. Aunque no se muestra el
anlisis grfico, los resultados indican que el coeficiente de X] puede disminuir
de 6 a 4.67 antes de que el punto ptimo cambie a H. Por otra parte, el coeficiente
puede aumentar de 6 a 14 antes de que el punto ptimo se desplace a C.4 Estos
resultados se pueden resumir como sigue:
Intervalos de los coeficientes de la funcin
objetivo (intervalo en el cual no cambia la
solucin ptima bsica)
Variable
Coeficiente
actual
Aumento
permitido
Reduccin
permitida
Producto A
Producto
6
7
8
2
1.33
4
318
Figura 11-13 Anlisis de sensibilidad: Aumento en el beneficio por unidad del producto
unidades del producto A y cuatro unidades del producto B. Fuera del intervalo, la
solucin ptima cambia abruptamente a otro vrtice. Por supuesto, los beneficios
totales varan de acuerdo con los cambios en los coeficientes, pero, una vez ms,
la solucin no vara dentro de los intervalos.
Por otra parte, en los intervalos del trmino independiente la solucin cambia,
ya que el punto ptimo se desplaza sobre una de las lneas de restriccin. En
nuestro ejemplo se producen diferentes cantidades de los productos A y al
moverse el punto ptimo. Al llegar al lmite del intervalo, un nuevo vrtice se
convierte en la solucin ptima.5
RESUMEN
Los intervalos, tanto para los coeficiente del trmino independiente como para los
de la funcin objetivo, proporcionan informacin importante en la interpretacin de la solucin de un programa lineal. Los intervalos del trmino independiente determinan los lmites dentro de los cuales se mantiene el precio dual para
cada restriccin. Los intervalos de los coeficientes de la funcin objetivo determinan los lmites dentro de los cuales la solucin es la misma.
Minimizacin
Hasta ahora nuestro ejemplo ha supuesto la maximizacin de la funcin objetivo.
La minimizacin es similar.
5
En trminos de la formulacin algebraica que se analizar dentro de poco, las variables bsicas permanecen sin
cambio dentro del intervalo. El conjunto de variables bsicas cambia en el lmite.
319
Figura 11-14 Anlisis de sensibilidad: Reduccin del beneficio por unidad del producto
Ejemplo
Una compaa tiene dos talleres. Las variables de decisin son el nmero de horas
por semana que opera cada uno. El primer taller puede operar un mximo de
40 horas y el segundo un mximo de 60 por semana. Cada hora de produccin en
el primer taller da como resultado tres toneladas de producto terminado; cada
hora en el segundo taller produce cuatro toneladas de producto terminado. La
compaa tiene compromisos con los clientes para vender por lo menos 175
toneladas de producto terminado. La hora de operacin del primer taller cuesta
20 000 dlares, mientras que para el segundo taller el costo por hora es de 40 000
dlares. La compaa quiere mantener los costos en lo mnimo posible. Por
razones de poltica, la compaa quiere operar al menos el mismo nmero de horas
en el segundo taller que en el primero. La formulacin del programa lineal es:
Sea: X( = Horas semanales en el primer taller X2
= Horas semanales en el segundo taller
Funcin objetivo:
Minimizar:
Sujeto a:
(miles de dlares)
(mximo del taller)
(mximo del taller)
(requerimientos de los clientes; toneladas)
(requisito de poltica)
(restricciones de no negatividad)
320
Mtodo algebraico
En el captulo 10 se consider la formulacin de los problemas de programacin
lineal en trminos algebraicos. En esta seccin se ampliar el mtodo algebraico
para demostrar algunos de los conceptos importantes de la programacin lineal.
Considere el problema de maximizacin original que se resolvi al principio de
este captulo. Recuerde que se tena:
Maximizar:
Sujeto a:
El primer paso de nuestro procedimiento algebraico es convertir las expresiones de desigualdad del problema en igualdades. Esto se logra con la adicin de
dos variables, X3 y X4, llamadas variables de holgura. Las variables de holgura
representan la capacidad no utilizada de la primera y la segunda restricciones,
respectivamente. As, X3 es el nmero de horas de capacidad no usadas de la
mquina 1, y X4 es el nmero de horas no utilizadas de la mquina 2. Siempre es
posible convertir las desigualdades en igualdades, ya que debe existir una cantidad, la capacidad no utilizada X3, que al sumarse a (2X] + 3X3) sea igual a 24 (X3
puede ser mayor o igual que cero).
Las restricciones del problema se escriben ahora como:
321
322
o sea
Tabla 11-1
323
Soluciones bsicas
o sea
324
Linus Schrage, Users Manual for LINDO, Palo Alto, Calif., The Scientific Press, 1984.
326
Usaremos este ejemplo para repasar algunos de los aspectos que se destacaron
en este captulo. En primer lugar, observe que hay cuatro restricciones, por lo que
debe haber cuatro variables bsicas en la solucin. De hecho, all estn: TALLER 1
y TALLER2, cada una con valor 25, y adems 15 y 35 horas de holgura en las
restricciones de las capacidades de cada taller (renglones 2 y 3). En segundo lugar,
observe el precio dual (-$8.57) de la restriccin que requiere la produccin de
175 toneladas para satisfacer las exigencias del cliente. ste es el costo marginal
de la produccin de una tonelada adicional; la produccin de 176 toneladas
costara 8570 dlares ms que el costo de produccin de 175 toneladas. Observe
tambin que este costo marginal se mantiene desde la exigencia actual de 175
toneladas hasta 105 toneladas adicionales, para un total de 280 toneladas (vanse
los intervalos del trmino independiente de la tabla 11-3).
RESUMEN
Programacin paramtrica
El anlisis de sensibilidad del trmino independiente permite la definicin de un
intervalo de valores de la solucin ptima en el cual no cambian los precios duales.
En ocasiones es de inters examinar las variaciones en la solucin de progra8
Tabla 11-3
327
12
En este captulo slo nos interesa la variacin de una variable cada vez. Esta tcnica se. puede ampliar para
considerar los cambios de diversas variables al mismo tiempo, en proporciones fijas entre s. Vase Harvey M.
Wagner, Principies of Operations Research, edicin revisada, Englewood Cliffs, N. J., Prentice Hall, 1975.
328
Figura 11-17
Maximizar:
Sujeto a:
Lo anterior establece que la cantidad total de capital de trabajo debe ser menor
que una cantidad no especificada, K. Nos interesa conocer cmo cambia la
solucin del problema al variar de cero en adelante.
Si = 0, la nica solucin es no producir nada y = X2 = 0. Si aumenta a 1,
el primer dlar de capital de trabajo se usa para producir una unidad de X2, porque
ste es el producto ms rentable. Entonces, en esta etapa, cada unidad de (es
decir, cada dlar de capital de trabajo) produce ocho dlares de beneficio. Esta
condicin se mantiene hasta llegar a la situacin que se presenta en la figura 11-18.
En la figura 11-18 hay tres unidades de disponibles y todas se usan para
producir unidades de X2. Sin embargo, en este punto la restriccin de mercado
(X2 < 3) es efectiva y ya no pueden producirse ms unidades de X2. Las unidades
329
Figura 1118
330
Figura 11-19
Un anlisis de este tipo sera importante para una empresa que quiere decidir
cunto capital de trabajo invertir en esta operacin de produccin. Es obvio que
no invertira ms de ocho dlares. Sin embargo, podra invertir menos si tuviera
alternativas ms rentables para sus fondos. Por ejemplo, si pudiera usar el capital
de trabajo en otro lugar que rindiera cuatro dlares por unidad, entonces no
invertira ms de seis unidades en esta operacin. Si pudiera obtener un rendimiento de seis dlares por unidad en otra parte, no empleara ms de tres unidades
en esta operacin.
Al construir un modelo de programacin lineal de sistemas empresariales
muchas veces se detecta que una operacin es una restriccin efectiva, un cuello
de botella. La gerencia puede aadir capacidad, pero surge la pregunta: cunta
capacidad adicional debe obtenerse? La programacin paramtrica puede servir
para obtener una respuesta parcial a la pregunta, y muestra cules seran los
ingresos o ahorros adicionales que se obtendran de la adicin de distintas
cantidades de capacidad y, al determinar los costos de la adicin de esta capacidad,
se puede obtener la respuesta.
El anlisis paramtrico tambin puede aplicarse a la funcin objetivo para
estudiar el efecto de los cambios en el precio de un producto o en el costo de una
materia prima.
RESUMEN
Figura 11-20
Figura 11-21
331
332
13
333
Observe que las primeras 900 unidades adicionales (de 600 a 1500) tienen
precio dual de 6.67 dlares y que las 100 unidades siguientes tienen valor (precio
dual) de 3.33. Por lo tanto, el valor total de las 1000 unidades es (900 $6.67) +
(100 x $3.33) = $6333. Como esta cifra es mayor que el costo de 5000 dlares,
hay que comprar la madera.
RESUMEN
Este captulo present las ideas bsicas de la solucin de problemas de programacin lineal, primero en forma de soluciones grficas y luego como resultados
de programas de computacin.
La solucin ptima de un problema de programacin lineal es un vrtice de la
regin factible, el cual corresponde, en trminos algebraicos, a una solucin
bsica factible que contiene m variables bsicas (donde m es el nmero de
restricciones).
El anlisis de sensibilidad de las restricciones implica primero encontrar
el precio dual, valor marginal de un cambio unitario en el trmino independiente
de la restriccin, y despus encontrar el intervalo de valores en el cual se mantiene
el precio dual (los intervalos del trmino independiente).
El costo reducido es un valor marginal anlogo, asociado a la introduccin de
una unidad de una variable de decisin en la solucin ptima.
Los intervalos de coeficientes de la funcin objetivo proporcionan anlisis de
sensibilidad adicionales. Estos intervalos indican los cambios en los coeficientes
de la funcin objetivo que no alteran la solucin ptima.
El anlisis paramtrico examina los cambios en la solucin y en el precio dual al
variar el trmino independiente de una restriccin dentro de un intervalo amplio.
Hay varios programas de computacin para la resolucin de problemas de
programacin lineal, incluyendo algunos existentes dentro de hojas de clculo. El
paquete LINDO se presenta como ejemplo en este captulo, pero las salidas de
otros programas son semejantes.
Los tres captulos siguientes continan con el tema de la programacin lineal.
El captulo 12 presenta los detalles del mtodo simplex para la resolucin de
problemas de programacin lineal. El captulo 13 considera temas especiales y el
captulo 14 abarca la programacin entera, en la cual las variables de decisin
slo pueden asumir valores enteros.
Apndice:
336
es daino (es decir, reduce los beneficios o aumenta los costos), mientras que la
ampliacin de una restriccin ayuda (aumenta los beneficios o reduce los costos).
En el caso de las restricciones de igualdad, a veces no queda claro si la restriccin
se hace ms estricta o ms holgada. La siguiente tabla debe servir para su
interpretacin.
Signo del
precio dual
Maximizacin o
minimizacin
+
+
-
Maximizacin
Maximizacin
Minimizacin
Minimizacin
Degeneracin
Recuerde que en la formulacin algebraica de este captulo se mencion que, en
un problema de programacin lineal con m restricciones, la solucin bsica tendr
exactamente m variables bsicas o de solucin. En las salidas de LINDO se pueden
determinar las bsicas con slo identificar las variables de decisin o las variables
de holgura o excedentes que sean distintas de cero. En ocasiones (de hecho, con
frecuencia en problemas de programacin lineal de gran magnitud) sucede que
hay menos de m variables distintas de cero en la solucin ptima. Esto quiere
decir que por lo menos una de las variables bsicas es cero, situacin que se conoce
como degeneracin.
Por lo general, la degeneracin no es un problema, pero hay que tener cuidado
en la interpretacin de algunos de los precios duales. Especficamente, al examinar los intervalos del trmino independiente, un precio dual puede tener un valor
cero como aumento permitido, una reduccin permitida de cero, o ambos. En otras
palabras, el precio dual se mantendr slo en un intervalo limitado o quizs no
exista tal intervalo. La degeneracin no ser un problema si se toma en cuenta
esta situacin al interpretar los resultados de la programacin lineal.
Soluciones alternativas
En ocasiones un problema de programacin lineal puede tener ms de una solucin
ptima (vase pg. 305 y Fig. 11-4.). Es fcil detectar estos casos en los resultados
de LINDO si la solucin no presenta degeneracin. Si hay una variable de decisin que tenga valor cero y tambin un costo reducido de cero, esto indica que
337
existe una solucin alternativa. Adems, una restriccin con holgura (o excedente)
igual cero y con precio dual de cero tambin indica una solucin alternativa.
Si la solucin ptima presenta degeneracin, entonces no es fcil determinar
en los resultados de LINDO si existen soluciones alternativas; este caso no se
analizar aqu.
Bibliografa
Schrage, Linus, Linear, Integer and Quadratic Programming with LINDO, cuarta edicin, South
San Francisco, Calif. Scientific Press, 1989.
11-2.
11-3.
338
11-4.
Problemas
11-5.
11-6.
11-7.
X,, X2 > 0
Remtase al problema 10-6 del final del captulo 10. Resuelva el problema en forma grfica para encontrar la estrategia de publicidad
ptima.
Remtase al problema 10-10 del final del captulo 10 (el problema de la compaa Delight Dairy).
a. Resuelva grficamente el problema.
b. Suponga que se podran obtener 10 horas
de trabajo adicionales (convirtiendo la po
sicin de % de tiempo en tiempo comple
to). Cul es el efecto en la solucin?
Muestre el resultado de manera grfica.
11-8.
339
340
11-9.
11-10.
8
2
40
10
2
60
Modelo
Viajero
12
4
80
Modelo
Total
Super disponible
15
5
100
2 000
500
341
(contina)
342
Tabla 11-6
(conclusin)
343
344
Problemas ms difciles
11-11.
11-12.
cidad normal. El gerente de ventas afirma que el costo marginal slo debe ser
de 30 dlares por unidad, ya que antes
slo exista el compromiso de entregar
95 unidades en enero. Cul cree usted
que ser el costo incremental de producir estas cinco unidades adicionales?
Por qu?
c. Suponga que la compaa podra au
mentar temporalmente la capacidad en
tiempo normal, en diez unidades, du
rante el mes de abril. Con esto aumen
tara el costo de estas 10 unidades
adicionales, de 32 a 34 dlares, mien
tras que el costo de las unidades de
tiempo extra sera el mismo, 37 dla
res. Debe realizarse este cambio?
Cmo lo sabe?
d. Suponga que el encargado de llevar
su contabilidad le informa que se co
meti un error al estimar el costo
unitario en tiempo normal para el mes
de abril. En lugar de los 32 dlares
que se usaron en el anlisis, el costo
correcto por unidad debi ser 36 dla
res. Cambiara entonces el plan de
produccin? Cambiara el costo total
estimado? Cunto?
La granja Co-Op posee 1000 hectreas de
tierra, las cuales cultiva para vender los productos a su cadena de tiendas. Los planes
actuales especifican que la granja cultive
345
(contina)
346
Tabla 11-8
(conclusin)
Tabla 11-8
347
{conclusin)
R
TES
=
=
=
=
348
349
350
/ Cunto tendran que aumentar el "costo de semillas y otros costos de cultivo" para que la granja cambiara la
cantidad de terreno que dedica al cultivo de trigo?
g. La granja considera la idea de cultivar
tomates. Las plantas de tomate pueden
comprarse a 50 dlares la hectrea y
requieren 15 horas de trabajo por hectrea. Una hectrea de tomate produce
40 bushels para venta, que pueden venderse a 12 dlares el bushel. Debe dedicar parte del terreno al cultivo de
tomates?
h. La granja puede aplicar fertilizante a la
tierra al inicio de la temporada, a un
costo fijo de 10 000 dlares. El fertilizante se aplica a toda la tierra y aumenta el rendimiento de maz a 130
bushels por hectrea y el rendimiento
de trigo a 110 bushels por hectrea. Es
rentable aplicar el fertilizante?
i. Co-Op quiere tener mano de obra experimentada en la granja. Cul sera la
tasa de cambio en el beneficio si se
agregan horas de trabajo experimentado?
j. El precio dual de la restriccin 3 (demanda de fuerza de trabajo) es de 6.23.
Pero la granja puede contratar una
cantidad ilimitada de horas de trabajo
de estudiantes a seis dlares la hora.
Explique esta contradiccin aparente.
CAPTULO
Programacin lineal
Mtodo smplex
En el captulo anterior se mostr cmo resolver problemas de programacin lineal
y efectuar el anlisis grfico de la sensibilidad, adems de cmo interpretar los
resultados de las soluciones por computador. En este captulo se presenta un
procedimiento de solucin algebraico, llamado mtodo smplex, para la resolucin de problemas de programacin lineal. Este procedimiento o sus variantes se codifica en programas de computacin para resolver problemas de
programacin lineal de gran tamao, incluso aquellos que incluyen miles de variables y restricciones.
Formulacin algebraica
La formulacin algebraica se present en el captulo 11 (pgs. 320 a 324), y se
deber repasar dicho anlisis antes de continuar. Consideremos el mismo problema que se formul en forma algebraica y se resolvi grficamente:
Maximizar:
Sujeto a:
352
En este problema hay ahora cuatro variables y dos restricciones, sin contar las
restricciones de no negatividad. En un problema general de programacin lineal
con m restricciones, habr ms de m variables despus de aadir las variables de
holgura o de excedente. Recuerde que si se selecciona un conjunto de las m
variables, las dems se hacen iguales a cero y despus se resuelve el problema
para estas m variables entonces se obtiene una solucin bsica. Las variables que
se seleccionan se denominan variables de solucin y las variables iguales a cero
son las variables externas. En el captulo anterior se encontraron todas las
soluciones bsicas del problema y se mostr su relacin con los vrtices de
la solucin grfica (vanse Tabla 11-1 y Fig. 11-6). Recuerde que algunas de las
soluciones bsicas no son factibles, ya que contienen valores negativos para una
variable o ms.
Como ejemplo, una de las soluciones bsicas implica la seleccin de y X2
como variables de solucin y la asignacin de cero a X3 y X4 (las variables
externas). Al resolver la ecuacin anterior se obtiene Xj = 6, X2 = 4 y beneficio
= 64, lo cual es la solucin ptima. Otra solucin bsica selecciona X3 y X4 como
variables de solucin y X, = X2 = 0, con beneficio = 0.
Mtodo smplex
El mtodo smplex es un procedimiento que comienza con una solucin bsica
factible y luego avanza, paso por paso, a soluciones consecutivas, cada una de las
cuales presenta las siguientes caractersticas: (1) es una solucin bsica factible,
y (2) tiene beneficio mayor que el de la solucin anterior.1 Por ltimo se obtiene
una solucin que no es posible mejorar y se ha encontrado la solucin ptima.
Ejemplo 1:
Maximizacin
de beneficios
En algunos casos es posible que el beneficio sea igual en un paso que en el siguiente, pero no puede disminuir.
353
Primera solucin
Tabla smplex
Es conveniente efectuar los clculos del procedimiento smplex en forma de tabla,
como la tabla 12-1.
de la tabla
Bajo el encabezamiento de cada columna
12-1 estn los coeficientes en las ecuaciones de restriccin correspondientes a las
variables del encabezamiento. As, bajo Xy est escrito
Bajo la columna "Valores de solucin" se
presentan las constantes o trminos independientes de las ecuaciones. Cada fila
de la tabla es, entonces, una ecuacin asociada a una restriccin. Es conveniente
colocar las columnas de las variables de holgura inmediatamente despus de la
columna de variables de solucin. La primera fila del encabezamiento de la tabla
contiene las C, o beneficio por unidad (los coeficientes de las variables en la
ecuacin de beneficio) para cada una de las variables
Solucin inicial
La solucin bsica inicial de la tabla 12-1 se forma con las variables de holgura
X3 y X4 como variables de solucin y X1 y X2 como externas. Esta solucin no es
muy rentable, ya que el beneficio es de = 0 y requiere que no se produzca nada
del producto A y nada del producto B. Los trminos X3 y X4 se registran en la tabla
smplex en la columna "Variables de solucin" y sus beneficios por unidad (CJ)
se marcan en la primera columna, bajo el encabezamiento C (vase Tabla 12-2).
Las variables de solucin pueden identificarse como aquellas cuyas columnas
contienen un elemento con +1 y los dems elementos son 0. De esta manera, la
columna X3 es
y la columna X4 es
354
Tabla 12-2
Primera solucin
Tabla 12-3
355
Bajo cada una de las columnas de la tabla 12-2 hay un total Z (el subndice y
se refiere a la columna que se totaliza). El total Z de una columna es la cantidad
de beneficios que se pierde al reemplazar parte de la combinacin de solucin con
una unidad del elemento que encabeza la columna. Este valor se determina
multiplicando cada C de la fila por el nmero de la fila y la columna j (el
coeficiente de sustitucin), y sumando todos los resultados. Los clculos de las
Zj de la tabla 12-2 son:
Z3 = 1(0) + 0(0) = 0
Z4 = 0(0)+ 1(0) = 0
Z, = 2(0) + 2(0) = 0
Z2 = 3(0) + 1(0) = 0
Tambin se puede calcular un valor para la columna "Valores de solucin"
(a partir de ahora se har referencia a esta columna como la columna 0):
Zo = 24(0) + 16(0) = 0
Zo representa el beneficio de la solucin actual.
Debajo de la fila Zy hay una fila con denominacin C1 Z1. AI restar el total Z1
a la cantidad C1 de la parte superior de la columna, se encuentra el beneficio neto
que agrega una unidad del producto (si C1 - Z1 es positivo) o el beneficio que se
pierde (si C, - Z1 es negativo). De esta manera, si se aade a la solucin una unidad
de X2 (reemplazando algunas cantidades de X3 y X4) aumentar en siete dlares el
beneficio neto.
La fila C1 - Z1 es en realidad una ecuacin, como las otras filas de la tabla de
programacin lineal, y expresa el beneficio en esa etapa de los clculos, en funcin
de las variables externas. Por lo tanto, la fila C1 Z1 equivale a:
Beneficio = 0X, + 0X4 + 6Xt + 7X2
Determinacin de una nueva solucin
El mtodo smplex encuentra una nueva solucin sustituyendo una de las variables
de solucin por una de las variables externas. Este procedimiento se lleva a cabo
en tres pasos:
1. Escoger una variable de entrada que aumente la rentabilidad de la solucin.
2. Elegir la variable de salida que asegure una solucin bsica factible.
3. Resolver de nuevo las ecuaciones de restriccin para encontrar la nueva
solucin.
Variable de entrada. Determine la variable que tiene mayor beneficio neto por
unidad. Esta variable es la que tenga el mayor valor positivo en la fila C1 - Z1 de
la parte inferior de la tabla. La variable X2 (producto B) contribuye con siete
dlares por unidad, ms que cualquier otra variable. Por ello, X2 es la variable que
356
El nmero menor que se obtiene con este clculo indica el nmero mximo de
unidades de X2, 8, que puede introducirse en la solucin sin que alguna variable
de solucin llegue a ser negativa. Si alguna de las cantidades que se calculan con
la divisin es negativa, entonces no deben tomarse en cuenta; en otro caso, la
cantidad menor, como se calcul antes, determina la variable de salida. En este
caso, la fila X3 tiene el nmero menor (8) y X3 es la variable de salida. La fila X3
se seala con una flecha en la tabla 12-2.
Observe lo que se ha hecho hasta ahora en el procedimiento smplex. Primero
se identific una variable que aumentar la rentabilidad y se indic que deba
incluirse en la siguiente solucin. Despus se garantiz que la siguiente solucin
sera una solucin bsica factible, identificando una variable que se eliminara de
la solucin, de forma que todos los valores de las variables fueran no negativos.
El tercer paso es determinar la nueva solucin.
Nueva solucin.
357
Tabla 12-4
358
Tabla 12-5
Tabla 12-6
Segunda solucin
359
Por ltimo, Zo = 7(8) + 0(8) = 56. Esta cifra representa el beneficio asociado
con la solucin actual (la segunda). Es una mejora con respecto a la solucin
anterior.
Clculo de las C1 - Z1. Una vez que se han determinado los valores Z1 es posible
calcular las C1 - Z1 restando las Z1 a los valores C1 de la parte superior de la tabla.
Por ejemplo, en la tabla 12-6, en la columna
positiva indica que se puede incluir en forma rentable cierta
cantidad de una variable en la solucin; un valor negativo indica que la inclusin
de la variable reducira el beneficio. Por ello, es posible mejorar an ms la
solucin, aadiendo el producto A (es decir, X1), aumentando el beneficio en
4
/3 = 1.33 dlares por cada unidad que se agregue.
Hay otro mtodo para calcular directamente los valores Cy - Z1 sin tener que
calcular antes las Z1. Recuerde que la fila C1 - Z1 de la tabla representa la ecuacin
de beneficio, as como las otras filas de la tabla representan ecuaciones de
restriccin. Entonces se pueden aplicar a la fila C1 - Z1 las mismas operaciones
que se usaron con las dems filas. La tabla 12-7 es la segunda solucin antes de
calcular las nuevas filas Z, y C1 - Z1.
Lo que queremos hacer es que el coeficiente C2 - Z2 (encerrado en un crculo
en la Tabla 12-7) sea igual a cero. El proceso para hacerlo se muestra en la
tabla 12-8 y es similar a los clculos que se efectuaron en la tabla 12-5.
Observe que son exactamente los mismos valores C1 - Z1 que se obtuvieron
antes. Si hay muchas restricciones, este mtodo requiere menos esfuerzo que
calcular primero las Z1.
Tercera solucin
La tercera solucin se calcula de la siguiente manera:
1. Variable de entrada. El mayor coeficiente positivo de la fila C1 - Z1 de la
tabla 12-9 es 4/3, asociado con la columna Xx. Por lo tanto, X es la variable de
entrada y cada unidad de X, aumentar el beneficio en 1.33 dlares.
2. Variable de salida.
360
Tabla 12-7
Valores
de solucin
Tabla 12-8
Vieja fila
Elemento de la vieja
Nueva
Valores de la nueva
Para la fila
Cada cantidad de la columna "Valores de solucin" se divide entre la cantidad de
la fila correspondiente de la columna . El 6 es la cantidad menor y proviene
de la fila X4; por consiguiente, X4 es la variable de salida.
La variable de entrada (X,) y la variable de salida (X4) se indican con flechas
en la tabla 12-9.
3. Nueva solucin. El elemento pivote de la columna Xu fila X4 (encerrado en
un crculo en la tabla 12-9), tiene valor de V3. Para convertirlo en 1 se divide la
vieja fila X4 entre V3:
Tabla 12-9
Segunda solucin
Tabla 12-10
361
La nueva fila X es
y se muestra en la tabla 12-10.
El siguiente paso es convertir en cero el valor que aparece en el crculo de la
tabla 12-10. Para lograrlo se multiplica la nueva fila Xt por % y se resta a la vieja
fila X2, como se indica en la tabla 12-11. La nueva fila X2 es
la
cual se incluye en la tabla 12-12.
El clculo de las Z, de la Tabla 12-12 es:
362
Tabla 12-11
Tabla 12-12
Tercera solucin
Debe sealarse que en este problema se maximizaba una cantidad (beneficio) sujeta a restricciones, todas ellas con la forma de una suma de variables
menores o iguales que una constante. Este punto es importante, ya que se
modificarn algunos pasos del proceso de solucin al cambiar la descripcin del
problema.
363
Ejemplo 2:
Minimizacin
de costos
364
X2
=150
< 20
^ 14
> 0
Figura 12-1
365
Formulacin algebraica. El primer paso, como en el ejemplo anterior, es convertir las restricciones de desigualdad en ecuaciones. Para la restriccin X, < 20,
se puede aadir una variable de holgura X4, la cantidad de A no utilizada. Para la
restriccin X2 > 14, se agrega una variable X5 que representa el exceso o cantidad
excedente de B, de manera que quede la ecuacin X2 - 14 + X5. La otra restriccin
ya tiene forma de ecuacin. Las ecuaciones son, entonces:
366
Tabla 12-14
Primera solucin
367
Segunda solucin
La columna con mayor valor negativo (C, - Zj) de la tabla 12-16 es X{ (X3 es
no negativo, ya que es un valor muy grande). La variable de salida es X5.
En este punto podramos ahorrar varios pasos si reemplazramos la fila X$ con la variable X\. El ahorro total
de usar Xx es mayor que el ahorro total al usar X, pero el mtodo smplex basa su eleccin de la variable de
entrada en los costos unitarios. Si no se desarrolla el problema no se sabe que X es una opcin mejor; por lo
tanto , el uso del mtodo smplex siempre lleva a la solucin correcta, pero no simpre por la ruta ms corta.
368
* Observe que en este punto las variables artificiales X yX6 ya no se encuentran en la solucin. Podran eliminarse de las tablas posteriores.
Tabla 12-16
Tercera solucin*
Tabla 12-17
Cuarta solucin
Con la tabla 12-17 hemos llegado a una solucin ptima, ya que todos los
valores de la fila C, - Z son positivos o cero.
369
370
Tabla 12-18
7.* Calcular las Zj. Para la columna y": para cada fila, multiplique los coeficientes
de sustitucin por el valor de C para esa fila y luego sume. El total es Zj.
Repita este paso para todas las columnas.
8.* Calcular las C - Z. Reste los valores Z a los coeficientes de la funcin
objetivo original (CJ) de la parte superior de la tabla.
9. Regrese al paso 3.
Situaciones especiales
A continuacin presentaremos algunas situaciones poco comunes que pueden
causar algunas confusiones. Cada situacin se presentar con un ejemplo.
Ejemplo 3:
Problema
con solucin
infinita
371
Tabla 12-19
descritas, pocas veces darn como resultado una solucin infinita como la que se
acaba de presentar.
Ejemplo 4:
Soluciones
mltiples
Materia prima A
Materia prima
Costo Total
Solucin 1
Solucin 2
0
15
$120
2
14
$120
Degeneracin
Recuerde que la solucin bsica de un problema de programacin lineal con m
restricciones supone la seleccin de m variables de solucin y luego la asignacin
del valor cero a las variables restantes. Por lo general, al resolver las ecuaciones,
las variables de solucin escogidas tendrn valores positivos (distintos de cero).
No obstante, puede suceder que una o ms de las variables de solucin sean cero.
372
Esta situacin es una degeneracin. Se dice que hay degeneracin cuando hay
menos de m variables de solucin distintas de cero para m ecuaciones de restriccin, e indica que por lo menos una de las ecuaciones de restriccin es redundante
para la solucin dada.
La degeneracin se presenta cuando se unen dos variables o ms en la seleccin
de la variable de salida durante el procedimiento smplex. La degeneracin es
un problema potencial, ya que en teora es posible que el procedimiento smplex
produzca ciclos y regrese a soluciones anteriores, sin llegar nunca a la ptima. En
la prctica pocas veces se presenta este ciclo y los programas de computacin casi
nunca tienen dificultades para llegar a la solucin ptima incluso si hay degeneracin. Durante la ejecucin manual del procedimiento smplex, si hay un empate
en la definicin de la variable de salida, escoja cualquiera en forma arbitraria. Si
se presenta un ciclo y reaparece una solucin en las tablas, regrese al punto en el
cual se present el empate y seleccione otra de las variables.
La degeneracin tambin causa otros problemas en la interpretacin de los
resultados de programacin lineal (vase el apndice del captulo 11 para conocer
ms al respecto).
Ejemplo 5:
No hay solucin factible
Es posible que las ecuaciones de restriccin no sean consistentes con las soluciones factibles. Por ejemplo, suponga que se tiene:
RESUMEN
Algunas situaciones especiales que ocurren al resolver problemas de programacin lineal son:
Soluciones infinitas, en las cuales no hay lmite para una variable de entrada
y por lo tanto hay rentabilidad ilimitada.
373
Inexistencia de una solucin factible, cuando las condiciones son tan restrictivas que no hay manera de satisfacerlas.
Anlisis de sensibilidad
Los modelos de programacin lineal no slo ofrecen a los gerentes una solucin
ptima, sino tambin una amplia gama de informacin que puede proporcionar
conocimiento adiciona] acerca del problema que se resuelve. A este anlisis se le
llama anlisis de sensibilidad y se estudi con detalle en el captulo 11. Volvemos
a tocar este tema para mostrar cmo se obtiene la informacin del procedimiento
smplex.
Interpretacin econmica de los valores Cj - Zj
Considere primero la interpretacin econmica de los valores C - Z, la fila
inferior de la tabla smplex. Recuerde que Z es el costo de oportunidad de
la introduccin de una unidad de la variable j en la solucin, o sea, el costo
de sustituir otras variables de solucin. C representa el beneficio por unidad;
entonces, C - Z equivale al beneficio neto (beneficio menos costo de oportunidad) que se obtiene de la introduccin de una unidad de y en la solucin.
Como muestra, regresemos al ejemplo 1 de este captulo, un problema con
dos productos y restricciones acerca del tiempo disponible en dos mquinas.
La situacin final se presenta en la tabla 12-12 y se ha reproducido en la
tabla 12-20. Considere primero el valor C, - Z asociado con una variable de
holgura, como sera X3 en la tabla 12-20. La variable X3 es la variable de holgura
que se relaciona con la primera restriccin: el lmite del tiempo disponible en la
mquina 1. En la solucin ptima de la tabla 12-20, C - Z tiene valor de -2, lo
cual indica que la introduccin de una unidad de X3 (es decir, una hora de holgura)
en la solucin reducir el beneficio en dos dlares. Observe que la introduccin
de una unidad de holgura en la solucin equivale a reducir en una hora la
capacidad de la mquina 1. Por lo tanto, los valores C - Z de las variables de
holgura se pueden considerar como los valores marginales asociados con los
cambios en la capacidad de la restriccin. En el captulo anterior llamamos
precios duales a estos valores marginales. Observe que los valores Cj - Z de la
tabla 12-20 son exactamente iguales (con excepcin del signo) a los precios duales
374
Tabla 12-20
que se obtuvieron en forma grfica y en los resultados del programa de computacin del captulo II. 4
Cuando no se incluye una variable de decisin en la solucin ptima, el valor
de Cj - Zj representa el costo de introducir una unidad en la solucin. El trmino
costo reducido se utiliz en el captulo 11 para designar este costo.
El anlisis grfico y la solucin de computador del captulo 11 se efectuaron con una versin modificada del
ejemplo 1, en la cual se incluy una restriccin adicional para la demanda del producto B. Por ello los resultados
del anlisis de sensibilidad efectuado en este capitulo no son totalmente comparables.
375
Aqu, la fila X2 es la nica con valor positivo y por lo tanto es tambin el menor
valor no negativo. Esto quiere decir que se pueden introducir ocho unidades de
X3 antes de que la variable X2 salga de la solucin. En trminos del problema,
significa que se puede recortar un mximo de ocho horas de las disponibles en la
mquina 1 antes de que se detenga la produccin de A.
Tambin se puede considerar la adicin de una Xj negativa, lo cual equivale a
tener ms horas disponibles en la mquina 1. Para considerar la introduccin de
una X3 negativa en la tabla, se puede proceder igual que antes, pero hay que
multiplicar todos los valores de la columna X3 por -1 antes de continuar con el
siguiente paso del procedimiento smplex. Entonces, se tendra:
376
Tabla 12-21
Recurso
Mquina 1
Mquina 2
Restriccin original
del recurso (horasmquina disponibles)
24
16
Intervalo en el cual
es vlido el precio dual
Precio
dual
Lmite
inferior
Lmite
superior
$2
$1
16
8
48
24
377
Limite inferior
Ninguno
Valor actual
C,
Lmite superior
Z,
Esto se aplica al maximizar. Tratndose de una minimizacin, la variable entrar en la solucin si el costo es
menor que Z.
7
Obsrvese que la asociacin entre una razn no positiva y una reduccin y entre una razn no negativa y un
aumento , es lo opuesto a lo que se us para los intervalos del trmino independiente. Esto se debe a la manera
en que hemos establecido la fila C - Z en las tablas.
378
Tabla 12-22
Valor
original
Lmite
inferior
Lmite
superior
Precio de Xj
Precio de X2
$6
7
$4.67
3
$14
9
379
Ejemplo integral
Los ejemplos anteriores de este captulo han comprendido slo dos dimensiones.
Para ilustrar la formulacin y la solucin smplex de un problema de programacin
lineal con varias dimensiones se proporciona el siguiente ejemplo.
Una empresa de manufactura fabrica un equipo que utiliza varios componentes.
La empresa lleva a cabo el montaje y las pruebas de la unidad completa, pero no
tiene la capacidad, el personal tcnico ni los fondos suficientes para producir todos
los componentes en sus propias plantas. Por lo tanto, debe comprar varios
componentes a proveedores externos. En la tabla 12-24, de la pgina 381, se
muestran siete de estos componentes y sus requerimientos.
A partir de la tabla 12-24 se puede ver que las partes requieren distintas
cantidades de recursos y tienen costos de adquisicin diferentes. La pregunta es:
Cules de estos componentes (y cuntas unidades) deben fabricarse internamente
y cules deben comprarse fuera?
Esta situacin se puede expresar como un problema de programacin lineal en
el cual se maximicen los ahorros de la manufactura interna, sujeto a restricciones
de capacidad, personal y fondos. Supongamos que se cuenta con los recursos de
380
Tabla 12-23
Recursos disponibles
Horas de maquinado
Horas de montaje
Horas de pruebas
Horas de supervisin de ingeniera
Efectivo disponible
90
97
200
150
$250
y:
381
382
Parte III
Programacin matemtica
Variable
de holgura
Cantidad
Significado
Todas las horas de mquina se usan (es decir, holgura = 0).
Todas las horas de montaje se usan.
No se usan 117 horas de pruebas.
No se usan 63 horas de supervisin de ingeniera.
No se usan 103 dlares de capital de trabajo.
Solucin inicial
383
Las variables X13 a Xl9 son las variables de holgura asociadas con los lmites
superiores de los requerimientos de produccin. Los precios duales representan
los ahorros adicionales (de la manufactura interna) si los requerimientos aumentan en una unidad. Si, por ejemplo, se requiere una unidad ms del componente
284 (X5), los ahorros de la manufactura interna aumentarn en 29.16 dlares (la
variable de holgura para el componente 284 es X17 y C17 - Z17 = -291/6). Por el
contrario, si se necesitaran slo nueve unidades del componente 284, en
lugar de diez, entonces los ahorros por la manufactura interna bajaran 29.16
dlares. Si todas las unidades requeridas de un componente se fabrican fuera
y aumentan las necesidades de este componente, slo aumentar el nmero de
unidades que se compran fuera de la empresa, sin afectar los ahorros de la
manufactura interna. Adems, los requerimientos de un componente pueden
disminuir sin afectar los ahorros (nicamente se reducira la cantidad que se
compra fuera de la empresa). En el ejemplo, X4, el componente 197, requiere
25 unidades y, de stas, slo nueve se producirn internamente y C16 - Z16 = 0.
Los ahorros, como se miden en el modelo de programacin lineal, no se veran
afectados por un cambio pequeo en las necesidades de X4.
Los valores Cj - Zj para X1 a X7 son los costos reducidos e indican la prdida de
oportunidad si hay que incluir en la solucin una unidad de un componente. Las
prdidas de oportunidad son cero para X2 a X7 y cada una de estas variables est
en la solucin. C1 Z1 = -541/6 indica que la gerencia reducira en esta cantidad
su beneficio si tiene que producir internamente una unidad de X1 (componente
182).
384
Tabla 12-26
Solucin final
385
Unidades
requeridas
Variable
Cantidad
Variable
de holgura
Cantidad
386
Tabla 12-28
(2)
Recurso
escaso
Precio
dual
Tiempo de mquina
$16.67
Tiempo de montaje
20.83
Tiempo de pruebas
0.00
Tiempo de supervisin
0.00
Capital de trabajo
0.00
Costo de oportunidad total
Tabla 12-29
(3)
Cantidad
requerida
2
1
2
(4)
Costo de oportunidad
(2) (3)
$33.33
20.83
0.00
0.00
0.00
$54.16
montaje, de las 97 disponibles actualmente a 85, antes de que cambie la composicin de la solucin.
El menor valor (absoluto) no positivo de la columna 4 de la tabla 12-29 es 108,
asociado con X4 (componente 197) y X11 (horas de supervisin de ingeniera). Por
lo tanto, las horas de montaje pueden aumentar de 97 a 205 antes de que cambie
la composicin de la solucin. En este intervalo de 85 a 205 horas es vlido el
precio dual de 20.83 dlares.
Como otro ejemplo, considere la variable de holgura X10, asociada con las horas
de pruebas. En la solucin final, Xl0 = 117, lo cual implica que no se usan 117
horas de tiempo de pruebas. El precio dual es cero. En este caso no tendrn efecto
las horas adicionales para pruebas, por lo cual no hay lmite superior para la
adicin de horas. Adems, si se quitaran las 117 horas no usadas, la restriccin s
sera efectiva, por lo que el lmite inferior es la cantidad disponible menos 117
horas, o sea, 83 horas.
387
Tabla 12-30
Cantidad
Nombre de
la variable
Variable de
holgura
asociada
Cantidad
disponible
utilizada en
la solucin
ptima
Precio
dual
Intervalo en el cual
es vlido el precio dual
Lmite
Lmite
inferior
superior
Restricciones de recursos:
Tiempo de mquina
Tiempo de montaje
Tiempo de pruebas
Tiempo de supervisin
Capital de trabajo
Restricciones de necesidades:
Componente 182
Componente 184
Componente 193
Componente 197
Componente 284
Componente 629
Componente 845
X8
X9
X10
X11
X12
90
97
200
150
250
90
97
83
87
147
$16.67
20.83
0.00
0.00
0.00
63
85
83
87
147
X13
X14
X15
X16
X17
X18
X19
10
5
50
25
10
5
20
0
5
3
9
10
5
20
0.00
45.83
0.00
0.00
29.17
58.33
5.83
0
0
3
9
0
0
0
138
205
Ninguno
Ninguno
Ninguno
Ninguno
17
Ninguno
Ninguno
12.4
11
32
388
Ejemplo:
El problema
primal
389
Tabla 12-31
Ahora elaboraremos el dual de este problema. Hay cinco pasos para obtener el
dual de un problema primal:
1. Si la funcin objetivo se maximiza en el problema primal, la funcin objetivo
del dual se minimiza. En este ejemplo, la funcin objetivo del problema primal
es una ecuacin de beneficio, por lo cual la funcin objetivo del dual ser una
ecuacin de costo.
2. Los coeficientes de las variables de la ecuacin de costo (la funcin objetivo
del dual) son las constantes del trmino independiente de las restricciones del
primal. En este ejemplo, son seis y cuatro y representan las horas disponibles
en cada mquina. Las variables U1 y U2 de la ecuacin de costo del dual son
los costos respectivos por hora de usar la mquina 1 y la mquina 2.8 La
ecuacin de costo (o funcin objetivo dual) es:
C = 6U1 + 4 U2
8
U1 y U2 son mediciones de costo de oportunidad y no se relacionan con los costos contables convencionales.
390
Si se realiza todo este procedimiento para el problema dual, se obtiene el problema original (primal). Por lo tanto, el dual del problema dual es el problema primal.
Estas reglas requieren que el problema primal sea un problema de maximizacin con restricciones "menor o igual que" o un problema de minimizacin con
restricciones "mayor o igual que". Si un problema de programacin lineal no tiene
una de estas formas, basta multiplicar por -1 la funcin objetivo o las restricciones
y escribir las restricciones de igualdad como dos restricciones de desigualdad,
para colocarla en una de las formas que requieren las reglas anteriores.
391
392
Tabla 12-32
Variables
de solucin
Valores
de solucin
393
Considere ahora las variables de holgura duales, U3 y U4. Estas variables miden
la prdida de oportunidad de la produccin de la variable primal correspondiente.
Como U3 es la variable de holgura de la primera restriccin dual, corresponde a
XY en el problema primal. Adems, U4 corresponde a X2. U4 tiene valor de cuatro
dlares; esto quiere decir que el costo de introducir en la solucin una unidad de
X2 es de cuatro dlares.9 U3 tiene un valor de cero, lo que significa que no hay
prdida de oportunidad con la produccin de X1. Por ello se produce una cantidad
positiva de X1 en la solucin ptima y no se produce X2. Si hay una prdida de
oportunidad positiva relacionada con una variable, tendr valor de cero en la
solucin ptima; a la inversa, si la prdida de oportunidad asociada a una variable
es cero en la solucin ptima, la variable tendr un valor positivo en la solucin.
En el captulo 11 se emple el trmino costos reducidos para hacer referencia a
las variables de solucin dual.
Observe que los valores de cuatro para U1 y U4 son iguales (excepto por el
signo), lo mismo que los valores Cj - Zj de X3 y X2 de la tabla 12-31. Esto no es
una coincidencia. Los valores U de la solucin dual son los valores Cj - Zj de las
variables correspondientes en la solucin primal. Por variables correspondientes
se debe entender que las variable duales ordinarias (U1 y U2) se relacionan con
variables de holgura primales (X3 y X4, respectivamente), y que las variables de
holgura duales (U3 y U4) estn asociadas con variables ordinarias primales (X1 y
X2, respectivamente). Esta relacin tiene sentido, ya que la variable ordinaria dual
U1 mide el costo de oportunidad por hora de la utilizacin de la mquina 1 y la
variable de holgura primal X3 representa la cantidad de capacidad no utilizada en
la mquina 1. As mismo, los valores Cj - Zj del dual proporcionan los valores de
las variables correspondientes de la solucin primal. Por lo tanto, la tabla smplex
para la solucin primal presenta tanto la solucin primal como los valores de las
variables duales (a travs de los valores Cj - Zj).
Con base en este anlisis, se puede establecer que los siguientes productos
siempre sern cero:
Los primeros productos son los de una variable de holgura primal y los de la
variable ordinaria dual correspondiente. Si una restriccin es efectiva, la variable
de holgura primal ser cero (como lo es X3 en el ejemplo), y si una restriccin no
es efectiva, entonces el precio dual de esa restriccin (U2 en el ejemplo) ser cero.
Los segundos productos incluyen una variable ordinaria primal y la variable de
holgura dual correspondiente. Si una variable ordinaria primal (X1 en este caso)
es positiva, la prdida de oportunidad (U3 en el ejemplo) asociada con el producto
Si incluimos la produccin de una unidad de X2, la restriccin que representa las horas en la mquina 1 nos
obligara a reducir la produccin de X a cuatro tercios de unidad. El beneficio sera entonces 12 (4/3) + 4( 1) = $20,
una reduccin de cuatro dlares con respecto al beneficio ptimo de 24 dlares. Por consiguiente, U4 es
cuatro dlares.
394
ser cero. Si la prdida de oportunidad es positiva (/4 en este caso), entonces ser
cero la variable ordinaria primal que le corresponde (X2). Estas relaciones siempre
se mantienen en la solucin ptima.
Bibliografa
Vase la bibliografa que se presenta al final del
captulo 10.
12-2.
12-3.
Maximizar:
Sujeto a:
12-4.
395
12-6.
Dado:
Tabla 12-33
396
12-7.
Tabla 12-34
Tabla 12-35
c. El gerente de mercadotecnia de la enlatadora ha modificado la demanda estimada de las mitades, de 180 000 a
200 000 kilogramos. Afectar este
cambio a la solucin del problema de
enlatado? Cul ser el incremento
de beneficio asociado con el cambio?
d. Suponga que el gerente de mercadotecnia ha modificado su estimacin de la
demanda de las rebanadas, de 125 000
a 145 000 kilogramos. Afectar a la
solucin del problema de enlatado?
Cul ser el incremento de beneficio
asociado con el cambio?
e. Cunto tendra que variar el precio de
las mitades de melocotn para que cambiara la solucin ptima?
397
La enlatadora considera un nuevo producto, rebanadas de lujo, con contribucin de 0.14 dlares por kilogramo. Un
kilogramo de rebanadas de lujo est
compuesto por medio kilogramo de melocotones de categora A y medio kilogramo de categora B. Debe fabricarse
este producto?
Problemas
12-8.
12-9.
12-10.
12-11.
La compaa ABC tiene la opcin de fabricar dos productos durante los periodos de
poca actividad. La produccin de la prxima
semana se ha programado de manera que la
mquina fresadora est libre durante 10
horas y la fuerza de trabajo calificada tenga
ocho horas disponibles.
El producto A requiere cuatro horas de
tiempo de mquina y dos horas de trabajo
por unidad. El producto B requiere dos
horas de tiempo de mquina y dos horas de
trabajo.
El producto A contribuye con cinco dlares por unidad a los beneficios y el producto
B aporta tres dlares por unidad (sin incluir
el costo de tiempo de mquina o de mano de
obra).
Use el mtodo smplex para encontrar las
cantidades de los productos A y B que deben producirse.
La compaa Z combina los factores A y B
para formar un producto que debe pesar
50 kilogramos. No se pueden usar menos de
20 kilogramos de A ni ms de 40 kilogramos de B. El producto A cuesta 25 dlares por kilogramos y B, 10 dlares por
kilogramo.
Use el mtodo smplex para encontrar las
cantidades de los factores A y B que deben
usarse.
El departamento de publicidad de una empresa quiere planificar su estrategia publicitaria para llegar a ciertos porcentajes
12-12.
mnimos de los grupos de altos y bajos ingresos. Se consideran dos alternativas: televisin y revistas. La publicidad en revistas
tiene un factor de exposicin del 2% por pgina para el grupo de altos ingresos, pero slo del 1 % para el grupo de ingresos bajos.
La televisin, por otra parte, tiene un factor
de exposicin del 3 % por programa para el
grupo de ingresos bajos y del 1 % para el de
ingresos altos.
La publicidad en revistas cuesta 1000 dlares por pgina; la de televisin, 4000 dlares por programa. Si la empresa quiere una
exposicin mnima del 50% del grupo de ingresos altos y del 30% del grupo de ingresos
bajos, qu estrategia debe usar para
minimizar el costo de la publicidad? Nota:
Si una persona ve dos veces un programa o
lee dos veces un anuncio, se considera que
hay doble exposicin; por lo tanto, es posible obtener una exposicin mayor del 100%.
Formule el caso anterior como un problema de programacin lineal y obtenga la solucin con el mtodo smplex.
La compaa de madera contrachapada
Ajax revisa el programa de produccin para
el prximo mes. Ajax produce tres tipos de
tableros de madera contrachapada. Los tableros A y B se pueden producir en dos formas, las cuales requieren distintas
cantidades de pino, abeto y picea. Las cantidades disponibles de estas maderas son limitadas. Ajax tiene tambin capacidad limitada
para secar el recubrimiento de los tableros.
Existe una limitacin de 10 000 tableros
como capacidad mxima del aserradero
Ajax. Estos requisitos se presentan en la
tabla 12-36.
Ajax quiere maximizar la contribucin total al beneficio. Se aaden las siguientes variables de holgura:
398
Tabla 12-36
12-13.
Producto
Variable
A-l
A-2
B-l
B-2
C
X1
X2
X3
X4
X5
Tabla 12-37
Tiempo de
Picea
secado
(unidades) (minutos)
Capacidad
global
(cada uno)
Pino
(unidades)
Abeto
(unidades)
0
2
1
1
2
1
2
1
1
0
0
1
7
4
5
6
1
1
1
1
12
15
60
10
Contribucin
al beneficio
(dlares
por unidad)
1.00
1.00
1.20
1.20
0.80
399
Tabla 12-38
Variables
de solucin
Tabla 12-39
b.
c.
d.
e.
f.
12-14.
400
Tabla 12-40
Tabla 12-41
Tabla 12-42
12-15.
Tabla 12-43
401
12-16.
Problemas ms difciles
12-17.
12-18.
402
Tabla 12-44
Sujeto a:
(disponibilidad de pino)
(disponibilidad de abeto)
(capacidad del aserradero)
(capacidad de la descortezadora)
(capacidad de secado) (demanda
del mercado, madera
contrachapada de tipo 1)
(demanda del mercado, madera
contrachapada de tipo 2)
La primera tabla smplex que se obtiene despus de agregar las variables de holgura es
la 12-44. Despus de varias iteraciones se
obtiene la tabla 12-45.
a.
Cul es la solucin en la segunda tabla? Es la ptima? Cules son los beneficios totales? Hay soluciones
ptimas alternativas?
403
b.
Tabla 12-45
CAPTULO
Programacin lineal
Temas especiales
En este captulo se presentan dos temas especiales que se relacionan con la
programacin lineal. El primero es un caso especial llamado problema de transporte y el segundo trata el problema de objetivos mltiples y la programacin
por metas.
Problema de transporte
Hay un tipo de problema de programacin lineal que se puede resolver con una
versin simplificada de la tcnica smplex.1 Como su aplicacin principal en la
resolucin de problemas comprende varias fuentes de productos y varios destinos
para ellos, es frecuente que a este tipo de problema se le denomine problema de
transporte. Aunque la formacin se puede usar para representar problemas ms
generales de asignacin y programacin, adems de problemas de transporte y
distribucin, lo ilustraremos con un ejemplo que implica la distribucin de
productos de fbricas a almacenes.
Ejemplo
Suponga que hay tres fbricas (F1, F2 y F3) que abastecen a tres almacenes
(W1, W2 y W3). En la tabla 13-1 se proporcionan las capacidades de las fbricas
y los requisitos de los almacenes; en el cuerpo de la tabla 13-2 se indican los
costos de envo de cada fbrica a cada destino. En los mrgenes de esta tabla estn las cantidades disponibles en las fbricas y los requerimientos de los almacenes.
Es necesario preparar una solucin inicial factible y existen varias maneras de
hacerlo; el nico requisito es que hay que satisfacer las necesidades del almacn
Los coeficientes de todas las variables de las ecuaciones de restriccin son 0 o 1 y siguen un patrn especfico.
Vase el apndice de este captulo.
404
405
Tabla 13-1
Tabla 13-2
Cantidad disponible
20
15
10
45
Almacenes;
W1
W2
W3
Total
Cantidad requerida
5
20
20
45
406
Tabla 13-3
Primera solucin
Hay F ecuaciones para las capacidades de las fbricas, y Inecuaciones para la demanda de los almacenes; sin
embargo, la suma de las capacidades de las fbricas debe ser igual a la suma de las demandas de los almacenes,
por lo que una de estas ecuaciones es redundante y el nmero de ecuaciones independientes es F + W - 1.
407
+$1.00
- 1.30
+ 0.90
+ 0.60
408
Tabla 13-4
Ruta no
utilizada
F2W1
F3W1
F2W2
F3W3
Costo de la
ruta directa
$1.00
1.00
1.40
0.80
Costo de la
ruta indirecta
$0.60
0.70
0.70
1.10
cantidad es menor que el costo del envo directo (1.40 dlares) y se seguira la
ruta indirecta. La casilla F3 W1 tambin tiene un costo de 70 centavos para el envo
indirecto y, una vez ms, es menor que el costo de la ruta directa (un dlar). Sin
embargo, al evaluar la ltima ruta no utilizada, F3W3, el costo que se obtiene para
la ruta indirecta es:
$0.80-$1.00+ $1.30 = $1.10
lo cual es mayor que el costo de 80 centavos de la ruta directa. En este caso hay
que usar la ruta directa F3W3 en lugar de la ruta indirecta
F3W2-FlW2 + FlW3
ya que se puede obtener un ahorro de
$1.10-$0.80 = $0.30
por unidad con la ruta directa (vase Tabla 13-4).
Cuntas unidades pueden desplazarse de la ruta indirecta a la ruta directa
F3W3? La respuesta es el nmero mnimo que aparezca en las conexiones de la
ruta indirecta que debe proporcionar unidades para la transferencia. En este caso
es cinco unidades, de la casilla F1W3. Por lo tanto, se envan cinco unidades por
la ruta directa F3W3; como F3 slo produce 10 unidades, esto obliga a reducir a
cinco la casilla F3W2 y ahora se requieren cinco unidades adicionales en el
almacn 2. Esta deficiencia se compensa sin problemas con la fbrica 1, la cual
se vio obligada a reducir precisamente en cinco unidades su envo a W3 como
resultado de la nueva fuente de suministro de W3. El nuevo patrn se muestra en
la tabla 13-5.
Todas las rutas que no se utilizan, identificadas con las casillas cero de la tabla
13-5, deben evaluarse de nuevo para ver si es posible una reduccin adicional en
el costo. Este paso se puede efectuar como se describi previamente; los resultados se muestran en la tabla 13-6.
En cada uno de los casos el costo de la ruta indirecta es menor que el de la ruta
directa, lo cual indica que se ha obtenido una solucin ptima que minimiza los
costos de envo. A partir de la tabla 13-5, el costo total de envo de las fbricas a
los almacenes es:
409
Segunda solucin
Por ejemplo, puede presentarse la degeneracin si una fbrica enva toda su produccin a un almacn y satisface
todos los requerimientos de ste.
410
Tabla 13-6
Interpretaciones econmicas
Costos de rutas indirectas
Los costos de las rutas indirectas son equivalentes a los valores Zj (vase Cap. 12) de
la programacin lineal normal y se pueden usar de la misma manera.5 Suponga,
Los valores Cj - Zj, que representan los costos reducidos, son la diferencia entre los costos de las rutas
directas e indirectas.
Tabla 13-7
411
por ejemplo, que despus de concluir el anlisis de las tablas 13-5 y 13-6 se nos
informa que las necesidades de W2 aumentaron en una unidad y que se ampliara
la capacidad de F2 para manejar este aumento. Cul sera el costo incremental
de los costos de envo?
El costo de la ruta indirecta F2W2 nos proporciona la respuesta de inmediato.
La ruta directa costara 1.40 dlares y la indirecta slo representa un dlar. Por
consiguiente, el costo incremental del envo de esta unidad es un dlar. La tabla
13-7 muestra cmo se modificara la solucin original. Observe que se pueden
enviar hasta cinco unidades con esta ruta indirecta.
Cambios en los costos de envo
Tambin se puede examinar la sensibilidad de la solucin ante cambios en los
costos de envo. Por ejemplo, si cambiara el costo de enviar F1 a W1 (que en este
momento es de 1.30 dlares), variara la solucin? Observe que el costo de la
ruta indirecta para F1 W3 es de un dlar. El costo de envo tendra que ser menor
que esta cantidad para que se usara la ruta directa, es decir, antes de que cambie
la solucin de la tabla 13-5.
Ventajas de la ubicacin
Suponga que se agrega una unidad a la demanda de Wl (de cinco unidades a seis).
Qu fbrica debe ampliarse para satisfacer esta necesidad? Utilizando el mtodo
que se present antes, se puede determinar el costo de cada fbrica para entregar
una unidad a W1.
412
Observe que cuesta 20 centavos menos (considerando slo los costos de envo)
enviar la unidad adicional desde F3 en lugar de F{ o F2. Existe una ventaja de
ubicacin de 20 centavos para F3. De hecho, esta ventaja se mantiene incluso si
se requiere la unidad adicional para W2 o W3.6
El mismo mtodo se puede aplicar para revisar las ventajas de ubicacin de los
almacenes. Suponga que la fbrica F1 contara con una unidad ms de capacidad
y que se realizara una campaa de ventas en una de las regiones de los almacenes
para aumentar la demanda en una unidad. Si slo se consideran los costos de
transporte, en qu regin debe realizarse la campaa? Los costos para suministrar
a los almacenes desde F1 son:
Esto demuestra que W1 tiene una ventaja de ubicacin de 10 centavos con respecto
a los otros dos almacenes, lo cual significa que costara 10 centavos menos cubrir
la demanda de una unidad adicional en la regin W1 que en las dems.
El conocimiento de estas ventajas de la ubicacin puede ser muy til para
decisiones empresariales acerca de la expansin de una planta o de las regiones
donde debe intentarse aumentar las ventas.
RESUMEN
El problema de transporte es un caso especial del problema general de programacin lineal y existe un mtodo de solucin simplificado para aquellos problemas que se ajustan a su estructura. Se encuentra primero una solucin factible con
F + W - 1 rutas; luego se evala cada una de las rutas no utilizadas calculando su
costo indirecto. Si el costo directo es menor que el indirecto, entonces se aade
la ruta directa. Este proceso se repite hasta que no sea favorable ninguna de las
rutas no utilizadas. Cuando la oferta no es igual a la demanda hay que crear fuentes
ficticias de suministro o demanda.
As como sucede con los precios duales en la programacin lineal, la ventaja de la ubicacin es un valor
marginal. Se mantiene slo dentro de un intervalo limitado de variaciones en la capacidad o en las demandas.
Tabla 13-8
413
$500
150
$500
50
10
-10
-5
60
414
Hay que cumplir con tres objetivos al mismo tiempo. El gerente debe lograr el
mayor crecimiento posible de los rboles, proporcionar todo el refugio que pueda
a los animales y reducir los costos todo lo posible dentro del presupuesto. Hay
varias estrategias para incorporar estos objetivos mltiples, que se describen a
continuacin.
Mtodo 1: Un objetivo con otros como restricciones
El gerente puede decidir que un objetivo tiene tanta importancia que se impone a
los dems. stos se pueden incorporar como restricciones con un nivel mnimo.
As, el caso se convierte en un problema normal de programacin lineal de
maximizacin de una funcin objetivo sujeta a restricciones.
El gerente puede decidir, por ejemplo, que lo ms importante es el crecimiento
de los rboles. Entonces, el objetivo se convierte en:
Maximizar: 10X1 - 5X2
donde los coeficientes 10 y -5 de la tabla 13-8 son el efecto de la limpieza y de
las brechas contra incendio en el crecimiento de la madera. Aqu se aplicaran las
restricciones de horas de trabajo, de brechas contra incendio y de presupuesto que
se mencionaron antes. El gerente tambin podra especificar que deben existir por
lo menos mil unidades de refugio para animales, con la restriccin adicional:
-10X1 + 60X2 1000
donde los coeficientes de -10 y 60 representan el efecto de la limpieza y de las
brechas contra incendio en el refugio para animales (vase Tabla 13-8).
La figura 13-1 representa grficamente este problema. La regin sombreada es
la regin factible que satisface todas las restricciones, incluyendo la del refugio
para animales. El objetivo de maximizar el crecimiento de rboles se obtiene en
el punto X1 - 563 y X2 - 111, con crecimiento de 5080 unidades de rboles
(vase el punto A de la figura 13-1).
Tambin sera posible que el gerente prefiriera maximizar el refugio para
animales y establecer como restriccin un nivel mnimo para el crecimiento
de rboles. Otra posibilidad sera especificar niveles mnimos para el refugio de
animales y el crecimiento de rboles y minimizar el costo. La mayor dificultad
de este mtodo es que no incorpora un equilibrio o compensacin entre los
diversos objetivos. El gerente puede estar ms satisfecho si hubiera ms refugio
para animales y menos crecimiento de rboles, pero no hay manera directa de
lograrlo. Podra probar diferentes conjuntos de restricciones hasta obtener una
solucin satisfactoria, pero ste sera un mtodo muy poco prctico.
Mtodo 2: Definicin de compensaciones entre objetivos
Uno de los mtodos del captulo 6 para los problemas con objetivos mltiples era
especificar las compensaciones entre los objetivos. En este ejemplo se especificara cunto vale una unidad de crecimiento de madera y cunto una unidad de
Figura 13-1
415
416
Maximizar:
Sujeto a:
417
Un mtodo, ms apropiado, consiste en definir especficamente las compensaciones entre los objetivos. Suponga que el gerente decide que la carencia de una
unidad de rboles vale 600 veces ms que un dlar de ahorro y que la carencia de
una unidad de refugio para animales vale 100 veces el ahorro de un dlar. En este
caso la funcin objetivo sera:
Minimizar: 600 U1 + 100U2 - U3
sujeta, una vez ms, a las restricciones (13-1).
Esta funcin objetivo alcanza el valor cero si se excede alguna de las metas
de crecimiento de rboles o refugio para animales. El gerente puede decidir
que estos excedentes tienen valor y asignar tambin pesos a las variables E.
Por ejemplo, el valor de un excedente de una unidad de rboles puede ser de
50 dlares, y el de una unidad excedente de refugio para animales puede ser
de 25 dlares. As mismo, un dlar por encima del presupuesto (E3 ) puede
ser cinco veces ms importante que el ahorro de un dlar (t/3). Ahora, la funcin
objetivo se convierte en:
418
Figura 13-2
el orden en que debe satisfacerse cada uno. Por ejemplo, suponga que se especifican las siguientes restricciones de metas:
Crecimiento de rboles:
Refugio para animales:
Costo:
El gerente elabora la siguiente lista de prioridades:
1.
2.
3.
4.
419
RESUMEN
APNDICE
5. Maximizar el excedente de refugio de animales (E2).
6. Maximizar los ahorros presupuestarios (U3).
El mtodo de programacin por prioridades intenta alcanzar los objetivos en secuencia, en vez
de hacerlo al mismo tiempo. Ilustraremos este mtodo en forma grfica.
Considere la figura 13-2. El cuadro A muestra la regin factible y slo considera las restricciones
de fuerza de trabajo y el lmite de brechas contra incendio. La primera prioridad del gerente es
minimizar la carencia de crecimiento de rboles, lo cual se minimiza en el cuadro B hasta que no
haya carencia; la regin factible se indica con el rea sombreada. Si no quedara ninguna regin
factible, se detendra el proceso de programacin por prioridades y slo se obtendra lo ms
posible de la meta con mayor prioridad.
Pero, an queda una regin factible, por lo que se considera la siguiente prioridad ms alta, o
sea, la minimizacin de la carencia de refugio para animales. Esto se presenta en el cuadro C y
tambin puede minimizarse hasta que no haya carencia; la regin factible restante se muestra
sombreada.
La meta con la tercera prioridad, minimizar el excedente del presupuesto, se muestra en el
cuadro D. Esta meta tambin se puede cubrir totalmente. Por ltimo se pretende la cuarta meta:
maximizacin del crecimiento de rboles. Con esto se obtiene la solucin, la cual se indica como
el punto A del cuadro D, correspondiente a la limpieza de 563 hectreas (X,) y a 111 kilmetros
de brechas contra incendio (X2). Como ya no queda regin factible, no es posible continuar con las
metas con quinta y sexta prioridad.
Se han desarrollado programas de computacin especiales para la programacin por
prioridades. Por supuesto, si el problema tiene dos variables, se puede resolver en forma grfica;
pero, como ya se ha visto, los problemas reales comprenden varias dimensiones y no es posible la
solucin grfica. El lector que se interese por el algoritmo de programacin por prioridades puede
consultar las referencias que se presentan al final del captulo.
Hay varios mtodos para incorporar objetivos mltiples en problemas de programacin lineal. Los
mtodo ms sencillos implican la conversin en una funcin de un solo objetivo, ya sea
ponderando los objetivos o incorporando los objetivos secundarios como restricciones. La
programacin por metas comprende la definicin de metas y la inclusin de diversas variables
correspondientes a las desviaciones con respecto a estas metas (ya sean carencias o excedentes).
La funcin objetivo se define para minimizar las desviaciones (las cuales pueden estar
ponderadas). La programacin por prioridades define en forma parecida las restricciones de las
metas, pero implica satisfacer las metas secuencialmente en vez de hacerlo al mismo tiempo.
Problema de transporte expresado en forma convencional de programacin lineal
En este apndice se presenta el problema de transporte con la notacin normal de programacin
lineal.
420
Toda Xj > 0. Observe que los coeficientes de todas las Xj en las ecuaciones de
restriccin sern 0 o 1 y forman un patrn distintivo. Si todas las variables y
las restricciones de un problema de programacin lineal se ajustan al patrn
anterior, entonces es un problema de transporte y se puede usar el procedimiento
especial de este captulo para resolverlo (no es necesario que el problema tenga
que ver con transporte o distribucin).
Bibliografa
Ignizio, J. P., Goal Programming and Extensions,
Lexington, Mass., Lexington Books, 1976.
Ignizio, J. R, Linear Programming in Single and
Multiple Objective Systems, Englewood Cliffs,
N.J., Prentice Hall, 1982.
Lee, S. M., Goal Programming for Decision Analysis, Nueva York, Van Nostrand Reinhold, 1973.
Vase tambin la bibliografa que aparece al final
del captulo 10.
421
Primera solucin
Producto A Producto B
Los costos unitarios de envo son:
13-3.
Contribucin al beneficio
(dlares por unidad)
Utilizacin de recursos:
Tiempo de mquina
(horas por unidad)
Materia prima
(toneladas por unidad)
Mano de obra calificada
(horas por unidad)
Mano de obra no calificada
(horas por unidad)
15
10
422
Problemas
13-5.
13-6.
423
13-8.
Requerimiento
s (miles de
Capacidades
de la fbrica
(miles de cajas)
424
Objetivo
Carencia de cuotas
Carencias para cubrir la
demanda de licenciados
Carencias para cubrir la
demanda de masters
Excedente de cuotas
Excedente de la meta de licenciados
Excedente de la meta de masters
425
d. Suponga que el director desea asignar prioridades a las metas, en el orden que se especifica en (b). La
prioridad ms alta es minimizar la
carencia de cuotas, la siguiente es
minimizar la carencia de demanda de licenciados, etc. Use el mtodo de programacin por prioridades y resuelva
este problema en forma grfica.
Problemas ms difciles
13-12.
Una compaa fabrica dos lneas de sus productos: normales y especiales. Los productos
estn sujetos a fluctuaciones por temporada.
Para que los costos permanezcan bajos, la
compaa produce durante los meses de bajo
volumen y almacena los bienes para los
meses de volumen alto. En la tabla adjunta se
proporciona la proyeccin de ventas para las
dos lneas de productos.
La instalacin productiva de la fbrica tiene
capacidad de 10 000 cajas por mes en el turno
regular. Se puede usar tiempo extra, hasta un
lmite de 8000 cajas por mes. Sin embargo, la
produccin en tiempo extra cuesta 1.20
dlares ms por caja.
El inventario del producto terminado se
puede almacenar cualquier nmero de meses,
pero el almacenamiento del producto normal
durante un mes cuesta 80 centavos por caja;
para el producto especial cuesta un dlar por
mes.
Cul es el programa de produccin de la
compaa que minimiza la produccin en
tiempo extra y los costos de almacenamiento
de inventario?
Ventas (miles de cajas)
Mes
Lnea normal
Enero
Febrero
Marzo
Abril
Mayo
Junio
Totales
6
6
8
8
4
36
2
6
10
12
8
40
8
12
18
20
12
76
13-13.
426
f.
13-14.
13-15.
427
Tabla 13-9
4
2
6
1
15
2
2
2
1
5
2
10
1
2
2
1
12
*
*
10
1
50
1
20
1
5
1
Recursos:
Tiempo de montaje (horas)
Tiempo de pruebas (horas)
Tiempo de mquina (horas)
Departamento 1 (horas)
Departamento 2 (horas)
Metas:
Beneficio (dlares)
Cuota de mercado (puntos)
428
13-16.
13-17.
13-18.
CAPTULO
Programacin entera y
procedimientos de
ramificacin y acotamiento1
Muchos problemas empresariales se podran formular y resolver con la programacin lineal, si no fuera por una circunstancia: requieren soluciones enteras. Por
ejemplo, una variable X de un modelo de programacin lineal puede indicar si se
construye o no una planta nueva. Si X = 1, se construir la planta; si X = 0, no
habr planta; y cualquier valor de X situado entre estos dos valores (por ejemplo,
X = 0.56) no tiene sentido. No hay una garanta de que los procedimientos de
solucin normales de la programacin lineal generen una solucin entera.2
Para tratar este problema se ha desarrollado una serie de tcnicas llamadas
programacin entera. Algunos problemas pueden requerir que todas las variables del problema sean enteros, la solucin slo de enteros. Un caso especial
de la solucin slo de enteros ocurre cuando todas las variables slo pueden
asumir valores de 0 o 1. El caso ms general de la programacin entera es aquel
en el que se requiere que algunas variables sean enteros, pero las dems pueden
tener cualquier valor. A este problema se le conoce como programacin entera mixta.
La primera parte de este captulo explica cmo las formulaciones de programacin entera pueden representar varios problemas de negocios importantes. En
la segunda parte se describen los procedimientos de solucin para los problemas
de enteros. El apndice de este captulo describe la forma de aplicar estos
procedimientos a otros problemas combinatorios. Antes de continuar, veremos un
problema sencillo de programacin entera con dos variables.
1
Deben estudiarse los captulos 10 y 11 , que abarcan la programacin lineal, antes de estudiar este captulo.
Una excepcin importante es la resolucin de problemas de redes por programacin lineal, en la que s se
obtienen soluciones de enteros. El problema de transporte y el problema de la ruta crtica son ejemplos de estos
problemas de redes, los cuales se analizan en los captulos 13 y 20, respectivamente.
2
429
430
Ejemplo
Figura 14-1
431
432
Parte I I I
Programacin matemtica
433
Sujeto a:
Capital disponible para inversin:
Para calcular el valor neto actual, los fondos que se reciben en el futuro se descuentan con una tasa de inters
apropiada. La determinacin de esta tasa no es un problema trivial. Vase el apndice del captulo 2.
434
Adems de estas restricciones, pueden existir otras sobre combinaciones especficas de proyectos. Por ejemplo, los proyectos 3 y 4 pueden ser opciones
mutuamente excluyentes, de manera que la empresa quisiera incluir en el conjunto
el proyecto 3 o el 4 (o quizs ninguno), pero no ambos. Se puede agregar la
siguiente restriccin para lograrlo:
Pero si tuviera que incluir por lo menos uno de los proyectos (posiblemente los
dos), la restriccin sera entonces:
Observe que Yi puede asumir valores de 0 y 1; sin embargo, Y6 slo puede ser 1
si Y5 tambin es 1. Entonces, se cumplen las condiciones requeridas.
La resolucin de este problema de programacin entera dara como resultado
un subconjunto de variables Y iguales a 1. Los proyectos asociados con estas
Es necesario hacer una advertencia. Con frecuencia es fcil formular este tipo de restricciones con expresiones
como Y3 Y4 - 0, lo que requerira que Y3 = 0 o Y4 = 0 o ambos. Sin embargo, esta restriccin no es lineal porque
comprende el producto de dos variables. La programacin lineal entera requiere restricciones lineales y una
funcin objetivo lineal.
435
436
C4
= Envos (en miles de unidades) del lugar C a la regin 4.
PAS = Produccin (en miles de unidades) de una planta pequea (S)
en el lugar A
PAL = Produccin (en miles de unidades) de una planta grande (L) en el lugar A
Tabla 14-1
437
Costos y capacidades
Ubicacin
A
Pequeo
Grande
Pequeo
Grande
Enorme
Pequeo
Grande
1 200
1 600
2 000
900
1 400
Tamao
Capacidad
Costo de manufactura
(miles de unidades) (dlares por unidad)
600
5.00
1 200
4.00
600
1 200
2000
600
1 200
5.00
4.00
3.50
6.00
5.00
PCL = Produccin (en miles de unidades) de una planta grande (L) en el lugar C
YAS = Variable binaria que es igual a 1 si se construye una planta pequea
(S) en el lugar A y 0 en caso contrario.
YAL = Variable binaria que es igual a 1 si se construye una planta grande (L)
en el lugar A y 0 en caso contrario.
YCL = Variable binaria que es igual a 1 si se construye una planta grande (L) en
el lugar C y 0 en caso contrario.
La formulacin de este modelo se presenta en la figura 14-2 con el paquete
LINDO que se describi en el captulo 10.5 LINDO es un producto de software
disponible para microcomputadores y computadores de gran tamao para resolver
problemas de programacin lineal y entera binaria. La resolucin de este problema
se ilustrar en una seccin posterior del captulo.
La funcin objetivo que se pretende minimizar contiene el costo anual multiplicado por las variables binarias (por ejemplo, 1000 YAS), los costos de distribucin multiplicados por el nmero de unidades enviadas por la ruta dada (por
ejemplo, 2 A2) y el costo de manufactura multiplicado por las unidades fabricadas
(por ejemplo, 5 PAS). El primer conjunto de restricciones (nmeros 2 a 5 en la
figura 14-2) garantiza que se cumplan las demandas regionales. Por ejemplo:
A1 + B1 +C1 =500
requiere que los envos a la regin 1 desde los lugares A, y C cumplan con la
demanda de 500 unidades de dicha regin.
El segundo conjunto de restricciones (6 a 12) limita la ca ^acidad de produccin.
Por ejemplo la restriccin 6 se obtiene de:
Vase Linus Sclirage, Linear, Integer, and Quadratic Programming with LINDO, cuarta edicin, South San
Francisco, Calif., Scientific Press, 1989.
438
Tabla 14-2
Requerimientos de
la regin (miles
de unidades)
439
Figura 14-2
RESUMEN
440
Figura 14-3
442
Para verlo, considere un problema con 10 variables enteras, cada una de las cuales puede tener cinco valores
enteros (0, 1, 2, 3 o 4). El nmero de soluciones posibles es 510 - 9 765 625. La enumeracin y evaluacin de
todas estas posibilidades sera un camino largo y tedioso. Por lo tanto, se requiere una forma de limitar la bsqueda
a un conjunto ms pequeo de soluciones posibles.
443
El problema ordinario de programacin lineal ha "relajado" u omitido las restricciones relativas a los
valores enteros de las variables; a esto se le conoce en ocasiones como relajamiento del problema de programacin entera.
444
Figura 14-4
Maximizar:
Sujeto a:
445
446
Paso 4. Comparar Este lmite es menor que el mejor que se tiene hasta ahora
(P 10, de la ronda 3, paso 3). Por lo tanto, se puede eliminar toda la rama de las
investigaciones posteriores. No puede contener una solucin entera con beneficio
mayor que 10, pues la mejor solucin sin restricciones slo tiene beneficio
de 9.33.
Ronda 5
Paso 2. Ramificar Regrese por el rbol hasta la rama X4 1 que se cre en la
ronda 2, paso 3 (vase Fig. 14-4).
Paso 3. Acotar Se resuelve el mismo problema de programacin lineal que en
el paso 2 de la ronda 2, sustituyendo la restriccin X4 = 0 con X4 1. La solucin
es X1 = 1, X2 - 0, X3 = 3, X4 = 1 y el beneficio es = 11. Una vez ms se trata de
una solucin entera.
Paso 4. Comparar La solucin anterior es entera y es mejor que la mejor
solucin previa. Por lo tanto se convierte en la nueva mejor solucin de apoyo.
Es una cota para todas las soluciones situadas debajo de la rama (X4 > 1) y ya no
hay que investigar ms esta rama.
Paso 5. Conclusin Se han investigado todas las ramas y, en consecuencia, la
mejor solucin de apoyo, la cual se obtuvo en el paso 3 de la ronda 5, es la solucin
entera ptima, con beneficio = 11.
Ha concluido el problema ejemplo. Como se han investigado todas las ramas,
la solucin ptima es la mejor solucin de apoyo:
RESUMEN
1. Inicio. Encuentre una solucin entera factible inicial (si es difcil encontrar
una solucin inicial se puede omitir este paso).
2. Ramificacin. Seleccione una variable y divida las soluciones posibles en dos
grupos. Seleccione una rama, es decir, uno de los grupos, para investigacin.
3. Acotamiento. Encuentre una cota o lmite para el problema que define la rama
que seleccion. En nuestro caso se us como cota la solucin de programacin
lineal del problema entero. Observe que la cota representa el lmite superior
para todas las soluciones posibles de una rama.
4. Comparacin. Compare la cota que obtuvo para la rama que investiga con la
mejor solucin de apoyo de las ramas que haya examinado anteriormente. Si
447
la cota es menor que la mejor detectada hasta el momento, elimine toda la rama
nueva y prosiga con ramas que an no haya evaluado.9
Si la cota de la nueva rama es mayor que la mejor solucin de apoyo y adems
la solucin es entera, se convierte en la nueva mejor solucin de apoyo; luego
contine con la revisin de otras ramas que no haya considerado.
Si la cota de la nueva rama es mayor que la mejor solucin de apoyo, pero la
solucin no es entera, es posible que existan mejores soluciones ms abajo, en
el rbol. Por lo tanto, avance un nivel en el rbol y la rama (es decir, contine
en el paso 2).
5. Conclusin. Cuando haya terminado de revisar todas las ramas, la mejor
solucin de apoyo es la solucin ptima.
Discusin
Para la resolucin de problemas con el procedimiento de ramificacin y acotamiento es conveniente dibujar un rbol como el de la figura 14-4, para llevar el
control de las ramas que se han investigado y de las que faltan. El orden de
seleccin de las ramas para el anlisis es arbitrario; por ejemplo, pudimos haber
comenzado por la ramificacin de X3 en lugar de X4. Como se mencion antes,
un procedimiento que al parecer funciona de manera eficiente es seleccionar
ramas que redondeen una solucin no entera. Por ejemplo, si la solucin dada es
X = 2.23 para una variable, con frecuencia es una buena opcin investigar las
ramas X 2 y X 3 -10
Es posible que el problema de programacin lineal que forma una rama no tenga solucin factible. En este caso
se puede eliminar la rama, ya que es obvio que no contiene soluciones, ni enteras ni fraccionarias.
10
Los programas de computacin que se usan para problemas reales cuentan con heurstica (reglas empricas)
compleja acerca de cmo desarrollar el rbol y cules ramas deben investigarse en primer lugar.
448
Discusin
La formulacin de problemas de programacin entera es una extensin de las ideas
de la programacin lineal. De hecho, muchos problemas importantes de la vida
real son del tipo entero mixto, con algunas variables restringidas a valores enteros
(muchas veces cero/uno) y otras variables ordinarias que pueden asumir cualquier
valor no negativo. Sin embargo, como se ha visto, los procedimientos de solucin
de los problemas enteros son bastante distintos de los correspondientes a los
problemas ordinarios de programacin lineal. Los clculos de los problemas
enteros son mucho ms extensos, ya que requieren la resolucin de muchos
problemas de programacin lineal como parte del proceso.
El campo de la programacin entera es un buen ejemplo de los logros en el
desarrollo de nuevas tcnicas cuantitativas para la resolucin de problemas
empresariales. Hace poco, aunque se podan formular problemas enteros, slo era
posible resolver los problemas pequeos con la ayuda de mucho tiempo de
Figura 14-5
449
(contina)
450
Figura 14-5
(continuacin)
(contina)
Figura 14-5
(conclusin)
451
452
Figura 14-6
453
Ejemplo:
Problema de
asignacin11
Una empresa tiene cuatro plantas y cuatro almacenes. A cada planta se le debe
asignar un solo almacn y viceversa. La relacin directa (o asignacin) de las
plantas a los almacenes afectar los costos totales de envo y la meta es obtener
la asignacin con menor costo total. La tabla 14-3 contiene los costos anuales de
envo para cada combinacin posible de una planta y un almacn.
Este problema es combinatorio porque hay varias soluciones posibles y cada
una implica una respuesta afirmativa o negativa a la pregunta "Se asigna la planta
i al almacn _j?" Hay cuatro maneras de asignar la planta A; si ya hay una
asignacin para A, hay tres posibilidades de asignacin para la planta B; luego
dos para C, y D se asigna al almacn sobrante. De esta manera, el nmero
de asignaciones posibles es N! = (4)(3)(2)(1) = 4! = 24. Aunque 24 no es un
nmero muy grande, el mismo problema con 12 plantas y 12 almacenes tendra
12! = 479 001 600 soluciones posibles. Lo anterior es una caracterstica fundamental de los problemas combinatorios: incluso un problema relativamente pequeo (12 plantas y 12 almacenes) tiene gran nmero de soluciones posibles.
11
454
Tabla 14-3
Procedimiento de acotamiento
Ahora se necesita una manera de determinar un lmite inferior del costo (es decir,
una cota) para todas las soluciones. Una manera sencilla de hacerlo es asignar a
cada almacn la planta con menor costo de envo para dicho almacn. As, para
el primer almacn de la tabla 14-3, el envo cuesta menos desde la planta A; para el
segundo, el envo ms barato se hace de la planta B; para el tercer almacn la
planta menos costosa es la D; y para el cuarto almacn es A. Observe que no es
una asignacin factible, ya que se asigna la planta A a los almacenes 1 y 4 y se
requiere una asignacin nica de planta a almacenes. No obstante, el procedimiento sirve para obtener un lmite inferior, ya que el costo de cualquier
asignacin factible no puede ser menor que el costo que se obtuvo con este
procedimiento. Adems, si la asignacin que se obtiene con este procedimiento
es factible (es decir, si se logra una asignacin nica de plantas a almacenes),
entonces es la ptima.
Desde el punto de vista mecnico, el procedimiento consiste en encontrar el
mnimo de cada columna. Los nmeros de cada columna se presentan en un
crculo en la tabla 14-4.
El total de los mnimos de las columnas es 96 dlares, lo cual representa la cota
inferior del costo.12 No existe una asignacin factible que cueste menos de 96
dlares.
Primera ramificacin
Considere el ejemplo con los datos de costo de la tabla 14-3. Hay 24 soluciones
posibles. Suponga que en forma arbitraria se decide usar como punto de partida
12
Un procedimiento de acotamiento mejor sera calcular los mnimos de las filas adems de los mnimos de las
columnas y despus establecer la cota inferior como el mximo de la suma de los mnimos de las columnas y la
suma de los mnimos de las filas. No se us este procedimiento para que el ejemplo fuera lo ms claro posible.
Tabla 14-4
455
Cotas inferiores
Ahora hay que acotar cada categora; es decir, se debe calcular un lmite inferior
para los costos de las soluciones de las categoras. Considere la categora asociada
a la asignacin (A,1). El costo de esta asignacin es de 10 dlares ms el costo de
las restantes asignaciones planta-almacn. Para encontrar una cota, suponga que
se eliminan la primera fila de la tabla 14-3 (pues ya se asign la planta A) y la
primera columna (ya se asign el almacn 1). La nueva tabla de costos se
reproduce en la tabla 14-5.
Lo que se busca ahora es calcular una cota inferior para la asignacin de las
dems plantas, B, C y D, a los otros almacenes, 2, 3 y 4. Para ello se calculan los
mnimos de las columnas de la misma manera que antes (los mnimos se presentan
en un crculo en la Tabla 14-5). El total de estos mnimos es 93 dlares, que
sumados al costo de 10 dlares de la asignacin 04,1) dan un costo total de
103 dlares. Esta es la cota inferior del costo de esta rama. Observe que la solucin
que indican los mnimos de las columnas de la tabla 14-5 no es factible, porque
la planta D se asigna a los almacenes 3 y 4.
Segunda ramificacin
Como an no se detecta una asignacin factible, se investiga el rbol a mayor
profundidad. Considere la rama asociada con la asignacin de la planta al
456
Figura 14-7
Tabla 14-5
almacn 2, representada por (B,2). De los seis casos con (A,1), dos se relacionan
con la asignacin de (5,2) y los otros cuatro con el caso donde no se asigna al
almacn 2; es decir
Esta ramificacin se muestra en la figura 14-8.
Ahora se calcula la cota inferior de la rama (B,2). Como antes, se eliminan las
columnas y las filas de las plantas y de los almacenes que ya se asignaron. Por lo
tanto, las filas A y y las columnas 1 y 2 desaparecen de la tabla 14-3, para
producir la tabla 14-6.
La cota inferior de esta rama es la suma del costo de 10 dlares de la asignacin
04,1), el costo de 17 dlares de la asignacin (B,2) y el total de los mnimos de
las columnas de la tabla 14-6, siendo un total de 103 dlares. Observe que tampoco
es una solucin factible, ya que la planta D se asigna a los almacenes 3 y 4.
Figura 14-8
Tabla 14-6
457
Tercera ramificacin
Ya se determinaron las dos soluciones de la rama (5,2) y se dibujan en la figura
14-9 para formar un tercer conjunto de ramas. Cada una de estas ramas representa
una solucin factible, con costos de 126 y 105 dlares, respectivamente. La
asignacin (A,1), (B,2), (C,4), (D,3), con costo de 105 dlares, es la mejor y se
convierte en la primera mejor solucin de apoyo.
Rama (B,2)
Regresamos por el rbol hasta la rama
el conjunto de soluciones donde no
se asigna al almacn 2 [todo ello dentro del conjunto (A,l)]. Los costos de este
caso se presentan en la tabla 14-7. Observe que hay un asterisco en la fila B,
columna 2, para indicar que no debe considerarse esta posibilidad. La cota inferior
458
Figura 14-9
Tabla 14-7
Tabla 14-8
459
una tabla de costos para este caso (Tabla 14-8) con un asterisco en la fila A,
columna 1. La cota inferior se obtiene con la suma de los mnimos de las columnas
siendo un total de 108 dlares. Por lo tanto, ninguna de las 18 soluciones de la
rama tiene costo inferior a 108 dlares. Como la solucin de apoyo actual tiene
costo de 105 dlares, se puede eliminar toda la rama y sus 18 soluciones.
Como no hay ms ramas por investigar, la solucin ptima es la mejor solucin
de apoyo: A-1, B-2, C-4, D-3, con costo de 105 dlares.
RESUMEN
Bibliografa
Bradley, S. R, A. C. Hax y T. L. Magnanti, Applied
Mathematical Programming, Reading, Mass.,
Addison-Wesley Publishing, 1977.
Crowder, H., E. L. Johnson y M. Padberg, "Solving
Large-Scale Zero-One Linear-Programming Problems", Operations Research, septiembre-octubre de 1983.
Garfinkel, R. S. y G. L. Nemhauser, Integer Programming, Nueva York, John Wiley & Sons,
1972.
Geoffrion, A. M. y R. E. Marsten, "Integer Programming Algorithms: A Framework and Stateof-the-Art Survey", Management Science, marzo
de 1972.
460
Zionts, S., Linear and Integer Programming, Englewood Cliffs, N. J., Prentice Hall, 1974.
14-2.
Un estudio de cine quiere producir cinco pelculas en los prximos tres aos. Defina
una variable Yit, en la cual el subndice i se
refiera a la pelcula (i = 1, 2, 3, 4, 5) y el
subndice t se refiera al ao (f = 1,2, 3,). Yit
es una variable binaria que tiene valor 1 si
se produce la pelcula i en el ao t y valor 0
en caso contrario. Considere en forma independiente cada una de las siguientes situaciones y formule una o ms restricciones
enteras que satisfagan la condicin que se
establece.
a. No se puede producir ms de una pelcula en el primer ao.
b. La pelcula 2 no puede producirse antes
que la pelcula 3, pero s pueden producirse la dos en el mismo ao.
c. Hay que producir por lo menos una pelcula cada ao.
d. La pelcula 4 no puede producirse despus del ao 2.
e. Las pelculas 1 y 5 no se pueden producir en el mismo ao.
Utilice el procedimiento de ramificacin y
acotamiento para resolver el siguiente problema:
14-3.
C
D
F
G
Costo (miles
de dlares)
$ 80
15
120
65
20
10
60
100
Valor
40
10
80
50
20
5
80
100
Maximizar:
100A + 120B
Sujeto a:
3 + 7 + 2 1000
(tiempo de mquina disponible)
A + 1.55+ 2#< 300
(horas de trabajo disponibles)
23A + 185 + 25K = MPUSADA
(materia prima usada)
14-5.
461
462
Problemas
14-6.
14-7.
14-8.
14-9.
a 2 A.M.
a 6 A.M.
a 10 A.M.
a 2 P.M.
a 6 P.M.
a 10 P.M.
Total
Patrullas requeridas
13
1
7
6
6
17
50
5
6
10P.M.
6 A.M.
10 A.M.
2 P.M.
6 P.M.
2 A.M.
6 A.M.
10 A.M.
2 P.M.
6 P.M.
IOP.M.
2 A.M.
Horas de trabajo
Alfas
Betas
13
180
8
120
240
120
Materia prima
(kilogramos)
10
Energa (kwh)
300
Contribucin por unidad
(dlares), excluyendo
el costo de la fuerza de
trabajo, la materia
prima y la energa
170
Gamas
463
Snohomish tiene hasta 400 horas de trabajo disponibles en sus operaciones del primer turno (en el trimestre) y el contrato de
trabajo permite esta cantidad de horas a
10 dlares la hora. La materia prima (resina
regular) cuesta dos dlares por kilogramo y
se pueden comprar hasta 20 toneladas. La
energa cuesta tres centavos por kwh y se
puede obtener cualquier cantidad.
Snohomish ha formulado el problema de
programacin lineal de la siguiente manera:
Parte III
464
Programacin matemtica
Cantidad Capacidad de
pasajeros
disponible
1
2
3
De Chicago a
Seattle y regreso
De Chicago a
Denver y regreso
108
90
66
101
88
62
320
250
130
b.
14-12.
T
a
r
ifa
para un
solo sentido
Etapa de la ruta
Chicago a Seattle
Seattle a Chicago
Chicago a Denver
Denver a Chicago
310
240
290
265
$410
410
350
350
Camin
1
2
3
4
5
Capacidad
(toneladas)
1
2
1
2
1
Cantidad
(toneladas)
14-15.
465
14-16.
466
14-17.
14-18.
14-19.
Problemas ms difciles
14-20.
Captulo 14
1
2
3
4
3
2
1
1
2
3
5
4
14-21.
La compaa Franchise Food Products opera dos cadenas de tiendas de comida preparada: Piazo Pizza y Fisher Fish and Chips.
La empresa ampliar sus operaciones al condado de Santa Clara y busca lugares para
abrir tiendas nuevas. Se han identificado
diez lugares posibles y se han estimado los
ingresos netos (en trminos de valor actual)
correspondientes al establecimiento de Piazo Pizza o de Fisher Fish and Chips. Sea
Pj (j = 1,2,.. ., 10) los ingresos netos de un
local de Piazo Pizza y Fj (j = 1, 2, . . ., 10)
los ingresos del mismo lugar como sede de
Fisher Fish.
14-22.
467
La compaa opera las dos cadenas de restaurantes vendiendo las franquicias para una
regin. De acuerdo con los trminos del
acuerdo de franquicia de Piazo Pizza, la
franquicia tiene derechos exclusivos en un
radio de dos kilmetros del restaurante. Esto
quiere decir que los lugares que se elijan para
las pizzeras deben estar por lo menos a
cuatro kilmetros de distancia. En los contratos de las franquicias de Fisher Fish hay un
acuerdo similar, pero ahora se garantizan los
derechos exclusivos en un radio de 2.5
kilmetros; es decir, los restaurantes deben
estar separados por lo menos cinco kilmetros. No hay restricciones en cuanto a la ubicacin de dos locales de las dos cadenas (por
ejemplo, una pizzera podra estar al lado de
un restaurante Fisher Fish). Ms adelante se
presenta una tabla de las distancias entre los
lugares.
Cada uno de los diez lugares posibles puede desarrollarse como parte de la cadena
Piazo Pizza o Fisher Fish, pero no como parte
de ambas. Por supuesto, existe la posibilidad
de que no se desarrolle nada.
Formule lo anterior como un problema de
programacin entera para maximizar los ingresos netos de la compaa Franchise Food
Products.
La compaa de manufactura Ininob fabrica
tres productos: artilugios, yamis y zots. La
compaa quiere determinar su programa de
Distancia (kilmetros) entre los lugares posibles para restaurantes (para el problema 14-21)
A
De
1
2
3
4
5
6
7
8
9
3
3.7
2.2
2.6
3.2
5.7
3.2
6.4
3.3
4.5
7.5
7.3
6.6
5.3
5.7
5.2
8.6
9.6
7.4
5.6
9.4
4.8
8
8.8
10.3
7.7
5.7
10.1
5.6
1.2
9
13.0
13.1
11.4
10.4
11.5
6.6
5.2
5.9
10
10.2
7.5
8.2
10.3
4.4
5.5
10.2
11.4
10.2
Parte III
468
Programacin matemtica
Tabla 14-9
14-23.
Costos de envo de las fbricas a las regiones de ventas (para el problema 14-23)
5
Requisito total
de ventas
$1
$1
$6
$3
$5
4
100
3
200
1
200
3
400
4
100
3
Requisitos de ventas
(unidades)
1000
Captulo 14
Tabla 14-10
14-24.
469
- Instalacin elctrica
I - Interiores
El procedimiento de oferta especifica que
se pueden presentar cotizaciones para distintas partes o para combinaciones de partes y
tambin se permitieron cotizaciones
mltiples.
Cinco contratistas del rea, todos considerados de confianza por la ciudad de Sha- mut,
han enviado sus cotizaciones. Ms adelante
se presentan las cotizaciones de los cinco
contratistas: Able, Baker, Charley, Dog y
Easy.
Adems, Easy especific en su cotizacin
que otorgara un descuento del 10% sobre las
cantidades ofrecidas para las partes si se le
conceda el contrato para realizar cuatro
partes o ms.
Su tarea como gobernador de la ciudad es
otorgar los contratos de manera que se minimice el costo total del trabajo.
Un factor que complica las cosas es que los
contratistas Able y Baker estn en pugna y
ambos han especificado en sus cotizaciones
que no aceptarn el contrato de ninguna parte
si el otro efecta algn trabajo.
Formule un modelo de programacin lineal
que ayude al gobernador de la ciudad a
decidir qu ofertas aceptar. No utilice ms de
25 variables de decisin. Haga su formulacin lo ms general posible; es decir, no
elimine cotizaciones arbitrariamente aunque
le parezca que no sern aceptadas. Su
formulacin deber ser suficientemente general para que pueda usarse con distintas cotizaciones (con la modificacin de las
cantidades, por supuesto).
470
Caso 14-25
Captulo 14
471
Caminos requeridos
A,
A, B, C
A, D
A, D,
A, D, F
472
Caso 14-26
Tabla 14-11
Tipo de tienda
Tamao de la
Alquiler
tienda (cientos de anual (miles
metros cuadrados) de dlares)
Valor
Costo de
actual (miles
construccin
de dolare:;', (miles de dlares)
Ropa
1 Para hombre
2. Para mujer
3. Mixta
Restaurantes
4. De lujo
5. Econmico
6. Bar
7. Cafetera
Bienes
8. Ferretera
9. Cuchillera y varios
10. Equipaje y piel
Varios
11. Agencia de viajes
12. Tabaquera
13. Tienda fotogrfica
14. Juguetera
15. Saln de belleza
1.0
$4.4
1.6
2.0
6.1
8.3
$ 28.1
34.6
50.0
$ 24.6
32.0
41.4
3.2
1.8
2.1
1.2
24.0
19.2
20.7
7.7
160.0
77.8
100.4
45.2
124.4
64.8
79.8
38.6
2.4
1.6
2.0
19.4
11.7
15.2
80.2
51.4
62.5
66.8
45.1
54.3
0.6
0.5
1.4
2.0
1.0
3.9
3.2
18.0
11.6
50.4
73.6
51.2
15.0
13.4
42.0
63.7
40.0
11.3
16.0
9.6
473
calcul el valor actual del los alquileres futuros y los pagos por porcentaje
de ventas; estas cifras se incluyen en la tercera columna. Rodney quiere obtener
el mayor valor actual total del conjunto de tiendas que elija. Pero no poda
simplemente seleccionar las tiendas con mayor valor actual, pues existan varias
restricciones, la primera de las cuales era, por supuesto, que slo dispona de
1600 metros cuadrados.
Adems, una condicin del la financiacin del proyecto requera que el alquiler
anual fuera por lo menos igual al costo fijo anual (impuestos, tarifas administrativas, servicio de la deuda, etctera). Los costos anuales para esta parte del
proyecto eran de 150 000 dlares. Por ltimo, los fondos totales disponibles para
la construccin de esta parte del proyecto eran 700 000 dlares y cada tipo de
tienda requera distintos costos de construccin, dependiendo del tamao y
del tipo de la tienda (cuarta columna de la tabla).
Adems, Rodney tena sus propias exigencias en cuanto a la mejor combinacin
de tiendas. Quera por lo menos una tienda de cada categora (Ropa, Bienes y
Varios) y por lo menos dos Restaurantes. No quera ms de dos tiendas de Ropa.
Adems, el nmero de tiendas del grupo Varios no debera exceder el total de
tiendas de los grupos de Ropa y Bienes, combinados.
Formule el caso de Rodney como un problema de programacin lineal entera.
Modelos deterministas y
probabilsticos
CAPTULO
Si hay inventario en pedido, entonces se compara la suma del inventario disponible y el inventario en pedido
con el punto de pedido.
477
478
Anlisis ABC
Todo inventario de importancia se compone de ms de un tipo de artculos. Cada
artculo requiere un anlisis para calcular su tamao de pedido y el punto de
pedido, pero es conveniente reconocer desde el principio que no todos los artculos
tienen la misma importancia para la organizacin. El anlisis ABC es una forma
de clasificar los artculos con base en una medida de su importancia, la cual, con
frecuencia, es el importe monetario de las ventas anuales del artculo.
La figura 15-1 ilustra una curva ABC tpica que se obtiene clasificando cada grupo
de artculos de acuerdo con sus ventas en dlares (en orden descendente)
Figura 15-1
479
La figura 15-1 muestra estas tres regiones para el ejemplo. Hay que subrayar que
estas divisiones no son rgidas; algunas compaas dividen su inventario en cuatro
grupos (ABCD) y otras emplean lmites distintos para las regiones. El punto
clave es que, sin importar cules sean las definiciones, el artculo A tpico
generalmente es mucho ms importante que el B, el cual es, a su vez, mucho ms
importante que el artculo C tpico.
De acuerdo con los objetivos de la gerencia, los artculos A deben recibir ms
anlisis, supervisin y revisin, ya que tienen la clasificacin ms alta segn la
medida de la importancia. Los artculos deben recibir algo de atencin, pero
menos que los artculos A. Los artculos C representan muchos artculos diferentes, pero las ventas de cada artculo C son tan bajas que se pueden manejar de
manera menos rigurosa, con una tendencia a niveles de inventario "altos", ya que
no implican demasiado dinero. Si una compaa implanta una mejora del control
de inventarios, su punto focal inicial deben ser los artculos A, ya que es all donde
pueden obtener mayor efecto.
480
Figura 15-2
481
entonces, se clasificara como artculo cualquiera con ventas menores que 8500
dlares pero superiores a 1000 dlares. Los artculos C seran los que tuvieran
ventas inferiores a mil dlares. De esta manera se puede aplicar la informacin
que se obtuvo de la muestra de 200 artculos a los 20 000 artculos del inventario
y es probable que el "error" de la muestra imperfecta sea pequeo.
El anlisis ABC clasifica los artculos con base en una medida de importancia. La
gerencia puede centrar la mayor parte de su atencin en los artculos A e invertir
menos esfuerzo en los artculos y C. Muchas veces, la forma ms sencilla de
efectuar un anlisis ABC es la utilizacin de una muestra aleatoria de 100 o 200
artculos.
482
Figura 15-3
Esta cifra no da margen para errores, pero es consistente con las suposiciones de
demanda y tiempo de entrega conocidos. La figura 15-3 ilustra el comportamiento del inventario del sistema con base en la suposicin de tasa de demanda y
tiempo de entrega conocidos y constantes.
El tamao ptimo de pedido se determina con el anlisis de los costos totales.
El costo total (TC) para un periodo ser igual a la suma de los costos de pedido
(o costos de preparacin) ms los costos de mantenimiento de inventario durante
el periodo.2 Suponga que todas las unidades se recibirn al mismo tiempo.
Sea:
=Costo de formulacin de un pedido (o de establecimiento de la produccin)
kc =Costo anual de mantenimiento de una unidad de inventario.
D =Uso total anual (demanda), en unidades
Q =Tamao ptimo de pedido, en unidades (el factor desconocido)
Observe que el nmero anual de pedidos depende de D y Q:
Nmero anual de pedidos
Tambin:
Inventario promedio (suponiendo utilizacin lineal)
Entonces:
Costo anual de mantenimiento de inventario (inventario
promedio multiplicado por kc, el costo de almacenamiento
anual por unidad)
Costo anual de formulacin de pedidos (nmero anual de pedidos,
D/Q, multiplicado por el costo de formulacin de
pedidos, K)
2
No es necesario considerar los costos de escasez, ya que las suposiciones de demanda conocida y tiempo de
entrega conocido implican que no se producirn escaseces. En el siguiente captulo se abandonar la suposicin
de demanda conocida.
483
Figura 15-4
Esta frmula tambin se puede obtener usando clculo diferencial para minimizar el costo total con respecto a Q.
Obtenga la primera derivada de la ecuacin 15-1 con respecto a Q, igulela a cero y resuelva para Q.
Resolviendo:
Como
484
o sea:
de forma que:
A la ecuacin 15-2 se le conoce como cantidad econmica de pedido o frmula
CEP (del ingls EOQ, Economic Order Quantity).
Ejemplo 1
485
Observe que, por la raz cuadrada de la frmula, un error del 50% en la estimacin
de la demanda slo produce un error del 23% en el tamao de pedido, comparado
con la cantidad ptima Q = 100. Pero, la prueba real del error es cunto cuesta.
Si sustituye Q = 123 en la ecuacin 15-1 de costo total, se obtiene:
Al comparar este costo total con el costo total de la cantidad ptima de pedido
que se obtuvo antes (TC = 300), se observa que el aumento porcentual en costo,
el precio que hay que pagar por el error, es slo 6.5/300 = 2.2%. Este mismo
razonamiento se aplica a un error del 50% en el costo de procesamiento del pedido
o en el costo de mantenimiento de inventario. Por lo tanto, probablemente no sea
mucha la ganancia debida a la determinacin de estimaciones ms precisas si se
estimaron razonablemente los costos y la tasa de demanda.
486
Ejemplo 2
El beneficio neto incremental es $3000 - $1250 + $135 = $1885. Como este valor
es positivo, hay que aprovechar el descuento.
La demanda anual de un artculo es de mil unidades. El artculo cuesta 10 dlares
por unidad y el cargo anual de almacenamiento en inventario es el 25% del costo
del artculo. El costo de procesamiento de un pedido es de 50 dlares. Si se piden
al mismo tiempo 500 unidades o ms se aplicar un descuento de 40 centavos por
unidad. Cul debe ser la cantidad ptima de pedido?
Primero se calcula la cantidad econmica de pedido con la ecuacin 15-2,
sealando que el costo de almacenamiento kc = 0.25($10) = $2.50:
487
Figura 15-5
pudo haber optado por el descuento, sin tener que calcular el beneficio de la
reduccin de pedidos.
Pedidos permanentes
En ocasiones se puede obtener un descuento en el precio si se establece un acuerdo
para comprar un volumen anual especfico al proveedor, a la vez que se mantiene
la flexibilidad de la entrega frecuente de cantidades pequeas. A este procedimiento se le denomina pedido permanente. En este captulo se supuso que la
demanda era conocida y constante; por lo tanto, siempre seran favorables los
pedidos permanentes y la cantidad de entrega del pedido se calculara de acuerdo
con los clculos CEP (vase tambin la seccin de inventarios justo a tiempo que
se presenta ms adelante). En la prctica, cuando la demanda no es conocida ni
constante, existe un riesgo al aceptar un compromiso anual que tendr que
compararse con el descuento en el precio que se puede obtener.
488
en el instante Q/p.
La produccin ptima de una sesin es:4
Ejemplo 3
Al efectuar este tipo de clculos hay que verificar que las unidades sean
compatibles. Por ejemplo, si se nos dijera que la produccin por da es de 800
unidades, no se podra hacer p igual a 800 y usar la misma tasa de demanda de
100 000 unidades por ao y el costo de almacenamiento de cinco dlares anuales.
En este caso se convertiran las 800 unidades diarias en un equivalente anual,
multiplicando dicha cantidad por el nmero de das de trabajo en el ao (digamos
que hay 250; entonces la tasa anual equivalente sera 200 000 unidades).
Adems, este modelo supone que todos los costos de almacenamiento de
inventario siguen el patrn de la figura 15-5. No obstante, si el costo de la materia
prima fuera una porcin considerable del costo total del producto y no pudiera
comprarse una unidad de materia prima cada vez, la figura 15-3 representara
mejor la situacin y se usara la ecuacin 15-2.
489
En el ejemplo 3 se calcul el costo total anterior (con cinco dlares por pedido)
como 300 dlares, por lo que el ahorro total en costo es $300 - $150 = $150. Como
este ahorro excede el costo de inscripcin de 50 dlares, la empresa debe unirse
al club de compras y comprar en cantidades de Q = 50.
Rotacin de inventarios
Un concepto relacionado que en ocasiones usa la gerencia para supervisar los
niveles de inventario es la rotacin de inventarios, entendiendo por tal a la razn
de la demanda anual dividida entre el inventario promedio. Simblicamente:
Parte IV
490
491
valor ptimo preciso. A los descuentos por volumen se les debe aplicar el anlisis
incremental. Cuando hay un flujo continuo de producto se aplica una frmula
modificada. Los conceptos de inventario justo a tiempo tienen que considerar los
costos fundamentales del inventario: formulacin de pedidos y almacenamiento.
La rotacin de inventario puede ser una medida de rendimiento engaosa, ya que
slo trata uno de los costos (el de almacenamiento).
APNDICE
es la duracin de la sesin
492
Bibliografa
Brown, R. G., Decision Rules for Inventory Management, Nueva York, Holt, Rinehart & Winston,
1967.
Brown, R. G., Materials Management Systems,
Nueva York, John Wiley & Sons, 1977.
Buffa, E. S. y J. G. Miller, Production-Inventory
Systems, Homewood, 111., Richard D. Irwin,
1979.
Hall, R. W., Zero Inventories, Homewood, 111.,
Dow Jones-Irwin, 1983.
Hillier, F. y G. J. Lieberman, Introduction to Operations Research, quinta edicin, Nueva York,
McGraw-Hill, 1990.
McClain, J. O. y L. J. Thomas, Operations Management: Production of Goods and Services, segun-
15-2.
15-3.
15-4.
15-5.
de las ventas, que los artculos C correspondan al ltimo 50% de los artculos y
que los artculos sean todos los
dems. Qu cifras monetarias de ventas usara para separar los intervalos A,
y C?
El costo de formulacin de un pedido es de
seis dlares y se estima que se usarn 1000
unidades en los prximos 12 meses. El costo anual de almacenamiento por unidad es
de 30 dlares. Calcule el tamao ptimo de
pedido.
La compaa ABC usa 100 000 unidades de
un producto cada ao. El costo de almacenamiento por unidad es tres dlares anuales y
el costo de efectuar el pedido de un lote es
de 60 dlares.
a. Cul es el tamao ptimo de pedido?
b. Si los costos de formulacin fueran de
60 centavos por pedido, cuntas unida
des se deberan pedir cada ocasin?
Suponga que la situacin es la misma que se
presenta en (a) del problema 15-4, con la
informacin adicional de que se puede reducir el costo de formulacin de pedido de 60
a 15 dlares por lote si la compaa se une
15-6.
15-7.
493
Problemas
15-8.
15-9.
15-10.
15-11.
15-12.
494
15-13.
15-14.
15-17.
15-15.
15-16.
15-18.
Cantidad
Costo unitario
1-100
101-200
Ms de 200
$10.00
9.75
9.50
Problemas ms difciles
15-19.
15-20.
15-21.
495
Costo de preparacin
Costo variable por unidad
$5 000
4
E
n
cuadernacin
$1000
2
496
15-23.
15-24.
con el montaje, debido al fenmeno de curva de aprendizaje por el cual cada librera
se monta en menor tiempo que la anterior.
l estima que este efecto se puede representar con un cargo de 50 dlares de preparacin para montaje. Una vez que inicia el
proceso de montaje de las libreras, la tasa
es de 100 libreras diarias; el costo de la librera terminada es de 15 dlares (lo que incluye los cinco dlares de las piezas
cortadas).
La demanda anual de las libreras es constante: 2500 unidades. El costo de almacenamiento es el 20% anual por dlar.
a. Suponga que se separa el departamento
de corte del departamento de montaje y
que las finanzas de cada uno se controlan por separado. Si usted estableciera
el tamao de sesin de produccin para
la cortadora, sin tomar en cuenta que
el producto slo es intermedio, cmo
lo establecera?
b. Si fuera a determinar el tamao de lote
de montaje sin considerar el departamento de corte, cmo lo hara?
c. El supervisor ha dicho, "Las piezas
sin montar no sirven de nada. Siempre
que se opera la mquina cortadora
hay que pasar todas las piezas por la
etapa de montaje para obtener un in
ventario de productos terminados que
s nos sirvan". Con base en esta poltica, cul es la cantidad econmica
para la produccin de piezas y libreras
montadas?
CAPTULO
Control de inventarios
con reorden y demanda
incierta
498
Figura 16-1
material requirements planning).1 Los modelos de este captulo slo deben utilizarse en situaciones con demanda independiente.
Ahora queremos dividir el inventario en dos tipos: existencias de ciclo y
existencias de seguridad. Las existencias de ciclo corresponden al inventario que
se analiz en el captulo 15: Q/2 como promedio. Es el inventario que debe tenerse
como funcin del tamao de pedido (Q). Las existencias de seguridad son la
diferencia entre el punto de pedido (R) y la demanda promedio durante el tiempo
de entrega del reabastecimiento
(vase Fig. 16-2). Cuanto mayores son las
existencias de seguridad (y el punto de pedido correspondiente), menor es la
posibilidad de que se produzcan inexistencias, y viceversa.
Al llegar a este punto es interesante ver la interaccin entre los diversos costos
y las dos variables (punto de pedido y tamao de pedido) que se presentan en la
tabla 16-1.
Para un anlisis detallado del MRP, vase J. A. Orlicky, Material Reqi/irernents Planning, Nueva York,
McGraw-HM, 1975.
Figura 16-2
Tabla 16-1
Acciones y resultados
Accin
499
Resultado
Reduccin en los costos de almacenamiento de las existencias
de seguridad y aumento en el costo de escasez.
Reduccin en los costos de almacenamiento de las existencias de ciclo
(Q/2) y aumento en los costos de escasez y de formulacin de pedidos.
Aumento en los costos de almacenamiento de existencias de seguridad
y reduccin en el costo de escasez.
Aumento en los costos de almacenamiento de existencias de ciclo y
reduccin en los costos de escasez y de formulacin de pedidos.
500
Hiptesis
Se supondr primero que el tiempo de reabastecimiento es conocido y constante. Segundo, se supone que el costo de escasez es un costo unitario, independiente
de la duracin de la situacin de inexistencias.2 La tercera suposicin es que M,
la demanda durante el tiempo de entrega, tiene una distribucin normal. Esta
ltima es la menos indispensable de las suposiciones y puede cambiarse; se escoge
para simplificar los clculos. A continuacin, se supone que el punto ptimo de
pedido R es mayor que la demanda promedio durante el tiempo de entrega, M,
para que las existencias de seguridad correspondientes (R - M) sean positivas. Por
ltimo se supondr que, en promedio, el inventario siempre contar con existencias de seguridad. Lo que queremos determinar es cunto pedir (Q) y cundo
pedirlo (R).
Modelo
Sea:
R = Punto de pedido (el nmero total de unidades disponibles y en pedido
que activa el nuevo pedido)
Q = Cantidad de pedido (nmero de unidades pedidas al mismo tiempo)
D = Demanda anual promedio
= Costo de formulacin de un pedido
kc = Costo de almacenamiento de una unidad en inventario durante un ao
ku = Costo adicional por la inexistencia de una unidad (costo de escasez)
= Nmero de unidades de demanda durante el tiempo de entrega de
reabastecimiento (una variable aleatoria)
Esta medicin de la escasez es la ms adecuada cuando se pierden ventas si no hay inventario disponible. En
este caso, el costo de la escasez representar el costo de oportunidad de la venta perdida ms los costos de reaccin
negativa.
501
Hay dos razones por las cuales se hace esta recomendacin. Primero, como se
mostr en el captulo 15, la suma de los costos anuales de procesamiento de
pedidos ms los costos anuales de almacenamiento de inventario no es muy
sensible a los errores moderados en Q; mientras la cantidad de pedido est
razonablemente cerca del valor ptimo, no se requiere demasiada precisin.
Segundo, varios estudios han indicado que, aunque en teora Q y R se deben
determinar en forma simultnea, en la mayora de las situaciones prcticas no hay
consecuencias de costo serias si Q se determina independientemente con la
frmula CEP de raz cuadrada de la ecuacin 16-1. Por lo tanto, se utilizar
la ecuacin 16-1 como la frmula bsica para Q, incluso si la demanda es
probabilistica.3
Despus de escoger Q, es importante tener en cuenta su valor al determinar R,
ya que el tamao de Q influye directamente en el nmero de veces por ao que
se estar expuesto a la posibilidad de inexistencias.
R. G. Brown mostr que el nico error grave que se comete al usar la frmula CEP anterior aparece cuando la
CEP es menor que la desviacin estndar de la demanda durante el tiempo de entrega (M). En esta situacin,
un mtodo heurstico excelente consiste en hacer que la cantidad de pedido sea igual a M. Para conocer los
detalles al respecto, vase R. G. Brown, Molerais Management Systems, Nueva York, John Wiley & Sons, 1977.
4
Esta aproximacin es razonable, ya que la unidad adicional siempre se representar en el inventario excepto
durante las inexistencias (lo cual sucede slo una fraccin del tiempo).
502
entrega, multiplicada por el costo unitario de inexistencias ku, todo ello multiplicado por el nmero de ciclos de inventario en el ao (D/Q):
o sea:
de manera que:
503
Figura 16-3
Figura 16-4
504
Ejemplo 2
durante el
30 unidades y distribucin normal.
El costo de escasez es de cinco dlares por unidad (esto es
Se puede determinar Q a partir de la ecuacin 16-1:
De la ecuacin 16-2 se obtiene:
505
Haciendo referencia a la tabla de probabilidades acumuladas para la distribucin normal (Tabla A del apndice al final del libro),F(R) = 0.98367 equivale a:
= 2.14 desviaciones estndar
Por lo tanto:
R = 100 + 2.14 30 = 164 unidades.
Las existencias de seguridad del ejemplo 2 son 64 unidades.
Observe la diferencia en los dos ejemplos. En el ejemplo 2, tanto el costo de
escasez como la variacin de la demanda durante el tiempo de entrega fueron
mucho mayores que en el ejemplo 1, lo que dio como resultado existencias de
seguridad mucho mayores.
Clculo de la desviacin estndar de la demanda
durante el tiempo de entrega (M)
El tiempo de entrega del reabastecimiento generalmente es distinto del periodo
de tiempo normal (por ejemplo, semanal o mensual) que se usa para recopilar los
datos de la demanda. Lo que se necesita es una forma de calcular a partir de
,, donde a se refiere a la desviacin estndar de la demanda durante el periodo
de tiempo normal (es fcil obtener este valor a partir de los datos de la demanda;
vase Cap. 3). Suponga, por ejemplo, que el tiempo de entrega es tres semanas y
el periodo normal es una semana. Considere la demanda durante el tiempo de
entrega como la suma de tres demandas semanales aleatorias. Entonces, si las
demandas semanales son independientes, la varianza de la suma equivale a la
suma de las varianzas (vase Cap. 3):
de manera que:
Ejemplo
Suponga que la demanda semanal de un artculo tiene una media de 100 unidades
y desviacin estndar de 10 unidades (1 = 10). Si el tiempo de entrega es cuatro
y la desviacin estndar (M) de la demanda
semanas, cul es la media
durante el tiempo de entrega?
506
507
508
3. A partir de la tabla de prdida unitaria normal N(Z) (Tabla del apndice final
del libro), encuentre el valor de que satisface la ecuacin 16-8.9
4. Entonces
Ejemplo 3
509
APNDICE
510
es el costo de inexistencias;
es el costo por unidad; la integral es el nmero
esperado de unidades de inexistencia por ciclo; D/Q es el numero anual de ciclos
de reabastecimiento, es decir, el nmero anual de pedidos; [(Q/2 + (R - M)]kc es
el costo de almacenamiento de inventario; y kc es el costo de almacenamiento de
una unidad durante un ao. El resto de la expresin es el inventario promedio;
Q/2, el inventario de promedio de existencias de ciclo, ms las existencias
de seguridad promedio
El trmino
slo aproxima el nivel
promedio de las existencias de seguridad, pero esta aproximacin es vlida en la
mayora de los casos prcticos (vase pie de pgina 4 de este captulo).
Las ecuaciones para Q y F(R) se obtienen de la ecuacin 16-9, la ecuacin de
costo total, tomando las derivadas parciales con respecto a R y con respecto a Q
e igualando stas a cero.10
El smbolo
511
Costo total
11
512
Observe que R est en la frmula anterior (ecuacin 16-10) para Q y que Q est
en la ecuacin 16-12 para R. En teora, debe ser posible resolver las dos ecuaciones en forma simultnea, lo cual puede lograrse con un procedimiento iterativo
que comienza con una estimacin de Q, se resuelve para R, luego se resuelve para
una nueva Q y se repite el proceso hasta encontrar una Q y una R que satisfagan
ambas ecuaciones. A efectos prcticos, basta determinar el valor de Q con la
frmula del captulo anterior, en la cual se supona demanda cierta:
Bibliografa
Vase la bibliografa del captulo 15.
16-2.
16-3.
16-4.
513
namiento es de 20 dlares por ao; y el costo de escasez es de 200 dlares por unidad.
Determine el tamao de pedido Q y el punto
de pedido R.
La demanda promedio de un artculo durante
el tiempo de entrega es de 100 unidades,
con desviacin estndar de 30. La cantidad
de pedido es de 200 unidades. La gerencia
quiere que se satisfaga el 99% de la demanda a partir de las existencias.
a. Cul es el punto de pedido ptimo?
b. Suponga que la gerencia desea un nivel
de servicio del 98%; cul sera el pun
to de pedido ptimo?
c. Suponga que la gerencia quiere un ni
vel de servicio del 90%. Calcule el pun
to de pedido ptimo.
Problemas
16-5.
16-6.
16-7.
514
16-8.
16-9.
16-10.
es errnea.
a. Suponga que la razn errnea es
1.0 en lugar del valor verdadero de un
medio. Calcule la probabilidad de que
no se produzcan inexistencias durante
el tiempo de entrega y el punto de pedido asociado.
b. Suponga que la razn errnea es
VA. Una vez ms, calcule la probabilidad de no tener inexistencias y el punto de pedido.
c. Comente acerca de la sensibilidad relativa de la cantidad de pedido con respecto al punto de pedido.
La demanda promedio anual de un artculo
es 2400 unidades.
El tiempo de entrega es un mes; la desviacin estndar de la demanda mensual es 50
unidades. La cantidad de pedido es 300 unidades y la gerencia quiere que el 99% de la
demanda se cubra con las existencias.
a. Cul es el punto de pedido ptimo?
b. Suponga que la gerencia quiere un nivel de servicio del 98%. Cul es el
punto de pedido ptimo?
c. Si la gerencia estuviera satisfecha con
un nivel del servicio del 90%, cul se
ra el punto ptimo de pedido?
Problemas ms difciles
16-11.
16-12.
12
16-14.
16-15.
515
516
16-16.
16-18.
16-19.
CAPTULO
518
Tabla 17-1
Distribucin de la demanda
Tabla 17-2
Suceso:
Probabilidad
0.10
0.30
0.40
0.20
1.00
$(20)
30
30
30
esperado
condicional
esperado
condicional
$(2)
$(40)
10
60
60
$(4)
3
24
12
$35
$(60)
(10)
40
90
9
12
6
esperado
$(6)
(3)
16
18
$25
Una posibilidad sera calcular los beneficios que se obtendran con diferentes
planes de pedido; ste es el procedimiento que se sigue en el captulo 4. La tabla
17-2 presenta los clculos correspondientes. Recuerde que si no se compran
unidades, no se puede vender ninguna; si se compra una unidad, no puede
venderse ms que una, incluso si la cantidad de la demanda es mayor.
Con base en el beneficio esperado, la accin ptima es pedir dos unidades, ya
que el beneficio esperado de 35 dlares es mayor que el beneficio esperado de
cualquier otra estrategia.
Mtodo marginal
En el anlisis anterior se calcularon los beneficios esperados con distintas polticas
de pedido. Una solucin ms sencilla para los clculos es utilizar un mtodo
marginal, calculando el efecto sobre el beneficio de aadir una unidad ms al
tamao de pedido.
Sea p la probabilidad de vender una unidad adicional (o ms); entonces, (1 - p)
es la probabilidad de no vender la unidad adicional (o ms). En la tabla 17-3 se
muestran los valores de p del ejemplo.
La columna titulada "Probabilidades acumuladas" es p, ya que indica la
probabilidad de vender cero unidades o ms (1.00), una unidad o ms (0.90) dos
519
Tabla 17-3
Tabla 17-4
Demanda
Probabilidad
de la demanda
Probabilidades
acumuladas (p)
0
1
2
3
0.10
0.30
0.40
0.20
1.00
1.00
0.90
0.60
0.20
Por ejemplo, considere pedir inicialmente cero unidades y que la accin "pedir"
represente el pedido de una unidad. Entonces:
520
Tabla 17-5
()
Poltica:
Pedir
desde el
pedido
0a 1
1 a2
2 a 3
Figura 17-1
p
0.90
0.60
0.20
(2)
Costo esperado
de pedir la
siguiente unidad:
(1 - p)c o
(3)
Costo esperado de
no pedir la
siguiente unidad:
pcu
0.10-20 = 2
0.40 20 = 8
0 . 8 0 - 2 0 = 16
0.90 30 = 27
0.60- 30 = 18
0.20 30 = 6
(4)
Costo incremental
neto del
pedido:
(2) - (3)
-25
-10
10
521
o sea:
La razn
se denomina razn crtica.
Si los sucesos no son continuos (por ejemplo, la demanda puede ser 1000 o
2000 unidades, pero no un valor intermedio), no siempre es posible encontrar la
venta marginal de probabilidad exacta de pc. Las reglas siguientes son tiles para
encontrar el ptimo en un caso discreto:
1. Mientras la probabilidad de vender una unidad adicional o ms sea mayor que
pc, la razn crtica, se debe pedir la unidad.
2. Si la probabilidad de vender la unidad adicional es igual a pc, es indistinto
incluirla en el pedido o dejarla fuera.
3. Si la probabilidad es menor que pc, no se debe pedir la unidad.
En el ejemplo, c0 es igual a 20 dlares y cu es igual a 30 dlares; por lo tanto:
Remtase a la tabla 17-3, y observe que el decisor pedira dos unidades (porque
p = 0.60 para la segunda unidad y esto es mayor que pc = 0.40), pero no pedira
la tercera unidad (ya que p = 0.20 y esto es menor que 0.40).
Observe que el modelo de inventario que se desarroll supone la linealidad en
los costos de excedentes y faltantes. Es decir, se ha supuesto que los costos
unitarios son iguales para todas las unidades. En algunos casos estas hiptesis no
son realistas y se pueden usar funciones ms apropiadas, pero ms complejas,
para los costos marginales.
522
puede ser un proceso muy difcil. Un mtodo consiste en suponer que pudiera
comprar una varita mgica y usarla para evitar una unidad de inexistencias,
cunto estara dispuesto a pagar por ella? En cualquier caso, es necesario estimar
este factor en funcin del valor actual de los beneficios futuros que se perderan
por el faltante de una unidad. Esta cantidad se puede incluir para determinar la
razn crtica y as establecer la poltica de pedidos ptima.
Continuando con el ejemplo 1 de este captulo, supongamos que la reaccin
negativa costara 7.50 dlares por cada unidad de la demanda que no se satisfaga
debido a una escasez de inventario. Considere las siguientes definiciones y datos:
co = Costo unitario de los excedentes = 20 dlares. Los 20 dlares son la
diferencia entre el costo por unidad (25 dlares) y el precio de desecho
(cinco dlares).
cu = Costo unitario de las carencias = 37.50 dlares. Esta cifra equivale a la
suma de los beneficios que se pierden por una demanda no satisfecha
($55 - $25 = $30) y el costo de la reaccin negativa (7.50 dlares) por
cada unidad carente; es decir, cuando hay demanda y no hay unidades
que vender.
La definicin del costo de faltantes se ha modificado para incluir los efectos
de la reaccin negativa; sin embargo, an se aplica la ecuacin de la razn crtica
(Ecuacin 17-1):
En el ejemplo modificado:
El precio adicional que hay que pagar por no cumplir con un pedido tiene el mismo
efecto que un aumento en el margen de beneficios (es decir, un aumento en las
consecuencias de no tener una unidad disponible cuando hay demanda por ella)
y tender a aumentar el tamao del pedido al reducir pc.
523
Figura 17-2
524
Figura 17-3
= 1 10 = 10 unidades
Como pc < 0.50, para obtener Q, el tamao ptimo de pedido, hay que sumar
10 unidades a la media de las ventas. Se puede escribir la siguiente ecuacin:
Q = Media de las ventas =
40 + 10 = 50
El signo ser positivo si pc < 0.50 y negativo si pc > 0.50.
Ejemplo 3
Ejemplo 4
Considere el mismo problema del ejemplo 3, pero suponga ahora que el pronstico
de las ventas es ms incierto; la desviacin estndar de la distribucin a priori es
25, en lugar de 10.
En el ejemplo 3, la razn crtica pc era 0.25 y el valor de correspondiente era
aproximadamente = 0.67. Con el aumento en la desviacin estndar, el tamao
ptimo de pedido es:
Q = Media de las ventas + =
40 + 0.67(25) = 56.75 = 57
Es interesante comparar este resultado con el del ejemplo 3, donde la desviacin
estndar de las ventas era 10. Observe que al aumentar la incertidumbre del
pronstico (cuando aumenta la desviacin estndar) lo ptimo es alejarse del pronstico de 40 unidades de media de las ventas. A primera vista quizs no parezca
525
obvio, pero es una consecuencia directa de que la razn crtica considere correctamente los costos de excedentes y carencias. Si queremos tener una probabilidad
de carencias de 0.25, la mayor desviacin estndar requiere que se almacene un
inventario ms grande.
Costos relevantes
Es importante obtener estimaciones correctas de los costos relevantes de excedentes y carencias al utilizar este procedimiento de solucin. Estos costos deben
ser incremntales o costos marginales; no deben contener asignaciones de costos
adicionales y otros costos fijos que no se vean afectados por la decisin. Por
ejemplo, suponga que en el ejemplo 1 el costo unitario del artculo fuera el
siguiente:
Materias primas Fuerza de
trabajo directa Gastos
adicionales asignados
(costos variables)
(asignacin de costo fijo)
Total
Bibliografa
Vase la bibliografa que aparece al final del captulo 15.
526
Probabilidad
Demanda de la demanda
0
0.05
1
2
3
4
5
6
17-2.
0.15
0.30
0.35
0.10
0.05
0.00
1.00
a. 0.60
e. 0.22
b. 0.50
f. 0.10
c. 0.45
g. 0.02
d. 0.40
17-3. Calcule el tamao ptimo de pedido con base en
la siguiente informacin (no hay rerdenes):
Precio de venta
Costo incremental por unidad vendida
(incluyendo precio de compra)
Costo de compra por unidad
Valor de desecho (si no se vende)
Prdida por reaccin negativa por cada
unidad de demanda no satisfecha
17-4.
17-5.
$ 100
Un vendedor de papelera al por mayor decide cuntos calendarios de escritorio almacenar para el prximo ao. Es imposible hacer
pedidos adicionales y las unidades sobrantes
no valen nada. La tabla siguiente indica los
niveles posibles de la demanda y las probabilidades a priori del mayorista:
50
La distribucin de probabilidad de la demanda es normal, con media de 140 y desviacin estndar de 20.
Remtase al problema 17-3. Calcule de nuevo el tamao ptimo de pedido suponiendo
que la desviacin estndar de la distribucin
de probabilidad es 50.
Remtase al problema 17-3. Calcule de nuevo el tamao ptimo de pedido suponiendo
que no hay prdida por reaccin negativa por
los pedidos no satisfechos.
a. Suponga una desviacin estndar de 20.
b. Suponga una desviacin estndar de 50.
c. Compare las respuestas anteriores con
las de los problemas 17-3 y 17-4.
Problemas
17-6.
70
50
10
0.10
0.15
0.50
0.25
1.00
17-7.
17-8.
17-9.
17-10.
17-11.
527
a. Si se ignoran los costos de reaccin negativa por inexistencias, cul es el tamao ptimo de pedido?
b. Qu costo de reaccin negativa por
inexistencias justificara un tamao de
pedido de 11 500 unidades?
Tail Ski Company vende esqus a 50 dlares el par durante la temporada de esqu. Los
esqus que no venda en la temporada pueden
venderse a travs de tiendas especiales a
1 0 dlares el par o bien almacenarse en
inventario hasta la siguiente temporada,
para venderlos a 15 dlares el par. Ambas
opciones pueden absorber grandes cantidades de esqus sin afectar la demanda normal.
El costo de manufactura de un par de esqus es el siguiente:
Materiales directos
$10
5
10
$25
528
17-12.
Problemas ms difciles
17-13.
Cox Photo Company es una empresa de pedidos por correo que se especializa en servicio de 24 horas de revelado de negativos e
impresiones. La poltica general es que los
pedidos que llegan en el correo matutino deben terminarse y enviarse por correo antes
de la media noche. Por lo general no se han
presentado problemas para hacerlo. Hay seis
tcnicos de tiempo completo que trabajan
ocho horas al da, desde las 8 A.M. a las 5
P.M. y reciben como pago ocho dlares por
hora (incluyendo prestaciones). Estos
tcnicos pueden procesar un promedio de
cinco pedidos por hora. Cuando ocasionalmente llegan ms de 240 pedidos en un da,
por lo menos uno de los tcnicos trabaja horas extra a 12 dlares la hora.
Hace poco, Cox Photo compr a un competidor su empresa en la misma comunidad
y piensa consolidar las operaciones. Sin embargo, el seor Cox an no decide cuntos
tcnicos agregar a los seis que tiene. Al sumar los datos de pedidos anteriores de su
competidor a los suyos, el seor Cox tiene
que considerar los siguientes datos de frecuencia:
17-15.
17-16.
529
530
17-17.
res por persona. Si se presentan menos personas que el nmero que estableci, tendr
que pagar por la cantidad establecida. Si
asisten ms personas, se les servir a un costo de 12 dlares por persona. Por ejemplo si
determina que asistirn 200 personas y se
presentan 200 o menos, tendr que pagar
los 1400 dlares. Si acuden ms de 200, pagar los 1400 dlares ms 12 dlares por cada cena adicional.
Su opinin acerca del nmero de personas que asistirn al banquete se puede describir con una distribucin normal de
probabilidad con media de 400 y desviacin
estndar de 100.
a. Suponga que la Asociacin de Alumnos
cubrir totalmente el costo del banquete, por lo que su objetivo es minimizar
el costo supuesto que se atiende a cada
persona que asista. Cul debe ser el
compromiso de asistencia que debe indicar al hotel?
b. Suponga que se cobran 10 dlares a cada persona que atienda y su objetivo es
maximizar el beneficio del banquete.
En este caso, cul debe ser la cantidad
de asistentes que indique al hotel?
Dresden Glass Company (DGC) produce esculturas de vidrio decorativo de alta calidad
y distribuye sus productos a travs de tiendas de departamentos y especializadas que
sirven al segmento de ingresos elevados del
mercado. Casi todos los pedidos y envos se
efectan en octubre, como preparacin para
el mercado navideo de ventas al por menor. Los artculos que sobren en enero regresan a DGC para un reembolso total, pero el
minorista paga el costo de envo de la devolucin.
Los aspectos econmicos del artculo
#123C se muestran en la siguiente tabla.
Si un minorista agota sus existencias del
artculo, los pedidos que no se cubren se
"pierden" (es decir, el cliente no espera ni
compra otro artculo). Estn dispuestos a no
considerar la reaccin negativa pero no estn
dispuestos a ignorar el beneficio perdido.
Qu nivel de inventario debe tener un
minorista para el artculo #123C de DGC si
$ 5.00
30.00
5.00
15.00
55.00
85.00
170.00
4.25
se estima que la demanda media de la temporada es 100 unidades y la desviacin estndar es 20 unidades? Suponga una variable
aleatoria normalmente distribuida. Wyler
17-18. Wine Company produce champaa
fermentada en botella. El proceso de fermentacin dura un ao. El costo variable de
la produccin inicial de una caja de botellas
de champaa (sin incluir el costo de almacenamiento del periodo de fermentacin de un
ao) es de 10 dlares. El precio neto de
venta al por mayor es de 18 dlares por caja.
Las cajas que no se venden en el ao
"objetivo" (ao 1) se conservan para el ao
siguiente, sin perder calidad; sin embargo, el
dinero sigue comprometido en el inventario.
La compaa estima que los costos de
almacenamiento de inventario son un 20%
anual por dlar. Como las uvas slo maduran una vez por ao en las instalaciones de la
compaa en la parte norte de Nueva York,
debe establecer un compromiso de
produccin para toda la champaa que piensan producir en un ao.
Se aproxima el momento de tomar la decisin para la produccin de este ao (las ventas del siguiente). El pronstico de
mercadotecnia para las ventas del ao entrante es 100 000 cajas ( = 8000); el almacenamiento de inventario anticipado es de
15 000 cajas. No hay costos de reaccin negativa para las situaciones de inexistencias,
pero en dichos casos se pierde el beneficio.
Cuntas cajas debe producir la compaa?
17-20.
531
CAPTULO
Colas de espera
Teora de colas
Las colas o filas de espera son muy comunes en la vida cotidiana. Son pocos los
individuos de una sociedad moderna que no hayan tenido que esperar en una
fila para subir al autobs o al taxi, para entrar al cine, para pagar en el supermercado, para cortarse el cabello o para inscribirse al iniciar el ao escolar. La mayora
de nosotros consideramos las colas como una parte inevitable de la vida civilizada
y las aceptamos, con mejor o peor cara. En ocasiones, la longitud de la cola que
encontramos nos desalienta y abandonamos el proyecto, con lo cual se pierde
una venta. Este captulo se relaciona con el proceso de toma de decisiones de una
empresa (o una institucin de gobierno) que est a cargo de la operacin y que
toma decisiones con respecto al nmero y a la capacidad de las instalaciones de
servicio.
La teora de colas o filas de espera tiene que ver principalmente con los
procesos caracterizados por llegadas aleatorias (es decir, llegadas a intervalos
aleatorios); el servicio al cliente tambin es un proceso aleatorio. Si se supone que
hay costos relacionados con la espera en la fila y que hay costos para aadir ms
canales (es decir, agregar ms instalaciones de servicio), lo que se busca es
minimizar la suma de los costos de espera y los costos derivados de proveer
instalaciones de servicio. De los clculos resultarn medidas como el nmero
esperado de personas en la fila, el tiempo de espera estimado para las llegadas y
el porcentaje esperado de utilizacin de las instalaciones de servicio. Estas
medidas se pueden emplear en los clculos de costo para determinar el nmero y
la capacidad deseables para las instalaciones de servicio.
La teora de colas se puede usar para determinar el nmero ptimo de:
532
533
La lista anterior es slo una muestra de las situaciones de colas de espera que
encuentran los gerentes.
Experiencia y colas
Afortunadamente para el gerente ocupado, las decisiones razonables acerca de las
colas muchas veces se pueden basar en la experiencia o en los hechos de la
situacin actual. As, la gerencia de una tienda de comestibles sabe aproximadamente cuntas cajas debe instalar en una tienda nueva al revisar la experiencia de
otras tiendas de su mismo tipo. En un momento determinado del da, el gerente
de la tienda puede decidir cuntas de las cajas instaladas deben estar abiertas si
observa la longitud de las colas y asigna personal de otras tareas o enva el personal
de las cajas a otras actividades. As mismo, los datos histricos (por ejemplo, del
tiempo de inactividad de una mquina) pueden indicar la cantidad de tiempo que
las mquinas han tenido que estar en cola para reparaciones, en vez de utilizar los
clculos de un modelo matemtico para determinar el tiempo de inactividad.
Aunque es posible resolver con intuicin o experiencia varios de los problemas
que detecta un ejecutivo, muchas situaciones son demasiado complejas para la
intuicin. Algunas veces se necesita una respuesta ms precisa que la que podra
obtenerse intuitivamente. En estos casos el problema se puede abordar con
simulacin o con un modelo matemtico. En este captulo se analizarn varios
modelos matemticos de situaciones de colas de espera, y en el siguiente se
mostrar cmo se puede emplear la simulacin para estudiar problemas de colas
de espera ms complejos.
534
535
donde:
= Distribucin de Markov (de Poisson o exponencial)
D = Tiempos deterministas (es decir, constantes)
G = Distribucin general con una desviacin estndar especfica.
Con base en esta notacin, el modelo que se considera es un modelo de cola
M/M/1. Sea:
536
Vase el apndice 2 al final de este captulo para conocer la obtencin de la ecuacin 18-2.
537
Hay un costo relacionado con estas 76.8 horas. Suponga que el costo para la
compaa es de 20 dlares por hora que espera un trabajador. El costo promedio
diario de la espera sera:
538
Tabla 18-1
Ms que este nmero
en el consultorio
Probabilidad
Captulo 18
Figura 18-1
Colas de espera
539
540
"excesiva" (mucho menos del 100% de utilizacin) para evitar las esperas
excesivas.
Aunque la figura 18-1 slo puede aplicarse directamente a las suposiciones que
se establecieron, es sorprendente la cantidad de situaciones empresariales que se
comportan en una forma cualitativamente parecida cuando cambia la utilizacin.
Incluso en instalaciones de produccin complejas, con varias mquinas y rutas
alternativas para las piezas, se ha observado con frecuencia que cuando un
aumento en la demanda da lugar a un aumento en la utilizacin del taller, hay
un aumento mayor en el tiempo que pasa un pedido en el taller (tiempo de espera
ms tiempo de procesamiento), lo cual se ajusta al patrn general de la figura 18-1.
En la mayora de las organizaciones existe una presin para ser eficientes y
reducir todo lo posible el tiempo de inactividad. A los gerentes no les gusta ver
que el personal o el equipo estn sin trabajar. Pero con las llegadas y los tiempos
de servicio aleatorios, surge la necesidad de tener capacidad excesiva para evitar
largas colas y tiempos de espera para los clientes. Este aspecto es muy importante
en los sistemas de colas y no siempre es evidente para algunas personas.
541
y esta ecuacin se puede usar con las ecuaciones 18-10 a 18-12 para calcular
medidas del rendimiento para el modelo M/D/1.
Ejemplo 3
De la ecuacin 18-11:
Es interesante comparar los resultados de los ejemplos 1, 2 y 3. La distribucin exponencial (o de Markov) del servicio3 tiene mucha variacin y la desvia-
Vase el apndice 1 para conocer los detalles. Observe que al introducir la varianza de la distribucin de Markov en
la ecuacin 18- se puede obtener la ecuacin 18-6.
542
Parte IV
cin estndar del tiempo de servicio es igual a la media del tiempo de servicio.
Es decir, = 1/ = Vs = 0.20.
Ejemplo 1
Ejemplo 2
Ejemplo 3
= 0.20
= 0.05
= 0
1.0
3.2
0.425
i .7
0.40
1.6
De esta manera se puede ver que una reduccin en la variacin del tiempo de
servicio del caso exponencial produce mejoras considerables en el rendimiento
del sistema.
EL papel de la variabilidad
Los ejemplos ilustran lo que se sabe a partir de la experiencia: la imprevisibilidad
o variabilidad es una de las causas principales de los congestionamientos en los
sistemas de colas. Si hay variabilidad, las llegadas pueden ocurrir con mayor
rapidez que lo que ofrece el servicio y la cola crece. En otras ocasiones, no hay
llegadas y el sistema est inactivo. Adems la fila crece detrs de un cliente que
tarda mucho tiempo para completar su servicio en un supermercado o en un banco.
Por lo tanto, la variacin en los tiempos de llegadas y de servicio es el factor
principal en los congestionamientos de los sistemas de colas y a mayor variacin,
mayor es la congestin.
La figura 18-2 ilustra este concepto comparando el modelo M/M/1, con tiempos
de servicio exponenciales, con el modelo M/D/1 que tiene tiempos de servicio
constantes. Observe que en cualquier nivel de utilizacin de la capacidad, los
tiempos de servicio exponenciales crean un nmero esperado en el sistema (L)
que es exactamente el doble de lo que se obtiene con los tiempos de servicio
constantes. Por lo tanto, cuando los tiempos de llegada o de servicio son aleatorios,
no slo hay que hacer planes para lograr menos del 100% de utilizacin de la
capacidad, sino tambin para reducir la variabilidad en los tiempos de servicio.
Figura 18-2
Si:
543
544
entonces la cola de espera se hace cada vez ms larga; es decir, n se hace infinito
si el proceso dura lo suficiente.
Cuando c = 1 (hay una instalacin de servicio), las ecuaciones 18-15 y 18-16
se reducen a la ecuacin 18-2. De la ecuacin 18-15 se tiene:
por lo tanto:
Ejemplo 4
545
546
Tabla 18-2
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
0.95
0.1111
0.2500
0.4286
0.6667
1.0000
1.5000
2.3333
4.0000
9.0000
19.0000
c = 2
c = 3
c = 4
c = 5
c = 10
0.0101
0.0417
0.0989
0.1905
0.3333
0.5625
0.9608
1.7778
4.2632
9.2564
0.0014
0.0103
0.0333
0.0784
0.1579
0.2956
0.5470
1.0787
2.7235
6.0467
0.0002
0.0030
0.0132
0.0378
0.0870
0.1794
0.3572
0.7455
1.9694
4.4571
0.0000*
0.0010
0.0058
0.0199
0.0521
0.1181
0.2519
0.5541
1.5250
3.5112
0.0000*
0.0000*
0.0002
0.0015
0.0072
0.0253
0.0739
0.2046
0.6687
1.6512
y:
El mltiplo del tiempo de espera es el tiempo medio de espera medido en unidades de tiempo de servicio
esperado:
WTM = Wq
547
WTM = 1.9694 = W q
Wq = 1.9694/ = 1.9694/2.5 = 0.78 minutos
Por lo tanto, el tiempo de espera promedio en la cola es de 0.78 minutos (47
segundos). De la ecuacin 18-19:
o sea:
Instalaciones agrupadas
El trmino agrupamiento se refiere a la combinacin de sistemas separados para
formar un grupo comn. Suponga que hay dos sistemas de cola, cada uno con un
punto de servicio (es decir, dos sistemas M/M/1) y colas de espera separadas. Qu
sucede si se combinan los dos flujos de llegadas para formar uno solo y as tratar
el sistema como si fuera M/M/2?
La figura 18-3 ilustra la forma en que queda afectado el mltiplo del tiempo
de espera (WTM) con el agrupamiento de dos unidades independientes para
formar un punto de servicio "agrupado" de dos estaciones. En un nivel cualquiera
de utilizacin de la capacidad, el WTM es mucho ms pequeo con el agrupamiento. Intuitivamente, al agrupar los sistemas se evita que el sistema Atenga una
cola de espera y el sistema est vaco.
Al ampliar ms el agrupamiento se obtienen mejores resultados. La figura 18-4
ilustra el efecto de agrupar cinco sistemas separados para formar uno agrupado;
observe la notable reduccin en el WTM, sobre todo con niveles mayores de
utilizacin de la capacidad.
Ejemplo 6
548
Figura 18-3
Compare esto con el tiempo de espera para la instalacin agrupada del ejemplo
4, donde el tiempo de espera era 0.038 horas. En este caso, el agrupamiento reduce
el tiempo de espera en casi dos terceras partes.
Antes de determinar que el agrupamiento siempre es benfico, hay que tener
presentes algunos de los costos de los sistemas agrupados. Pueden existir cargas
administrativas, aumento en el tiempo de viaje de los clientes y prdida de control
en la organizacin. Como muestra, en el ejemplo, si la planta abarcara varios
edificios y los consultorios independientes estuvieran ubicados en forma conveniente, se podra compensar el tiempo de espera adicional con el ahorro en tiempo
de desplazamiento de los trabajadores al consultorio. Observe tambin que la
mayora de los ejecutivos prefieren tener su propia secretaria en lugar de que
exista un grupo secretarial.
Conclusin
Existen varios modelos ms complejos para situaciones de colas que no se ajustan
a las hiptesis anteriores. Pero no todas las suposiciones se pueden manipular en
forma analtica y resolverse para obtener la informacin que nos interesa. En una
situacin tpica puede ser ms fcil usar la tcnica de simulacin (descrita en el
Figura 18-4
549
RESUMEN
Para una instalacin de un solo canal hay frmulas que permiten determinar
medidas importantes del rendimiento, como la media del tiempo de espera, el
nmero promedio en cola y la utilizacin del sistema. Para el caso de varios
canales se proporcionan tablas. La simulacin debe considerarse como alternativa
si las hiptesis de la cola no son apropiadas.
Hay tres aspectos de gestin importantes con respecto a los sistemas de colas:
1. Planificar para tener capacidad no utilizada: la utilizacin elevada de la capa
cidad implica esperas largas.
2. La variabilidad (de las llegadas o del servicio) es un elemento no deseable.
3. El agrupamiento reduce el tiempo de espera si todos los dems aspectos
permanecen sin cambio (pero no menosprecie las dificultades administrativas
del agrupamiento).
Parte IV
550
APNDICE
Distribucin exponencial
Con relacin al proceso de Poisson se analiz la distribucin de probabilidad de
Poisson, la cual da la probabilidad del nmero de ocurrencias de un suceso, dada
Figura 18-5
551
Es decir, la probabilidad de que el tiempo entre sucesos (llegadas) sea mayor que
Observe que ste es tambin el valor de la funcin de masa de
T, es
provabilidad de Poisson para cero sucesos (llegadas) en el periodo T.1
donde
entonces:
552
553
En equilibrio:
y se obtiene:
Sustituyendo
554
Bibliografa
Feller, W.,An Introduction to Probability Theory
and Its Applications, vol. 1, tercera edicin,
Nueva York, John Wiley & Sons, 1968.
Feller, W., An Introduction to Probability Theory
and Its Applications, vol. 2, Nueva York, John
Wiley & Sons, 1966.
Gross, D. y C. M. Harris, Fundamentals of
Queueing Theory, segunda edicin, Nueva
York, John Wiley & Sons, 1985.
Hillier, F. y G. J. Lieberman, Introduction to Operations Research, quinta edicin, Nueva York,
McGraw-Hill, 1990.
18-2.
18-3.
555
18-4.
18-5.
Problemas
18-6.
18-7.
18-8.
556
18-9.
cual se puede alquilar por 5000 dlares semanales. El tiempo de servicio para este
muelle tambin tendra distribucin de Poisson, con la misma tasa = 10 del muelle de
la compaa. La compaa pierde 20 000 dlares por cada semana que un buque est
inactivo en la cola de espera.
a. Si se alquila el segundo muelle, cul
sera el nmero promedio de buques
en espera?
b. Cul sera el tiempo promedio de espera de un buque?
c. El beneficio de la reduccin en los
tiempos de espera (en dlares) justifica el costo del alquiler del segundo
muelle?
Remtase al problema 18-7. Una alternativa
para mejorar las instalaciones de descarga
es que la compaa alquile un dispositivo de
descarga de alta velocidad. Con este dispositivo, la tasa de servicio sera de Poisson
con media ' = 15 buques por semana. El
costo semanal del alquiler del dispositivo es
de 5000 dlares.
18-10.
Problemas ms difciles
18-11.
18-12.
18-13.
18-14.
Suponiendo que las solicitudes de inspeccin y los servicios (inspecciones terminadas) tienen una distribucin de Poisson, es
necesaria la otra persona para cumplir con
la poltica del departamento?
En aos recientes, muchos bancos y oficinas de correo han cambiado de un sistema
en el cual hay una fila para cada cajero o
punto de servicio a una sola cola de espera
acordonada. Analice este cambio considerando los dos casos siguientes:
a. Caso 1. Los clientes llegan al banco a
una tasa media de 80 por hora y se for
man en una sola fila. Hay cinco cajas y
la tasa promedio de servicio es de 20
por hora para cada caja. Suponiendo
que las llegadas y los servicios tienen
distribucin de Poisson, cul es la es
pera promedio en la cola?
b. Caso 2. Los clientes llegan a la venta
nilla de servicio a una tasa de 16 por
hora (hay cinco ventanillas, por lo
que hay un total de 80 llegadas por
hora). Hay una fila independiente para
cada ventanilla (no se permite que haya
cambios de una fila a otra). Al igual
que en el caso 1, la tasa de servicio pa
ra cada ventanilla es de 20 por hora.
Cul es la espera promedio en la fila?
c. Comente acerca de los resultados de
los casos 1 y 2. Qu otros factores po
dran afectar los tiempos de espera en
una situacin bancaria real?
El almacn de herramientas de una fbrica
es una sala donde se almacenan herramientas especiales, guas y otro equipo que utilizan los mecnicos. Un encargado registra la
entrada y la salida de equipo cuando lo solicitan o lo devuelven los mecnicos.
Suponga que los mecnicos llegan al almacn a una tasa de 60 por hora y el encargado requiere un promedio de 2.5 minutos
para localizar y registrar la salida del equipo
(o su llegada). A los mecnicos se les pagan
16 dlares por hora y el encargado recibe
10 dlares por hora (incluyendo prestaciones). Cuntos encargados hay que
contratar para hacerse cargo del almacn?
Suponga que las llegadas y los servicios tienen distribucin de Poisson.
557
18-15.
18-16.
18-17.
558
18-18.
CAPTULO
Simulacin
En los ltimos aos se han desarrollado tcnicas para probar los resultados de
algunas decisiones empresariales antes de que se pongan en prctica, a travs de la
simulacin en un computador de los procesos empresariales reales que se anticipan. Los computadores tienen la ventaja de que pueden manipular grandes
cantidades de datos con rapidez; sin embargo, el procedimiento bsico de una
simulacin es independiente de la manera como se realicen los clculos.
En trminos generales, cualquier modelo de un problema de decisin empresarial podra denominarse un modelo de simulacin, ya que representa o simula
algunos aspectos del problema real. Por ejemplo, se podra disear un modelo de
programacin lineal para que represente un problema de composicin de productos o un problema de planificacin de transporte. A los modelos del captulo 2 y
los que se presentan en este captulo los denominaremos modelos de simulacin
y estos modelos difieren en dos aspectos de los que se consideraron en otras partes
del libro:
1. Los modelos de simulacin normalmente no se disean para encontrar soluciones ptimas o mejores, como se hace en la programacin lineal y en el anlisis
de decisiones. En su lugar, se evalan diversas alternativas propuestas y se
toma una decisin con base en la comparacin de los resultados. En otras
palabras, se evala el rendimiento de un sistema previamente especificado.
2. Los modelos de simulacin generalmente se centran en las operaciones detalladas, ya sean fsicas o financieras, del sistema. El sistema se estudia mientras
opera durante el tiempo y se incluyen los efectos de los resultados de un periodo
en el siguiente.
Para ilustrar estas diferencias, considere la construccin de un modelo de una
fbrica que elabora una serie de productos. Un modelo de programacin lineal
podra desarrollar la combinacin ptima de productos. Un modelo de simulacin
ms detallado podra tratar los aspectos especficos de cmo se programara la
fbrica para obtener la combinacin de productos deseada, teniendo en cuenta los
tiempos de preparacin de las mquinas, el tiempo de espera antes del procesa559
560
Simulacin probabilistica
En muchas situaciones la incertidumbre es un factor clave en las operaciones del
sistema y es importante tener presente esta aleatoriedad en el modelo. Los
problemas de cola de espera, como los que se presentaron en el captulo anterior,
pueden analizarse con la construccin de uno de estos modelos de simulacin.
Cuando es posible, es preferible resolver el modelo con mtodos matemticos.
Sin embargo, hay muchas situaciones de colas (y otras) que no se pueden resolver
matemticamente con facilidad y, por ello, se acude a la simulacin.
Ejemplo 1
Tabla 19-1
Nmero de vagones
que llegan
0
1
2
3
4
5
6 o ms
Frecuencia
relativa
0.23
0.30
0.30
0.10
0.05
0.02
0.00
1.00
Captulo 19 Simulacin
561
562
Tabla 19-2
97
02
80
66
96
55
50
29
58
51
04
86
24
39
47
60
65
44
93
20
86
12
42
29
36
01
41
54
68
21
53
91
48
36
55
70
38
36
98
50
12
75
14
72
20
82
74
08
01
69
36
35
52
99
41
41
48
11
95
36
24
12
50
81
02
82
43
76
82
77
54
21
74
47
24
01
66
25
91
29
11
91
99
57
28
61
70
33
91
67
97
61
11
50
86
25
06
60
80
19
88
25
24
68
37
78
37
04
32
75
21
47
40
71
85
88
15
24
61
19
90
24
16
32
72
73
16
81
70
16
30
59
59
74
83
90
68
14
32
47
94
19
60
61
89
20
41
05
22
43
04
95
97
84
84
84
38
92
04
26
49
58
89
15
12
94
85
34
07
53
99
89
10
27
50
93
92
57
50
78
14
70
90
24
40
72
21
01
80
13
23
69
92
46
51
85
54
98
90
26
57
39
96
49
77
26
95
30
50
11
80
64
88
69
24
07
70
08
40
16
58
40
69
90
81
35
36
45
92
83
85
58
05
09
61
77
43
35
05
87
13
22
63
63
23
18
32
21
13
06
10
97
68
48
51
24
97
54
44
90
49
06
60
92
77
38
39
84
47
43
44
91
01
85
60
94
64
12
22
94
86
13
67
00
79
37
85
24
18
36
52
16
17
32
02
29
02
12
08
59
80
40
07
32
74
56
57
55
77
70
81
47
61
32
62
67
25
17
75
27
81
02
60
04
46
31
67
25
24
10
40
02
39
68
08
59
66
90
12
64
79
31
86
68
82
89
80
11
62
16
36
59
18
82
13
35
43
62
20
73
Captulo 19 Simulacin
563
Tabla 19-3
Nmero de vagones
que llegan
Dgitos aleatorios
00 a 22
23 a 52
53 a 82
83 a 92
93 a 97
98 y 99
0
1
2
3
4
5
Tabla 19-4
Frecuencia
relativa
0.23
0.30
0.30
0.10
0.05
0.02
1.00
Nmero
de llegadas
Nmero
total
para
descarga
4
0
2
2
2
2
2
2
0
97
02
80
66
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
96
4
2
1
1
2
1
0
3
1
1
1
4
4
3
2
2
1
0
3
2
1
1
2
2
1
4
2
3
1
1
2
2
2
2
2
2
1
Nmero
de da
X
X
21
22
23
Nmero
aleatorio
55
50
29
58
51
04
86
24
39
47
60
65
44
93
20
86
12
42
29
36
01
2
2
1
4
0
3
0
1
1
1
0
Nmero
de vagones
descargados
Nmero
demorado
hasta el da
siguiente
2
1
0
2
2
1
1
2
2
1
0
0
0
0
1
0
0
0
0
0
0
2
2
2
2
0
1
0
0
1
1
1
1
1
0
0
0
(contina)
564
Tabla 19-4
Nmero
de da
(conclusin)
Nmero
aleatorio
Nmero
de llegadas
41
54
68
21
53
91
48
36
55
70
38
36
98
50
95
92
67
24
76
64
02
53
16
16
55
54
23
1
2
2
0
2
3
1
1
2
2
1
1
5
1
4
3
2
1
2
2
0
2
0
0
2
2
1
79
1.58
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
Totales
Promedio
Nmero
total
para
descarga
1
2
2
0
2
3
2
1
2
2
1
1
5
4
6
7
7
6
6
6
4
4
2
0
2
2
1
Nmero
de vagones
descargados
1
2
2
0
2
2
2
1
->
2
1
1
2
2
2
2
2
2
2
2
2
2
2
0
2
2
1
Nmero
demorado
hasta el da
siguiente
0
0
0
0
0
1
0
0
0
0
0
0
3
2
4
5
5
4
4
4
2
2
0
0
0
0
0
45
0.90
Simulacin y computadores
Los clculos de la tabla 19-4 son tediosos y en una aplicacin real se llevaran a
cabo en un computador. La implantacin ms sencilla en un computador se
realizara con una hoja de clculo; muchos de estos programas tienen la capacidad
de generar nmeros aleatorios. El apndice 2 de este captulo muestra algunas
tcnicas de simulacin para hojas de clculo; adems, hay programas complementarios a las hojas de clculo que facilitan la simulacin de Montecarlo.1 Tambin
1
Vase, por ejemplo, el programa ORISK (Newfield, N. Y., Palisade Corp., 1990).
Captulo 19 Simulacin
565
Tabla 19-5
0.10
0.40
0.30
0.20
1.00
1
2
3
Tabla 19-6
Probabilidad
Nmeros
aleatorios
asignados
00 a 09
10 a 49
50 a 79
80 a 99
Probabilidad
Nmeros
aleatorios
asignados
2
3
4
0.20
0.60
0.20
1.00
00 a 19
20 a 79
80 a 99
566
Tabla 19-7
Nmero de
semana
X
X
X
X
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
15
15
15
15
15
9
7
5
2
15
14
11
8
6
5
3
17
14
12
9
7
6
4
3
3
16
13
12
9
8
7
5
3
17
17
16
14
13
12
11
9
6
3
17
15
14
51
68
83
56
11
91
99
57
28
70
33
91
67
97
61
11
50
25
06
60
80
19
88
25
24
68
78
37
04
32
75
21
47
40
71
85
88
24
61
19
90
2
2
3
2
1
3
3
2
1
2
1
3
2
3
2
1
2
1
0
2
3
1
3
1
1
2
2
1
0
1
2
1
1
1
2
3
3
1
2
1
3
7
5
2
0
14
11
8
6
5
3
2
14
12
9
7
6
4
3
3
1
13
12
9
8
7
5
3
2
17
16
14
13
12
11
9
6
3
2
15
14
11
15
45
15
61
15
86
15
37
15
15
Captulo 19
Tabla 19-7
Nmero
de semana
567
Simulacin
(conclusin)
Ventas Nmero
Ventas
Inventario
Recep Inventaro Nmero
(uniperdidas aleatorio para
ciones inicial
final
aleatorio dades)
(escasez) Pedidos pedidos
37
38
39
40
Totales
Promedio
11
10
9
8
412
10.3
24
16
32
72
1
1
1
2
Numero de
semanas para
que llegue el
pedido
10
9
8
6
0
RESUMEN
Anlisis de riesgo
Considere la decisin acerca de invertir capital de gran magnitud, como sera la
introduccin de un producto nuevo. La rentabilidad de la inversin depende de
varios factores que por lo general son inciertos. Las estimaciones del mercado
total para el producto, la cuota de mercado que puede obtener la empresa, el
crecimiento del mercado, el costo de produccin del producto, el precio de venta,
568
la vida del producto, e incluso el costo del equipo necesario, generalmente estn
sujetos a un alto grado de incertidumbre.
Un mtodo comn consiste en hacer "mejores estimaciones" puntuales para
cada uno de los factores de incertidumbre y luego calcular una medida de la
rentabilidad. Este procedimiento tiene dos inconvenientes:
1. No hay garanta de que las "mejores estimaciones" proporcionen la verdadera
rentabilidad esperada del proyecto.
2. No hay forma de medir el riesgo asociado con la inversin. En particular, el
gerente no puede determinar la probabilidad de perder dinero o la de obtener
grandes beneficios. Por ejemplo, si se emplea el mtodo de un solo nmero
como estimacin, un gerente no podra distinguir los dos proyectos que se
muestran en la figura 19-1. Pero esta informacin es necesaria si se aplican
tcnicas relacionadas con el riesgo, como las medidas de la utilidad del
captulo 6.
El anlisis de riesgo es una tcnica diseada para eliminar estos inconvenientes. El mtodo general consiste en asignar una distribucin de probabilidad
subjetiva a cada factor desconocido y combinarlos por medio del mtodo de
Montecarlo, para formar una distribucin de probabilidad para la rentabilidad del
proyecto global. Este procedimiento se puede ilustrar con un ejemplo sencillo.
Ejemplo 3
Figura 19-1
Captulo 19 Simulacin
569
Tabla 19-8
Tabla 19-9
Probabilidad
Costo
variable
Probabilidad
$4
5
6
0.3
0.5
0.2
$2
3
4
0.1
0.6
0.3
Volumen de
ventas Probabilidad
(unidades)
3000
0.2
4000
0.4
5000
0.4
Nmeros
aleatorios
Costo
variable
Nmeros
aleatorios
$4
5
6
0-2
3-7
8,9
$2
3
4
0
1-6
7-9
Volumen de Nmeros
ventas
aleatorios
(unidades)
0, 1
3000
2-5
4000
6-9
5000
570
Tabla 19-10
Ensayo
1
2
3
4
5
aleatorio
Nmero
Precio
$6
4
5
6
1
3
6
7
8
5
1
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
2
1
5
9
4
7
9
0
1
0
8
9
0
0
4
6
4
4
5
5
4
5
4
4
5
6
5
5
6
4
4
4
6
6
4
4
5
5
5
aleatorio
Nmero
Costo
aleatorio
0
4
3
4
6
6
6
8
8
6
7
9
9
2
$2
3
3
3
3
3
3
4
4
3
7
6
5
5
3
3
3
0
1
6
3
3
8
2
7
4
3
8
4
6
0
0
5
0
4
4
4
4
2
2
3
2
6
3
2
0
0
9
7
6
8
1
3
6
4
7
8
1
8
1
Volumen
(miles de
unidades)
Beneficio
(miles de dlares)
5
4
4
3
3
15
-1
3
5
5
5
5
3
4
5
5
5
0
0
-5
-2
-1
5
5
4
3
5
4
5
4
5
5
3
-2
1
0
5
7
-2
0
-1
5
7
-5
5
4
5
5
3
4
Promedio = 2.08
Captulo 19 Simulacin
Figura 19-2
571
En este caso, como los factores son independientes y se relacionan con multiplicaciones y sumas, se puede
calcular el beneficio esperado a partir de los valores esperados del precio, del costo y del volumen (vase Cap. 4).
Pero si estos elementos no se relacionaran en forma lineal ni fueran independientes, habra que evaluar todo el
conjunto de ramas del rbol de probabilidades.
572
RESUMEN
Captulo 19 Simulacin
573
574
Este ejemplo es una adaptacin de G. G. O'Brien y R. R. Crane, "The Scheduling of a Barge Line", Operations
Research 7, 1959, pgs. 561-570.
Captulo 19 Simulacin
575
576
Parte IV
a otro de acuerdo con las distancias (por ejemplo, cuatro das de Pittsburgh a
Cincinnati); y realizar otras funciones.
Una vez que se desarrolla un modelo de simulacin de este tipo, la gerencia
puede utilizarlo para ensayar polticas alternativas. Entre las reglas de programacin que podran probarse estn:
1. Que un remolcador salga de Pittsburgh a intervalos fijos (cada 8 o 10 das) sin
importar cuntos remolques tenga.
2. Que un remolcador salga cuando tenga por lo menos cierta cantidad de
remolques, por ejemplo 16.
Por supuesto, es posible utilizar otras polticas de programacin. Adems, la
compaa podra examinar el efecto de equipo adicional sobre el sistema, como
seran ms remolques o remolcadores, o remolcadores ms rpidos.
El modelo de simulacin permite que la compaa experimente con stos y
otros cambios sin tener que probarlos en el sistema real. Adems del costo del
cambio, en el que podra incurrir, es difcil evaluar los resultados de un experimento en la realidad porque hay factores externos que cambian constantemente.
Es difcil saber si los resultados se deben a los factores externos o a los cambios
en el sistema. Este problema no se presenta en los modelos de simulacin, ya que
se pueden controlar los factores externos.
La simulacin se ha utilizado mucho para tratar diversos tipos de problemas.
Hay modelos de simulacin para sistemas de transporte, para fbricas y para
operaciones de aeropuertos; para el procesamiento de juicios, para servicios de
ambulancias y bomberos, para sistemas de computacin y comunicaciones, y para
estudiar el crecimiento econmico y el de poblacin a nivel urbano y mundial.
Aunque los modelos de simulacin de sistemas complejos pueden ser muy
valiosos, tienen algunos inconvenientes. Su construccin tiende a ser costosa. Tambin puede ser difcil validar una simulacin compleja (es decir, asegurar que
el modelo deseado sea una representacin adecuada sin error en la lgica o en el
programa de computacin). Por otra parte, hay que determinar un periodo de
inicializacin apropiado y la duracin de la simulacin. Los mtodos estadsticos
pueden ser convenientes para determinar cul debe ser la duracin de la simulacin
y as saber si un resultado se debe a causas fortuitas o es sistemtico. Por supuesto,
como sucede con todos los modelos, la simulacin es una simplificacin de la realidad
y quizs no represente en forma adecuada los elementos o las relaciones importantes.
RESUMEN
APNDICE
1
Captulo 19 Simulacin
577
Como el decimal aleatorio est entre 0 y 1, tambin lo est 1 - R.D.; por lo tanto,
esta cantidad (1 - R.D.) se puede considerar directamente como decimal aleatorio.
Por ello, se puede definir:
o sea:
APNDICE
2
La ecuacin 19-6 se puede usar en forma directa para generar valores a partir
de una distribucin exponencial con parmetro . Primero, se obtiene un decimal
aleatorio (R.D.) de una tabla de nmeros aleatorios, como la tabla 19-2, luego se
sustituye el valor especfico que se obtuvo en el segundo miembro de la ecuacin
19-6 y se resuelve para producir un valor especfico de t. El valor que se obtenga
ser un valor aleatorio de una distribucin exponencial con parmetro A.
Por ejemplo, si = 5 y el decimal aleatorio es R.D. = 0.475, entonces, de las
tablas de logaritmos naturales, loge (0.475) = -0.744 y t = -(1/5) (-0.744) = 0.1488.
ste sera un valor aleatorio de una distribucin exponencial con parmetro
= 5 (media 1/ = 1/5).
Simulacin de Montecarlo en hojas de clculo
Los programas de hojas de clculo son bastante flexibles. Es fcil utilizarlos para
efectuar simulaciones como las descritas en este captulo, pero con frecuencia los
manuales no lo indican. Este apndice es un breve curso introductorio para la
construccin de estos modelos en Lotus 1-2-3 y hojas de clculo compatibles,
578
Captulo 19 Simulacin
Tabla 19-11
579
6 o ms
0.23
0.30
0.30
0.10
0.05
0.02
0
Figura 19-5
La Tabla @VLOOKUP
Figura 19-6
0.23
0.53
0.83
0.93
0.98
1.00
580
Valor de
consulta
Intervalo de la
tabla de consulta
Columna de
la tabla
Captulo 19 Simulacin
581
582
Figura 19-7
Esto calcula el costo anual (365 das) que se debe a los vagones demorados,
suponiendo que cuesta 100 dlares diarios la demora de cada vagn.
4. En la columna L, filas 7 a 27, marque los valores:
0, 1,2,3, ...hasta 20
A stos se les llama "receptculos" de datos.
(Nota: La instruccin Data/Fill es una manera fcil de hacerlo.)
5. Escriba: / D D (instruccin, Datos, Distribucin)
El computador pide el intervalo de datos. Se trata del intervalo que contiene
los valores que queremos tabular, la columna F del modelo. Entonces:
6. Especifique el intervalo escribiendo F8.F507 y luego oprima: Retorno.
El computador despus pide el intervalo para los receptculos.
7. Especifique este intervalo escribiendo: L7.L27 y luego oprima: Retorno.
Despus de que el computador termina los clculos, la distribucin de
valores aparece en la tabla. All se muestra el nmero de das en los cuales no
Captulo 19 Simulacin
583
Escriba: / M M7.M27
(instruccin, Mover, intervalo M7.M27)
Oprima: Retorno
Escribe: N7
(al intervalo que comienza en N7)
Oprima: Retorno
Oprima: Cale
(esto puede tardar un poco)
Escriba ahora: / D D
(instruccin, Datos, Distribucin)
Luego oprima dos veces: Retorno
Se presenta una nueva distribucin para otros 500 das, as como la demora
media y el costo de la demora.
Cambio de la capacidad
Los resultados que se obtuvieron se basaron en la hiptesis de que el andn del
almacn tiene la capacidad para descargar dos vagones de ferrocarril por da.
Suponga que la compaa puede aadir equipo nuevo que aumentara la capacidad
de descarga a tres vagones por da. Con esto se reduciran las demoras. Veamos
cul es el ahorro que se obtendra.
1. Escriba el costo anual estimado de las demoras (est en la celda N2).
2. Pase a la celda B2.
3. Marque el nmero: 3
(la nueva capacidad)
(No olvide oprimir Retorno despus de marcar 3.)
4. Oprima: Cale
Esto genera un nuevo conjunto de nmeros aleatorios y, por consiguiente,
una nueva simulacin con la nueva condicin (capacidad de tres vagones
por da).
5. Escriba: / D D
(instruccin, Datos, Distribucin)
6. Oprima: Retorno dos veces
Esto calcula la distribucin de las demoras, el nmero promedio de vagones
demorados y el costo de la demora.
7. Pase a la celda N2 para ver los resultados.
Al restar el resultado de la celda N2 a la cifra que escribi antes, se obtiene una
estimacin del ahorro anual que se logra aumentando la capacidad a tres vagones
diarios. Esta cantidad tendra que ponderarse con el costo de construir la capacidad
adicional.
584
Figura 19-8
Captulo 19 Simulacin
Figura 19-9
585
586
3. Oprima: Retorno
El programa pide que especifique el intervalo de datos; entonces:
4. Escriba: G4.G103
(el intervalo que contiene los resultados de los beneficios)
y oprima: Retorno
Vuelve a aparecer el men de clasificacin. Despus hay que especificar la
clave primaria (no es necesario que sepa exactamente qu significa). Para
responder:
5. Escriba: P
(para la clave primaria)
6. Escriba: G3
y oprima: Retorno
El programa solicita ahora el orden de la clasificacin. Se desea que los
beneficios vayan de mayor a menor (orden descendente); entonces:
7. Escriba: D y oprima: Retorno
El programa regresa al men de clasificaciones y estamos listos para llevar
a cabo la clasificacin; entonces:
8. Escriba: G
(para iniciar)
Observe que la celda G4 contiene el mayor beneficio (ms positivo) de los
100 ensayos y que la celda G103 contiene el menor. stos son los valores que
deseamos representar.
Ahora se tiene que definir la escala de probabilidad, de 0 a 1.0, en unidades
de 0.01 (fueron 100 ensayos). Colocaremos esta escala en la columna H, con
la instruccin Data/Fill (datos/relleno).
9. Pase a la celda H4.
10. Escriba: / D F
(instruccin, Datos, Relleno)
11. Escriba: H4.H103 (intervalo que se llenar) luego oprima: Retorno
Deseamos comenzar con 0 y el programa lo propone; entonces:
12. Oprima: Retorno
(para iniciar a partir de 0)
13. Escriba: .01
(para el incremento)
y oprima: Retorno
14. Escriba: 1.0
(para el fin)
La columna H debe contener ahora los valores 0,0.01,0.02, etc., hasta 0.99.
El siguiente paso es crear el grfico:
15. Escriba: / G
(instruccin, Grfico)
Aparece el men de grficos.
16. Escriba: T X
(tipo de grfico, tipo XY)
17. Escriba: X G4.G103
(para especificar el intervalo de datos para la
variable X)
y oprima: Retorno
18. Escriba: A H4.H103
(para especificar el intervalo de datos para la varia
ble Y o A)
y oprima: Retorno
19. Escriba: O F A L Q
(Opciones, Formato, Datos A, Lnea, Salir)
Este paso indica a Lotus que deseamos representar los datos como una serie
de lneas conectadas.
20. Escriba: Q
(una vez ms, para salir del men de opciones)
Reaparece el men de grficos. Ya terminamos de especificar el grfico;
entonces:
Captulo 19 Simulacin
587
21. Escriba: V
(para ver el grfico)
El grfico debe compararse con el que se muestra en la figura 19-2. Ser
un poco diferente, ya que este anlisis se basa en 100 ensayos (en lugar de 25,
como en la figura 19-2) y, por supuesto, se basa en valores aleatorios distintos.
Oprima cualquier tecla al terminar de observar el grfico. Luego:
22. Escriba: Q
(para salir del men de grficos)
Los ejemplos que se ilustran en este apndice y en el captulo son sencillos,
pero se puede utilizar la misma metodologa para crear modelos de Montecarlo
bastante complejos para anlisis de riesgo. Existen adems varios productos
complementarios para Lotus que facilitan el trabajo realizando muestras aleatorias
de diversas distribuciones y naciendo sencilla la creacin de las tablas y de los
grficos.5
Bibliografa
Bonini, C. P., Building Monte Cario Simulation Models Using Lotus 1-2-3, Informe tcnico nm.
19, Stanford University Graduate School of Business Computer Facility, 1985.
Boulden, J. B., Computer-Assisted Planning
Systems, Nueva York, McGraw-Hill, 1975.
Bratley, P., B. L. Fox y L. E. Schrage, A Guide to
Simulation, Nueva York, Springer-Verlag, 1983.
Gordon, G., Systems Simulation, segunda edicin,
Englewood Cliffs, N. J., Prentice Hall, 1978.
Hertz, D. B. y H. Thomas, Risk Analysis and Its Applications, Nueva York, John Wiley & Sons,
1983.
Hertz, D. B. y H. Thomas, Practical Risk Analysis,
Nueva York, John Wiley & Sons, 1984.
Hillier, F. y G. J. Lieberman, Introduction to Operations Research, quinta edicin, Nueva York,
McGraw-Hill, 1990.
a. Use el registro de llegadas que se muestra en la tabla 19-4 para simular el proceso de cola de espera del ejemplo de
vagones de ferrocarril del almacn con
588
19-2.
19-3.
b.
c.
d.
e.
tas, si el beneficio esperado con la nueva hiptesis ser menor o mayor que
antes? Por qu?
Elabore un esquema similar al de la tabla 19-9 que utilice nmeros aleatorios
para producir valores aleatorios para el
precio y el volumen cuando se relacionan de esta manera.
Use su esquema de (b) para generar 25
ensayos de la inversin, como en la tabla 19-10, pero suponga ahora que el
precio y el volumen se relacionan en
la forma que se especific.
Represente una figura similar a la figura 19-2 para sus datos de (c).
Compare su figura de (d) con la figura 19-2. Qu inversin prefiere?
Por qu?
Problemas
19-4.
19-5.
Extienda la tabla 19-7 a 100 periodos utilizando nmeros aleatorios de la tabla 19-2.
Estime el costo anual total (1 ao = 50 semanas) si el costo de formulacin de pedido
es de 10 dlares, el costo de almacenamiento
de una unidad de inventario es de 50 centavos por ao y el costo de escasez es de tres
dlares por unidad de ventas perdidas
(utilice el inventario inicial promedio para
determinar el costo del almacenamiento de
inventario).
Escoja una regla de inventario que considere
buena para la situacin que se describe en el
problema 19-4 (es decir, elija un nmero Q y
un nmero R). Simule 100 periodos
19-6.
589
Captulo 19 Simulacin
Precio
(por quintal) Probabilidad
$2
3
4
5
6
7
19-7.
19-8.
0.10
0.20
0.50
0.10
0.05
0.05
1.00
Rendimiento
(quintales por
hectrea)
210
220
230
240
250
Probabilidad
Costo (por
hectrea) Probabilidad
0.10
0.10
0.40
0.30
0.10
1.00
$400
500
600
0.70
0.20
0.10
1.00
Remtase al problema 17-9. Describa los pasos necesarios para obtener nmeros aleatorios, para generar demandas aleatorias de
acuerdo con la distribucin de probabilidad
especificada y para evaluar los costos para
la poltica Q = 10 000 unidades de pedido.
Un granjero de Idaho estudia los riesgos
asociados a su cultivo de patatas. Con base
en su experiencia, determina que existen las
probabilidades de la tabla superior asociadas con el precio de las patatas por quintal,
con el rendimiento en quintales por hect-
Problemas ms difciles
19-9.
-$1.00
0.10
- 0.50
0.20
0.40
0.20
0.10
1.00
0.50
1.00
19-10.
Probabilidad
590
10.0
15.0
20.0
Probabilidad de
obtener este
beneficio o menos
0.00
Cantidad
(convertida en
millones de dlares)
$0.5
Probabilidad de
obtener este
beneficio o menos
0.00
0.10
0.25
0.50
0.75
0.90
1.00
0.7
0.10
0.25
0.50
0.75
0.90
1.00
0.9
1.0
1.3
2.0
3.0
tiempos de reparacin de los motores se distribuiran exponencialmente con tiempo medio de 40 das. Con la alternativa B (un
procedimiento ms complejo) los tiempos
de reparacin de motores se distribuiran
normalmente con media de 40 das y desviacin estndar de cinco das.
Cuando un motor llega para reparacin,
se enva un motor de repuesto. Despus se
enva al taller el motor que requiere reparacin y se trabaja al mismo tiempo en todos los motores con averas. Al concluir la
reparacin, el motor entra en el grupo de
repuesto con el propsito de que se use para
satisfacer una solicitud posterior. Las llegadas de los motores siguen una distribucin
de Poisson con tasa A = 0.5 por da.
Si llega un motor cuando no hay unidades
de repuesto para reemplazarlo, se enva un
motor de otro lugar; esto cuesta 10 000
dlares por solicitud. AAC ha comprado 25
motores de repuesto para que sea baja la
probabilidad de que se produzca esta
situacin.
Observe que los tiempos de reparacin de
motores no son constantes, por lo que un
motor que lleg despus al taller puede terminarse antes.
Describa con cuidado cmo simulara esta
situacin; incluya los siguientes puntos:
Llegadas aleatorias de los motores. Tiempos
aleatorios de reparacin de motores (para cada
alternativa).
Captulo 19 Simulacin
El nmero de motores de repuesto
disponibles en cada instante.
El nmero de envos de motores de otro
lugar.
Su proceso de inicializacin.
19-2. a.
Remtase al problema 18-1. Suponga
que la tasa media de servicio es de 15
por hora pero que no hay variacin en
el tiempo de servicio; es decir, se requieren exactamente cuatro minutos para atender cada llamada. Use el mtodo
de Montecarlo para simular 25 ensayos.
b. Remtase de nuevo al problema 18-1
y suponga ahora que el tiempo de ser
vicio para una llamada se distribuye
normalmente, con tiempo medio de
servicio de cuatro minutos y desviacin
estndar de dos minutos. Use el mtodo
de Montecarlo para simular 25 ensayos.
c. Compare los resultados de (a) y (b) con
lo que obtuvo en el problema 18-1.
19-13 . Un sistema automtico de almacenamiento
y recuperacin (AS/RS, Automatic Storage/Retrieval System) es un dispositivo para
inventarios, controlado por computador, que
puede almacenar plataformas de material,
recogindolas en un punto de entrega/recepcin de una banda transportadora y
luego desplazndose horizontal y verticalmente por un pasillo hasta encontrar un espacio de almacenamiento libre para la
plataforma. Cuando se presenta una solicitud de recuperacin, el AS/RS viaja al lugar
donde se almacen la plataforma indicada,
la saca y la entrega en el punto de entrega/recepcin.
El AS/RS se puede describir como un cargador de plataformas que puede ascender o
descender por un "mstil" que se desplaza
por un pasillo de almacenamiento. Hay espacios para almacenamiento a ambos lados
del pasillo. Considere un AS/RS con un solo
pasillo.
591
a. Suponga que la llegada de plataformas
para almacenamiento sigue una distribucin de Poisson, as como las solicitudes de plataformas almacenadas.
Suponga tambin que los "tiempos de
servicio" (es decir, el tiempo para que
el sistema lleve a cabo un almacena
miento o una recuperacin) son exponenciales. Suponga que los procesos de
almacenamiento y recuperacin se efectan por separado y que existe una sola
cola que comprende ambos tipos de solicitudes; adems, la prioridad se esta
blece con base en el concepto
"primero en entrar, primero en salir".
Qu mtodo usara para analizar este
sistema? Nota: La suma de dos procesos de Poisson independientes tambin
es de Poisson.
b. Suponga ahora que se mantienen dos
colas distintas: una para las solicitudes
de almacenamiento y otra para las de
recuperacin. Suponga que la poltica
operativa es que se combinen los procesos de almacenamiento y recuperacin
(mientras las dos colas no estn vacas)
de manera que el AS/RS no regrese va
co al punto de entrega/recepcin. Por
supuesto, esta combinacin de almacenamiento y recepcin aumenta el rendimiento del sistema. Suponga que los
tiempos de servicio an se distribuyen
exponencialmente, pero con media mucho menor. Qu mtodo usara para
analizar este sistema?
c. Considere la situacin de (b), pero su
ponga ahora que el AS/RS puede seleccionar las solicitudes de recuperacin
"fuera de orden" para tratar de minimizar el desperdicio en el tiempo de viaje. Es decir, despus de una decisin
de almacenar una plataforma en un lugar especfico, puede ser ms eficiente
efectuar una recuperacin en lugar de
otra debido a la ubicacin de la plata
forma para recuperacin en los anaqueles. Qu mtodo usara para analizar
este sistema?
CAPTULO
PERT: Tcnica de
evaluacin y revisin
de programas
593
Requisitos de informacin
En el uso del PERT se requieren dos tipos de informacin para cada actividad del
proyecto.' Es necesario conocer las condiciones de secuencia de la actividad; por
ejemplo, hay que saber qu conjunto de actividades debe terminar antes de iniciar
una actividad especfica. Tambin se necesita una estimacin del tiempo que
requiere cada actividad.
La tabla 20-1 contiene una lista de seis actividades que constituyen un proyecto,
as como los requisitos de secuencia y los tiempos estimados para cada actividad.
Tabla 20-1
Predecesores
Actividad inmediatos
A
B
C
D
E
F
Ninguno
A
A
B, C
Ninguno
E
Tiempo
estimado
(das)
2
3
4
6
2
8
Tambin existe un procedimiento estrechamente relacionado que se llama CPM (Critical Path Method,
mtodo de la ruta crtica). En este captulo se emplea la terminologa del PERT, aunque el procedimiento de
diagrama de red sigue la convencin del CPM.
2
En PERT, las flechas se usan para representar actividades; sin embargo, la convencin de CPM que se usa aqu
es ms fcil de comprender.
594
Figura 20-1
Diagrama de red
Ruta crtica
Un ruta se define como una secuencia de actividades enlazadas dentro de un
proyecto. En el ejemplo slo hay tres rutas posibles: ABD, con longitud de 11 das;
ACD, con longitud de 12 das; y EF, con longitud de 10 das. La ruta crtica es
la que tiene mayor duracin. En el ejemplo se trata de ACD, con longitud de
12 das. La longitud de la ruta crtica determina el tiempo mnimo para la
conclusin de todo el proyecto. Las actividades sobre la ruta crtica son cuellos
de botella del proyecto.
La ruta crtica es importante por dos razones. Primero, el tiempo de terminacin
del proyecto no se puede reducir, a menos que pueda concluir por lo menos una
de las actividades en la ruta crtica en menor tiempo que el inicialmente estimado.
La ruta crtica destaca las actividades que deben efectuarse con mayor rapidez
para que sea posible la reduccin del tiempo de culminacin del proyecto.
Segundo, cualquier demora en las actividades de la ruta crtica ocasionar demoras en la conclusin del proyecto, mientras que las demoras en actividades no
595
596
Figura 20-2
En la prctica, el LF de la ltima actividad es igual a la fecha lmite del proyecto. Sin embargo, tambin es til asignar
al LF de la ltima actividad el mismo valor de su tiempo EF, de manera que la ruta crtica no tenga holgura.
Figura 20-3
597
598
Tabla 20-2
Holgura de actividades
Actividad
A
B
C
D
E
F
LS
0
3
2
6
2
4
ES Holgura
0
2
2
6
0
2
0
1
0
0
2
2
RESUMEN
Un diagrama de red muestra las diversas tareas de un proyecto, con arcos que
indican cules son las actividades que deben preceder a otras. Los tiempos ES,
EF, LS y LF son el menor y el mayor tiempo de inicio y de terminacin de una
actividad. Los tiempos ES y EF se obtienen recorriendo la red, a partir de la
primera tarea. En cada una de las actividades, el ES es el mayor de los tiempos
EF de las actividades precedentes y el EF es el ES ms el tiempo de la actividad.
El EF de la ltima tarea es el tiempo mnimo para concluir el proyecto.
Los tiempos LS y LF se obtienen recorriendo la red hacia atrs. En cada una
de las actividades, el LS es el LF menos el tiempo de la actividad y el LF es el
menor LS de las actividades sucesoras inmediatas.
El tiempo de holgura es la diferencia entre el ES y el LS de cada actividad. Las
actividades con holgura cero estn en la ruta crtica.
Captulo 20
Tabla 20-3
599
Programa
Programa
normal
urgente
2
3
4
6
2
8
2
3
4
1
5
Costo (dlares)
Programa
normal
$ 100
200
300
500
180
1 000
$2 280
Programa
urgente
$ 150
250
375
740
210
1 200
$2 925
Observe que ahora se supone que los tiempos de actividades son controlables pero an son deterministas, es
decir, no tienen componentes aleatorios. El segundo caso considerar la situacin en la cual los tiempos de
actividad son variables aleatorias.
5
Aqu se supondr que una actividad se realiza en forma urgente o normal. La urgencia de una actividad puede
realizarse en forma proporcional (por ejemplo, un esfuerzo de urgencia del 40%) y es entonces posible formular
el problema determinista de compensacin entre tiempo y costo (caso I) como un problema de programacin
lineal; vase J. O. McClain y L. J. Thomas, Operations Management: Production of Goods and Services, segunda
edicin (Englewood Cliffs, N. J., Prentice Hall, 1985), cap. 3.
600
Tabla 20-4
Figura 20-4
Tabla 20-5
601
Actividades en:
Programa
Programa
normal
urgente
Todas
A, B, D, E, F
B, D, E, F
B, C, E, F
A, B, F
B, E
Ninguna
C
A, C
A, D
C, D, E
A, C, D, F
Ruta(s) crticas
Tiempo de
terminacin
del proyecto
ACD
ABD, ACD
ABD, ACD
ACD, EF
ABD, ACD, EF
ABD, ACD
12
11
10
10
9
9
Costos
totales
del proyecto
$2 280
2 355
2 405
2 570
2 625
2 845
y ABD, son ahora crticas, ambas con longitud de 11 das. El costo de este
programa urgente es de 2355 dlares; los 75 dlares adicionales corresponden al
costo incremental de poner la actividad C en un programa urgente.
Si el gerente deseara reducir ms el tiempo de terminacin del proyecto, puede
colocar ms actividades sobre una base urgente. Las actividades crticas son ahora
A, B, C y D. La actividad C no puede reducirse ms. Si se reduce B, la ruta ABD
sera ms breve, pero la ruta ACD no tendra cambios y seguira con longitud de
11 das, con lo cual no se reduce el tiempo total del proyecto. La nica manera
de reducir el tiempo del proyecto sera a travs de la reduccin de las actividades
A o D. En la tabla 20-4 se observa que la actividad A es la menos costosa. La
reduccin asciende a medio da, con costo adicional de 50 dlares, con lo cual el
costo se eleva a 2405 dlares. Las dos reducciones se resumen en la segunda y en
la tercera columnas de la tabla 20-5.
Si el gerente quisiera reducir ms el tiempo del proyecto, la actividad D se hara
en forma urgente. Pero con esto se eliminara la necesidad de que tanto A como
C fueran urgentes, ya que la ruta crtica cambiara a EF; la ruta EF requiere 10
das, mientras que si se efectan A, C y D en forma urgente, la ruta ACD slo
necesita nueve das. Por ello, despus de decidir llevar a cabo urgentemente la
actividad D para reducir el tiempo del proyecto a menos de 10 das, el gerente
debe revisar las actividades urgentes A y C para determinar cules deben regresar
al programa normal.
Suponiendo que D y C se realizan de manera urgente (pero no A), la ruta ACD
requiere 9 das y la ruta EF con 10 das es la ruta crtica; el costo de realizar D
y C de manera urgente es $2280 + $75 + $240 = $2595. Suponga que D y A se
hacen en forma urgente y C se restringe al programa normal; entonces, la ruta
ACD requiere 10 das y hay dos rutas crticas: ACD y EF. El costo del programa urgente para A y D es $2280 + $50 + $240 = $2570. Por lo tanto, para un
objetivo de 10 das de proyecto, esta alternativa lo cumple con menor costo. Este
ejemplo ilustra la complejidad de determinar las compensaciones ptimas entre
tiempo y costo.
Como ahora hay dos rutas crticas (ACD y EF), el gerente debe reducir al
mismo tiempo ambas rutas para reducir aun ms el tiempo del proyecto. Consi-
602
Figura 20-5
dere las rutas una por una. Para la ruta EF, la actividad E se puede reducir en
medio da a un costo de 60 dlares por da; o bien, se puede reducir F en 2 das
a un costo de 80 dlares por da. La actividad E es la menos costosa y el gerente,
tentativamente, considera colocar la actividad E en un programa urgente. Como
esto reduce la ruta EF a 9 das, el gerente considera la manera de reducir la
mtaACD a 9 Vi das (o menos). La ruta ACD requerir exactamente 9 das si
las actividades C y D se efectan en forma urgente. Ahora hay que revisar
si alguna otra ruta resulta ahora crtica. Si las actividades C, D y E se colocan
en un programa urgente, entonces la ruta ABD resulta crtica con un tiempo de
9 Vi das. La quinta columna de la tabla 20-5 muestra esta situacin. Ahora las tres
rutas son crticas; de el tiempo total del proyecto es 9 das y el costo total es de
2625 dlares.
Para reducir ms el tiempo del proyecto, es necesario reducir simultneamente las tres rutas crticas. Esto se puede lograr si las actividades A y F se
realizan en forma urgente. Observe que una vez que se reduce la actividad
F, la actividad E puede regresar al programa regular. La sexta lnea de la tabla
20-5 indica esta situacin. El tiempo total del proyecto es de nueve das, con
costo total de 2845 dlares. Ya no es posible reducir ms el tiempo del proyecto. Las actividades B y E estn en programas regulares; todas las dems son
urgentes.
La figura 20-5 resume los resultados del anlisis. La curva se puede llamar
curva de compensaciones entre tiempo y costo, ya que indica que el gerente
603
RESUMEN
Con la hiptesis de que una actividad est en un programa urgente o en uno normal, las nicas alternativas
factibles son los puntos que se indican en la figura 20-5. Las lneas que unen los puntos se representan nicamente
para dar un efecto adecuado al grfico.
604
Sasieni demostr hace poco que la conocida frmula de la ecuacin 20-1 no puede derivarse en forma general
de la distribucin beta; vase M. W. Sasieni, "A Note on PERT Times", Management Science 32, nm. 12,
diciembre de 1986, pgs. 1652-1653. Por lo tanto, la ecuacin 20-1 debe interpretarse como un modo razonable de
estimar el tiempo de actividad esperado a partir de tres estimaciones distintas, a 1 , b 1 , y m 1 .
Tabla 20-6
605
C
D
ai
bi
mi
ti
1
1
2
4
1
1
3
5
6
8
3
15
2
3
4
6
2
8
2
3
4
6
2
8
i2
0.33
0.67
0.67
0.67
0.33
2.33
0.11
0.45
0.45
0.45
0.11
5.43
Pero hay un grave problema al efectuar este tipo de anlisis en la ruta crtica.
Adems de las dificultades que se presentan al suponer que todos los tiempos de
8
La varianza de una suma de variables aleatorias equivale a la suma de las variables de cada variable aleatoria,
si dichas variables son independientes. Vase captulo 3.
9
La suma de n variables aleatorias independientes con media y varianza finitas tiende a la normalidad por el
teorema central del lmite cuando n tiene a infinito. Vase captulo 3.
10
Vase el captulo 7 para una revisin de la variable normal estandarizada:
606
Hay que concluir la ruta ACD y la ruta EF en 14 das para que el proyecto concluya en 14 das, ya que el proyecto no termina hasta completar todas las actividades. La probabilidad de que las dos rutas (ACD y EF) concluyan en 14 das es:
(0.977)(0.955) = 0.933
Si slo hubiramos considerado la ruta crtica, la probabilidad de no terminar el
proyecto en 14 das habra sido 1 - 0.977 = 0.023. Despus de considerar la ruta
EF, la probabilidad de no concluir el proyecto en 14 das es 1 - 0.933 = 0.067, lo
cual representa casi tres veces la probabilidad de que la ruta crtica no termine en
dicho periodo. Otra manera de describir la situacin es decir que si el proyecto
tarda ms de 14 das, la ruta EF tiene mayor probabilidad de ser la causante de la
demora que la ruta ACD.
Hay otra dificultad. La ruta ABD podra tambin ser la ms restrictiva y se
podra calcular su varianza, como se hizo con las rutas ACD y EF. Pero hay dos
actividades comunes en las rutas ABD y ACD (las actividades A y D) y por lo
tanto las longitudes de ambas no son variables independientes. Para poder calcular
la probabilidad de que ABD y ACD terminen en menos de 14 das hay que
considerar la probabilidad conjunta de sucesos dependientes, lo cual est fuera
del alcance de los mtodos de clculo que se presentan en este captulo. Los
problemas que han surgido en un ejemplo de proyecto con seis actividades
aumentan considerablemente si se considera un proyecto real con cientos de
actividades. En consecuencia, hay peligro al usar la media y la varianza de la
longitud de la ruta crtica para estimar la probabilidad de que el proyecto termine
en un periodo de tiempo especfico. Debido a la posibilidad de que algunas rutas
"no crticas" sean restrictivas, la estimacin media del tiempo de terminacin del
proyecto que se obtiene al estudiar nicamente la ruta crtica es demasiado
optimista; tiene sesgo y siempre tiende a subestimar el tiempo promedio de
conclusin del proyecto.
Aunque el clculo analtico de la distribucin del tiempo de terminacin de
proyecto es muy difcil en una red de tamao real, es bastante fcil usar la tcnica
Figura 20-6
607
de la simulacin de Montecarlo (vase Cap. 19) para obtener informacin acerca de la verosimilitud de la duracin del proyecto cuando los tiempos de actividad
son inciertos.
Suponga que se lleva a cabo una simulacin 100 veces para la red muestral que
se us como ejemplo en el captulo, con medias y desviaciones estndar de la tabla
20-6. La figura 20-6 contiene un histograma representativo de los que se podran
obtener de la simulacin. Aunque la informacin que contiene la figura 20-6 sera
til para decidir si el riesgo de retraso del proyecto es tolerable, no sirve directa-
608
Tabla 20-7
C
D
Tabla 20-8
71%
5
66
71
30
30
Porcentaje del tiempo en el cual las actividades fueron crticas, dada una duracin
de proyecto mayor de 12 das
A
C
D
49%
3
46
49
54
54
mente para decidir cmo reducir las actividades de forma que se acelere el
proyecto. Para ello, la simulacin puede registrar el porcentaje de veces que cada
actividad estuvo en la ruta crtica expost (es decir, la ruta que ciertamente result
crtica en una sesin de simulacin). La tabla 20-7 es un ejemplo de este registro.
Las actividades y F constituyen un ruta crtica potencial y, por consiguiente,
tienen porcentajes idnticos en la tabla 20-7. Las actividades A y D estn en serie
en dos rutas (ABD y ACD), por lo que tambin tienen porcentajes idnticos. Las
actividades y C estn en paralelo y, por lo tanto, la suma de sus porcentajes (5%
+ 66%) debe dar 71%, el porcentaje de las actividades A y D en serie con el enlace
paralelo B-C.11
La tabla 20-7 se calcul con los resultados de toda la simulacin. Al decidir
cules actividades deben realizarse en forma urgente para reducir el tiempo de
terminacin del proyecto, tiene sentido considerar nicamente los resultados
de la simulacin para los que el proyecto se retras ms all de la meta deseada.
Si se consideran 12 das (la longitud esperada de la "ruta crtica") como objetivo,
la tabla 20-8 contiene datos ilustrativos del porcentaje de tiempo en el que cada
actividad fue crtica, si el proyecto requiri ms de 12 das para terminar. Observe
que estos porcentajes sern diferentes de los de la tabla 20-7. Como no interesa
reducir un proyecto si termina antes de la fecha esperada, los resultados de la tabla
20-8 seran ms tiles para determinar cules actividades se podran colocar en
programas urgentes para obtener la mayor reduccin en las demoras que superasen los 12 das.
11
Esta situacin slo es verdadera si no es posible que ambas rutas, ABD y ACD, sean crticas.
609
En el caso de una red de gran tamao, una simulacin del programa normal
producira un histograma como el de la figura 20-6. Si fuera necesario mejorar
el rendimiento del proyecto, el estudio de una tabla semejante a la 20-8 indicara el conjunto de actividades que, en promedio, ocasionan demoras en diversos
porcentajes del tiempo. Entonces, despus de reducir algunas de las "actividades
crticas", se podra repetir la simulacin para ver si ha mejorado lo suficiente el
rendimiento del proyecto.
RESUMEN
Si los tiempos de actividad de una red PERT son inciertos, la longitud de la ruta
crtica calculada con estimaciones deterministas subestimar el tiempo esperado
verdadero del proyecto. Mediante la simulacin se pueden obtener la distribucin
de probabilidad del tiempo real del proyecto y la probabilidad de que cada
actividad est en la ruta crtica real ex post. Si se condiciona al retraso del
proyecto, la simulacin tambin puede indicar el porcentaje del tiempo que cada
actividad estuvo en la ruta crtica real.
Evaluacin de PERT
El mtodo PERT obliga al planificador a especificar con detalle el conjunto de
actividades que constituyen un proyecto, a estimar sus tiempos y a establecer sus
requisitos de secuencia. La construccin del diagrama de red muchas veces puede
sealar problemas en el proyecto. Si la ruta crtica es mayor que lo deseado, se
puede planificar de nuevo el proyecto y asignar ms recursos a las actividades
crticas. Una vez iniciado el proyecto, el mtodo PERT puede servir para proporcionar informes peridicos acerca del estado del proyecto, incluyendo los cambios
en la ruta crtica. Si hay una ruta que sea casi crtica, el mtodo PERT puede
facilitar esta informacin al sealar las actividades con poca holgura.
Las estimaciones de tiempo para la realizacin de actividades constituyen un
problema potencial en el mtodo PERT. Si las estimaciones de tiempo son
deficientes, el diagrama de red inicial y la ruta crtica inicial tendrn poco
significado real al comenzar el proyecto. As mismo, si hay incertidumbre con
respecto al tiempo que tardara la conclusin de las tareas, hay que considerar esta
incertidumbre al estimar la probabilidad de terminacin del proyecto en un
periodo determinado. Como se vio, se puede calcular la probabilidad de terminar
la "ruta crtica" en un tiempo determinado si los tiempos de actividad son
aleatorios; pero con estos tiempos, la ruta crtica real ex post puede ser distinta de
la ruta crtica ex ante. La mejor forma de tratar esta complejidad es la simulacin
de la red. En la simulacin se pueden estimar la probabilidad del retraso del
proyecto y la probabilidad de que cada actividad sea "crtica", lo cual sirve como
gua para el planificador del proyecto.
Por ltimo, el mtodo PERT sencillo no considera los recursos que se requieren
en distintas etapas del proyecto. Por ejemplo, si hay que emplear cierto recurso
para efectuar las actividades y C del ejemplo, y slo puede usarse en una
actividad a la vez, el diagrama de la figura 20-3 no es factible porque la actividad
C no se puede llevar a cabo en paralelo con la actividad B. Se han desarrollado
610
C
D
Predecesores
inmediatos
Tiempo
estimado (das)
B, C
D,
5
4
7
3
4
2
C
D
Predecesor
inmediato
A
C
ai
bi
mi
2
6
1
1
6
6
10
15
9
10
4
8
5
5
8
611
d.
Problemas
20-4.
Predecesor
inmediato
Actividad
A
ti (das)
A
A
C
4.0
6.0
3.0
7.0
B, C
2.0
0
1.0
0
1.0
2.0
C
D
C
D
F
G
Descripcin
Investigacin literaria
Formulacin de temas
Seleccin de comit
Propuesta formal
Seleccin de la compaa y contacto
Informe de avances
Investigacin formal
Recopilacin de datos
Anlisis de datos
Conclusiones
Borrador (sin conclusiones)
Versin final
Examen oral
Actividad previa
requerida
Ninguna
Ninguna
A, D
Tiempo
esperado (semanas)
6
5
2
2
2
A, D
6
5
G,
I
G
2
4
3
1
J,
L
612
20-6.
20-7.
Puede plantear lgicamente que la estimacin PERT de la duracin total del
proyecto no tiene sesgo? Recomendacin: Recuerde que el valor esperado
de una suma es igual a la suma de los
valores esperados.
b. Suponga que trabaja con una red "en
paralelo" pura (figura de la derecha).
Suponga que todas las actividades de la
red tienen el mismo tiempo esperado
C
D
F (fin)
Actividades
Programa
Programa
Programa
Programa
predecesoras
_______
normal
urgente
__
normal
urgente
__
A
A
5
2
3
4
0
3
1
2
2
10
6
6
10
0
B, C
D,
22
15
15
25
613
Problemas ms difciles
20-8.
C
D
F
G
I
J
Q
R
S
Descripcin
Actividad Tiempo de
predecesora terminacin
(meses)
2
A
A
C
C
D,
1
2
E, G
F,
2
2
F
J
K, L
J
,
1, L
I
P.Q
0, R
614
20-9.
20-10.
Predecesor
Actividad inmediato
A
Ninguno
Ninguno
C
D
A,
C, D
3
4
3
2
2
4
$450
300
200
100
500
600
1
2
I
1
1
3
20-12.
20-13.
615
C
D
F
G
I
J
Q
R
Descripcin
Diseo de ingeniera del edificio
Diseo de la lnea productiva
Diseo del horno
Diseo del congelador
Diseo del equipo de empaquetado
Pedido y manufactura del horno
Pedido y manufactura del congelador
Pedido y manufactura del equipo de empaquetado
Envo y aceptacin de propuestas para la construccin del edificio
Construccin del edificio (primera fase)
Construccin del edificio (segunda fase)
Instalacin del horno
Instalacin del congelador
Instalacin del equipo de empaquetado
Pruebas de horneado
Pruebas de congelacin
Pruebas al sistema total
Inspeccin gubernamental
Predecesores
inmediatos
Ninguno
Ninguno
C, D
C
D
A
I
J
F, J
J, L
H, J
K, L
,
,
,
Tiempo
estimado (meses)
1.5
1.0
2.0
1.0
1.0
9.0
8.0
3.0
2.0
9.0
1.5
2.0
0.5
0.5
1.0
0.5
0.5
0.5
616
C
D
0.6
0.1
0.1
0.1
0.4
0.8
0.1
0.1
6
0.1
0.2
0.1
0.2
0.1
0.1
0.4
0.1
0.1
0.1
0.2
0.3
0.1
0.1
0.2
0.1
Tiempo
Actividades
10
esperado
predecesoras
0.2
5
7
8
6
5
Ninguna
Ninguna
A,
A,
C, D
CAPTULO
Procesos de Markov
Una mquina que produce piezas puede estar ajustada o desajustada. Si est
ajustada, suponga que la probabilidad de que est ajustada al da siguiente es de
0.7 y que la probabilidad de que no lo est es 0.3. Si la mquina est desajustada,
la probabilidad de que est ajustada el da siguiente es 0.6 y la probabilidad de
que no lo est es de 0.4.! Si el estado 1 representa la situacin en que la mquina
est ajustada y el estado 2 representa el caso en que est desajustada, las
probabilidades de cambio son las que se indican en la tabla 21-1. Observe que la
suma de probabilidades de una fila es igual a 1.
El proceso se representa en la figura 21-1 con dos rboles de probabilidades,
cuyas ramas ascendentes indican el paso al estado 1 y la ramas inferiores el cambio
al estado 2.
Anlisis a corto plazo
Suponga que la mquina inicia en el estado 1 (ajustada). La tabla 21-1 y la figura
21-1 indican que hay una probabilidad de 0.7 de que la mquina se encuentre en
Suponga que la mquina tine un mecanismo de ajuste automtico que no funciona correctamente.
617
618
Tabla 21-1
Probabilidades de cambio
Figura 21-1
Ajustada
(estado 1)
No ajustada
(estado 2)
Ajustada (estado 1)
0.7
0.3
No ajustada (estado 2)
0.6
0.4
619
y:
se obtiene:
620
Figura 21-2
Tabla 21-2
Nmero de da
1.0
2
3
4
5
6
7
8
0.7
0.67
0.667
0.6667
0.66667
0.666667
0.6666667
621
622
Tabla 21-3
Nmero de da
0.0
2
3
4
5
6
7
8
0.6
0.66
0.666
0.6666
0.66666
0.666666
0.6666666
623
Al resolver:
Al resolver:
Para que la notacin sea ms sencilla, sea Pi la probabilidad de estado estacionario para el estado i. Es decir:
624
y as consecutivamente.
Suponemos que no hay "estados absorbentes", donde la probabilidad de quedar en el mismo estado es 1. En un
estado absorbente, el estado inicial puede ser importante. As mismo, suponemos que el proceso no es cclico.
Un ejemplo de un proceso cclico es:
Observe que en esta caso el proceso alterna regularmente entre el estado 1 y el estado 2.
625
Las ecuaciones 21-14 y 21-15 son las frmulas generales para las probabilidades
de estado estacionario de un proceso de Markov de dos estados.
Ejemplo
Considere el ejemplo 1 (al inicio del captulo), en el que se considera una mquina
que puede estar ajustada (estado 1) o desajustada (estado 2). Las probabilidades
de cambio de un estado a otro se indicaron en la tabla 21-1. Si se sustituyen estos
626
Para el estado 2:
Ahora se pueden comparar las probabilidades de estado estacionario correspondiente al estado 1 para las mquinas A y B. La mquina tiene probabilidad de
Tabla 21-4
627
Suponga que un fabricante quiere emprender una gran campaa publicitaria para
que los consumidores prueben su marca de caf. A partir de los datos obtenidos
en la investigacin de mercado, la empresa pudo estimar las probabilidades
actuales de que los consumidores cambien de "Nuestra marca" a "Otra marca" y
viceversa, como se indica en la tabla 21-5. Suponga adems que los investigadores
de mercado han estimado las probabilidades correspondientes que existirn
despus de realizar la campaa publicitaria y de considerar cualquier reaccin
competitiva esperada (vase Tabla 21-6). Observe que la probabilidad de que los
clientes cambien de "Otra marca" a "Nuestra marca" ha aumentado de 0.2 a 0.3,
pero no ha cambiado la probabilidad de conservar nuestros clientes.
Suponga que la campaa publicitaria costar 12 millones de dlares anuales y
que hay 50 millones de compradores de caf en el mercado. El beneficio promedio
anual por cliente, antes de pagar impuestos, es de dos dlares. Debe realizarse
la campaa publicitaria?
Para resolver este problema de decisin, lo primero es calcular las probabilidades de estado estacionario de que un cliente compre nuestra marca en las
condiciones actuales (sin la campaa publicitaria). Si el estado 1 representa
nuestra marca y el estado 2 representa las dems, con base en la tabla 21-5 y en
la ecuacin 21-14 se calculan las probabilidades de estado estacionario sin
publicidad de la siguiente manera:
0.8
0.2
Otras marcas
(estado 2)
0.2
0.8
628
Parte IV
Tabla 21-6
0.8
0.2
Otras marcas
(estado 2)
0.3
0.7
Hay un problema al decidir con qu rapidez tendr efecto la campaa. Aqu supondremos que el cambio es
instantneo; pero si las decisiones de compra se hacen una vez por mes, se podran requerir tres o cuatro meses
de "transicin" antes de acercamos al nuevo estado estacionario. Los clculos se podran modificar para
considerar esta complejidad (vanse tablas 21-2 y 21-3 como ejemplos de cmo calcular las probabilidades de
transicin a corto plazo).
629
Tabla 21-7
0.9
0.1
Otras marcas
(estado 2)
0.2
0.8
630
Tabla 21-9
Probabilidades de cambio
Estado 1 Estado 2
(1,0)
(0,1)
Estado 1 (0, 1)
0.2
0.8
Estado 2 (1, 0)
0.2
0.8
Como se muestra en la tabla 21 -9, las probabilidades de pasar al estado 1 y de pasar al estado 2 son las mismas
en cada fila. Por lo tanto, estas probabilidades deben ser las probabilidades de estado estacionario. Cuando todas
las filas de una tabla de probabilidades de transicin sean iguales, se pueden obtener por inspeccin las
probabilidades de estado estacionario.
Captulo 21
Tabla 21-10
631
Procesos de Markov
Estado 2
Estado 3
Estado 1
0.6
0.3
0.1
Estado 2
0.7
0.2
0.1
Estado 3
0.2
0.4
0.4
problemas con tres estados o ms. La nica complicacin es que en lugar de tener
una sola ecuacin como la 21-14, en los problemas mayores habr dos o ms
ecuaciones lineales simultneas que, al resolverse, facilitarn las probabilidades
de estado estacionario.5
Ejemplo 4
El numero de ecuaciones simultneas que habr que resolver siempre ser igula al nmero de estados menos
uno, ya que las probabilidades de estado suman la unidad y, por lo tanto, una de las probabilidades de estado
desconocidas siempre podr escribirse como I menos la suma de las dems.
632
o sea:
y al sustituir
o sea:
de manera que:
633
RESUMEN
Bibliografa
Applications, 2da. ed., Englewood Cliffs, N. J.,
Prentice Hall, 1972.
Ross, S., An Introduction to Probability Models,
3ra. ed., Nueva York, Academic Press, 1985.
Taylor, H. y S. Karlin, An Introduction to Stochastic Modeling, Nueva York, Academic Press,
1984.
Wolff, R. W., Stochastic Modeling and the Theory
of Queues, Englewood, Cliffs, N. J., Prentice
Hall, 1989.
21-2.
Pag (estado 1)
Pag
(estado 1)
0.95
No pag
(estado 2)
0.05
0.95
0.05
No pag (estado 2)
Desajustada
(estado 2)
Ajustada
(estado 1)
0.9
0.1
Desajustada
(estado 2)
0.6
0.4
634
Desajustada
(estado 2)
0.8
0.2
0.7
0.3
Ajustada
(estado 1)
of Adjustment (state
2)
21-3.
C
(estado 1) (estado 2) (estado 3)
A (estado 1)
0.8
0.2
0.0
(estado 2)
0.2
0.0
0.8
C (estado 3)
0.2
0.2
0.6
21-4.
Considere el problema 21-3. Suponga que
hay 100 automviles en cada uno de los lugares, A, y C.
a. Cul sera la distribucin esperada de
los automviles un periodo despus?
b. Dos periodos despus?
Problemas
21-5.
Piso 2
Piso 3
Piso 1
0.0
0.4
0.6
Piso 2
0.8
0.0
Piso 3
0.8
0.2
21-6.
21-7.
Acme
Otros
Nmero 1
0.6
0.2
0.2
0.2
Acm
0.2
0.6
0.2
0.0
Otros
0.4
0.2
0.4
635
Baja uno
(estado 2)
0.4
0.6
0.6
0.4
0.7
0.3
0.0
Estado 2
0.8
0.2
0.0
Estado 3
0.0
0.2
0.8
21-11.
Problemas ms difciles
21-12.
636
Probabilidades de cambio:
Clientes previsibles
Pag (estado 1)
No pag (estado 2)
Pag
No pag
(estado 1) (estado 2)
0.99
0.01
0.49
0.51
21-16.
go a toda la lista cada seis meses. Hasta ahora, cerca del 50% de los clientes anteriores
hace un pedido despus de recibir el catlogo (un cliente anterior es uno que efectu
un pedido en el periodo de seis meses anterior). Por otra parte, slo hacen pedidos
un 10% de las personas que no eran
clientes anteriores. Por lo general, un
cliente hace un pedido cada periodo de
seis meses y Ajax obtiene beneficios de
ocho dlares por pedido.
Ajax pretenda cambiar las polticas actuales, de acuerdo con dos alternativas.
La primera posibilidad implicaba usar un
catlogo ms elegante que el actual. El costo
adicional sera de 25 centavos por catlogo (25 000 dlares para el envo total). No
se esperaba que este cambio afectara el porcentaje de clientes anteriores que pedan de
nuevo; pero s se esperaba un aumento del
10 al 15% en los pedidos de nuevos clientes.
La otra alternativa era ofrecer descuentos
especiales a los clientes anteriores. Con esto
se reducira el beneficio promedio de 8 a
7.50 dlares para estos clientes, pero se
esperaba que el plan aumentara el nmero de clientes del 50 al 60%. El plan no tendra efecto sobre los nuevos clientes (el
porcentaje de pedidos permanecera en el
10% y el beneficio sera de ocho dlares
por pedido).
a. Considere los tres planes que se presen
taron. Formule cada uno como un pro
ceso de Markov (es decir, defina los
estados y elabore las tablas de probabi
lidades de transicin).
b. Estime la rentabilidad de cada plan.
Cul debe adoptar Ajax?
Una revista obtuvo beneficios de dos dlares en sus suscripciones normales de un
ao. Se renov el 80% de las suscripciones.
La empresa discuta los mtodos para obtener nuevas suscripciones. Un mtodo implicaba una campaa por correo dirigida a
clientes potenciales obtenidos de listas de
correo seleccionadas. El costo de la campaa por correo sera de 25 centavos por persona. Se estimaba que el 5% de dichas
personas se convertiran en suscriptores normales.
637
21-17.
5a8
aos
0.05
9 aos o
ms
0 a 4 aos
0a4
aos
0.75
5 a 8 aos
0.75
0.10
0.15
9 aos o ms
0.90
0.10
Fuera de servicio
1.00
Otro mtodo comprenda una campaa personal con un grupo de clientes potenciales
seleccionados. El costo sera de un dlar por
persona, pero se esperaba que el 25% se
convirtieran en clientes regulares. Qu mtodo debe adoptar la revista? Recomendacin: Piense si las probabilidades de
estado estacionario o de transicin son relevantes para este problema.
Suponga que el Ministerio de Defensa ha
obtenido estimaciones del porcentaje anual
de individuos que se ofrecen de nuevo para
periodos de servicio ms largos, como se
muestra en la tabla de arriba.
En otras palabras, cada ao, el 75% de los
individuos con cero a cuatro aos de servicio
permanecen en dicha categora, un 20% se
van, 5% pasan a la categora de 5-8 aos,
etctera.
a. Calcule las probabilidades de estado estacionario para cada uno de los cuatro
estados.
21-18.
Fuera de
servicio
0.20
0.8
0.1
0.1
0.05
0.85
0.1
0.98
0.02
0.10
0.85
0.05
Estado 5: Fallecidos
638
e. Hay una fuerte campaa publicitaria para reducir el nmero de fumadores entre
los adolescentes; esta campaa alterar
la fila superior de las probabilidades a
0.85, 0.05, 0.1, 0 y 0. Calcule las nuevas probabilidades de estado estacionario (con la ltima fila que se especific
en (c)). Cree usted que las consecuencias de las probabilidades de la fila de
(c) son vlidas para (e)? Por qu?
CAPTULO
Programacin dinmica
En algunos problemas de decisin puede existir una secuencia de decisiones
relacionadas. La programacin dinmica es una tcnica matemtica diseada para
resolver estos problemas. El mtodo de solucin consiste en dividir el problema
total en varios subproblemas y resolver cada subproblema de manera que se
obtenga la solucin ptima global.
Las ideas bsicas que se utilizan en la programacin dinmica se ilustran con
el siguiente ejemplo.
Ejemplo 1:
Problema
de precio
Tabla 22-1
$5
$6
$7
$8
Ao
Precio
639
640
Figura 22-1
Movimientos permitidos
Conceptos bsicos
Los tres conceptos bsicos que se usan en la programacin dinmica son:
1. El problema global se divide en varios subproblemas.
2. Se resuelve cada subproblema, comenzando por el fin natural del problema.
3. Despus de resolver cada subproblema, se registra la respuesta, as como los
resultados (beneficio, costo, etctera) a partir de esa etapa hasta el final del
problema.
1
Este ejemplo es muy sencillo y el lector podra obtener la respuesta correcta si estudia la tabla 22-1. Para ilustrar
la complejidad de un problema tan pequeo como este, considere cmo cambia la solucin si los beneficios en
el ao 2 con precio de seis dlares fueran 6 en lugar de 4; si los beneficios del ao 4 con precio de cinco dlares
fueran 7 en lugar de 5; o si el resultado del ao tres con precio de cinco dlares fuera 7 en lugar de 4. Es difcil
determinar la consecuencia de estos cambios sin usar el mtodo de programacin dinmica.
541
642
Tabla 22-2
643
Tabla 22-3
Principio de optimalidad
El principio subyacente en el desarrollo de la tcnica de programacin dinmica se
denomina principio de optimalidad:
Una poltica ptima tiene la propiedad de que, cualesquiera que sean el
estado y la decisin iniciales, las decisiones restantes deben constituir una
poltica ptima con respecto al estado que resulta de la primera decisin.2
R. E. Bellman, Dynamic Programining, Princeton, Princetoii University Press, 1957, pg. 83.
644
Tabla 22-4
Demanda requerida
Periodo
n
1
2
3
4
Unidades
requeridas
Dn
2
3
2
4
645
646
dicho periodo ms los costos de los periodos posteriores. Esto se ajusta al principio
de optimalidad que se indic antes. Para cada etapa hay que encontrar un valor
ptimo de Xn para cada In
Para encontrar la solucin numrica real para el problema, comenzamos con
el periodo 4. Como la empresa no quiere tener inventario al final del periodo, es
fcil determinar las cantidades de produccin (Tabla 22-5). Recuerde que la
demanda en el periodo 4 es cuatro unidades, por lo cual slo hay que producir lo
suficiente para satisfacer esta demanda. No es necesario considerar los valores de
inventario inicial mayores que cuatro.
Pasamos ahora al periodo 3. El inventario inicial en el periodo tres puede estar
entre cero y seis unidades disponibles. Ms de seis unidades sera un exceso,
ya que la demanda en los periodos 3 y 4 suma seis unidades. Se elabora la tabla
22-6, que contiene todos los planes de produccin factibles.
Observe que en la tabla 22-6 se marca la cantidad ptima de produccin con *
para cada nivel de inventario inicial. Los costos en la columna "Costos posteriores" se obtienen de la tabla 22-5.
Los resultados del anlisis de la tabla 22-6 se pueden resumir en la tabla 22-7.
As, se ha determinado el programa de produccin ptimo de los periodos 3 y 4
para cualquier inventario inicial.
Pasamos ahora al periodo 2. El inventario inicial puede estar entre cero y cuatro
unidades. El lmite superior de cuatro se debe a que, a lo sumo, se pueden producir
seis unidades en el periodo 1 y dos de esas unidades deben usarse para satisfacer
la demanda del periodo 1. El anlisis para el periodo 2 se muestra en la tabla 22-8.
Observe que los valores en la columna "Costos posteriores" son los costos de los
periodos 3 y 4 y se obtienen de la tabla 22-7. En la tabla 22-9 se proporciona un
resumen del periodo 2.
Por ltimo llegamos al periodo 1. El anlisis para este periodo se muestra en
la tabla 22-10. Es una tabla breve, ya que se sabe que el inventario inicial es de
cero unidades.
A partir de la tabla 22-10 se puede ver que la produccin ptima en el periodo
1 es de cinco unidades y que el costo total de los cuatro periodos es de 20.5 dlares.
El programa ptimo para los periodos 2, 3 y 4 se puede determinar con base en
las tablas 22-9, 22-7 y 22-5:
Periodo
1
2
3
4
Inventario
inicial
0
3
0
4
Produccin
ptima
5
0
6
0
Inventario final =
inventario inicial
del siguiente periodo
3
0
4
0
Podemos verificar el costo de la solucin ptima. Hay dos sesiones de produccin (en los periodos 1 y 3) que cuestan (3 + 5) y (3 + 6) con un total de 17 dlares.
647
Tabla 22-5
Inventario
inicial
I4
Costo Produccin
0
1
2
3
4
Tabla 22-6
4
3
2
1
0
Cantidades
de produccin
Inventario
inicial
posibles
final
2
3
4
5
6*
1
2
3
4
5*
0*
1
2
3
4
0*
1
2
3
0*
1
2
0*
1
0*
0
1
2
3
4
0
1
2
3
4
0
1
2
3
4
1
2
3
4
2
3
4
3
4
4
5
6
Inventario
$7
6
5
4
0
$0
0.5
1.0
1.5
2.0
$7.0
6.5
6.0
5.5
2.0
Inventario
Costo
total
Produccin ptima
Costo en el periodo 3
Produccin
$5
6
7
8
9
4
5
6
7
8
0
4
5
6
7
0
4
5
6
0
4
5
0
4
0
Inventario
$0
0
0
0
0
0.5
0.5
0.5
0.5
0.5
1.0
1.0
1.0
1.0
1.0
1.5
1.5
1.5
1.5
2.0
2.0
2.0
2.5
2.5
3.0
Costos
Total
$5.0
6.0
7.0
8.0
9.0
4.5
5.5
6.5
7.5
8.5
1.0
5.0
6.0
7.0
8.0
1.5
5.5
6.5
7.5
2.0
6.0
7.0
2.5
6.5
3.0
Costos
totales
posteriores
$7.0
6.5
6.0
5.5
2.0
7.0
6.5
6.0
5.5
2.0
7.0
6.5
6.0
5.5
2.0
6.5
6.0
5.5
2.0
6.0
5.5
2.0
5.5
2.0
2.0
$12.0
12.5
13.0
13.5
11.0*
11.5
12.0
12.5
13.0
10.5*
8.0*
11.5
12.0
12.5
10.0
8.0*
11.5
12.0
9.5
8.0*
11.5
9.0
8.0*
8.5
5.0*
Tabla 22-7
Tabla 22-8
Inventario
Inventario
I3
Produccin
ptima
X3*
0
1
2
3
4
5
6
6
5
0
0
0
0
0
4
4
0
1
2
3
4
final
I4
$11.0
10.5
8.0
8.0
8.0
8.0
5.0
inicial
Cantidades de
produccin
posibles
$6
$0
$6.0
$11.0
$17.0
4
5*
6
2
3
4*
5
6
1
2
3*
4
5
6
0*
1
2
3
4
5
6
0*
1
2
3
4
5
1
2
3
0
1
2
3
4
0
1
2
3
4
5
0
1
2
3
4
5
6
1
2
3
4
5
6
7
8
9
5
6
7
8
9
4
5
6
7
8
9
0
4
5
6
7
8
9
0
4
5
6
7
8
0
0
0
0.5
0.5
0.5
0.5
0.5
1.0
1.0
1.0
1.0
1.0
1.0
1.5
1.5
1.5
1.5
1.5
1.5
1.5
2.0
2.0
2.0
2.0
2.0
2.0
7.0
8.0
9.0
5.5
6.5
7.5
8.5
9.5
5.0
6.0
7.0
8.0
9.0
10.0
1.5
5.5
6.5
7.5
8.5
9.5
10.5
2.0
6.0
7.0
8.0
9.0
10.0
10.5
8.0
8.0
11.0
10.5
8.0
8.0
8.0
11.0
10.5
8.0
8.0
8.0
8.0
11.0
10.5
8.0
8.0
8.0
8.0
5.0
10.5
8.0
8.0
8.0
8.0
5.0
17.5
16.0*
17.0
16.5
17.0
15.5*
16.5
17.5
16.0
16.5
15.0*
16.0
17.0
18.0
12.5*
16.0
14.5
15.5
16.5
17.5
15.5
12.5*
14.0
15.0
16.0
17.0
15.0
final
Costo en el periodo 2
Produccin
Inventario
Costos
Costos
totales
Total posteriores
Tabla 22-9
Tabla 22-10
649
Suponga que el ganadero piensa vender todo el hato dentro de 10 aos y jubilarse,
y que el comprador del ganado pagar 150 dlares por cabeza en ese momento.
650
651
Figura 22-2
Solucin
El conjunto de ecuaciones que representan las ecuaciones 22-7 y 22-10 se puede
resolver recursivamente, comenzando con la ecuacin 22-7 y trabajando hacia
atrs. Al resolver cada ecuacin hay que registrar la regla de decisin ptima que
relaciona Yn* con Xn y el beneficio mximo que se obtiene como funcin de Xn.
652
o sea:
Al simplificar se obtiene:
de manera que:
Poi lo tanto, el ganadero debe vender 50 cabezas de ganado y criar las dems en
el ao 9.4 El beneficio mximo del ao 9 al ao 10 se puede calcular sustituyendo
el valor de la decisin ptima en la ecuacin 22-11:
Tambin se podra hacer por tanteo, pero el clculo es mucho ms eficiente para este problema en particular.
Observe que en este ejemplo la decisin ptima en el ao 9 no es una funcin del tamao del hato si X 50.
Los ingresos marginales de la venta del quincuagsimo animal son de 180.20 dlares. El beneficio incrementa!
de no venderlo en el periodo 9 es de 180 dlares (es decir, 1.4 $ 150 - $30). Si X9 < 50, entonces Y9* = X9;o sea,
hay que vender todo el ganado en el ao 9 si hay menos de 50 cabezas.
4
653
Como
y se ha establecido que
por la ecuacin 22-16, se puede sustituir esto5 en la ecuacin 22-17
para obtener:
o sea:
Al simplificar se obtiene:
Una vez ms, el valor de Ys que maximiza el beneficio se obtiene al igualar a cero la
derivada del trmino que aparece entre llaves en la ecuacin 22-20 y resolver para
determinar
de manera que:
La razn por la cual no se deben vender reses a 200 dlares es que cualquier
animal que se retenga dar lugar a 1.96 animales en dos periodos, que al venderse
Estrictamente, la ecuacin 22-16 slo es vlida para X9 50. Si X9 es menor que 50, lo ptimo es hacer Y9 =X9
y se podra escribir la funcin de beneficios para ese intervalo. Se obtiene la misma solucin para Y8 que en la
ecuacin 22-22.
5
654
generarn 294 dlares (es decir, 1.96 $150). El costo de mantener el animal
durante el primer periodo es de 30 dlares y el mantenimiento de 1.4 animales en
el segundo periodo es de 42 dlares. Por lo tanto, el beneficio de no vender ahora
es $294 - $72 = $222, comparado con los 200 dlares que se obtienen de la venta
en este momento.
El proceso de solucin podra continuar para el ao 7 y los anteriores, obteniendo cada vez la decisin ptima Yn*. As se obtendra la poltica ptima o el
conjunto de reglas de decisin. En este ejemplo, la poltica ptima comprende
criar todo el hato cada ao hasta el ao 9 y vender entonces 50 cabezas. El valor
de f1(X1) para X1 igual a 200 indicara el beneficio mximo para el ganadero,
suponiendo que se sigue la poltica ptima en los 10 aos.
La variable de estado puede ser ms de una variable, pero si su dimensionalidad excede dos o tres, es muy difcil
obtener soluciones numricas.
Captulo 22
Programacin dinmica
655
Una empresa debe obtener materia prima en cinco semanas. El precio de la materia
prima vara cada semana, de acuerdo con las probabilidades de la siguiente tabla,
siendo el precio en una semana independiente del precio en las dems. Si la
empresa decide comprar la materia prima al final de la semana, paga el precio que
prevalece en la semana.
Precio Probabilidad
$500
600
700
0.3
0.3
0.4
656
Solucin
Las ecuaciones 22-24 y 22-28 se pueden resolver en forma recursiva, comenzando
con la ecuacin 22-24 y trabajando hacia atrs. En la semana 5 es necesario
comprar el material si no se ha comprado antes. En la semana 4, se mantiene la
ecuacin 22-25. Para llevar a cabo la minimizacin de la ecuacin 22-25, se
igualan los valores de las dos alternativas ("actuar" y "esperar") y se resuelve para
el valor de equilibrio de X4, representado con X4b:
657
Figura 22-3
Una vez ms, se encuentra el valor de equilibrio para X3, representado con X36, en el
cual las dos alternativas tienen el mismo valor:
658
En la semana 2:
Por lo tanto:
y:
Por lo tanto:
y:
RESUMEN
La programacin dinmica se puede emplear para resolver problemas que comprenden secuencias de decisiones relacionadas. La formulacin de un problema
de programacin dinmica requiere la definicin de etapas, variables de estado,
funciones de beneficios y reglas de decisin ptima. Se trabaja hacia atrs, se
resuelve cada etapa y se registra el resultado y la decisin ptima. La tcnica
tambin se puede aplicar a problemas que implican incertidumbre.
659
Tabla 22-11
Ajustada (estado 1)
Desajustada (estado 2)
Apndice
Ajustada
(estado 1)
Desajustada
(estado 2)
0.9
0.7
0.1
0.3
Ejemplo
Antes de estudiar este captulo hay que leer el captulo 21 acerca de los procesos de Markov.
660
Tabla 22-12
Ajustada
(estado 1)
Desajustada
(estado 2)
Ajustada (estado 1)
0.9
0.1
Desajustada (estado 2)
1.0
661
En el da 5:
Es decir, no se repara en el da 5.
Trabajando hacia atrs, en el da cuatro se escribe:
Reparar
No reparar
Observe que la decisin de reparar la mquina cuando est fuera de ajuste no era
deseable en el da 5, pero s lo es el da 4. Para el da 3:
Reparar
No reparar
662
Parte IV
y:
Para el da 2:
Reparar
No reparar
Reparar
No reparar
y:
y:
663
Discusin
Si el problema real no comprende un horizonte finito, como los cinco das,
entonces se puede tratar de formular el problema como dos procesos de Markov
alternativos (como se hizo inicialmente con la opcin de reparacin). Si no es
posible formular de esta manera el problema de programacin dinmica, hay dos
formas de modificar el procedimiento. Una es seguir trabajando hacia atrs, desde
un da n hasta un da n - k y maximizar el beneficio diario en los k + 1 das de
funcionamiento. Al trabajar hacia atrs, llegar un momento en el cual el beneficio
mximo promedio por da se aproxime a un valor constante y ser adecuado
utilizar la regla de decisin para el primer da.
Otra manera de manejar el problema del horizonte infinito es aadir un
descuento al proceso. Si se tiene en cuenta el valor del dinero en el tiempo,
entonces se descuenta cada periodo que represente ganancias futuras. Al trabajar
hacia atrs desde el da n hasta el da n - k, el valor actual mximo de todos los
beneficios se aproximar a un valor constante. Entonces, la regla de decisin del
primer da sera la apropiada para el caso del horizonte infinito.
Hay que sealar que el primero de estos mtodos maximiza el beneficio diario
promedio y que el segundo maximiza el valor actual de los beneficios futuros.
Los dos mtodos pueden producir resultados diferentes si el factor de descuento
es mucho menor que 1, por lo cual el decisor debe determinar cul es el objetivo
ms apropiado.
Bibliografa
Bellman, R. E., Dynamic Programming, Princeton,
Princeton University Press, 1957. Bellman, R.
E. y S. E. Dreyfus, Applied Dynamic
Programming, Princeton, Princeton University
Press, 1962.
Denardo, E. V., Dynamic Programming: Models
and Applications, Englewood Cliffs, N. J., PrenticeHall, 1982.
Dreyfus, S. E. y A. M. Law, The Art and Theory of
Dynamic Programming, Nueva York, Academic
Press, 1977.
Hillier, F. y G. J. Lieberman, Introduction to Operations Research, 5a. ed., Nueva York, McGrawHill, 1990.
Howard, R. ., Dynamic Programming and Markov Processes, Cambridge, Mass., MIT Press,
1960.
Nemhauser, George L., Introduction to Dynamic
Programming, Nueva York, John Wiley & Sons,
1966.
Wagner, . ., Principles of Operations Research,
2da. ed., Englewood Cliffs, N. J., Prentice Hall,
1975.
Un director debe decidir acerca de una poltica de precios para un nuevo producto en
los prximos cuatro aos. Considera cinco
niveles de precio: 12, 14, 16, 18 y 20 dlares por unidad. Despus de evaluar los posibles movimientos de precio de sus
664
ahora y cra las dems (400 - Y). Simplifique su expresin todo lo posible.
d. Sustituya en la expresin de beneficio
que obtuvo en (c) el valor Y = 50 y calcule el beneficio que obtendr si vende
50 reses ahora.
e. Tome la derivada de su expresin en
(c) con respecto a Y e iguale a cero. Verifique que el nmero ptimo de reses
que debe venderse ahora sea 50.
f. Este problema es otra versin del problema de crianza de ganado de 10 aos
que se analiz en este captulo. La ecuacin 22-16 representa el beneficio mximo total cuando falta un ao, como en
nuestro caso:
Tabla de resultados
1
$12
$14
$16
$18
$20
22-3.
Un director debe contratar un asistente dentro de cinco das. El director utiliza un pro-
665
22-5.
Problemas
22-6.
666
22-7.
22-8.
22-9.
75
82
84
667
22-10.
668
22-12.
10
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
(sala de
conciertos)
efectivo (despus de impuestos) que se indican en la primera columna de la tabla adjunta. Si decide vender el edificio en un ao
cualquiera, tendr el flujo de efectivo adicional por la venta (despus de impuestos)
que se muestra en la segunda columna. Por
supuesto, los flujos de efectivo cesan despus de vender el edificio.
Flujo de efectivo
Ao
1
2
3
4
5
6
7
8
9
10
Flujo de
efectivo del
alquiler, menos
gastos e impuestos
a fin de ao
por la venta,
despus de
pagar impuestos
$90 000
80 000
80 000
70 000
60 000
50 000
40 000
30 000
10 000
10 000
$200 000
260 000
320 000
340 000
340 000
300 000
250 000
200 000
180 000
160 000
a.
b.
669
22-13.
Probabilidad
de encontrar
una casa
aceptable
con este precio
Probabilidad
acumulada
de encontrar
una casa
aceptable con este
precio o menos
$130 000
0.5
0.5
140 000
160 000
0.3
0.8
1.0
Precio
0.2
Suma = 1.0
Problemas ms difciles
22-14.
22-15.
Ao
Costos operativos
durante el ao
Valor de venta
al final del ao
$ 900
1 200
1 600
2 200
$6 800
6 200
5 800
5000
3
4
670
22-17.
$ 6.0
8.0
9.0
10.0
11.0
11.5
12.0
$ 80
90
100
110
120
130
140
150
(inversin
mxima)
$ 6.0
8.0
10.0
12.0
13.0
13.8
14.2
14.5
Proyecto 3
(empresa industrial)
Rendimiento
Cantidad
anual
de inversin
(miles de
(miles de dlares)
dlares)
$ 50
60
70
80
90
100
110
120
(inversin
mxima)
$4.0
4.8
5.6
6.4
7.2
8.0
8.8
9.6
Precio de compra
(inicio del mes)
Enero
$50
Febrero
Marzo
Abril
Mayo
Junio
Precio de venta
(durante el mes)
__
50
40
$60
40
60
50
---
50
60
70
22-20.
671
22-21.
0
10 000
20 000
30 000
50 000
70 000
90 000
120 000
150 000
180 000
672
22-22.
Desajustada
(estado 2)
Ajustada
(estado 1)
0.5
0.5
Desajustada
(estado 2)
0.4
0.6
Apndice de tablas
Tabla A
673
674
Apndice de tablas
Tabla
Apndice de tablas
Tabla C
675
Considere, por ejemplo, la probabilidad de dos caras o ms en tres lanzamientos de una moneda con (cara) - 0.60; esto es idntico a uno menos
la probabilidad de dos o ms cruces en tres lanzamientos, con (cruz) - 0.4, o 1 - 0.3520 - 0.6480.
* Con autorizacin de R. Schlaifer, Probability and Statistics for Business Decisions, Nueva York, McGraw-Hill, 1959.
676
Apndice de tablas
Tabla C (continuacin)
Apndice de tablas
Tabla C (continuacin)
677
678
Apndice de tablas
Tabla C (continuacin)
Apndice de tablas
Tabla C (continuacin)
679
680
Apndice de tablas
Tabla C (continuacin)
Apndice de tablas
Tabla C (continuacin)
681
682
Apndice de tablas
Tabla C (continuacin)
Apndice de tablas
Tabla C
(continuacin)
683
684
Apndice de tablas
Tabla C (continuacin)
Apndice de tablas
Tabla C
(continuacin)
685
686
Apndice de tablas
Tabla C (continuacin)
Apndice de tablas
Tabla C
(continuacin)
687
688
Apndice de tablas
Tabla C (continuacin)
Apndice de tablas
Tabla C
(continuacin)
689
690
Apndice de tablas
Tabla C (continuacin)
Apndice de tablas
Tabla C (conclusin)
691
Solucin de problemas
seleccionados
Captulo 1
1-1.
1-2.
Captulo 2
2-1.
694
Captulo 3
3-1.
695
c. P(una o ms cruces):
696
En el primer caso, el suceso condicionante no era importante porque las proporciones de bolas rojas y negras en las urnas 2 y 3 son las mismas. Por lo tanto, existe la
independencia. En el segundo caso, las proporciones no son las mismas, por lo cual
es importante el suceso condicionante.
3-4.
a.
b.
c.
d.
3-5.
3-7.
3-8.
697
698
Captulo 4
4-1.
* Accin ptima
* Accin ptima
Suceso
Valor condicional en
condiciones de certeza
Suceso P(suceso)
Valor
condicional
Valor
esperado en
condiciones
de certeza
4-2.
699
Suceso
Demanda
4-3.
c. 2.23 dlares.
a. Tabla de valor esperado
Acciones
Introducir
Suceso
P(suceso)
Demanda 30 000
Demanda 40 000
Demanda 50 000
Demanda 60 000
Demanda 70 000
* Clculo de VC:
30 000 $10 - 500 000 =
40 000 $10 - 500 000 =
50 000 $10 - 500 000 =
60 000 $10 - 500 000 =
70 000 $10 - 500 000 =
(200000)
(100000)
0
100 000
200 000
No
introducir
700
No introducir
P(suceso)
Demanda 30 000
Demanda 40 000
Demanda 50 000
Demanda 60 000
Demanda 70 000
4-4.
701
4-5. a.
* Aqu, la suposicin es que, si no hay ampliacin, la empresa slo puede mantener una cuota moderada
del mercado.
4-6.
b. La empresa debe construir la planta pequea y ampliarla si el esfuerzo de promocin obtiene una cuota considerable del mercado. El beneficio neto esperado es
3.2 millones de dlares.
Usted no vendera si hubiera una probabilidad a priori de 0.4 de que se presentara una
recesin. Es decir:
0.4($0.8 millones) + 0.6($1.3 millones) = $1.10 millones
lo cual es mayor que un milln de dlares.
Para modificar la probabilidad a priori: (sea = aumento en el nmero de cuentas
incobrables)
702
La probabilidad del resultado de las pruebas (los dos lanzamiento sin que apareciera
un 7 o un 11) es 5/9 5/9 si los dados estn cargados y 7/9 7/9 si no lo estn. Llame S al
resultado de la prueba y p al estado (cargados o no cargados). Entonces:
Cargados
No cargados
Nivel de
ventas
No concluyente Fracaso
Alto
Bajo
Probabilidad marginal
y las probabilidades a posteriori son:
Probabilidad
marginal
703
4-9.
No debe efectuarse el estudio, ya que el valor neto es negativo (-0.122). Por lo tanto,
el costo del estudio (0.2 millones de dlares) excede el valor esperado (0.2 - 0.122 =
0.078 millones de dlares).
La tabla de probabilidades conjuntas es:
Nivel
potencial
de ventas
No concluyente Fracaso
Alto
Bajo
Probabilidad marginal
Probabilidad
marginal
704
a. Observe la parte superior del rbol. Si no hay estudio se debe introducir el producto.
El beneficio esperado es de un milln de dlares.
b. Cero. Como se puede ver, el estudio nunca cambia la decisin de introducir el
producto (en el caso del pronstico de fracaso, las dos acciones tienen el mismo
valor esperado). Por ello, el estudio no tiene valor. La compaa desperdiciara el
costo de 0.2 millones de dlares.
Captulo 5
5-1.
5-2.
a.
b.
c.
d.
a.
b.
705
Acciones
Beneficio
5-3.
5-4.
5-5.
Beneficio
(miles de
dlares)
X
-200
-100
-50
0
50
100
150
250
500
Estrategia 2
Estrategia 3
Estrategia 4
P(X)
P(X o ms)
P(X)
P(X o ms)
P(X)
P(X o ms)
.16
0
0
.40
0
0
.24
0
.20
1.00
0
0
.24
0
0
.48
0
.08
.20
1.00
1.00
1.00
0
.56
0
0
.16
.08
0
0
.20
1.00
1.00
.84
.84
.84
.44
.44
.44
.20
.20
.76
.76
.76
.28
.28
.20
.44
.44
.44
.28
.20
.20
.20
706
Captulo 6
6-1.
6-3.
6-4. La mayora de los sujetos tomaran la lotera, lo cual implica que su utilidad por 12
dlares es mayor que el doble de la de ocho dlares. La utilidad de 12 dlares es 40 o
ms:
6-5.
Por lo tanto, la alternativa A (los ocho dlares seguros) es menos preferible que la lotera.
6-6. a. Alternativa 1: No concursar.
U($0) = -170
Alternativa 2: Concursar
U(concursar) =
U(concursar) < U($0)
Por lo tanto, no debe concursar.
b. Sea p la probabilidad de ganar.
6-8.
Para el producto B:
Captulo 7
7-1.
707
708
7-2.
7-3.
7-4.
Captulo 8
Nota: No se efecta ningn ajuste en los clculos para considerar el hecho de que slo
pueden venderse unidades enteras. Con esta interpretacin, sera adecuado escribir la
probabilidad de las ventas menores que 16 como
709
8-2.
cuando se usa
para estimar
Distribucin normal con media de 3.63 cajas y desviacin estndar de 0.38 cajas.
es el punto de equilibrio;
La decisin a posterior! debe ser continuar, ya que
8-4.
710
Costo
de la
muestra
Tamao de
la muestra
N(D*) = N(0.465) = 0.209; VEIM = (60 000) (1.44) (0.209) = $18 000
b. Costo de la muestra = $3500 + 100/1 = 3500 + 100(36) = $7100
GNE = $18 000-$7100 = $10 900
S, hay que tomar la muestra.
c y d.
Captulo 9
9-1.
Jugador 2
Jugador 1
9-2.
9-3.
9-4.
9-5.
711
Los jugadores tienen funciones de utilidad lineales para el dinero, por lo menos para
el intervalo relevante.
No. La estrategia minimax sera seleccionar caras al azar la mitad del tiempo y cruces
la otra mitad, centavos.
a. A seguir la estrategia A1, pues sta le ofrece ms que A2, sin importar cul sea la
estrategia de B.
b. seguir la estrategia B2, ya que con ella perder menos.
c. El valor del juego para A es 6; para es -6.
d.
Captulo 10
10-1. Sea:
Nmero de unidades producidas del producto A
Nmero de unidades producidas del producto
Nmero de unidades producidas del producto C
Nmero de unidades producidas del producto D
Maximizar
Sujeto a:
Solucin:
(restriccin de fresado)
(restriccin de montaje)
(restriccin de inventario en proceso)
(demanda del producto A)
(demanda del producto C)
(requisitos de contrato para el producto D)
712
Solucin:
10-3. Maximizar:
Sujeto a:
10-4. Sea:
Nmero de transformadores producidos cada mes en tiempo
normal
Nmero de transformadores producidos cada mes en tiempo
extra
Nmero de transformadores en existencias a] final de cada
mes
Restricciones:
Capacidad:
Definicin de inventario:
Inventario final:
713
Funcin objetivo:
Minimizar:
Solucin:
Mes
Produccin
normal
Produccin en
tiempo extra
Inventario
Enero
Febrero
Marzo
Abril
Mayo
Junio
Minimizar C =
Sujeto a:
(restricciones de capacidad)
Solucin:
Costo mnimo = C = 223 880 rands
714
Captulo 11
11-1. Vase el grfico siguiente. La solucin es X1 = 4, X2 = 4, y = 28.
715
11-2. a. Vase el grfico que se presenta a continuacin. La solucin ptima es seis mil
unidades de producto A y 12 mil unidades de B, con beneficio de 540 000 dlares.
716
717
e. Lmite de ventas del producto A: Remtase al grfico de (>). El precio dual de esta
restriccin es cero. Observe que el aumento en el lmite del producto A no tendr
ningn efecto; por lo tanto, no hay lmite superior. La solucin ptima incluye seis
mil unidades de producto A. Una reduccin en el lmite de ventas por debajo de esa
cifra s afectar la solucin ptima. Por ello, el intervalo es de seis mil en adelante
(sin lmite superior) y en este intervalo se mantiene el precio dual de cero.
Lmite de ventas del producto B: Remtase al grfico de la siguiente pgina.
Observe que al producir unidades adicionales de B, el ptimo se traslada hasta el
punto {A = 0, = 30). Ms all de este punto, no es posible fabricar unidades
adicionales de B, por las horas de trabajo. Por consiguiente, el lmite superior es 30
mil unidades. Al reducir el lmite de ventas de hasta seis mil unidades, se llega al
vrtice (A = 8, = 6). La solucin cambia al pasar de este punto. Por lo tanto, el
lmite inferior es seis mil unidades. En resumen, el precio dual de 20 dlares por
unidad de se mantiene en el intervalo de 6000 a 30 000 del lmite de ventas del
producto B.
718
11-3.
719
720
Recurso
Unidades requeridas
Precio dual
Tiempo de fresado
Tiempo de montaje
Capital de trabajo
Costo de oportunidad
11-4.
721
722
Captulo 12
12-1. a. Agregue las variables de holgura
Valores
de solucin
Variables
de solucin
Variables
de solucin
Valores
de solucin
d. No ptima.
e. Entra X2; sale X4.
723
724
Valores
de
Valores
de solucin
Razn
Valores
de
Columna
Razn
725
Horas de
utilizacin
Precio dual
Horas de
utilizacin
Precio dual
Mquina 1
Mquina 2
Costo de oportunidad
Como el beneficio unitario de tres dlares es mayor que el costo de oportunidad,
hay que producir unidades del nuevo producto.
12-5. a. Agregue las variables de excedente X3 y X4 y las variables artificiales X5 y X6.
Variables
de solucin
Valores
de solucin
726
Valores
de solucin
Variables
de solucin
Valores
de solucin
Variables
de solucin
Valores
de solucin
727
12-7.
d. La solucin es ptima ya que todos los valores C - Z son cero o positivos. No hay
soluciones ptimas alternativas, ya que todas las variables que estn fuera de la base
tienen valores C - Z negativos.
a.0.12 dlares por kilogramo; mximo de 5000 kilogramos (utilice la variable X6).
b. 0.12 dlares por kilogramo; de 0 a 80 000 (use la variable ).
c. S. Cada kilogramo vale 0.03 dlares (vase C4 - Z4). Este valor es vlido en el
intervalo +26.25 toneladas por encima de 180. El aumento total en el beneficio es
(0.03)(20) = 600 dlares.
d. No hay efecto. No se satisface la demanda actual.
e. No hay lmite en el aumento; hay una baja de 0.03 dlares en la reduccin.
f. S. El costo de oportunidad es 0.50(0.12) + 0.5(0.12) = 0.12. Esto es menor que
el beneficio de 0.14 dlares.
Captulo 13
13-1. Un mtodo posible para llegar a una solucin es el siguiente:
Primera Solucin
Probemos la ruta
Costo de la
ruta directa
. Ruta indirecta:
Costo de la
ruta indirecta
728
Ahora hay que probar cada una de las casillas con valor de cero.
Todas las rutas directas son inferiores a las indirectas, lo cual indica que es una solucin ptima. A continuacin se presenta un mtodo para llegar a la solucin:
13-2.
Primera solucin: Unidades
729
Costo de la
ruta directa
Costo de la
ruta indirecta
El costo de la ruta directa F1 W2 es menor que el costo de la ruta indirecta. Por lo tanto,
debe utilizarse la ruta directa. El nmero mximo de unidades que se pueden
transferir es 10.
A continuacin se presenta la segunda solucin:
Costo de la
ruta directa
Costo de la
ruta indirecta
Los costos de las rutas directas son iguales o mayores que los costos de las rutas indirectas, por lo cual se ha llegado a una solucin ptima. No sera deseable seguir
ninguna de las rutas directas que no se utilizan actualmente. Sin embargo, que hay
una solucin ptima alternativa con F2W2.
730
La primera solucin es degenerada (10 es la nica cantidad que est en una fila y en
una columna). Suponga que hay una pequea cantidad, d, en la casilla F1W2 y prosiga
probando las casillas con valor cero.
El costo de la ruta directa F2W3 es menor que el costo de la ruta indirecta; por lo tanto,
hay que usar la ruta F2W3. Se pueden transferir 20 unidades.
Segunda solucin
Ruta
directa
Costo de la
ruta directa
Costo de la
ruta indirecta
13-4.
Todos los costos directos son mayores que los costos indirectos; por lo tanto, la segunda solucin es ptima.
a. X1 = Unidades del producto A; X2 = unidades del producto B;
(trabajo no calificado);
(tiempo de mquina)
731
732
Captulo 14
14-1
733
14-3.
14-4.
734
14-5.
Fila
Mnimo de la fila
C
D
Suma =
17
29
27
73 (no factible)
735
Solucin completa*
Despus calcule los mnimos de las columnas, considerando los almacenes no asignados. Si existe la asignacin A-l, los mnimos de las columnas son:
Columna
Mnimo de la columna
Al continuar con este mtodo se obtiene la asignacin (A,1), (B,2), (C,4), (D,3) como asignacin ptima, con costo de 95.
Captulo 15
15-1. a.
b.
c.
d.
Aproximadamente el 7.5%
Aproximadamente el 3%
Aproximadamente el 95.5%
Aproximadamente el 53%
736
b. 4000/20 000 = 20% de los artculos; esto representa 850/1615 = 52.6% de la ventas
de la muestra.
c. Alrededor del 85% de las ventas en dlares.
d. En la curva ABC de la muestra, el punto que representa el 50% de las ventas
est entre los artculos con ventas de 530 y 320, pero se aproxima ms al segundo
valor. Por lo tanto, podemos decir que un artculo con ventas superiores a 350 se
clasificara como artculo A. As mismo, podramos sealar que en el punto correspondiente al 50% en la escala de artculos, la tasa de ventas es 125 y usar este valor
como lmite superior para los artculos C, aunque un mtodo ms preciso sera
promediar los puntos de datos (125, 94) como estimacin de la mediana de la tasa
de ventas de la muestra; este promedio produce un valor de 109.5 como lmite
superior para los artculos C. Los artculos estaran entre los dos valores.
737
unidades
unidades
unidades
Nota: La utilizacin diaria es 100 000/360 = 277 unidades diarias. Deben pedirse
200, 277 o ms?
b. El costo total utilizando el costo original de pedido es, con base en la ecuacin 15-1:
La reduccin en costos es 6000 - 3000 = 3000 dlares; como esta reduccin excede
el costo de inscripcin de 2000 dlares, la compaa debe unirse a la cooperativa y
pedir lotes de Q = 1000 unidades.
12 000 unidades
15-7.
738
Captulo 16
739
As, despus de la iteracin, los valores reales son Q = 1760 y R = 4000 + (2.38)(500)
= 5190. Entonces, al usar la ecuacin 16-5 para el costo total,
de la tabla ,
por lo que
c. De manera anloga,
Esto excede el lmite superior de la tabla (0.3989), lo que significa que = 0 y R se
hace igual a de 100. De hecho se superar el nivel de servicio establecido, debido
al tamao de la cantidad de pedido.
Captulo 17
17-1.
Hay que pedir tres unidades: pc = 0.20 > 0.15; pc = 0.20 < 0.50, donde 0.15 es la
probabilidad de que la demanda sea de cuatro unidades o ms y 0.50 es la probabilidad de que la demanda sea de tres unidades o ms.
740
17-2.
Hay que pedir cuatro unidades: pc = 0.14 < 0.15; pc 0.14 > 0.05
Las pc son probabilidades acumuladas. Primero hay que determinar Z, el nmero de
desviaciones estndar necesarias para alejarse de la media para que la probabilidad de
vender la siguiente unidad sea menor o igual a pc. Segundo, es necesario convertir el
nmero de desviaciones estndar a nmero de unidades. El tercer paso es sumar o restar
el nmero de unidades a la meda. Esta es la cantidad de pedido ptima para cada pc.
Los valores pc son las probabilidades de que las ventas sean mayores o iguales que una cantidad
crtica. Cuanto ms alto sea pc, menor ser la cantidad de pedido ptima.
140 + 0.44(50) = 140 + 22 = 162, cantidad ptima de pedido. Observe que el aumento
en el tamao de la cantidad ptima de pedido se debe al aumento en la desviacin
estndar de la distribucin de ventas. Vase el problema 17-5 para otra comparacin.
17-5.
a. = 0.18; 140-0.18(20) = 140-3.6= 136.4
Captulo 18
741
minutos
18-2.
hora o tres minutos
18-3. Observe que
De la ecuacin 18-9:
horas
llamadas
horas o cinco minutos
Utilice la frmula para
horas o cuatro minutos (tiempo de espera promedio)
0.667 llamadas (longitud promedio de la cola)
donde
Aqu
Este resultado
tambin se puede obtener interpolando la tabla 18-2.
entonces, de la
tabla,
(por interpolacin) de manera que
horas
minuto.
18-5. a. Con
minutos. Hay 24 horas y 10 llamadas por hora (en promedio) =
240 llamadas diarias. Tiempo total de espera = 240 Wq = 1920 minutos. Si c = 2:Wq
y el tiempo total de espera
120 minutos. Por lo tanto, se ahorran
742
Captulo 19
19-1.
19-2.
a. El nmero total demorado para el da siguiente es 6 (un promedio de 0.12 por da).
b. El costo de la espera con tasa de servicio de 2 es $20(0.90)(250) = $4500
El costo de la espera con tasa de servicio 3 es $20(0.12)(250) = $600
Ahorros = $4500 - 600 = $3900 por ao (se suponen 250 das de trabajo por ao).
Los resultados dependern de los nmeros aleatorios que se extraigan. Como se
mencion en el captulo, el beneficio esperado es 2140 dlares. Se obtiene adems un
beneficio negativo cuando precio = cuatro dlares y costo = cuatro dlares (sin importar
el volumen) y la probabilidad de una prdida es 0.3 0.3 = 0.09. As mismo, hay una
prdida si el costo es cuatro dlares, el precio es cinco dlares y el volumen es 3000 o
4000. Probabilidad = 0.3 0.5 0.6 = 0.09. Adems, si el precio es cuatro dlares y el
costo es tres dlares y el volumen es 3000 o 4000. Probabilidad = 0.3 0.6 0.6 = 0.108.
La probabilidad total es 0.09 + 0.09 + 0.108 = 0.288.
a. Como el precio ms alto est asociado al volumen menor y viceversa, esto indica
que los beneficios sern ms bajos si se produce un precio ms elevado; si el precio
es ms bajo, los mrgenes de beneficio bajos (o mrgenes negativos) se multiplicarn por los volmenes mayores. El efecto general debe ser reducir el beneficio
esperado.
b. Utilice la siguiente tabla:
Volumen
(nmeros aleatorios)
c, d y e son resultados directos, con base en (b). Los resultados dependen de los nmeros aleatorios que se extraigan.
743
Captulo 20
Actividad
Actividad
744
Captulo 21
21-1.
Para la mquina A:
Para la mquina B:
La mquina A tiene mayor probabilidad de estar ajustada.
21-2.
b. No, ya que de acuerdo con la matriz de probabilidades, la probabilidad condicional
de pagar la cuenta del mes siguiente es la misma (0.95), se pague o no la de este
mes.
21-3. a.
de manera que:
745
Tambin:
o sea:
de manera que:
Entonces:
Captulo 22
22-1. a. Estrategia de precio ptima: P1 = 18, P2 = 12, P3 = 16, P4 = 12
Beneficio mximo esperado = 9 + 9 + 8 + 7 = 33
746
747
Los clculos se pueden efectuar como se hizo en el ejemplo 2 del texto. Hay varias
alternativas de programas de produccin ptimos, todas con costo de 31 dlares:
Programacin 1 Programacin 2 Programacin 3
Enero
Febrero
Marzo
Abril
22-4.
22-5.
ndice de materias
A
abandono, estrategia de, 149
ABC, anlisis, 478-482
precauciones al respecto, 481
abstraccin y simplificacin, 4-5
acotamiento, procedimiento de, 454
alternativa dominada, 181
alternativas, seleccin de, 3
anlisis
a corto plazo, 617-622
conjunto, 183
"qu pasa si...", 32
araa, diagrama de, 32
ejemplo, 33
rbol, diagrama de, 58, 441
aserradero, ejemplo de modelo de un, 18-24
anlisis, 22-24
de sensibilidad, 33
diagrama de influencias, 23
implantacin en un computador, 23-27
atributos, 180
Baker, . R., 12
base, 321
Bass, F. M., 285
Baumol, W. J., 282
Bayes, teorema de, 64
Behn, R. D., 115
Bellman, R. E., 643 n, 663
beneficios, definicin, 19
Bernoulli, proceso de, 70, 75
Bierman, H., 34
Blake, I. R, 76
Bodily, S., 12,35
748
749
ndice de materias
obtencin de la frmula bsica, 552-554
simulacin de un sistema sencillo de colas,
560, 578-584
tiempos de servicio
constantes, 541-542
generales de servicio, 540-541
combinatorio,
problema, 274, 453
restricciones de, 280
compensaciones, 414
entre tiempo y costo, 599-603
computadores
celda, 25
implantacin del modelo, 25-27
simulacin del problema de transporte, 410
solucin al problema de programacin
lineal, 448
y simulacin, 564-567
constantes, en anlisis de modelos, 21
Cooper, W. W., 282
costo(s)
crecientes, 525
de excedentes, 519, 525
de carencias, 519, 525
de oportunidad, 316, 358
marginales, 525
reducidos, 312, 374, 382, 384, 392
Crane, R. R., 574
Criterio, eleccin de, 3
Crowder, H., 440 n, 459
Ch
Chames, ., 282
Chernoff, ., 156
D
Dantzig, G. B., 282
Darnell, D. Wayne, 296
DAVID, software, 101
Davis, E. W.,610
Davis, M. D., 258
decisin,
rboles de, 7, 10,96-101
dominacin en, 145-150
ejemplo de introduccin de producto,
101, 102
problema del tendero, 96-97
optimidad, principio de, 643
variables de, 16, 17
decisiones
criterios de, 140
empresariales, 3-4
incertidumbre, 8-9
modelos de anlisis de, 9
problemas dinmicos de, 11
procesos de Markov en uso, 626, 630
teora de, 140-53
definicin, 140
funciones lineales, 152
criterios de decisin, 142-152
problemas de decisin, 141-142
degeneracin, 336. 371-374, 409-410
demanda
de tiempo de entrega, clculo de la
desviacin estndar de la, 505-506
dependiente, 497
fuentes independientes de la, 497
Denardo, E. V., 663
descuentos por volumen, 485-487
desigualdades lineales, 265
desviacin estndar
de variables aleatorias, 66
modificacin de la, 224-226
dinero, valor actual y futuro del, 34-35
direccin, toma de decisiones para la, 3
disponibilidad, restricciones de, 280
distribucin
a priori de la media de la poblacin, 223
binomial de probabilidad, 72-73
de las medias de la muestra, 221-222
de probabilidad continua, 511 -525
simulacin, 572-573
discreta de, probabilidad, 65, 196-198
en la muestra, 221
exponencial, 534, 550-552
hipergeomtrica, 75
normal, 196, 198-202
normal de probabilidades
decisin de tomar muestras, 227-233
distribucin normal posterior y
toma de decisiones, 226-227
ejemplo integral, 233-238
modificacin de la distribucin
anterior, 222
modificacin por muestreo, 219-238
tamao ptimo de ls muestra, 232
utilizadas, 220-222
normal estandarizada, 204
tabla, 673
750
ndice de materias
a posteriori
de la media de la poblacin, 222
esperada, 229
y toma de decisiones, 226-227
distribucin binomial acumulada, 675
doctores, determinacin del nmero ptimo de, 532
dominacin, 143, 147-148
estocstica, 147
ponderada, 181
Dorfman, R., 167
Dreyfus, S. E., 663
Dyer, J. S., 12
Foreman, Leonard, 33 n
formulacin, 267
Fox, B. L., 587
frecuencia relativa, interpretacin de la, 52
Frey, S. C, Jr., 115
Friedman, M, 177 n, 190
frontera eficiente, 181
funcin
binomial de probabilidad, 73
de beneficios, 645
de densidad de probabilidad continua,
196
objetivo, 265
funciones
de distribucin acumulada, 199-200
de masa acumulada, 198-199
lineales, 152, 265
G
ganancia neta esperada (GNE), 232
Garfinkel, R. S., 459
Gauss, distribucin de, 201-202
Geoffrion, Arthur M., 282, 459
gerencia (vase direccin)
Gnugnoll, G., 587
Gordon, G., 587
Gould, F. J., 12,282
Graves, S. C, 591
Green, . ., 190
Gross, D., 554
Gutirrez, G. J., 297
Hald, A.,673
Hall, R. W., 492
Harris, C. M, 554
Hausman, W. H., 297 n, 591
Hax, A. C, 282, 459
Hertz, D. B.,587
Hillier, F., 282, 453 n, 459, 492, 554, 587,
663
Hodges, J. L., Jr., 76
hoja de clculo, programas de, 25
programacin lineal, 326
simulacin de Montecarlo en, 577
holgura
variables de, 320
y ruta crtica, 597-598
Holloway, C. ., 186
751
ndice de materias
Holloway, C. ., 115, 190
Howard, R. ., 633, 663
I
Jackson, . ., 12,35
Johnson, E. L., 440 n, 459
Jones, J. M., 238, 299
juegos
con suma cero, 245-248
con suma distinta de cero, 255-256
de dos personas con suma cero,
245-249
definicin, 244
estrategias mixtas, 248-249
oferta competitiva, 256-257
resultados inciertos, 256
solucin
algebraica, 252-254
grfica, 249-252
minimax, 245, 255
justo a tiempo, sistemas de inventario, 488491,509
752
ndice de materias
lmite(s)
teorema central del, 222
fsicos, 18
Lin, C. Y., 76
LINDO (Linear INteractive Discrete Optimizer), programa, 324-326, 336, 437
lineal, 265-269
Loflin, Carolyn, 296
Lonsdale, R. T., 285
loteras de beneficios, 151
Lotus, 326
generacin de valores aleatorios, 578
simulacin de un sistema sencillo de
colas, 578-584
Luce, R. D., 250 n, 258
Nahmias, S.,492
Naylor, . . 35 587
Nemhauser, George L., 459, 650
New York Times, modelo, 33-34
Newell, G. R, 554
Newell, W. T., 587
O
ndice de materias
poltica(s), 16
ptima, 643
Prabhu, N. U., 554
Pratt, J. W., 115, 190,238
precio
dual, 309, 315, 373, 382, 392
sombra, 309, 392
primero en entrar, primero en salir, 534
Pritsker, . ., 587
probabilidad
acumulada, 147
a priori, 110
conceptos de, 51-76
753
condicional de sucesos, 54-55, 63
conjuntas, 54-56, 58, 63, 109
crtica, 521
determinacin, 108-112
distribucin de, 196-198
binomial, 72
de variables aleatorias, 64
para estrategias seleccionadas, 151
enunciados bsicos, 53
funcin de, 64
densidad de, 193
masa de, 193
incondicionales, 56
ejemplo, 61
interpretacin subjetiva, 52
marginales, 56, 61, 64
mxima, 143
modificacin de, 62-64, 105-106, 219-237
a priori normales y valor de la informacin, 206-213
objetiva, 51-52
a posteriori, 63, 111
dominacin en, 147, 148
proceso de Bernoulli, 70-71
simulacin de, 560-567
sucesos
dependientes, 55
independientes, 54-55
mutuamente excluyentes, 53-54
variables aleatorias, 64-69
problemas
complejos, 10
dinmicos, 275
estticos, 275
produccin, tamao de lote de, 491
programacin dinmica, 11, 275 n, 639-663
conceptos bsicos, 640-642
en condiciones de incertidumbre, 655
formalizacin de la tcnica, 642-643
formulacin y resolucin de problemas,
654, 663
principio de optimalidad, 643-654
solucin de estado estacionario, 660
uso en procesos de Markov, 659-663
programacin entera, 429
mixta, 429
ejemplos de formulaciones, 433-439
formulacin de problemas, 431-433
mtodo de ramificacin y acotamiento, 442
754
ndice de materias
siones, 11
Salop, S. C, 84
Samson, D., 76, 156
Samuelson, . ., 167
Sasieni, . W., 604
Savage, L. J., 177 n, 190
Savage, Sam L., 282, 326
Schachter, R., 101
Schlaifer, R., 12, 115, 190,211 n, 213,
220 n, 222 n, 233 n, 238, 661
Schleifer, ., Jr., 76, 633
Schmidt, C, 12,282
Schonberger, J., 492
Schrage, Linus, 282, 324 n, 337, 437 n, 58
Schwarz, L. B.,591
ndice de materias
sensibilidad, anlisis de, 33
coeficientee en la funcin objetivo,
316-318
evaluacin de nuevos productos,
315-316
mtodo simplex, 373-379
probabilidades subjetivas, 95
servicio, modelo de nivel de, 507-509
sesgo, 220
Shannon, R. E., 587
Shapiro, R. O., 283, 459
Shubik, M., 258
siga/pare, estrategia, 150
siga/siga, estrategia, 149, 150, 151
silla, punto de, 246
Silver, . ., 492
simplex, mtodo, 352-369
anlisis de sensibilidad, 373-379
coeficientes de sustitucin, 354-356
degeneracin, 371-372
formulacin algebraica, 365
problema dual, 388
situaciones especiales, 370-371
solucin dual como precios duales,
392-394
tabla simplex, 353
simulacin, modelos de, 11, 559-587
anlisis de riesgo, 567-572
de Montecarlo, 584-587
de probabilidad, 560-567
PERT, 607-609
sistemas complejos, 574-577
y control de inventarios, 565-567
sistema(s)
complejos, simulacin de, 574-576
de apoyo para las decisiones, 11
situacin, modelo de, 10
Smidt, S., 34
Smullyan, Raymond, 83
Snell,J. L.,76, 633
Solow, R. M., 167
solucin bsica, 321, 324, 353
slo de enteros, 429
variables de la, 321
soluciones, 3, 5-6
no factibles, 352
Spetzler, C. S., 115
Spurr, W. ., 76, 115,238
SRI Decisin Analysis Group, 115
Stael von Holstein, C. ., 115
755
sucesos
dependientes, 55
dominacin de, 147, 148
igualmente probables, 143, 144
independientes, 54
mutuamente excluyentes, 53-54
Swalm, R. O., 190
756
ndice de materias
valor
condicional, 85-86, 91
de informacin perfecta, 209
de la informacin
de estudios, 113
imperfecta, 105-108
de la variable aleatoria, 64
del trmino independiente, 308
esperado
de la informacin perfecta, 93-94, 211
de la suma de variables aleatorias, 66
de una variable aleatoria, 65
del costo, 153
criterio del. para las decisiones, 143,
145
intermedias, 17
no bsicas, 321
variables aleatorias, 64-70
independientes, 153-155
generacin por computador, 573
mtodo algebraico para generar,
576-578
normalizacin, 204
valor esperado de las, 65
varianza y desviacin estndar de las,
66