Modulo Actualizado Metodos Probabilisticos 2012 PDF

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD
ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA

CONTENIDO DIDÁCTICO DEL CURSO: 104561 –MÉTODOS PROBABILÍSTICOS
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

PROGRAMA CIENCIAS BÁSICAS
104561 – MÉTODOS PROBABILÍSTICOS
VLADIMIR DE JESÚS VANEGAS ANGULO
(Director Nacional)
WILLIAM MOSQUERA
(Acreditador)
Santa Marta 13 de enero de 2012
1
ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO
El presente módulo fue diseñado en el año 2009 por William Ortegón

docente de la UNAD, ubicado en el CEAD de Ibagué el Autor es Ingeniero
industrial especialista en logística de producción y distribución. Se ha
desempeñado como tutor de la UNAD desde Enero de 2008 hasta la fecha y ha
sido catedrático de Universidades de Ibagué. El presente módulo ha tenido 2
actualizaciones la primera realizada por la doctora Gloria Guzmán y la segunda
por el ingeniero William Ortegón
El material ha sido revisado por el ingeniero William Mosquera y aportado

para la calidad del mismo.
2
INTRODUCCIÓN
LA INVESTIGACIÓN DE OPERACIONES Y EL USO DE MODELOS
Un poco de Historia
Se inicia desde la revolución industrial, en los libros se dice que fue a partir de la segunda
Guerra Mundial. La investigación de operaciones se aplica a casi todos los problemas. En
1947, en E.U., George Datzing encuentra el método SIMPLEX para el problema de
programación lineal. En la investigación de operaciones, las computadoras son la
herramienta fundamental en la investigación de operaciones.
Definición
Investigación de operaciones, es la aplicación del método científico por un grupo

multidisciplinario de personas a un problema, principalmente relacionado con la
distribución eficaz de recursos limitados (dinero, materia prima, mano de obra, energía ),
que apoyados con el enfoque de sistemas (este enfoque, es aquel en el que un grupo de
personas con distintas áreas de conocimiento, discuten sobre la manera de resolver un
problema en grupo.). Puede considerarse tanto un arte como una ciencia. Como arte refleja
los conceptos eficiente y limitado de un modelo matemático definido para una situación
dada. Como ciencia comprende la deducción de métodos de cálculo para resolver los
modelos.
Pasos del Método científico en IO
1. Delimitación del problema

2. Modelación del problema
3. Resolución del modelo
4. Verificación con la realidad
5. Implantación
6. Conclusiones
TIPOS DE MODELOS Y SU SIGNIFICADO
Un modelo es una representación ideal de un sistema y la forma en que este opera. El

objetivo es analizar el comportamiento del sistema o bien predecir su comportamiento
futuro. Obviamente los modelos no son tan complejos como el sistema mismo, de tal
manera que se hacen las suposiciones y restricciones necesarias para representar las
porciones más relevantes del mismo. Claramente no habría ventaja alguna de utilizar
modelos si estos no simplificaran la situación real. En muchos casos podemos utilizar
modelos matemáticos que, mediante letras, números y operaciones, representan variables,
magnitudes y sus relaciones.
3
Modelos Matemáticos
Un modelo es producto de una abstracción de un sistema real: eliminando las

complejidades y haciendo suposiciones pertinentes, se aplica una técnica matemática y se
obtiene una representación simbólica del mismo.
Un modelo matemático consta al menos de tres conjuntos básicos de elementos:
1. Variables de decisión y parámetros
Las variables de decisión son incógnitas que deben ser determinadas a partir de la
solución del modelo. Los parámetros representan los valores conocidos del sistema
o bien que se pueden controlar.
2. Restricciones
Las restricciones son relaciones entre las variables de decisión y magnitudes que
dan sentido a la solución del problema y las acotan a valores factibles. Por ejemplo
si una de las variables de decisión representa el número de empleados de un taller,
es evidente que el valor de esa variable no puede ser negativa.
3. Función Objetivo
La función objetivo es una relación matemática entre las variables de decisión, parámetros
y una magnitud que representa el objetivo o producto del sistema. Por ejemplo si el objetivo
del sistema es minimizar los costos de operación, la función objetivo debe expresar la
relación entre el costo y las variables de decisión. La solución ÓPTIMA se obtiene cuando
el valor del costo sea mínimo para un conjunto de valores factibles de las variables. Es
decir hay que determinar las variables x1, x2,..., xn que optimicen el valor de Z = f(x1,
x2,..., xn) sujeto a restricciones de la forma g(x1, x2,..., xn) b. Donde x1, x2,..., xn son
las variables de decisión Z es la función objetivo, f es una función matemática.
4
Clasificación de Modelos
Muchos problemas de decisión implican un gran número de factores o variables

importantes o pueden tener muchas opciones a considerar por lo que se hace necesario la
utilización de computadoras para su solución. Por ejemplo una empresa puede contar con
varias fábricas donde produce bienes para enviar a cientos de clientes. Decidir la
programación de las fábricas y determinar cuáles de ellas deben atender a cuales clientes,
para minimizar costos, implica cientos de variables y restricciones que pueden tener
millones de posibles soluciones. Los modelos de programación lineal y programación
entera son las técnicas más utilizadas para resolver problemas grandes y complejos de
negocios de este tipo. En ellos se aplican técnicas matemáticas para hallar el valor máximo
(o el mínimo) de un objetivo sujeto a un conjunto de restricciones.
La simulación es una técnica para crear modelos de sistemas grandes y complejos que
incluyen incertidumbre. Se diseña un modelo para repetir el comportamiento del sistema.
Este tipo de modelo se basa en la división del sistema en módulos básicos o elementales
que se enlazan entre sí mediante relaciones lógicas bien definidas. El desarrollo de un
modelo de simulación es muy costoso en tiempo y recursos.
Problemas dinámicos los problemas dinámicos de decisión implican un tipo particular de

complejidad cuando hay una secuencia de decisiones interrelacionadas a través de varios
períodos. Por ejemplo modelos de inventario, para determinar cuándo pedir mercadería y
cuanto debe mantenerse en existencia; los modelos PERT o de ruta Critica para la
programación de proyectos y los modelos de colas para problemas que involucran
congestión.
En los problemas complejos pueden aparecer variables exógenas o variables externas,

importantes para el problema de decisión, pero que están condicionadas por factores que
están fuera del control de la persona que decide, tales como condiciones económicas,
acciones de los competidores, precios de las materias primas y otros factores similares. Las
restricciones pueden considerar ciertas políticas definidas por la empresa tales como que los
materiales tienen que adquirirse a determinados proveedores o que deben mantenerse
ciertos niveles de calidad.
5
La investigación de operaciones, tiene métodos de optimización aplicables a los siguientes

tipos de problemas:
1. METODOS DETERMINISTICOS: Ej., Programación lineal, programación entera,

probabilidad de transporte, programación no lineal, teoría de localización o redes,
probabilidad de asignación, programación por metas, teoría de inventarios, etc.
2. METODOS PROBABILISTICOS: Ej. Cadenas de Markov, teoría de juegos, líneas
de espera, teoría de inventarios, etc.
3. METODOS HIBRIDOS: Tienen que ver con los métodos deterministicos y
probabilísticos como la teoría de inventarios.
4. METODOS HEURISTICOS: Son las soluciones basadas en la experiencia, como la
programación heurística.
Un Analista de investigación de Operaciones debe elegir el plan de acción más efectivo

para lograr las metas de la organización, debe seleccionar un conjunto de medidas de
desempeño, utilizar una unidad monetaria y tomar decisiones, debe seguir un proceso
general de solución, en cualquier situación, durante la toma de decisiones. Deben
establecerse los criterios de tomas de decisiones (Costos, Cantidades, Máximos, Mínimos
etc.), seleccionar las alternativas, determinar un modelo y evaluarlo, integrar la información
cuantitativa obtenida para luego decidir. Muchas veces hay que incorporar factores
cualitativos tales como el ánimo y el liderazgo en la organización, problemas de empleo,
contaminación u otras de responsabilidad social.
6
Nota: el proceso de abstracción (idealización restricción y simplificación) siempre

introduce algún grado de error en las soluciones obtenidas, por lo que el ejecutivo no debe
volverse incondicional de un modelo cuantitativo y adoptar automáticamente sus
conclusiones como la decisión correcta. La cuantificación es una ayuda para el juicio
empresarial y no un sustituto de este.
Los modelos planteados se conocen como modelos deterministicos. En contraste, en

algunos casos, quizá no se conozcan con certeza los datos, más bien se determinan a través
de distribuciones de probabilidad, se da cabida a la naturaleza probabilística de los
fenómenos naturales. Esto da origen a los así llamados modelos probabilísticos o
estocásticos.
Las dificultades evidentes en los cálculos de los modelos matemáticos han obligado a los
analistas a buscar otros métodos de cálculo que aunque no garantizan la optimalidad de la
solución final, buscan una buena solución al problema. Tales métodos se denominan
heurísticos. Suelen emplearse con dos fines: En el contexto de un algoritmo de
optimización exacto, con el fin de aumentar la velocidad del proceso. En segundo lugar
para obtener una solución al problema aunque no óptima, la que puede ser muy difícil
encontrar.
7
INDICE DE CONTENIDO
INTRODUCCIÓN ....................................................................................................................................
UNIDAD UNO: TÉCNICAS DE PRONÓSTICO, TEORÍA DE INVENTARIOS ............................................8
CAPITULO 1: TÉCNICAS DE PRONÓSTICO ..................................................................................12
Lección 1: Conceptos generales................................................................................................ 13
Lección 2: Modelo de regresión lineal ..............................................................................................14
Lección 3: Modelo de promedio móvil..............................................................................................18
Lección 4: suavización exponencial………………………………………………………………………………………………20
Lección 5: error del pronóstico……………………………………………………………………………………………………..22
Practica 1: Regresión lineal…………………………………………………………………………………………………………..26
CAPITULO 2: TEORÍA DE INVENTARIOS………………………………………………………………………… 33
Lección 6: conceptos generales…………………………………………………………………………………………………… 33
Lección 7: Modelo de inventarios EOQ………………………………………………………………………………………..36
Lección 8: Modelo de inventario EOQ con descuento………………………………………………………………….41
Lección 9: Modelos de lote de producción y el sistema de clasificación ABC…………………………….. 46
Lección 10: Modelo estocástico de Inventarios………………………………………………………………………….. 52
Fuentes documentales unidad I
UNIDAD DOS: CADENAS DE MARKOV,TEORÍA DE COLAS Y PROGRAMACIÓN NO LINEAL .............60

CAPITULO 3: CADENAS DE MARKOV .........................................................................................62
Lección 11: Conceptos generales.............................................................................................. 62
Lección 12: descripción de una cadena de Markov ..........................................................................63
Lección 13: Cálculo de las probabilidades de transición ...................................................................64
Lección 14: Probabilidades de estados estable……….…………………………………………………………………… 68
Lección 15: aplicaciones……………………………………………………………………………………………………………….70
Practica 2: Cadenas de Markov………………………………………………………………………………………………….. 74
CAPITULO 4: TEORÍA DE COLAS …………………………………………………………………………………........80
Lección 16: conceptos generales………………………………………………………………………………………………… 81
Lección 17: Antecedentes.……………………………………………………………………………………………………………83
8
Lección 18: Características de un sistema de colas……………………………………………………………………….84
Lección 19: Medidas de rendimiento …………………………………………………………………………………………..87
Lección 20: Análisis de costos……………………….……………………………………………………………………………..90
CAPITULO 5: PROGRAMACIÓN NO INEAL……………………………………………………………………......... 95
Lección 21: conceptos generales..……………………………………………………………………………………………… 95
Lección 22: Programación cuadrática..…………………………………………………………………………………………96
Lección 23: Multiplicadores de LaGrange-Condiciones Kunh-Tucker……..…………………………………….96
Lección 24: Técnica del gradiente…… ………………………………………………………………………………………….98
Lección 25: Método de Newton-Raphson…….……………………………………………………………………………..99
Fuentes documentales unidad II………………………………………………………………………………………………..101
9
UNIDAD 1
Nombre de la Unidad TÉCNICAS DE PRONÓSTICO, TEORÍA DE

INVENTARIOS
En la toma de decisiones tratamos con el diseño de planes
futuros. De esta forma los datos que describen la situación de
decisión deben ser representativos de lo que ocurra en el futuro.
Por ejemplo, en control de inventarios basamos nuestras
decisiones en la naturaleza de la demanda del artículo controlado
durante un horizonte de planeación específico. Asimismo, en
planeación financiera, necesitamos predecir el patrón del flujo
de efectivo en el tiempo.
Este capítulo presenta tres técnicas para pronosticar cambios

futuros en el nivel de una variable deseada como función del
tiempo:
1. Regresión lineal
Introducción 2. Promedio móvil
3. Suavización exponencial
La necesidad de proyecciones de la demanda es un

requerimiento general a lo largo del proceso de planeación y
control. Sin embargo, también podrían necesitarse ciertos tipos
de problemas de planeación, como control de inventarios,
compras económicas y control de costos, pronósticos de los
tiempos de espera, precios y costos. Las técnicas de pronósticos
son igualmente aplicables.
El pronóstico de los niveles de demanda es vital para la firma

como un todo, ya que proporciona los datos de entrada para la
planeación y control de todas las áreas funcionales, incluyendo
logística, marketing, producción y finanzas. Los niveles de
demanda y su programación afectan en gran medida los niveles
de capacidad, las necesidades financieras y la estructura general
del negocio. Cada área funcional tiene sus propios problemas
especiales de pronóstico.
El éxito de un negocio depende a menudo de la habilidad para

pronosticar, es decir hacer predicciones sobre el futuro. Estas
10
predicciones se usan para tomar dos amplios tipos de decisiones:

decisiones operativas en curso y decisiones estratégicas a largo
plazo.
• Las decisiones operativas en curso, son la asignación de pocos
recursos, la compra de materias primas, la determinación de
horarios de trabajo, etc.,
• Las predicciones estratégicas a largo plazo también dependen
de predicciones exactas. De esta forma el pronóstico es la
estimación de las actividades futuras; se basa en el uso de datos
anteriores de una variable para producir su desempeño futuro,
solo son aplicables para predecir la demanda de artículos para
los que se dispone de una cantidad sustancial de información
anterior y no para productos nuevos.
Las técnicas de pronósticos disminuyen la incertidumbre sobre

el futuro, permitiendo estructurar planes y acciones congruentes
con los objetivos de la organización y permiten también tomar
acciones correctivas apropiadas y a tiempo cuando ocurren
situaciones fuera de lo pronosticado.
Pronosticar vs. Planear
Pronóstico. Estimación anticipada del valor de una variable, por
ejemplo: la demanda de un producto.
Presupuesto. Valor anticipado de la variable que una compañía
está en posibilidad de concretizar, por ejemplo: la cantidad de
Justificación producto que la compañía decide fabricar en función de la
demanda y de la capacidad instalada.
El conocimiento de las técnicas de pronósticos es de poco valor
a menos que puedan aplicarse efectivamente en el proceso de
planeación de la organización.
Características de los Pronósticos

Primera. Todas las situaciones en que se requiere un pronóstico,
tratan con el futuro y el tiempo está directamente involucrado.
Así, debe pronosticarse para un punto específico en el tiempo y
el cambio de ese punto generalmente altera el pronóstico.
Segunda. Otro elemento siempre presente en situaciones de
pronósticos es la incertidumbre. Si el administrador tuviera
certeza sobre las circunstancias que existirán en un tiempo dado,
la preparación de un pronóstico seria trivial.
Tercera. El tercer elemento, presente en grado variable en todas
las situaciones descritas es la confianza de la persona que hace el
11
pronóstico sobre la información contenida en datos históricos.

La administración de inventario es primordial dentro de un
proceso de producción ya que existen diversos procedimientos
que nos va a garantizar como empresa, lograr la satisfacción
para llegar a obtener un nivel óptimo de producción. Dicha
política consiste en el conjunto de reglas y procedimientos que
aseguran la continuidad de la producción de una empresa,
permitiendo una seguridad razonable en cuanto a la escasez de
materia prima e impidiendo el acceso de inventario, con el
objeto de mejorar la tasa de rendimiento. Su éxito va estar
enmarcado dentro de la política de la administración de
inventario:
1. Establecer relaciones exactas entre las necesidades
probables y los abastecimientos de los diferentes productos.
2. Definir categorías para los inventarios y clasificar cada
mercancía en la categoría adecuada.
3. Mantener los costos de abastecimiento al más bajo nivel
posible.
4. Mantener un nivel adecuado de inventario.
5. Satisfacer rápidamente la demanda.
6. Recurrir a la informática.
Algunas empresas consideran que no deberían mantener ningún

tipo de inventario porque mientras los productos se encuentran
en almacenamiento no generan rendimiento y deben ser
financiados. Sin embargo es necesario mantener algún tipo de
inventario porque:
1. La demanda no se puede pronosticar con certeza.
2. Se requiere de un cierto tiempo para convertir un producto
de tal manera que se pueda vender.
Además de que los inventarios excesivos son costosos también

son los inventarios insuficientes, por que los clientes podrían
dirigirse a los competidores si los productos no están disponibles
cuando los demandan y de esta manera se pierde el negocio. La
administración de inventario requiere de una coordinación entre
los departamentos de ventas, compras, producción y finanzas;
una falta de coordinación nos podría llevar al fracaso financiero.
En conclusión la meta de la administración de inventario es
proporcionar los inventarios necesarios para sostener las
operaciones en el más bajo costo posible. En tal sentido el
primer paso que debe seguirse para determinar el nivel óptimo
12
De inventario son, los costos que intervienen en su compra y su

mantenimiento, y que posteriormente, en qué punto se podrían
minimizar estos costos.
 Desarrollar una técnica de decisión que comprenda teoría

matemática, si es necesario, y que conduzca a un valor óptimo
intencionalidades basado en los objetivos del tomador de decisiones.
Formativas  Permitir que los estudiantes resuelvan problemas del campo
de la ciencia, la tecnología e ingeniería, con los conocimientos
interiorizados del curso académico en mención.
 Fomentar en el estudiante características que deben
identificarlo en su desempeño y actuación profesional de la
Ingeniería.
Denominación de Capitulo 1 Técnicas de pronóstico
capítulos
Capitulo 2 Teoría de inventarios
13
CAPITULO UNO: TÉCNICAS DE PRONÓSTICO
Introducción
En la toma de decisiones tratamos con el diseño de planes futuros. De esta forma los datos
que describen la situación de decisión deben ser representativos de lo que ocurra en el
futuro. Por ejemplo, en control de inventarios basamos nuestras decisiones en la naturaleza
de la demanda del artículo controlado durante un horizonte de planeación específico.
Asimismo, en planeación financiera, necesitamos predecir el patrón del flujo de efectivo en
el tiempo.
Este capítulo presenta tres técnicas para pronosticar cambios futuros en el nivel de una
variable deseada como función del tiempo:
1. Regresión lineal
2. Promedio móvil
3. Suavización exponencial
La necesidad de proyecciones de la demanda es un requerimiento general a lo largo del

proceso de planeación y control. Sin embargo, también podrían necesitarse ciertos tipos de
problemas de planeación, como control de inventarios, compras económicas y control de
costos, pronósticos de los tiempos de espera, precios y costos. Las técnicas de pronósticos
son igualmente aplicables.
El pronóstico de los niveles de demanda es vital para la firma como un todo, ya que
proporciona los datos de entrada para la planeación y control de todas las áreas funcionales,
incluyendo logística, marketing, producción y finanzas. Los niveles de demanda y su
programación afectan en gran medida los niveles de capacidad, las necesidades financieras
y la estructura general del negocio. Cada área funcional tiene sus propios problemas
especiales de pronóstico.
El éxito de un negocio depende a menudo de la habilidad para pronosticar, es decir hacer

predicciones sobre el futuro. Estas predicciones se usan para tomar dos amplios tipos de
decisiones: decisiones operativas en curso y decisiones estratégicas a largo plazo.
• Las decisiones operativas en curso, son la asignación de pocos recursos, la compra de
materias primas, la determinación de horarios de trabajo, etc.,
• Las predicciones estratégicas a largo plazo también dependen de predicciones exactas. De
esta forma el pronóstico es la estimación de las actividades futuras; se basa en el uso de
datos anteriores de una variable para producir su desempeño futuro, solo son aplicables
para predecir la demanda de artículos para los que se dispone de una cantidad sustancial de
información anterior y no para productos nuevos.
14
Lección 1: PRONÓSTICOS
La definición de pronóstico es simple, sin embargo encierra muchas

situaciones que intervienen en su resultado o bien en la consecución del
mismo.
"Un pronóstico es un inicio o una señal por donde se puede saber

una cosa futura mediante indicios"1
El pronóstico desempeña un papel muy significativo en la planeación de

materiales, se pueden encontrar pronósticos de abastecimiento, de
condiciones, comerciales, de tecnología, precios, etc. Y en cualquiera de
estos rótulos el pronóstico es necesario para la toma de decisiones.
Aunque es muy cotidiano que hoy en día el manejo de pronósticos en

las pequeñas y medianas empresas, existen situaciones que tienen que
ver con la planeación de las necesidades futuras. La problemática
primordial es la poca confianza del uso de la técnica pronóstico.
En el sector automotriz las insuficiencias de compra de materiales y

producción provienen de pronósticos ventas, ya que es responsabilidad
la misma área de ventas o mercadeo de los productos, sin embargo
cuando los ordenadores de compra de materiales tienden en compras
excesivas o deficientes siempre son acusados, cuando verdaderamente
el generador de esos pronósticos es ventas.
Autores experimentados manifiestan que: "Si la demanda es inferior

al pronóstico, el proveedor puede sospechar que el pronóstico
original era un intento por obtener un precio favorable o alguna
otra concesión. Si la demanda excede el pronóstico, los costos
del proveedor pueden aumentar debido a la urgencia, las
compras de emergencia, y cambios en los programas de
producción."2
De tal manera los proveedores hacen parte de ese conjunto de

incertidumbre que presenta el pronóstico, por ello es prescindible que
los ordenadores de los materiales ayuden a estrechar los contactos con
los diferentes proveedores y que generen un ambiente empresarial
fomentando flexibilidad y cooperación al momento de sus
1
Enciclopedia Sopena, Editorial Ramon Sopena, S.A. Provenza 95, Barcelona pág. 952
2
Arbones Malisani, Logistica Empresarial. Editorial Alfaomega
15
requerimientos También es cierto que no se deben descartar que de

manera regular las actualizaciones y se ajusten a los pronósticos.
En el día a día se encuentran una diversidad de técnicas para el

planteamiento de pronósticos y se estas se van desarrollando de manera
exponencial, estas técnicas pueden ser cuantitativas y cualitativas y se
pueden emplear separadas o en conjunto.
El sector automotriz la técnica más usada de pronósticos es la

cuantitativa ya que esta se sustenta en la toma de datos del pasado
para hacer las proyecciones o predicciones del futuro, algunas técnicas
cuantitativas hacen hincapié en identificar indicadores que sean
sobresalientes mediante los cuales se puedan crear modelos lineales o
de regresión múltiple.
Algunas de las técnicas de pronóstico cuantitativas que en la actualidad

se utilizan, se desarrollaron durante el siglo XIX; un ejemplo de ello el
análisis de regresión y las técnicas de series de tiempo. Con la
implementación de técnicas de pronóstico más complejas, junto con la
generalización del uso de las computadoras, los pronósticos acentuaron
la atención durante los últimos años, y cualquier persona es capaz de
operar datos a partir de un software en una computadora de bolsillo y
obtener pronósticos.
Quienes han desarrollado los modelos cuantitativos clasifican a algunos

de los pronósticos cuantitativos como repetitivos, es decir, que los
valores que se pronostican continúan un proceder repetitivo a través del
tiempo, la labor de los quienes analizan este tipo de pronósticos es el
identificar ese comportamiento y desarrollar el pronóstico, por
consiguiente el desarrollar dicho pronóstico hace necesario tener en
cuenta algunos factores como el valor constante, tendencia, variaciones
estaciónales, variaciones cíclicas, variaciones aleatorias y puntos de
modulación.
Referente a los pronósticos cualitativos, se consideran más comunes en

las empresas de servicios ya que se basan en la repuesta de opiniones
de diversas personas, valorizando con juicio dichas opiniones para
utilizarlas al generar el pronóstico. Estas técnicas cualitativas son más
flexibles que las cuantitativas, sin embargo son tan precisas y exactas
como estas.
Al momento de elaborar un pronóstico y este resulta mal proyectado

conlleva a que la planeación no funciona y todas las áreas de la empresa
se vuelven ineficientes, repercutiendo en las finanzas y reflejando las
16
pocas ventas obtenidas, abundancias en los inventarios de productos

que no requieren los clientes, reducción de márgenes, costos más altos,
entre otros problemas.
En términos de pronosticar variables importantes para una compañía o

para una parte de ella como son las ventas de la empresa, las horas de
ausencia por empleado, los costos operativos, las tasa de interés y tipos
de cambio del mercado, entre otros, más sin embargo, las variables
macroeconómicas median en las decisiones que tome la empresa para
su futuro.
¿QUÉ TÉCNICA UTILIZAR?

Para determinar que técnica de pronóstico, se deben considerar los
siguientes puntos:
1. Definir la naturaleza del problema de pronóstico.
2. Explicar la naturaleza de los datos bajo investigación.
3. Describir las capacidades y limitaciones de las técnicas de pronóstico
potencialmente útiles.
4. Desarrollar algunos criterios predeterminados sobre los cuales se
pueda tomar la decisión de la selección, como son algunas medidas
de error.
BASES DE PRONÓSTICO.
• Ingreso por venta.
• Costo de productos manufacturados.
• Horas de mano de obra directa
• Horas de maquinaria.
• Costos de los insumos.
FUENTES DE PRONÓSTICO.
17
• Externas: Actividades generales de la economía o factores

geopolíticos, que después se relacionan con las actividades
empresariales.
• Internas: Estima cada producto de una empresa, para después hacer

un pronóstico agregado de todas sus actividades.
CLASIFICACION DE LOS METODOS DE PRONOSTICOS.SEGÚN EL

TIEMPO:
A Corto Plazo: alcance de un día a un año, sirve para funciones de

control, como ajuste de la Tasa de producción, del empleo, del
pronóstico de venta, etc.
A Mediano Plazo: con alcance de una estación a uno o dos años. Son
usados para la planeación operativa, el flujo de caja, el programa de
producción y las ventas.
A Largo Plazo: con un alcance de dos a cinco años, esto se usa para
ampliar plantas, producir nuevos productos, cambiar políticas, adoptar
nuevas tecnologías.
Lección 2: MODELO DE REGRESIÓN LINEAL
El análisis de regresión es una de las técnicas estadísticas la cual se

utiliza en la investigación al relacionar entre dos o más variables, una de
sus utilizaciones está en la construcción de modelos que permitan
predecir el comportamiento de una variable Y (dependiente, respuesta)
en función de una o más variables (independientes, predictivas) X.
El comportamiento de estas variables suelen definirse de manera previa

lo que nos remite a un modelo teórico, o bien, se tiene el caso de que
no exista una relación establecida entre estas y sea necesario establecer
una primera aproximación del comportamiento de las mismas.
Lo anterior se puede lograr usando una herramienta gráfica denominada

diagrama de dispersión lo que nos conduciría a desarrollar un modelo
empírico de la relación que mantienen las variables en estudio.
Establece la relación temporal para la variable de pronóstico, implica

una relación causa-efecto.
18
La ecuación general es: Y=α + βx
Y = Variable dependiente = La altura de la recta.
β = La pendiente de la recta. x = Variable independiente.
METODOS DE LOS MÍNIMOS CUADRADOS.
Para calcular α y β:
α = altura de la línea recta.
β = pendiente de la recta.
Y = variable dependiente.
X = variable independiente.
x = promedio de los valores X.
y = promedio de los valores Y.
n = número de observaciones.
Ejemplo
Encontrar la línea recta del mínimo cuadrado.
19
EJEMPLO:
20
La demanda de un artículo en los últimos 4 años se muestra a continuación:
Demanda(unidades) 2006 2007 2008 2009

Años 6 8 7 9
Con esta información se pide pronosticar la demanda para el año 2010 y 2011 utilizando
regresión lineal.
Solución:
Es necesario hallar la ecuación de regresión , donde x representa el tiempo y Y

la demanda en unidades del artículo.
Procedemos a hallar teniendo en cuenta las ecuaciones planteadas anteriormente.
Años X Demanda(y) X.Y X2

2006 1 6 6 1
2007 2 8 16 4
2008 3 7 21 9
2009 4 9 36 16
TOTALES 10 30 79 30
= =2,5; = =7,5
= =0,8
=5,5
; Esta sería la ecuación de regresión, ahora para hallar la

demanda del año 2010 reemplazamos a x por 5, ya que sería el valor que le
correspondería en la tabla, pues el 2009 es 4, así el 2011 seria 6.
Reemplazando obtendríamos:
Entonces la demanda proyectada para el 2010 sería de 9 unidades y de 10 unidades para

el 2011.
TALLER DE APLICACIÓN
Solucione los siguientes ejercicios:
1. La demanda de un artículo en unidades en los últimos 5 años se describe a continuación:

21
Utilice la técnica de regresión lineal para estimar el número de unidades que se proyectan
de demanda para el año 2010.
2. El número de estudiantes matriculados en los últimos 4 años en una institución de

educación básica secundaria se describe a continuación:
Mediante regresión lineal pronostique el número de estudiantes que se matricularan en el

año 2010.
Lección 3: MODELO DE PROMEDIO MÓVIL
La suposición fundamental para esta técnica es que la serie de tiempo es estable, en el

sentido de que sus datos se generan mediante el siguiente proceso constante:
yt= b+et donde b es un parámetro constante desconocido estimado a partir de los datos
históricos. Se supone que el error aleatorio et tiene un valor esperado cero y una varianza
constante. Además, los datos para los diferentes periodos no están correlacionados.
La técnica del promedio móvil supone que las n observaciones más recientes son
igualmente importantes en la estimación del parámetro b. Así, en un periodo actual t, si los
datos para los n periodos más recientes son yt-n+1, yt-n+2,...e yt, entonces el valor estimado
para el periodo t+1 se calcula como
yt+1 = (yt-n+1+ yt-n+2 +...+yt)/n
No hay una regla exacta para seleccionar la base del promedio móvil, n. Si las variaciones
en la variable permanecen razonablemente constantes en el tiempo, se recomienda una n
grande. De otra forma, se aconseja un valor de n pequeño si la variable muestra patrones
cambiantes. En la práctica, el valor de n fluctúa entre 2 y 10.
Ejemplo.
22
La demanda (en número de unidades) de un artículo de inventario durante los pasados 24

meses se resume en la tabla. Utilice la técnica del promedio móvil para pronosticar la
demanda del siguiente mes (t= 25)
TABLA
Mes, t Demanda, yt Mes, t Demanda, yt

1 46 13 54
2 56 14 42
3 54 15 64
4 43 16 60
5 57 17 70
6 56 18 66
7 67 19 57
8 62 20 55
9 50 21 52
10 56 22 62
11 47 23 70
12 56 24 72
Si utilizamos n = 3, la demanda estimada para el siguiente mes (t = 25) será igual al

promedio de las demandas para los meses 22 al 24, es decir, =68.
EJERCICIOS DE APLICACIÓN
Solucione los siguientes ejercicios:
1. La demanda de un artículo en unidades en los últimos 5 años se describe a continuación:
Utilice la técnica del promedio móvil con k= 3 para estimar el número de unidades que se
proyectan de demanda para el año 2009 y 2010.
2. El número de estudiantes matriculados en los últimos 4 años en una institución de

educación básica secundaria se describe a continuación:
23
Mediante promedio móvil con k= 4, pronostique el número de estudiantes que se

matricularan en el año 2010 y 2011.
Lección 4: SUAVIZACIÓN EXPONENCIAL
El método de suavización exponencial es un método de promedio móvil ponderado muy

refinado que permite calcular el promedio de una serie de tiempo, asignando a las
demandas recientes mayor ponderación que a las demandas anteriores. Es el método de
pronóstico formal que se usa más a menudo, por su simplicidad y por la reducida cantidad
de datos que requiere. A diferencia del método de promedio móvil ponderado, que requiere
n periodos de demanda pretérita y n ponderaciones, la suavización exponencial requiere
solamente tres tipos de datos: el pronóstico del último periodo, la demanda de ese periodo y
un parámetro suavizador, alfa , cuyo valor fluctúa entre 0 y 1.0. Para elaborar un
pronóstico con suavización exponencial, será suficiente que calculemos un promedio
ponderado de la demanda más reciente y el pronóstico calculado para el último periodo. La
ecuación correspondiente a este pronóstico es:
Ft+1= (demanda para este periodo) + (1- ) (pronóstico calculado para el último periodo)
Ft+1= Dt + (1- )Ft
La siguiente ecuación es equivalente:
Ft+1= Ft + (Dt-Ft)
Esta forma de la ecuación muestra que el pronóstico para el periodo siguiente es igual al
pronóstico del periodo actual más una proporción del error del pronóstico correspondiente
al mismo periodo actual.
Para poner en marcha la suavización exponencial se requiere un pronóstico inicial. Hay

dos formas de realizar este pronóstico inicial: Usar la demanda del último periodo, o bien,
se dispone de datos históricos, calcular el promedio de varios periodos recientes de
demanda. El efecto de la estimación inicial del promedio sobre las estimaciones sucesivas
del mismo disminuye a lo largo del tiempo porque, con la suavización exponencial, las
ponderaciones asignadas a las demandas históricas sucesivas, que se utilizan para calcular
el promedio, disminuyen exponencialmente.
EJERCICIOS DE APLICACIÓN
24
1. Karl´s Copiers vende y repara máquinas de fotocopiado. El gerente necesita pronósticos

semanales de las solicitudes de servicios, a fin de poder programar las actividades de su
personal de servicio. El pronóstico correspondiente a la semana del 3 de julio fue de 23
llamadas para servicio. El gerente aplica la suavización exponencial con = 0.25.
Pronostique usted el número de llamadas para servicio correspondientes a la semana del 7
de agosto, suponiendo que ésta sea la semana próxima.
2. Los siguientes datos corresponden a las calculadoras vendidas (expresadas en unidades)

en una tienda de electrónica durante las últimas 5 semanas.
Aplique la suavización exponencial con = 0.2, para pronosticar las ventas

correspondientes a las semanas 3 a 6.
Lección 5: ERROR DEL PRONÓSTICO
MEDICIONES DE RENDIMIENTO PARA EVALUAR MODELOS DE

PRONÓSTICO.
Error Pronóstico:
La cantidad por la cual la demanda real difiere de la demanda pronosticada. Existen tres
mediciones de funcionamiento para evaluar un modelo de pronóstico en el que Dt es la
demanda real en el periodo t y Ft, es la demanda pronosticada en el periodo t, encontramos:
 RMSE: Error medio cuadrado
 MAE: Error medio absoluto
 MAPE: Error medio porcentual
25
EJEMPLO.
Se ha desarrollado un modelo de pronóstico para predecir las ventas mensuales de un

modelo particular de carro basándose en los siguientes datos de los 6 meses anteriores,
donde hallaremos error de pronóstico, error medio cuadrado (RMSE), error medio absoluto
(MAE), error medio porcentual(MAPE).
Como las ventas pronosticadas no son iguales que las ventas reales como podemos calcular
el error de pronóstico:
Los errores de pronostico (+) indican que la demanda real excede el pronóstico y los errores
(-) significan que la demanda está por debajo del pronóstico.
Ahora hallaremos RMSE y tenemos:
26
RMSE = √72/6 = 3,46

MAE = 18/6 = 3
MAPE = 28/6 = 4,66
Autoevaluación
TALLER.
1. En la Universidad de Tunja se escogieron 10 muestras de hombres al azar y se les

pregunto la estatura (x) y el número de calzado (y), arrojando los siguientes datos:
Halle la ecuación de la línea de regresión lineal (y). Cuando x: 1,75
2. Pronosticar las ventas diarias del almacén de zapatos Bucaramanga basándose en los 11
meses anteriores donde deberá hallar:
a. Error pronostico
b. Error medio cuadrado (RMSE)
c. Error medio absoluto (MAE)
d. Error medio porcentual (MAPE)
27
28
AREA:
Escuela de Ciencias Básicas Tecnología e
Ingeniería
ESTADÍSTICA
CIENCIAS BÁSICAS
UNIDAD: Técnicas de pronóstico y teoría de inventarios

CURSO:
CAPÍTULO: Técnicas de pronóstico
Métodos LECCIÓN: modelo de regresión lineal

probabilísticos
NUMERO DE LA PRÁCTICA 1
NOMBRE DE LA PRÁCTICA Regresión lineal
NOMBRE DEL SOFTWARE WinQsb
Libre: ______x_____ Licenciado: _____________
Aspectos Teóricos:
El término regresión se utilizó por primera vez en el estudio de variables antropométricas:

al comparar la estatura de padres e hijos, resultó que los hijos cuyos padres tenían una
estatura muy superior al valor medio tendían a igualarse a éste, mientras que aquellos cuyos
padres eran muy bajos tendían a reducir su diferencia respecto a la estatura media; es decir,
"regresaban" al promedio.4 La constatación empírica de esta propiedad se vio reforzada
más tarde con la justificación teórica de ese fenómeno.
El término lineal se emplea para distinguirlo del resto de técnicas de regresión, que
emplean modelos basados en cualquier clase de función matemática. Los modelos lineales
son una explicación simplificada de la realidad, mucho más ágil y con un soporte teórico
por parte de la matemática y la estadística mucho más extenso
La idea es proyectar una variable a través del tiempo, teniendo como referencia los datos
históricos de una variable, por ejemplo la demanda de un artículo en los últimos años y a
partir de estos datos pronosticar mediante una línea de regresión el valor aproximado de la
demanda en el futuro, generalmente es válido para unos cuantos períodos.
29
Ejemplo 1:
Teniendo en cuenta los datos históricos de la demanda de un artículo en los últimos 5 años,
realice el pronóstico de la demanda para el año 2011.Utilice el winqsb.
AÑOS 2005 2006 2007 2008 2009

DEMANDA(MILES 8 6 7 10 11
DE UNIDADES)
Solución:
Utilice el modulo del winqsb titulado: forecasting and linear regression.
Luego seleccione file:
30
Nos dara la opción de elegir new problem, para introducir los datos de un nuevo ejercicio
luego nos aparece el siguiente pantallazo, en donde vamos a darle un titulo al problema y
en problema type marcamos time series forecasting, en time unit colñocamos días, meses o
años según los datos del problema, para nuestro caso serán años. En number of time units
colocamos el número de periodos de tiempo que tenemos, esto corresponde a los datos
históricos que se tienen para hacer el pronóstico(5 en nuestro caso).
31
Le damos ok y obtenemos el siguiente cuadro, en donde se deben registrar los datos del
ejercicio:
Luego seleccionamos solve and analyze, y obtenemos el siguiente cuadro:
Seleccionamos como indica la figura y se obtiene el siguiente cuadro de resultados:
32
Los valores que aparecen en los años 6 y 7 son los valores proyectados para la demanda,
que en este caso sería de 8,4 es decir 8400 unidades para el año 2010 y 2011.La demás
información corresponde a datos estadísticos de los cálculos efectuados.
Podemos también realizar la grafica correspondiente a datos reales y proyectados, para

nuestro ejercicio nos quedaría así:( utilizando la ventana indicada con la flecha.)
EJERCICIO
1. Halle el pronóstico de la demanda para el mes de febrero y marzo de un artículo que en

los últimos meses registro las siguientes ventas en millones de pesos:
Meses agosto septiembre octubre noviembre diciembre enero
33
Ventas(millones 3 4 5 4 6 3
de pesos)
Utilice el Winqsb como se mostro en el ejemplo, grafique los datos originales y los de
tendencia.
2. El número de estudiantes que se matricularon en una institución educativa de bachillerato

en los últimos cuatro años se relacionan a continuación:
años 2007 2008 2009 2010

Estudiantes 425 450 465 486
matriculados
Con estos datos halle el pronóstico de estudiantes que se matricularían para el año 2011.
CAPITULO 2: TEORÍA DE INVENTARIOS
INTRODUCCIÓN
Los modelos de inventarios tienen mucha importancia en el ámbito laboral de cualquier

empresa o negocio en el cual se necesite tener información completa sobre los diferentes
materiales o insumos que haya en existencia o que tengan que ser incluidos en la lista de
pedidos que deben ejecutarse temporalmente de acuerdo con las necesidades de producción
de la empresa o según el comportamiento de la demanda.
Existen diferentes modelos de inventarios, los cuales se aplican en relación con los
requerimientos del negocio en el cual van a ser empleados y se convierten en una base para
la toma de decisiones por parte de los gerentes o encargados de producción que son los que
están pendientes de que no haya faltantes o sobrantes en la producción, de modo que se
generen el denominado logro que no es otra cosa que poseer un stock de mercancías que no
se mueven o no producen ninguna ganancia.
OBJETIVOS
 Conocer algunos de los más efectivos métodos para la toma de decisiones en cuanto
al manejo de inventarios y sus métodos de control.
 Determinar cuál es el modelo de inventarios más adecuado de acuerdo con la

empresa en la cual se vaya a implementar, de modo que se tenga una certeza de
cuáles son los artículos que se van a necesitar y en qué medida debe realizarse el
pedido.
Lección 6: CONCEPTOS GENERALES
DEFINICION
34
 Son los artículos a la mano que un cliente puede comprar en un ambiente de

fabricación, los inventarios son las materias primas para producir bienes terminados.
 La madera, clavos, barniz y otros materiales necesarios para construir un librero son
los artículos de inventario, el medio de producción es el cliente.
ADMINISTRACION DE INVENTARIOS
 Son técnicas usadas para ayudar a los gerentes a determinar cuándo deben
ordenarse.
 Consideremos las ventajas de tener grandes inventarios:
Para evitar escasez. Cuando se conoce la demanda futura de un artículo y se puede confiar
en las entregas puntuales de un proveedor, siempre puede colocar pedidos de tal forma que
se satisfaga toda la demanda sin necesidad de un inventario. Para aprovechar las economías
de escala. Al solicitar grandes cantidades un negocio puede obtener su suministros a un
costo inferior, así mismo el negocio colocaría menos pedidos, lo que ahorraría esfuerzos y
costos administrativos. Mantener un flujo de trabajo continuo en un medio de producción
de múltiples etapas. Cada una de estas razones argumenta a favor de tener grandes
inventarios a la mano.
CARACTERÍSTICAS DE LOS MODELOS DE INVENTARIOS
Son las técnicas utilizadas para determinar cual de estas características tiene su modelo para
poder aplicar el paquete para realizar el análisis correcto.
a. Demanda Dependiente: dos o más artículos en los que la demanda de un artículo

determinado afecta la demanda de uno o más de los otros artículos.
b. Demanda Independiente: dos o más artículos en los que la demanda de un artículo no

afecta la demanda cualquiera de otros artículos.
c. Demanda Determinística Contra Probabilística: Existen dos categorías:
 Demanda Determinística: es la demanda de un artículo que se conoce con certeza.

Ejemplo: un proceso de elaboración de un libro, una máquina inserta las 100 hojas
por segundo aquí las hojas serían artículos o materias en inventario, la maquina es el
cliente y la demanda Determinística son las 100 hojas por segundo.
 Demanda Probabilística: es la demanda de un artículo que está sujeta a la cantidad

significativa de incertidumbre y variabilidad. Ejemplo: en un hospital usted no sabe
cuántos y que tipos de pacientes tenga la semana entrante, lo que ocasiona una
demanda incierta de suministros médicos.
35
d. Déficit o Faltantes: una circunstancia en la que el inventario disponible es insuficiente

para satisfacer la demanda.
e. Tiempos Líderes: el tiempo entre la colocación de periodo de bienes y la llegada de estos

bienes enviados por el proveedor.
f. Descuentos Cuantitativos: cuando los inventarios son reabastecidos por proveedores

Externos, la cantidad pagada por artículo puede depender del tamaño de ese pedido.
g. Políticas de Pedidos: es un enfoque para determinar cómo y cuándo reabastecer los

inventarios.
CARACTERÍSTICAS CLAVES:
Pedido de artículos en intervalos de tiempo fijos: La cantidad a ordenar está determinada

por el nivel del inventario en el momento en el que se coloca el pedido. La cantidad pedida
cada vez varía. Ejemplo: considere el reabastecimiento de leche en una tienda de abarrotes.
Cada martes el gerente de lácteos pide la cantidad, y la cantidad depende de cuantos
galones hay en el estante cuando coloca el pedido. Esta política también se denomina
revisión periódica pues requiere revisara el nivel de inventario en puntos fijos de tiempo
para determinar cuánto ordenar.
Pedido de un número fijo de artículos cuando el inventario a la mano llega a un cierto nivel
previamente especificado, llamado el punto de nuevos pedidos: En este caso, la cantidad
pedida siempre es la misma, pero el tiempo entre los pedidos puede variar. Ejemplo: Un
gerente de bar puede reordenar cerveza cuando el suministro actual cae por menos de tres
cajas. Este nivel puede alcanzarse en 4 semanas cuando el negocio va lento o en una
semana cuando el negocio está activo, digamos durante la semana del súper tazón. Esta
política también se denomina revisión continua, pues requiere una comprobación continua
del inventario para determinar cuándo se alcanza el punto de nuevos pedidos.
i. Revisión Periódica: es la política de ordenamiento que requiere revisar el nivel de

inventarios en puntos fijos de tiempo para determinar cuándo ordenar sobre la base de
inventarios a la mano en ese momento.
ii. Revisión Continua: es la política de ordenamiento que requiere revisar el inventario

continuamente para determinar cuándo se alcanza el punto de nuevos pedidos.
iii. Punto de Nuevos Pedidos: nivel de inventarios en el cual debe colocarse el nuevo
pedido.
Lección 7: MODELO DE INVENTARIOS EOQ
MODELOS DE INVENTARIOS E.O.Q.
¿A qué se debe que las empresas almacenan inventario?. Son muchas las razones para
que una empresa conserve productos terminados o insumos como inventario. El inventario
36
permite enfrentar variaciones de la demanda, evitar quiebres de stock, obtener economías

de escala, permite una mayor flexibilidad productiva, se puede usar como un arma
competitiva, etc.
Por consiguiente, mantener los inventarios proporciona importantes beneficios asociados

¿Por qué no llenamos nuestras bodegas de inventario?. Las respuestas son múltiples, pero
todas mantienen una base común: Costos. Se afirma que mantener inventarios es un "mal
necesario" dado los costos asociados a la gestión de inventarios. En este sentido podemos
clasificar los costos de inventario en:
1. Costo de Órdenes: costo que se incurre cada vez que se emite una orden.
2. Costo de mantener Inventario: arriendo de bodegas, depreciación, costo de

oportunidad, pérdidas, seguros, etc.
3. Costo de quiebre de stock: es más difícil de estimar y está asociado al costo de la venta
pérdida (perder un cliente, deterioro de imagen, multas, etc).
La Gestión de Operaciones provee de modelos matemáticos que permite enfrentar de una

forma sistemática la problemática de la gestión de inventarios. Estos modelos matemáticos
básicamente se clasifican en 2 categorías y depende del comportamiento (basado en
supuestos) respecto al comportamiento de la demanda. Están los modelos asociados a
demanda constante (EOQ, POQ, EOQ con descuentos por volumen, etc) y los
relacionados con demanda aleatoria (asociada a una función de probabilidad). En este
sentido EOQ resulta ser el modelo matemático más sencillo y sus características principales
se resumen a continuación.
De tal manera Inventarios EOQ, Es el modelo matemático usado como la base para la
administración de inventarios en el que la demanda y el tiempo líder son determinísticos.
No se permiten los déficits y el inventario se reemplaza por lotes al mismo tiempo.
Características:
 El inventario pertenece a uno y solo un artículo.
 El inventario se abastece por lotes.
 La demanda es Determinística, es decir se conocen cuantas se venden en un tiempo

determinado.
 El tiempo guía L es determinístico y se conoce.
 Los déficit no están permitidos.
Componentes de Costos de un Sistema de Inventarios.
37
 El costo de pedidos u organización: (K) este es un costo fijo, independiente del

número de unidades pedidas o producidas. se incurre es este costo cada vez que se
coloca un pedido o que se echa a andar una máquina para una corrida de
producción.
 El costo de compra: (C) cada unidad pedida incurre en un costo de compra, que es
un costo directo por unidad.
 El costo de conservación: (H) este es un costo obtenido por cada artículo en

inventario, un costo de conservación puede incluir lo siguiente:
Costos de almacenamiento: compuestos por los gastos generales del almacén, seguro,
requerimientos de manejo especial, robo, objetos rotos,etc.
Costos de oportunidad del dinero: comprometido en inventario que de otra manera podría
haberse usado o invertido.
Los costos totales de almacenamiento y oportunidad que componen los costos de

conservación se calculan como una fracción (i) del costo unitario C.
H= (Tasa de transferencia)*(Costo de la unidad)

H=i*C
Ejemplo:
Para el Mouse valuado en $20000 con tasa de transferencia de 0.11, el costo de

conservación por año por cada unidad es:
H=i*C
H = 0.11 * 20000
H = $2200
Tasa de Transferencia: (i) es la suma de las fracciones usadas en el cálculo de los costos de
almacenamiento y oportunidad.
El costo de Déficit: (B) es el costo de no satisfacer la demanda. es decir el costo de que se
acabe un artículo. Recuerde que cuando no se puede satisfacer la demanda la venta se
pierde.
TABLA DE RESUMEN
D = demanda por pedido L= El tiempo para recibir un pedido

I= Tasa de transferencia por periodo, está dada siempre en %
K= El costo fijo de colocar un pedido.
C= El costo de compra de pedir cada unidad.
H = (I * C) El costo de conservación por unidad por periodo.
38
Formulas del Modelo E.O.Q.
D - demanda por período.

L - el tiempo guía para recibir un pedido. L = Q*/D
i - tasa de transferencia por pedido.
K - costo fijo de un pedido.
C - costo de compra (costo por unidad).
H - costo de conservación (H = I x C).
Q - número de unidades.
Q* - cantidad optima de pedido.
Q/2- inventario promedio.
CPA. Costo de pedido anual Cp = K x (D/Q).
Cc. Costo por compra anual Cc = C x D.
Costo de conservación anual Ch= (Q/2) x (H).
Ct .Costo anual total Cta = (Cp) + (Cc) + (CH).
Número de pedidos NP = D/Q*.
Punto de nuevos pedidos (R) R = D x L.
EJEMPLOS
1. El hospital de Neiva da servicio a una pequeña comunidad. Un suministro usado con
frecuencia es la película de rayos x, que se pide a un proveedor fuera de la ciudad. Como
gerente de suministros, debe determinar cómo y cuándo hacer pedidos para asegurar que al
hospital nunca se le termine este artículo critico, y al mismo tiempo, mantener el costo total
tan bajo como sea posible.
Para comprender como la cantidad de pedido (Q) impacta al nivel del inventario con el
tiempo, supongamos que ordenamos lotes de:
Q = 4500 películas en existencia.
Y el proveedor se ha comprometido a satisfacer pedidos en 1 semana (es decir el tiempo
guía es L = 1 semana). El departamento de contabilidad del hospital ha proporcionado los
siguientes valores:
Un costo de pedidos fijo de $10000 para cubrir los costos de colocar cada pedido, pagar los
cargos de entrega, etc. Un costo de compra de $5000 por cada película sin descuento de
cantidad. Una tasa de transferencia de 30% por año (es decir, i=0.0) para reflejar el costo de
almacenar la película en un área especial, así como el costo de oportunidad del dinero
invertido en el inventario ocioso.
Solución
Demanda anual D= (1500 películas*12 meses)= 18000 películas
Tiempo guía L= 1 semana= 1/52 de un año
39
Tasa de transferencia anual de i= 0.30%

Costo de pedidos K= $10000 por pedido
Costo de pedidos C= $5000 por película
Costo de conservación anual H= i*C= 0.30*5000= $1500 por película al año.
CTA = costo de pedidos anual + costo compra anual + costo conservación A.
COSTO DE PEDIDOS ANUAL:
K * D / Q = 10000*(18000/4500)= 40000
COSTO DE COMPRA ANUAL: C * D = 5000*18000= 90.000.000
COSTO DE CONSERVACION ANUAL: (Q/2)*H o (Q/2)*(I * C) =(Q/2)*(I *
C)=2250*(0.30*5000)= 3.375.00
Ahora remplazamos en la formula general:
CTA = costo de pedidos anual + costo compra anual + costo conservación A.
CTA = 40000+90.000.000+3.375.000
CTA = 93.415.000
Ahora hallamos Q*
Q*=√2D*K/H = √2D*K/I*C
Q*= √2D*K/(i * C)
Q*= √2*18000*10000/(0.30*5000)
Q*=489,89≈ 490
NUMERO DE PEDIDOS:
D/Q*=18000*490 = 36,7≈ 37 pedidos
TIEMPO:
L = Q*/D = 490/18000 = 0.027
NIVEL DE PEDIDOS:
R = D * L =18000*0.027 = 486
2. Almacenes Olímpica compra aproximadamente 10.000 televisores en el curso del año a

un costo de 30 cada uno. Cada pedido incurre en un costo fijo de 85 y llega una semana
después de haber hecho el pedido. Suponiendo una tasa de transferencia anual de o.15,
calcule: La cantidad de pedidos óptimos, el punto de nuevos pedidos y el costo anual.
Solución.
Lo que se tiene:
D = 10.000
H = I x C = 0,15(30) K = 85 i = 0,15 C = 30= 4.5
=614,6362
R = D x L Q = (D/2 x H)
R= 10.000(1/52) Q = 10.000/2(4.5)
R = 192,3076 Q = 22.500
40
CTA = costo de pedido anual + costo compra anual + costo conservación anual
K(D/Q) + C x D + (Q/2) x H
85(10.000/22.500) + 30(10.000) + 614,6363/2) x 4,5
CTA = 315208,35
3. Un almacén de venta de ropa para un suministro frecuente de jeans pide a un proveedor

fuera de la ciudad, el gerente debe asegurar que estas nunca se terminen y que además se
mantenga el costo mínimo posible. Teniendo en cuenta:
La demanda es de 200 jeans por mes
El proveedor tarda una semana en entregar la mercancía
El costo de pedido fijo es de $50.000
Un costo de compra de $30.000
Una tasa de transferencia del 20% por año donde Q=1000
D = 200 I = 1 K = 50.000 C = 30.000 L = 0.20 Q = 1000
CPA = Kx(D/Q)=50.000(200/1000)=50.000 x 0,2=10.000
Costo de compra anual= C x D = 30.000 x 200 = 6.000.000
Costo de conservación=Q/2(I x C)=1000/2(0,2 x 30.000)=3.000.000
Número promedio de pedidos=D/Q=200/1000=0.2
SOLUCIONE LOS SIGUIENTES EJERCICIOS
1. Una compañía comercializadora está interesada en reducir el costo de su inventario

determinando el número óptimo de su producto que debe solicitar en cada orden. Su
demanda anual es de 500 unidades, el costo de ordenar o preparar es de $12 por orden y el
costo de mantener por unidad por año es de $2. La compañía trabaja 280 días al año.
Halle: a. Número óptimo de unidades por orden.
b. Número de órdenes por año.
c. Tiempo esperado entre órdenes.
d. Costo total anual del inventario. (costo por unidad $80).
2. En cada uno de los siguientes casos, determine la cantidad óptima de pedido y el costo
diario correspondiente.
a. k= $100, h= $0.05, D= 30 unidades diarias.
b. k= $50, h= $0.05, D= 30 unidades diarias.
c. k= $100, h= $0.01, D= 40 unidades diarias.
d. k= $100, h= $0.04 D= 20unidades diarias.
41
3. Mcburguer pide carne molida al comenzar cada semana para cubrir la demanda semanal
de 300lb. El costo fijo por pedido es de $20, cuesta unos $0.03 por libra y por día refrigerar
y almacenar la carne. Determine la cantidad óptima de pedido y el costo semanal del
inventario.
Lección 8: MODELOS DE INVENTARIOS EOQ CON DESCUENTOS
DESCUENTO POR CANTIDAD
Los descuentos por cantidad, que son incentivos de precio para que el cliente compre
mayores cantidades del producto, crean presión para mantener un inventario abundante. Por
ejemplo, un proveedor puede ofrecer un precio de $4 por unidad, para los pedidos en que
soliciten entre 1 y 99 unidades; un precio de $3.50 por unidad, para pedidos entre 100 y 199
unidades; y un precio de $3.000 por unidad, para los pedidos de más de 200 unidades. El
precio del artículo ya no se considera fijo, como se suponía en la derivación de la EQQ; en
lugar de eso, si la cantidad del pedido aumenta lo suficiente, se obtiene un descuento en el
precio. Por lo tanto, en este caso se requiere un nuevo enfoque para encontrar el mejor
tamaño del lote, es decir, un método que sopese las ventajas de comprar materiales a
precios más bajos y tener que hacer menos pedidos(es decir, los beneficios de hacer
pedidos por grandes cantidades), frente a la desventaja que implica el incremento del costo
por el manejo de un inventario mayor.
El costo anual total incluye ahora no solamente el costo de manejo de inventario, (Q/2) (H)
y el costo de hacer pedidos, (D/Q) (S), sino también el costo de los materiales comprados.
Cualquiera que sea el nivel de precios por unidad, P, el costo total es:
Costo = Costo anual de + Costo anual de + Costo anual de
Total manejo de inventario hacer pedidos de materiales
El costo unitario de manejo de inventario H se expresa habitualmente como un porcentaje

del precio unitario, porque cuanto más valioso sea el artículo que se tiene en inventario,
tanto más alto será el costo de su manejo. Por consiguiente, cuanto más bajo sea el precio
unitario, P, tanto más bajo será H. Inversamente, cuanto más alto sea P, tanto más alto será
H. Igual que cuando calculamos anteriormente el costo total. La ecuación del costo total
genera curvas de costo total en forma de U. Si el costo anual de materiales se agrega a la
ecuación del costo total, cada curva de costo total se eleva en una magnitud fija.
42
PROCESO PARA HALLAR EL MEJOR TAMAÑO DE LOTE
1. A partir del precio más bajo de todos, calcule la EOQ para cada nivel de precios, hasta
que encuentre una EOQ factible. Sabrá usted que ésta es factible si se encuentra en el rango
correspondiente a un precio. Cada EOQ subsiguiente es más pequeña que la anterior porque
p, y por lo tanto H, se vuelve cada vez más grande y porque esa H más grande está en el
denominador de la fórmula de la EOQ.
2. Si la primera EOQ factible que encuentre corresponde al nivel de precios más bajo, esta
cantidad representará el mejor tamaño del lote. Si no es así, calcule el costo total
correspondiente a la primera EOQ factible y a la mayor magnitud del cambio de precio, en
cada nivel de precios más bajo. La cantidad a la cuál corresponde el costo total más bajo de
todos será la óptima.
EJEMPLO PRÁCTICO
Uno de los proveedores del sistema de salud de Lower Florida Keys ha presentado su plan
de precios de descuento por cantidad para alentar a sus clientes a que compren mayores
cantidades de un catéter de tipo especial. El plan de precios propuesto es el siguiente:
Lower Florida ha estimado que la demanda anual para este artículo es de 936 unidades, el
costo que implica hacer esos pedidos es de $45 por pedido y su costo anual de manejo de
inventario representa el 25% del precio unitario del catéter. ¿Qué cantidad de dicho catéter
tendrá que pedir el hospital para minimizar su total de costos?
SOLUCION
Paso 1. Encuentre la primera EOQ factible, comenzando con el nivel de precios más bajo:
43
Un pedido de 77 unidades cuesta realmente $60 por unidad, en lugar del costo de $57 por
unidad que se uso en el cálculo de la EQQ; por lo tanto, esta EQQ no es factible.
Intentemos ahora con el nivel de $58.80:
Esta cantidad tampoco resulta factible, porque un pedido de 76 unidades es demasiado

pequeño para que se le aplique el precio $58.80. Intente ahora con el nivel de precios más
alto:
Esta cantidad es factible, porque se encuentra dentro del rango correspondiente a su precio,
P = $60.00.
Paso 2. La primera EQQ factible, de 75, no constituye el nivel de precios más bajo de
todos. Por lo tanto, tendremos que comparar su costo total con las cantidades
correspondientes al cambio de precio (300 unidades y 500 unidades), en los niveles de
precio más bajos ($58.80 y $57.00):
44
La mejor cantidad de compra es de 500 unidades, con la cual se obtiene el mayor

descuento. Sin embargo, la solución no siempre funciona así. Cuando los descuentos son
pequeños, el costo de manejo de inventario H es considerable, la demanda D es pequeña y
los tamaños del lote más reducidos funcionan mejor, aunque se renuncie a descuentos en el
precio.
TALLER DE APLICACIÓN
1. El equipo Bucks de la liga mayor de béisbol rompe cuatro bates por semana, en
promedio. El equipo compra sus bates de béisbol a Corkys, un fabricante que se distingue
porque tiene acceso a la mejor madera maciza. El costo de hacer el pedido es de $70 y el
costo anual del manejo de inventario por bat y por año representa el 38% del precio de
compra. La estructura de precios de Corkys es la siguiente:
a. ¿Cuántos bates debería comprar el equipo en cada pedido?
b. ¿Cuál es el total de los costos anuales asociados a la mejor cantidad de pedido?
2. La librería universitaria de una gran institución estatal compra lapiceros mecánicos a un

mayorista. Éste le ofrece descuentos cuando los pedidos son grandes, de acuerdo con el
siguiente plan de precios:
La librería ha supuesto que la demanda anual será de 500 unidades. Hacer un pedido le
cuesta $10 y el costo anual por manejo de inventario de una unidad es equivalente al 10%
del precio de la misma. Determine cuál es la mejor cantidad del pedido.
Lección 9: MODELOS DE LOTE DE PRODUCCIÓN Y EL SISTEMA DE

CLASIFICACIÓN ABC
MODELO DE LOTE DE PRODUCCIÓN
Hasta ahora habíamos supuesto que el pedido llegaba instantáneamente o que la producción
se reabastecía de inmediato. Sin embargo en la práctica una empresa manufacturera va
produciendo paulatinamente y a través del tiempo va vendiendo los artículos que le son
45
demandados. A continuación se explicara un modelo con el supuesto que la producción se

da paulatinamente a una tasa b, que es mayor que la demanda a.
Los costos que se considerarán son:
K : Costo de preparación para producir u ordenar un lote.
c : El costo de producir o comprar cada unidad.
h : El costo de mantenimiento de una unidad de inventario por unidad de tiempo.
Recordemos además:
b : Tasa de producción de los artículos
a : Tasa de demanda de los artículos.
b>a
Debemos hallar el costo total por unidad de tiempo ($/tiempo). Primero hallaremos los
costos únicamente para un ciclo, por lo que los costos estarán en ($).
Costo por ciclo de producción u ordenar = K + c Q

[$] + [$/ artículo ] * [artículo ] =[$]
46
47
Ejemplo:
Manufactura de bocinas para televisores.

1. Cada vez que se produce un lote, se incurre en un costo de preparación de $12000.
2. El costo unitario de producción de una sola bocina (excluyendo el costo de preparación)
es $10.
3. El costo de mantenimiento de una bocina en almacén es de $0.3 por mes.
4. La demanda es de 8000 bocinas mensuales.
5. La tasa de producción es de 14000 bocinas mensuales
48
Manufactura de bocinas para televisores debe producir 38643 bocinas cada 4.83 meses para
minimizar los costos de manejo de los inventarios.
EL sistema de clasificación ABC
Es una necesidad en casi todas las compañías saber la composición de sus inventarios. Es
por ello que existen formas de clasificarlos según su importancia.
El sistema de clasificación ABC nos ayuda a clasificar los inventarios en tres categorías:
A: Muy importantes.
B: Medianamente importantes.
C: Poco o nada importantes
Al aplicar el sistema de clasificación ABC es importante recordar lo expuesto por el

economista italiano Pareto referente a que el 20% más importante de la causa es la
responsable del 80% del efecto.
Aplicándolo a los inventarios se vería:
49
Un criterio de clasificación para determinar la importancia de los artículos dentro del

inventario es la cantidad promedio en dinero del artículo
(Cantidad en artículos promedio * Costo unitario).
Ejemplo:
Suponga que un almacén de cadena maneja 4 tipos de artículos: Electrodomésticos,

vestidos para hombres y mujeres, artículos comestibles, artículos de papelería.
En la siguiente tabla se resume la clasificación de los artículos:
50
Lección 10: MODELO ESTOCASTICO DE INVENTARIOS
Hasta el momento hemos venido suponiendo que la demanda es conocida y cierta. Modelo
de un período sin costo fijo sin embargo la mayoría de los casos nos muestran demandas
inciertas y desconocidas. Suponiendo que la demanda para un período es una variable
aleatoria, es posible conocer su distribución de probabilidad.
Ejemplo - Distribuidor de bicicletas
Un distribuidor mayorista de bicicletas compra bicicletas al fabricante para surtir las

diferentes tiendas en el oeste de los E.E.U.U existe incertidumbre sobre cuál será la
demanda de bicicletas por parte de las tiendas en cualquier mes, por lo que el distribuidor
se enfrenta a ¿Cuántas bicicletas debe ordenar al fabricante en un mes determinado?
El distribuidor ha analizado sus costos y ha determinado que los siguientes factores son
importantes:
1. Costo de ordenar:
51
2. Costo de mantenimiento: Costo de tener un inventario. Se ha estimado en $1 por

bicicleta-mes. Sin embargo las bicicletas tienen un valor de salvamento de $10 c/u. - $9 por
bicicleta que queda al final del mes.
3. Costo por faltantes: Costo por no tener una bicicleta disponible cuando se necesita se
considera despreciable en este ejemplo.
Según la terminología que hemos venido empleando:

K : 0 Costo de preparación
c : $ 20 / bicicleta Costo de adquisición
h : - $9 / bicicleta - mes Costo de mantenimiento
p : $ 45 / bicicleta Precio de venta
Vamos a adoptar el criterio de maximización del ingreso neto para la formulación del
modelo
Definamos
y : Cantidad comprada por el distribuidor al fabricante
D : Cantidad demandada por las tiendas al distribuidor
Ingreso neto = p * cantidad vendida por el distribuidor
- c * cantidad comprada por el distribuidor
- h * cantidad no vendida y liquidada al valor de recuperación
52
53
54
55
ACTIVIDADES DE AUTOEVALUACIÓN DE LA UNIDAD
1. Escriba dentro del paréntesis la letra a la cual corresponde la definición.
2. Mac-in-the-Box, Inc., vende equipo de computadoras mediante pedidos que los clientes
hacen por teléfono y por correo. Mac vende 1200 escáneres de cama plana cada año. El
costo del pedido es de $300 y el costo anual del manejo de inventario representa el 16% del
precio del artículo. El fabricante del escáner le ha propuesto la siguiente estructura de
precios a Mac-in-the-Box.
¿Con qué cantidad del pedido se logra minimizar el total de los costos anuales?
56
3. enuncie cuatro características de los Modelos E.O.Q.
4. Indique el significado de los siguientes símbolos.
 K
 C
 H
 B
 Q*
 I
 D
57
FUENTES DOCUMENTALES DE LA UNIDAD 1
 Bernstein, Peter L. (1998). Against the Gods, the remarkable story of risk. USA, John
Wiley.
 Hanke, John E.; Wichern, Dean W. & Reitsch, Arthur G. (2001). Business Forecasting.
Seventh Edition. USA, New Jersey: Prentice Hall
 Makridakis, Spyros. (1993). Pronósticos. Estrategia y Planificación para el siglo XXI.
Madrid, España: Ediciones Díaz de Santos, S.A.
 Sanjay K. Bose. An Introduction to queueing systems, Kluwer Academic/Plenum

Publishers, 2002.
 Frederick S. Hillier, Gerald J. Lieberman Introduction to operations research,

McGraw-Hill, 1995.
 Hisashi Kobayashi Modeling and analysis : an introduction to system

performance evaluation methodology, Addison-Wesley, 1978.
 Stephen S. Lavenberg, [editors] Computer performance modeling handbook,

Academic Press, 1983.
 Wayne L. Winston Operations research : applications and algorithms,

Brooks/Cole - Thomson Learning, 2004.
58
UNIDAD 2
Nombre de la Unidad Cadenas de Markov, teoría de colas y programación no

lineal
Introducción
El análisis de Markov tuvo su origen en los estudios de

A.A.Markov(1906-1907) sobre la secuencia de los
experimentos conectados en cadena y los intentos de
descubrir matemáticamente los fenómenos físicos
conocidos como movimiento browiano. La teoría general
de los procesos de Markov se desarrollo en las décadas
de 1930 y 1940 por A.N.Kolmagoron, W.Feller, W.Doeblin,
P.Levy, J.L.Doob y otros.
El análisis de Markov es una forma de analizar el

movimiento actual de alguna variable, a fin de pronosticar
un movimiento futuro de la misma.
Las "colas" son un aspecto de la vida moderna que nos

encontramos continuamente en nuestras actividades
diarias. En el contador de un supermercado, accediendo
al Metro, en los Bancos, etc., el fenómeno de las colas
surge cuando unos recursos compartidos necesitan ser
accedidos para dar servicio a un elevado número de
trabajos o clientes.
En matemáticas, Programación no lineal (PNL) es el

proceso de resolución de un sistema de igualdades y
desigualdades sujetas a un conjunto de restricciones
sobre un conjunto de variables reales desconocidas, con
una función objetivo a maximizar, cuando alguna de las
restricciones o la función objetivo no son lineales.
Justificación
El estudio de las colas es importante porque proporciona
tanto una base teórica del tipo de servicio que podemos
esperar de un determinado recurso, como la forma en la
cual dicho recurso puede ser diseñado para proporcionar
un determinado grado de servicio a sus clientes.
Debido a lo comentado anteriormente, se plantea como
algo muy útil el desarrollo de una herramienta que sea
capaz de dar una respuesta sobre las características que
tiene un determinado modelo de colas.
59
Intencionalidades  Valorará la importancia que tiene los métodos

Formativas estudiados en situaciones organizacionales para las
empresas en el mundo moderno.
 Planteará y resolverá problemas en diferentes campos
del saber, haciendo un proceso de abstracción de
escenarios conocidos a escenarios desconocidos de
las temáticas estudiadas.
Denominación de Capitulo 3 Cadenas de Markov

capítulos Capitulo 4 Modelos de líneas de espera
Capitulo 5 Programación no lineal
60
CAPITULO 3: CADENAS DE MARKOV
Lección 11: CADENAS DE EVENTOS
ANALISIS DE MARKOV
Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que ocurra un
evento depende del evento inmediato anterior. En efecto, las cadenas de este tipo tienen
memoria. “Recuerdan” el último evento y esto condiciona las posibilidades de los eventos
futuros. Esta dependencia del evento anterior distingue a las cadenas de Markov de las
series de eventos independientes, como tirar una moneda al aire o un dado.
En los negocios, las cadenas de Markov se han utilizado para analizar los patrones de
compra de los consumidores, para pronosticar las concesiones por deudores morosos, para
planear las necesidades de personal y para analizar el reemplazo de equipo. Aunque no es
una herramienta que se use mucho, el análisis de Markov puede proporcionar información
importante cuando es aplicable.
El análisis de Markov, llamado así en honor de un matemático ruso que desarrollo el

método en 1907, permite encontrar la probabilidad de que un sistema se encuentre en un
estado en particular en un momento dado. Más importante aún, permite encontrar el
promedio a la larga o las probabilidades de estado estable para cada estado. Con esta
información se puede predecir el comportamiento del sistema a través del tiempo.
Un tipo especial de procesos estocásticos de tiempo discreto se llama cadena de Markov.

Para simplificar nuestra presentación supondremos que en cualquier tiempo, el proceso
estocástico de tiempo discreto puede estar en uno de un número finito de estados
identificados por 1.2,..., s.
DEFINICIÓN Un proceso estocástico de tiempo discreto es una cadena de Markov si, para
t = 0,1,2,... y todos los estados,
(1) P(Xt+1 = i t+1 \ X t = i t,. Xt-1= it-1, …, X1 = i1, X 0= i0) = P(Xt+1 = i t+1 \ X t = i)
En esencia, la ecuación (1) dice que la distribución de probabilidad del estado en el tiempo
t + 1 depende del estado en el tiempo t(i) y no depende de los estados por los cuales pasó la
cadena para llegar a i, en el tiempo t.
En el estudio de las cadenas de Markov haremos la hipótesis adicional que para lodos los
estados i y j, y toda t, P(Xt+1 = i \ X t = j ) es independiente de t. Esta hipótesis permite
escribir
61
(2) P(Xt+1 = i \ X t = j ) = pij
donde pij es la probabilidad de que dado que el sistema está en el estado i en el tiempo t, el
sistema estará en el estado j en el tiempo t + 1. Si el sistema pasa del estado i durante un
periodo al estado j durante el siguiente, se dice que ha ocurrido una transición de i a j. Con
frecuencia se llaman probabilidades de transición a las pij en una cadena de Markov.
La ecuación (2) indica que la ley de probabilidad que relaciona el estado del siguiente
periodo con el estado actual no cambia. o que permanece estacionaria, en el tiempo. Por
este motivo, a menudo se llama Hipótesis de estabilidad a la ecuación (2). Toda cadena de
Markov que cumple con la ecuación (2) se llama cadena estacionionaria de Markov
El estudio de las cadenas de Markov también necesita que definamos qi como la

probabilidad de que la cadena se encuentre en el estado i en el tiempo 0; en otras palabras,
P(X0 = i) •= qi,. Al vector q = [q1, q2, ..., qs] se le llama distribución inicial de
probabilidad de la cadena de Markov. En la mayoría de las aplicaciones, las probabilidades
de transición se presentan como una matriz P de probabilidad de transición s x s. La matriz
de probabilidad de transición P se puede escribir como
Dado que el estado es i en el tiempo t, el proceso debe estar en algún lugar en el

tiempo t + 1. Esto significa que para cada i.
También sabemos que cada elemento de la matriz P debe ser no negativo. Por lo tanto,
todos los elementos de la matriz de probabilidad de transición son no negativos; los
elementos de cada renglón deben sumar 1.
62
Lección 12: DESCRIPCIÓN DE UNA CADENA DE MARKOV
La probabilidad de pasar de un evento a otro se llama probabilidad de transición, para

describir completamente una cadena de Markov es necesario saber el estado actual y todas
las probabilidades de transición.
Hay dos formas fáciles de exponer las probabilidades de transición:
1. DIAGRAMA DE ESTADOS: como el que muestra la figura, en ésta se ilustra un sistema de

Markov con dos estados posibles: s1 y s2. La probabilidad condicional o de transición de
moverse de un estado a otro se indica en el diagrama, por ejemplo la probabilidad de pasar
del estado s1 al estado s2 se señala como p12. Las flechas muestran las trayectorias de
transición que son posibles. La ausencia de algunas trayectorias significa que esas
trayectorias tienen probabilidad igual a cero.
2. MATRIZ DE TRANSICIÓN: Para el ejemplo anterior la matriz se muestra a continuación,

nótese que, como existen dos estados posibles, se necesitan 2x2 = 4 probabilidades.
También nótese que cada renglón de la matriz suma 1.esto se debe a que el sistema debe
hacer una transición.
63
EJERCICIOS PRACTICOS
1. Teniendo en cuenta el siguiente diagrama de estados, describa la matriz de transición

correspondiente.
2. teniendo en cuenta la siguiente matriz de transición describa el diagrama de estados

correspondiente.
3. Escriba las observaciones que puede hacer a partir del diagrama de estados o de la matriz
de transición en cada caso.
Lección 13: CÁLCULO DE LAS PROBABILIDADES DE TRANSICIÓN
Ahora que se sabe cómo presentar los datos, ¿ qué puede hacerse? Un análisis útil es
pronosticar el estado del sistema después de 1, 2, 3, o más periodos. Esto se llama análisis
de transición, debido a que es a corto plazo y está enfocado a periodos cortos.
EJEMPLO:
Considérese la siguiente cadena de Markov: una copiadora de oficina, poco segura. Si está
funcionando un día, existe un 75% de posibilidades de que al día siguiente funcione y un
64
25% de posibilidades de que no funcione. Pero si no está funcionando, hay 75% de

posibilidades de que tampoco funcione al día siguiente y sólo un 25% de que si lo haga (se
lleva mucho tiempo la reparación)
Para comenzar un análisis de transición, se deben conocer el estado actual.
Supóngase que se está comenzando y que hay 75% de posibilidades de estar en el estado 1
y 25% de estar en el estado 2. Esto define el estado actual en forma probabilística. ¿Cuál es
la probabilidad de que la copiadora al 4 día este funcionando?
SOLUCION:
ESTADOS: S1= La copiadora funcionando
S2= La copiadora no funcionando
X0= Representa la proporción de objetos en cada estado al inicio del proceso (vector inicial
de distribución probabilística)
ESTADO ACTUAL
X0= [X1, X2]= [0.75, 0.25]
Para hallar la probabilidad de que la copiadora este funcionando al 4 día es necesario

determinar las 3 probabilidades anteriores, ya que:
X4= x3.p
X3= x2.p
X2= x1.p
X1= x0.p
65
Xn= x0.pn esta ecuación representa la proporción de objetos en el estado i que realizan la
transición al estado j durante un período.
Entonces las probabilidades para el primer ciclo se calcularían así:
De esta forma se hallan las otras probabilidades de transición, el resultado final es:
Esto se puede interpretar asi: al cuarto día la probabilidad de funcionamiento de la

copiadora es de 51.56% si ella estaba funcionando. asi mismo 48.43% de probabilidades de
no funcionamiento.
TALLER
1. Dada la cadena de Markov siguiente:
66
Encuentre las probabilidades de transición para los 5 ciclos siguientes, teniendo en cuenta
que el sistema se encuentra en el estado 1.
2. Dada la siguiente matriz de tres estados.
a. dibuje el diagrama de estados.
b. Encuentre las probabilidades de transición para los siguientes tres ciclos suponiendo el
inicio en el estado B.
3. Un gerente de crédito estima que el 95% de aquellos que pagan sus cuentas a tiempo un
mes, también lo harán el siguiente mes, sin embargo, de aquellos que se tardan, solo la
mitad pagara a tiempo la próxima vez.
a. Si una persona paga a tiempo. ¿ Cuál es la probabilidad de que pagara a tiempo durante 6
meses desde ahora?
Lección 14: PROBABILIDADES DE ESTADO ESTABLE
APLICACIÓN A LA ADMINISTRACIÓN E INGENIERIA
Las compras de los consumidores están influidas por la publicidad, el precio y muchos
otros factores. Con frecuencia un factor clave es la última compra del consumidor. Si por
ejemplo, alguien compra un refrigerador maraca Y y le da un buen servicio, quedará
predispuesto a comprar otro refrigerador marca Y.
De hecho, una investigación de mercado puede determinar el grado de lealtad a la marca

encuestando a los consumidores. En términos de una cadena de Markov, los resultados de
la investigación son las probabilidades de transición de seguir con la marca o de cambiar.
Ejemplo, cambio de marca, la marca A es la marca de interés y la marca B representa todas

las demás marcas. Los clientes son bastante leales, el 80% de ellos son clientes que repiten.
La oposición conserva el 70% de sus clientes.
67
¿ Qué información puede obtenerse con el análisis de Markov? Con el análisis de transición
puede descubrirse que tan probable es que un cliente cambie después de cierto número de
ciclos. Pero el análisis de estado estable es el más útil. ¿Qué interpretación daría usted del
promedio a largo plazo de estar en cualquiera de los estados? ¡La de porcentajes de
mercado! El promedio a la larga del estado A es el porcentaje de mercado que puede
esperar recibir la marca A. Así, conociendo el grado de lealtad a la marca entre los clientes
puede predecirse el porcentaje de mercado para el producto o servicio.
El desarrollo o cálculo de las probabilidades de estado estable para el ejemplo anterior se

realizan a continuación:
Matriz de transición (cambio de marca)
Marca A Marca B
Marca A 0.8 0.2
Marca B 0.3 0.7
Las distribuciones de estado límite o estable representan las proporciones aproximadas de

objetos en los diferentes estados de una cadena de Markov, después de un gran número de
periodos.
La matriz limite L tiene dos renglones idénticos, siendo la suma de sus componentes igual a
la unidad.
Se calculan utilizando la siguiente expresión:
[ x1,x2].P = [ x1,x2]
[ x1,x2]. 0.8 0.2 = [ x1,x2]
0.3 0.7
Resultan 2 ecuaciones:
0.8x1+0.3x2= x1
0.2x1+0.7x2= x2
Y una tercera ecuación, clave para hallar la solución del sistema es:
X1+x2=1
68
De las dos primeras ecuaciones escogemos 1, pues las dos resultan ser la misma, para
trabajarla con la tercera. Utilizamos cualquier método de solución de sistemas de
ecuaciones, como reducción, igualación o sustitución.
La solución del sistema es:
X1= 0.6
X2= 0.4
Lo que significa que la marca A capturará a la larga el 60% del mercado y las otras marcas
tendrán el 40%.
Esta información puede ser útil en muchas formas. Una de ellas es al evaluar las diferentes
estrategias de publicidad. Esta publicidad puede estar dirigida a los clientes actuales en un
esfuerzo para incrementar la lealtad a la marca. De otra manera, puede dirigirse a los
compradores de otras marcas con el fin de persuadirlos para cambiar. ¿Cómo debe
asignarse un presupuesto de publicidad entre estas dos alternativas? El análisis de Markov
puede proporcionar una respuesta si se dispone de cierta información adicional.
TALLER
1. Dada la cadena de Markov siguiente:
Encuentre las probabilidades de estado estable.
2. Dada la siguiente matriz de tres estados.
Encuentre las probabilidades de estado estable.
69
3. Un gerente de crédito estima que el 95% de aquellos que pagan sus cuentas a tiempo un
mes, también lo harán el siguiente mes, sin embargo, de aquellos que se tardan, solo la
mitad pagara a tiempo la próxima vez.
A la larga ¿Cuál es la proporción de cuentas pagadas a tiempo?
Lección 15: Aplicaciones
PROBLEMA RESUELTO
Formúlese como una cadena de Markov el siguiente proceso. El fabricante de dentífrico

Brillo controla actualmente 60% del mercado de una ciudad. Datos del año anterior
muestran que 88% de consumidores de brillo continúan usándola, mientras que 12% de los
usuarios de brillo cambiaron a otras marcas. Además, 85% de los usuarios de la
competencia permanecieron leales a estas otras marcas, mientras que 15% restante cambió
a brillo. Considerando que estas tendencias continúan, determínese la parte del mercado
que corresponde a brillo: a) en 3 años, y b) a largo plazo.
Se considera como estado 1 al consumo de brillo y al estado 2 como el consumo de una

marca de la competencia. Entonces, p11, probabilidad de que un consumidor de brillo
permanezca leal a brillo, es 0.88; p12, la probabilidad de que un consumidor de brillo
cambie a otra marca es de 0.12;p21, probabilidad de que el consumidor de otra marca
cambie a brillo, es 0.15; p22, probabilidad de que un consumidor de otra marca permanezca
leal a la competencia, es 0.85. La matriz estocástica definida por estas probabilidades de
transición es:
El vector inicial de distribución probabilística es X0 = ( 0.60, 0.40 ), donde los componentes

x10 = 0.60 y x20 = 0.40 representan las proporciones de personas inicialmente en los estados
1 y 2, respectivamente.
SOLUCIÓN:
Las probabilidades para los primeros ciclos se calculan así:
70
según esto a brillo le corresponde en el primer año 58.8% del mercado, al segundo año
57.9% y al tercer año 57.26%.
A largo plazo el proceso sería:
Las distribuciones de estado límite o estable representan las proporciones aproximadas de

objetos en los diferentes estados de una cadena de Markov, después de un gran número de
periodos.
La matriz limite L tiene dos renglones idénticos, siendo la suma de sus componentes igual a
la unidad.
Se calculan utilizando la siguiente expresión:
[ x1,x2].P = [ x1,x2]
[ x1,x2]. 0.88 0.12 = [ x1,x2]
0.15 0.85
71
Resultan 2 ecuaciones:
0.88x1+0.15x2= x1
0.12x1+0.85x2= x2
Y una tercera ecuación, clave para hallar la solución del sistema es:
X1+x2=1
De las dos primeras ecuaciones escogemos 1, pues las dos resultan ser la misma, para
trabajarla con la tercera. Utilizamos cualquier método de solución de sistemas de
ecuaciones, como reducción, igualación o sustitución.
La solución del sistema es:
X1= 0.55
X2= 0.45
Lo que significa que la marca brillo capturará a la larga el 55% del mercado y las otras
marcas tendrán el 45%.
Esta información puede ser utilizada para realizar campañas de publicidad encaminadas a
mantener o mejor subir la fidelidad de los clientes antiguos y a ganar clientes nuevos.
PROBLEMAS DE APLICACIÓN
1.Las uvas del valle de sonoma se clasifican como superiores, regulares o malas. Después
de una cosecha superior, las probabilidades de tener durante el siguiente año una cosecha
superior, regular o mala son de: 0, 0.8 y 0.2 respectivamente. Después de una cosecha
regular, las probabilidades de que la siguiente cosecha sea superior, regular y mala son de
0.2, 0.6 y 0.2. Después de una mala cosecha, las probabilidades de una cosecha superior,
regular y mala son de 0.1, 0.8 y 0.1. Determínense las probabilidades de una cosecha
superior para cada uno de los siguientes cinco años. si la cosecha más reciente fue regular.
2.Una línea aérea con un vuelo a las 7:15 p.m entre la ciudad de Nueva York y la ciudad de
washington,D.C; No desea que el vuelo salga retrasado dos días consecutivos. Si el vuelo
sale retrasado un día, la línea aérea realiza un esfuerzo especial al día siguiente para que el
vuelo salga a tiempo, y lo logra 90% de las veces. Si el vuelo no salió con retraso el día
anterior, la linea aérea no realiza arreglos especiales, y el vuelo parte de acuerdo con lo
programado el 60% de las veces. ¿ Que porcentaje de veces parte con retraso el vuelo?.
72
3. El departamento de comercialización de la marca X hizo una investigación y encontró

que, si un cliente compro su marca, existe un 70% de posibilidades de que la compre de
nuevo la próxima vez. por otro lado, si la última compra fue de otra marca, entonces se
escoge la marca X solo el 20% del tiempo. ¿ Cuál es el porcentaje de mercado que puede
pronosticarse a la larga para la marca X?.
73
AREA:
Escuela de Ciencias Básicas Tecnología e
Ingeniería
ESTADÍSTICA
CIENCIAS BÁSICAS
UNIDAD: Cadenas de Markov, teoría de colas y programación no lineal

CURSO:
CAPÍTULO: Cadenas de Markov
Métodos LECCIÓN: cálculo de las probabilidades de transición

probabilísticos
NUMERO DE LA PRÁCTICA 2
NOMBRE DE LA PRÁCTICA Cadenas de Markov
NOMBRE DEL SOFTWARE WinQsb
Libre: ______x_____ Licenciado: _____________
Aspectos Teóricos:
Las cadenas de Markov se incluyen dentro de los denominados procesos estocásticos.

Dichos estudian el comportamiento de variables aleatorias a lo largo del tiempo X(t,w). Se
definen como una colección de variables aleatorias {X(t,w), t  I}, donde X (t,w) puede
representar por ejemplo los niveles de inventario al final de la semana t. El interés de los
procesos estocásticos es describir el comportamiento de un sistema e operación durante
algunos periodos.
Los procesos estocásticos se pueden clasificar atendiendo a dos aspectos: si el espacio de

estados posibles de la variable aleatoria contiene valores discretos o continuos y de si los
valores del tiempo son discretos o continuos.
Las cadenas de Markov es un proceso estocástico en el que los valores del tiempo son
discretos y los estados posibles de la variable aleatoria contienen valores discretos, es
decir, es una cadena estocástica de tiempo discreto.
74
Las cadenas de Markov, se clasifican, además, dentro de los procesos estocásticos de

Markov, que son aquellos en el que el estado futuro de un proceso es independiente de los
estados pasados y solamente depende del estado presente. Por lo tanto las probabilidades de
transición entre los estados para los tiempos k-1 y k solamente depende de los estados que
la variable adquiere dichos tiempos.
La idea es determinar las probabilidades de ocurrencia de eventos que dependen de las

probabilidades de ocurrencia del evento anterior y también más importante poder
determinar las probabilidades a largo plazo de los eventos.
Ejemplo 1:
Una copiadora que hoy se encuentra funcionando tiene una probabilidad de que el día de
mañana funcione correctamente de 65%. Pero si la copiadora hoy no está funcionando
existe un 40% de probabilidades de que mañana funcione. Nos interesa determinar en esta
cadena de Markov las probabilidades de encontrar la copiadora funcionando después de 1 o
varios días, teniendo en cuenta que como estado inicial vamos a suponer que la copiadora
está funcionando hoy. También determinaremos las probabilidades de estado estable que
significan las probabilidades de encontrar la copiadora funcionando después de n ciclos que
en nuestro caso son días.
Solución:
Utilice el modulo del winqsb titulado: Markov process
Luego seleccione file:
Nos dará la opción de elegir new problem, para introducir los datos de un nuevo ejercicio.
Luego nos aparece el siguiente pantallazo, en donde vamos a darle un titulo al problema y
colocamos también el número de estados, para nuestro ejemplo serán 2(la copiadora
funcionando y la copiadora no funcionando) y le damos ok.
75
Al darle ok nos dara la opción de introducir los datos del ejercicio, que corrersponden a la
matriz de transición. En este caso es:
S1: Estado 1, la copiadora funcionando

S2: Estado 2, la copiadora no funcionando
Matriz de transición
S1 S2
76
S1 0,65 0,35
S2 0,40 0,60
Entonces
Hay que resaltar que se debe colocar las probabilidades iniciales, en nuestro caso las que
corresponden al estado 1, según el enunciado del ejercicio.
Luego procedemos a resolver utilizando solve and analyse que encontramos en la barra
superior y elegimos markov process step
Obtenemos la siguiente tabla:
En esta casilla se coloca el numero de periodos que se quieren proyectar, en este caso
colocamos 1. El resultado que obtenemos 0,5625 corresponde a la probabilidad de
encontrar funcionando la copiadora al dia siguiente y 0,4375 de no estar funcionando si
tenemos en cuenta que la copiadora inicio funcionando.
Bastaria con variar este número para calcular las probabilidades de 2,3, 0 más periodos.
77
Asi mismo hallamos la probabilidad de estado estable asignando por ejemplo el valor de
100 o eligiendo la opción steady state, que para nuestro ejemplo nos daria los siguientes
resultados:
Los que indica la flecha, es decir que a la larga la probabilidad de encontrar la copiadora
funcionando es de 53,33% y de no estar funcionando de 46,66%. Es de anotar que para el
cálculo de estas probabilidades no se necesita de un estado inicial, sea el valor que fuera
nos daría a largo plazo el mismo resultado.
Ejercicios de aplicación
1. En un pueblo, al 90% de los días soleados le siguen días soleados, y al 80% de los días
nublados le siguen días nublados. Con esta información modelar el clima del pueblo
como una cadena de Markov. Determinar la probabilidad de tener un día soleado al
tercer día si hoy tenemos un día nublado. A largo plazo ¿cuál es la probabilidad de
tener días soleados?
2. Un agente comercial realiza su trabajo en tres ciudades A, B y C. Para evitar

desplazamientos innecesarios está todo el día en la misma ciudad y allí pernocta,
78
desplazándose a otra ciudad al día siguiente, si no tiene suficiente trabajo. Después de

estar trabajando un día en C, la probabilidad de tener que seguir trabajando en ella al
día Siguiente es 0,4, la de tener que viajar a B es 0,4 y la de tener que ir a A es 0,2. Si
el viajante duerme un día en B, con probabilidad de un 20% tendrá que seguir
trabajando en la misma ciudad al día siguiente, en el 60% de los casos viajará a C,
mientras que irá a A con probabilidad 0,2. Por último si el agente comercial trabaja
todo un día en A, permanecerá en esa misma ciudad, al día siguiente, con una
probabilidad 0,1, irá a B con una probabilidad de 0,3 y a C con una probabilidad de
0,6.
a) Si hoy el viajante está en C, ¿cuál es la probabilidad de que también tenga que

trabajar en C al cabo de cuatro días?
b) ¿Cuales son los porcentajes de días en los que el agente comercial está en cada una
de las tres ciudades?
CAPITULO 4: MODELOS DE LÍNEAS DE ESPERA
TEORIA DE LÍNEAS DE ESPERA
Con el objeto de verificar si una situación determinada del sistema de líneas de espera se
ajusta o no a un modelo conocido, se requiere de un método para clasificar las líneas de
espera. Esa clasificación debe de responder preguntas como las siguientes:
1.-¿ El sistema de líneas de espera tiene un solo punto de servicio o existen varios puntos de
servicio en secuencia?
2.-¿Existe solo una instalación de servicio o son múltiples las instalaciones de servicio que
pueden atender a una unidad?
3.- ¿ Las unidades que requieren el servicio llegan siguiendo algún patrón o llegan en forma
aleatoria?
4.- ¿El tiempo que requieren para el servicio se da en algún patrón de o asume duraciones
aleatorias de tiempo?
Lección 16: CONCEPTOS GENERALES
INTRODUCCIÓN
En muchas ocasiones en la vida real, un fenómeno muy común es la formación de colas o

líneas de espera. Esto suele ocurrir cuando la demanda real de un servicio es superior a la
capacidad que existe para dar dicho servicio. Ejemplos reales de esa situación son: los
cruces de dos vías de circulación, los semáforos, el peaje de una autopista, los cajeros
79
automáticos, la atención a clientes en un establecimiento comercial, la avería de

electrodomésticos u otro tipo de aparatos que deben ser reparados por un servicio técnico,
etc todavía más frecuentes, si cabe, son las situaciones de espera en el contexto de la
informática, las telecomunicaciones y, en general, las nuevas tecnologías. Así, por ejemplo,
los procesos enviados a un servidor para ejecución forman colas de espera mientras no son
atendidos, la información solicitada, a través de Internet, a un servidor Web puede recibirse
con demora debido a congestión en la red o en el servidor propiamente dicho, podemos
recibir la señal de líneas ocupadas si la central de la que depende nuestro teléfono móvil
está colapsada en ese momento, etc.
JUSTIFICACION
La teoría de las colas se ocupa del análisis matemático de los fenómenos de

las líneas de espera o colas. Las colas se presentan con frecuencia cuando de solicita un
servicio por parte de una serie de clientes y tanto el servicio como los clientes son de tipo
probabilístico. La teoría de las colas no pretenden en ningún momento resolver
directamente el problema de la espera en colas sino mas bien describe la situación que
presenta una cola a través del tiempo y extrae lo que bien se podría llamar las
características operacionales de la cola. Alguna de estas características son el número
promedio de clientes en la cola, su tiempo de espera en la cola, el porcentaje de tiempo que
el despachador esta ocupado, etc. Debido al carácter básico de estas teorías nos limitaremos
a hacer una exposición de los modelos mas elementales sin entrar estrictamente a
considerar la labor de optimización de los sistemas que representan.
OBJETIVOS
 Identificar el nivel óptimo de capacidad del sistema que minimiza el costo global
del mismo.
 Evaluar el impacto que las posibles alternativas de modificación de la capacidad del

sistema tendrían en el coste total del mismo.
 Establecer un balance equilibrado (“óptimo”) entre las consideraciones cuantitativas

de costes y las cualitativas de servicio.
 Hay que prestar atención al tiempo de permanencia en el sistema o en la cola: la

“paciencia” de los clientes depende del tipo de servicio específico considerado y eso
puede hacer que un cliente “abandone” el sistema.
LECTURA AUTOREGULADA
UNA VISITA A DISNEY
80
¿Qué tan popular es Disney World en Orlando, Florida? Desde que abrió en 1971, 200
millones de personas han visitado Disney World, y esperan en filas Para tener acceso a sus
muchas atracciones.
Lo administración de Disney Pone mucha atención a la forma en que trata a sus clientes
mientras esperan en las colas.
En la ciencia de la administración. Las filas se conocen a menudo como colas, y la teoría de

colas se aplica a muchas estructuras diferentes- En Disney world, por ejemplo, los
visitantes forman una fila para tener acceso al paseo con el Capitán Nemo, mientras que los
mismos submarinos del Capitán Nomo hacen cola mientras bajan y suben, a los pasajeros -
Qué también atiende las filas y a las personas es algo crítico para el negocio de Disney,
Norm Doerges, directora de Epcot (que es parte de Disney World). analiza cómo Epcot fue
diseñada. Primero, los investigadores de Disney recolectaron datos acerca del modo en que
las personas pasan su tiempo en el parque. ¿Cuánto tiempo esperan en una fila? ¿Cuánto
tiempo realmente invierten en las atracciones? ¿Cuánto tiempo pasan comiendo? ¿Cuánto
tiempo les lleva decidirse sobre qué hacer a continuación? Segundo, Disney pide a sus
clientes su opinión acerca de cuánto tiempo estañan dispuestos a esperar para tener acceso a
las diferentes atracciones y servicios. Los diseñadores deo Epcot entonces construyeron un
modelo para simular sucesos y el flujo de tráfico en el parque. teniendo en mente la
eliminación de las esperas largas. Tomar en consideración las necesidades de los clientes en
la etapa de diseño, significa que Epcot podría evitar el hacer cambios caros a gran escala en
el parque después de que fuera construido.
PREGUNTAS SOBRE EL CASO
1. ¿Cuánto tiempo estaban dispuestos a esperar los clientes de Disney World para tener
acceso a las atracciones más populares? ¿Qué factores influyeron en sus decisiones?
2. Comente sobre la forma en que Disney revisa sus colas y con qué frecuencia lo hace.
3. ¿Qué tipos de datos objetivos y subjetivos recaba Disney para su modelo de simulación?
Más allá del caso
1. ¿Por qué los supermercados no utilizan el sistema de una sola fila que se ve en la
mayoría da los bancos?
2 ¿Qué ahorro en costos pueden resultar del uso de un modelo de colas para decidir cuántos
servidores controladores, cajeros, etcétera) tener trabajando?
Lección 17: ANTECEDENTES
ANTECEDENTES
81
El origen de la Teoría de Colas está en el esfuerzo de Agner Kraup Erlang (Dinamarca,

1878 - 1929) en 1909 para analizar la congestión de tráfico telefónico con el objetivo de
cumplir la demanda incierta de servicios en el sistema telefónico de Copenhague. Sus
investigaciones acabaron en una nueva teoría denominada teoría de colas o de líneas de
espera. Esta teoría es ahora una herramienta de valor en negocios debido a que un gran
número de problemas pueden caracterizarse, como problemas de congestión llegada-salida.
En los problemas de formación de cola, a menudo se habla de clientes, tales como personas
que esperan la desocupación de líneas telefónicas, la espera de máquinas para ser reparadas
y los aviones que esperan aterrizar y estaciones de servicios, tales como mesas en un
restaurante, operarios en un taller de reparación, pistas en un aeropuerto, etc. Los
problemas de formación de colas a menudo contienen una velocidad variable de llegada de
clientes que requieren cierto tipo de servicio, y una velocidad variable de prestación del
servicio en la estación de servicio. Cuando se habla de líneas de espera, se refieren a las
creadas por clientes o por las estaciones de servicio. Los clientes pueden esperar en cola
simplemente porque los medios existentes son inadecuados para satisfacer la demanda de
servicio; en este caso, la cola tiende a ser explosiva, es decir, a ser cada vez más larga a
medida que transcurre el tiempo. Las estaciones de servicio pueden estar esperando por que
los medios existentes son excesivos en relación con la demanda de los clientes; en este
caso, las estaciones de servicio podrían permanecer ociosas la mayor parte del tiempo. Los
clientes puede que esperen temporalmente, aunque las instalaciones de servicio sean
adecuadas, por que los clientes llegados anteriormente están siendo atendidos.
Las estaciones de servicio pueden encontrar temporal cuando, aunque las instalaciones sean
adecuadas a largo plazo, haya una escasez ocasional de demanda debido a un hecho
temporal. Estos dos últimos casos tipifican una situación equilibrada que tiende
constantemente hacia el equilibrio, o una situación estable. En la teoría de la formación de
colas, generalmente se llama sistema a un grupo de unidades físicas, integradas de tal modo
que pueden operar al unísono con una serie de operaciones organizadas. La teoría de la
formación de colas busca una solución al problema de la espera prediciendo primero el
comportamiento del sistema. Pero una solución al problema de la espera consiste en no solo
en minimizar el tiempo que los clientes pasan en el sistema, sino también en minimizar los
costos totales de aquellos que solicitan el servicio y de quienes lo prestan.
La teoría de colas incluye el estudio matemático de las colas o líneas de espera y provee un
gran número de modelos matemáticos para describirlas. Se debe lograr un balance
económico entre el costo del servicio y el costo asociado a la espera por ese servicio. La
teoría de colas en sí no resuelve este problema, sólo proporciona información para la toma
de decisiones.
Lección 18: CARACTERÍSTICAS DE UN SISTEMAS DE COLAS
Población de Clientes:
Conjunto de todos los clientes posibles de un sistema de colas
Proceso de llegada:
La forma en que los clientes de la población llegan a solicitar un servicio
82
Proceso de colas:
La forma en que los clientes esperan a que se les dé un servicio
Disciplina de colas:
La forma en que los clientes son elegidos para proporcionarles un servicio.
Proceso de servicio:
Forma y rapidez con que son atendidos los clientes
Proceso de Salida:
Forma en que los productos o los clientes abandonan un sistema de colas
Sistema de colas de un paso:

Sistema en el cual los productos o los clientes abandonan el sistema después de ser
atendidos en un solo centro o estación de trabajo.
Red de colas:
Sistema en el que un producto puede proceder de una estación de trabajo y pasar a otra
antes de abandonar el sistema.
83
ELEMENTOS EXISTENTES EN UN MODELO DE COLAS
84
Para describir una cola se deben especificar un proceso de entrada y uno de salida. En la
siguiente tabla se presentan algunos ejemplos de procesos de entrada y salida.
CASO PROCESO DE ENTRADA PROCESO DE SALIDA

Los clientes llegan al banco.
Los cajeros despachan a los
Banco
clientes
Se reciben pedidos de La pizzería manda una
Pizzería pizzas. motocicleta para entregar
pizzas.
Llegan bolsas de sangre. Los pacientes usan bolsas de
Banco de sangre en hospital
sangre.
Se descomponen los barcos Se reparan los barcos y
Astillero naval en el mar y se mandan al regresan al mar.
astillero a reparación.
Llegan las reses para ser Se despacha la carne para el
Frigorífico
sacrificadas consumo humano.
EL PROCESO DE LLEGADA
El proceso de entrada se conoce, por lo general, por proceso de llegada. La llegada son los
clientes. En todos los modelos que estudiamos, suponemos que solo hay una llegada en un
instante dado. En el caso de un restaurante, es una suposición muy poco real. Si sucede que
hay más de una llegada en un instante dado, decimos que se permiten llegadas en masa.
En general, suponemos que el proceso de llegada no es afectado por el número de clientes

presentes en el sistema. En el contexto de un banco, esto significaría que el proceso que
gobierna las llegadas no cambia, haya 5 o 500 personas en la cola.
Hay dos casos comunes en los que el proceso de llegada puede depender del número
presente de clientes. El primero se da cuando las llegadas se toman de una población
pequeña. Suponga que solo hay cuatro barcos en un astillero naval. Si los cuatro están en
reparación, entonces ningún barco se puede descomponer en el futuro cercano. Por otro
lado, si los cuatro barcos están en el mar, en el futuro cercano hay una probabilidad
relativamente alta de que suceda una descompostura.
Los modelos en los que las llegadas se toman de una población pequeña se llaman modelos
de origen finito. Otro caso en el que el proceso de llegada depende del número de clientes
presentes, se tiene cuando la rapidez a la que llegan los clientes a la instalación disminuye
cuando está demasiado concurrida. Por ejemplo, si el lector ve que el estacionamiento del
banco está lleno, podría pasar e ir otro día al banco. Si un cliente llega, pero no puede entrar
al sistema, decimos que el cliente ha declinado. El fenómeno de declinación (denegar o no
aprovechar su turno) fue explicado por Yogi Berra cuando dijo: "Nadie va ya al restaurante;
está demasiado concurrido."
85
Si al proceso de llegadas no lo afecta el número de clientes presentes, lo expresamos

normalmente especificando una distribución de probabilidad que gobierne el tiempo entre
llegadas sucesivas.
PROCESO DE SALIDA O DE SERVICIO
Para describir el proceso de salida, que con frecuencia se llama proceso de servicio, de un
sistema de cola, en general especificamos una distribución de probabilidad; la distribución
del tiempo de servicio, que gobierna el tiempo de servicio a un cliente. En la mayor parle
de los casos suponemos que la distribución de tiempo de servicio es independiente del
número de clientes presentes. Esto significa, por ejemplo, que el servidor no trabaja más
rápido cuando hay más clientes.
En este capítulo estudiaremos dos acomodos de servidores: servidores en paralelo y

servidores en serie. Los servidores están en paralelo si todos ellos dan el mismo tipo de
servicio y un cliente sólo necesita pasar por un servidor para completar su servicio. Por
ejemplo, los cajeros de un banco están organizados generalmente en paralelo; cualquier
cliente sólo necesita ser atendido por un cajero, y cualquier cajero puede llevar a cabo el
servicio deseado. Los servidores están en serie si un cliente debe pasar por varios de ellos
antes de completar el servicio.
Un ejemplo de un sistema de cola en serie es una línea de ensamble.
DISCIPLINA DE LA COLA
Para explicar por completo un sistema de cola, también debemos explicar la disciplina de la
cola y la manera en la que los clientes se unen a ella.
La disciplina de la cola es el método que se usa para determinar el orden en el que se sirve a
los clientes. La disciplina más común es la disciplina FIFO (el primero en llegar primero en
ser servido), en la que los clientes son servidos en el orden de su llegada. Bajo la disciplina
LIFO (último en llegar, primero en ser servido), las llegadas más recientes son las primeras
en recibir el servicio. Si pensamos que la salida de un elevador sea un servicio, entonces un
elevador muy lleno ilustra una disciplina LIFO. A veces, el orden en el que llegan los
clientes no tiene efecto alguno sobre el orden en que se les sirve. Este sería el caso si el
siguiente cliente en llegar se selecciona al azar de entre los que están esperando para ser
atendidos. A este caso se le llama disciplina SEOA (servicio en orden aleatorio). Cuando al
llamar a una aerolínea se les pide que esperemos, la suerte de la selección determina con
frecuencia al siguiente interlocutor que es atendido por un operador.
MÉTODO UTILIZADO POR LAS LLEGADAS PARA UNIRSE A LA COLA
Otro factor que tiene un importante efecto sobre el comportamiento de un sistema de cola
es el método que usen los clientes para determinar a cuál cola unirse. Por ejemplo, en
algunos bancos los clientes deben hacer una sola cola, pero en otros, pueden escoger la cola
donde formarse. Cuando hay varias colas, con frecuencia los clientes se forman en la más
86
corla. Desafortunadamente en muchos casos, como en un supermercado, por ejemplo, es

difícil definir la cola más corta. Si hay varias colas en una instalación, es importante
conocer si se permite a los clientes cambiar de cola o no. En la mayor parte de los sistemas
con colas múltiples se permite el cambio, pero no se recomienda el cambio en una casilla
para peaje.
Fuente de entrada o población potencial:
Es un conjunto de individuos (no necesariamente seres vivos) que pueden llegar a solicitar
el servicio en cuestión. Podemos considerarla finita o infinita. Aunque el caso de infinitud
no es realista, sí permite (por extraño que parezca) Resolver de forma más sencilla muchas
situaciones en las que, en realidad, la población es finita pero muy grande. Dicha
suposición de infinitud no resulta restrictiva cuando, aún siendo finita la población
potencial, su número de elementos es tan grande que el número de individuos que ya están
solicitando el citado servicio prácticamente no afecta a la frecuencia con la que la población
potencial genera nuevas peticiones de servicio.
Cliente:
Es todo individuo de la población potencial que solicita servicio. Suponiendo que los
tiempos de llegada de clientes consecutivos son 0<t1<t2<..., será importante conocer el
patrón de probabilidad según el cual la fuente de entrada genera clientes. Lo más habitual
es tomar como referencia los tiempos entre las llegadas de dos clientes consecutivos:
consecutivos: clientes consecutivos: T{k} = tk - tk-1, fijando su distribución de
probabilidad. Normalmente, cuando la población potencial es infinita se supone que la
distribución de probabilidad de los Tk (que será la llamada distribución de los tiempos entre
llegadas) no depende del número de clientes que estén en espera de completar su servicio,
mientras que en el caso de que la fuente de entrada sea finita, la distribución de los Tk
variará según el número de clientes en proceso de ser atendidos.
Capacidad de la cola:
Es el máximo número de clientes que pueden estar haciendo cola (antes de comenzar a ser
servidos). De nuevo, puede suponerse finita o infinita. Lo más sencillo, a efectos de
simplicidad en los cálculos, es suponerla infinita. Aunque es obvio que en la mayor parte de
los casos reales la capacidad de la cola es finita, no es una gran restricción el suponerla
infinita si es extremadamente improbable que no puedan entrar clientes a la cola por
haberse llegado a ese número límite en la misma.
Disciplina de la cola:
Es el modo en el que los clientes son seleccionados para ser servidos. Las disciplinas más
habituales son:
La disciplina FIFO (first in first out), también llamada FCFS (first come first served): según
la cual se atiende primero al cliente que antes haya llegado.
87
La disciplina LIFO (last in first out), también conocida como LCFS (last come first served)
o pila: que consiste en atender primero al cliente que ha llegado el último.
La RSS (random selection of service), o SIRO (service in random order), que selecciona a
los clientes de forma aleatoria.
Mecanismo de servicio:
Es el procedimiento por el cual se da servicio a los clientes que lo solicitan. para determinar
totalmente el mecanismo de servicio debemos conocer el número de servidores de dicho
mecanismo (si dicho número fuese aleatorio, la distribución de probabilidad del mismo) y
la distribución de probabilidad del tiempo que le lleva a cada servidor dar un servicio. En
caso de que los servidores tengan distinta destreza para dar el servicio, se debe especificar
la distribución del tiempo de servicio para cada uno.
La cola:
Es el conjunto de clientes que hacen espera, es decir los clientes que ya han solicitado el
servicio pero que aún no han pasado al mecanismo de servicio.
El sistema de la cola:
Es el conjunto formado por la cola y el mecanismo de servicio, junto con la disciplina de la

cola, que es lo que nos indica el criterio de qué cliente de la cola elegir para pasar al
mecanismo de servicio. Un modelo de sistema de colas debe especificar la distribución de
probabilidad de los tiempos de servicio para cada servidor. La distribución más usada para
los tiempos de servicio es la exponencial, aunque es común encontrar la distribución
degenerada o determinística (tiempos de servicio constantes) o la distribución Erlang
(Gamma).
Lección 19: MEDIDAS DE RENDIMIENTO
MEDIDAS DE RENDIMIENTO PARA EVALUAR UN SISTEMA DE COLAS
Valor numérico que se utiliza para evaluar los meritos de un sistema de colas en estado
estable.
CONDICIONES:
1. Población de clientes infinita.
2. un proceso de colas que consiste en una sola línea de espera de capacidad infinita, con
una disciplinas de colas de primero en entrar primero en salir. FIFO.
3. un proceso de servicio que consiste en un solo servidor que atiende a los clientes de
acuerdo con una distribución infinita.
88
FORMULAS:
 Taza de Llegada: número promedio de llegad por unidad de tiempo (λ).
 Taza de Servicio: número promedio de clientes atendidos por unidad de tiempo (μ).
 Utilización: probabilidad de hallar el sistema ocupado.
U=p p=λ/μ
Probabilidad de que hayan clientes en el sistema o que el sistema este
ocioso.
Po = 1-p
Probabilidad de que hayan clientes en el sistema.

Pn = pn *po
Número Promedio en Filas: número promedio de clientes que se encuentran esperando en

la fila para su atención.
Lq = λ2 / μ (μ-λ)
Número Promedio en el Sistema: número promedio de clientes que se encuentran en el

sistema.
L = λ (μ-λ)
Tiempo Promedio en la Cola: tiempo promedio de un cliente que llega tiene que esperar en
la cola antes de ser atendidos.
Wq = λ / μ (μ-λ)
tiempo Promedio en el Sistema: tiempo promedio que un cliente invierte

desde su llegada hasta su salida.
Wq = 1 (μ-λ)
FÓRMULAS PARA CALCULAR LAS MEDIDAS DE RENDIMINTO DE UN

SISTEMAS DE COLAS M/M/1
89
Lección 20: ANÁLISIS DE COSTOS
ANALISIS DE COSTOS DEL SISTEMA DE COLAS
Al analizar los méritos de contratar personal de reparación adicional en Bavaria , usted

debería identificar dos componentes importantes:
90
Para seguir adelante, necesita ahora conocer el costo por hora de cada Miembro del
personal de reparación (denotado con C8) y el costo por hora de Una máquina fuera de
operación (denotado por CW), que es el costo de una hora de producción perdida. Suponga
que el departamento de contabilidad le informa que cada reparador le cuesta a la compañía
$50 por hora, incluyendo impuestos, prestaciones, etc. El costo de una hora de producción
perdida deberá incluir costos explícitos, como la contabilidad de ganancias no obtenidas, y
costos implícitos, como la perdida de voluntad por parte del cliente si no se cumple con la
fecha limite de la entrega. Estos costos implícitos son difíciles de estimar. Sin embargo
suponga que el departamento de contabilidad estima que la compañía pierde $ 100 por cada
hora que una máquina esté fuera de operación. Ahora ya puede calcular un costo total para
cada uno de los tamaños de personal. Para un personal de siete reparadores, el número
esperado de máquinas en el sistema es 12.0973, de modo que:
91
Realizando cálculos parecidos para cada uno de los tamaños de personal restantes se tiene
como resultado los costos por hora de cada alternativa que presentamos en la siguiente
tabla:
Costos por hora para diferentes tamaños de personal de reparación de la empresa

Bavaria
De los resultados, usted puede ver que la alternativa que tiene menor costo por hora, $
1128.63, es tener un total de nueve reparadores. En consecuencia, su recomendación a la
gerencia de producción de la empresa X, es contratar a dos reparadores adicionales. Estor
dos nuevos empleados tendrán un costo de $100 por hora, pero este costo adicional está
más que justificado por los ahorros que se tendrán con menos máquinas fuera de operación.
La recomendación reducirá el costo por hora de $ 1559.73 a $ 1128.63, un ahorro de
aproximadamente $ 430 por hora, mayor que la cantidad que cubre sus honorarios.
CARACTERÍSTICAS CLAVES
En resumen, para evaluar un sistema de colas en el que controla el número de servidores o

su tasa de servicio, se necesitan las siguientes estimaciones de costos y medidas de
rendimiento:
 El costo por servidor por unidad de tiempo (C8).
 El costo por unidad de tiempo por cliente esperando en el sistema (Cw).
 El número promedio de clientes en el sistema (L).
92
EJEMPLO DESARROLLADO
La Concesión Neiva – Bogotá, tiene unas estaciones para el pesado de camiones cerca de
sus peajes, para verificar que el peso de los vehículos cumpla con las regulaciones viales.
La administración de la Concesión está considerando mejorar la calidad del servicio en sus
estaciones de pesado y ha seleccionado una de sus estaciones como modelo a estudiar antes
de instrumentar los cambios. La administración desea analizar y entender el desempeño del
sistema actual durante las horas pico, cuando llega a la báscula el mayor número de
camiones, suponiendo que el sistema puede desempeñarse bien durante este periodo, el
servicio en cualquier otro momento será aún mejor. Para estimar las tasas promedio de
llegada y de servicio en la estación, los datos disponibles que la gerencia determina para los
valores son:
λ = número promedio de camiones que llegan por hora = 60

μ = número de camiones que pueden ser pesados por hora = 66
El valor de μ = 66 es mayor que el de λ = 60, de modo que es posible hacer el análisis de

estado estable de este sistema.
Solución:
93
La intensidad de tráfico es:

p = λ / μ = 60 / 66 = 0.9091
Mientras más cerca esté p de 1, más cargado estará el sistema, lo cual tiene como resultados
colas más larga y tiempos de espera más grandes. En términos de p, λ y μ las medidas de
rendimiento, para el problema de la concesión, se calculan de la siguiente manera:
1. Probabilidad de que no hayan clientes en el sistema (Po):

Po = 1 – p= 1 – 0.9091= 0.0909
Este valor indica que aproximadamente 9% del tiempo un camión que llega no tiene que
esperar a que se le proporcione el servicio porque la estación de pesado está vacía. Dicho
de otra manera aproximadamente 91% del tiempo un camión que llega tiene que esperar.
2. Número promedio en la fila (Lq):

Lq = p2/ 1 – p= (0.9091)2 / 1 – 0.9091= 9.0909
En promedio la estación de pesado puede esperar tener aproximadamente nueve camiones
esperando para obtener el servicio (sin incluir al que se está pesando)
Cuando ya se ha determinado un valor para Lq se pueden calcular los valores de Wq , W, y
L , así:
3. Tiempo promedio de espera en la cola (Wq )

Wq = Lq / μ= 9.0909 / 60= 0.1515
Este valor indica, que en promedio un camión tiene que esperar 0.1515 horas,
aproximadamente 9 minutos, en la fila, antes de que empiece el proceso de pesado.
4. Tiempo promedio de espera en el sistema (W)

W = Wq + 1 / λ= 0.1515 + 1 / 66= 0.1667
Este valor indica, que en promedio, un camión invierte 0.1667 horas, 10 minutos, desde que
llega hasta que sale.
5 Número promedio en el sistema ( L )

L = λ * W= 60 * 0.1667= 10
Este valor indica, que en promedio, existe un total de 10 camiones en la estación de pesado,
ya sea en la báscula o esperando ser atendidos.
6 Probabilidad de que un cliente que llega tenga que esperar ( Pw ) :

pw = 1 – Po = p= 0.9091
Este valor, como se estableció en el paso 1, indica que aproximadamente 91% del tiempo
un camión que llegue tiene que esperar.
7 Probabilidad de que haya n clientes en el sistema ( Pn ) :

Pn = p n * Po
Al utilizar esta fórmula se obtienen las siguientes probabilidades:
n pn
0 0.0909
1 0.0826
94
2 0.0759
3 0.0684
. .
. .
Esta tabla proporciona la distribución de probabilidad para el número de camiones que se

encuentran en el sistema. Los números que aparecen en la tabla se pueden utilizar para
responder una pregunta como: ¿Cuál es la probabilidad de que no hayan más de tres
camiones en el sistema?, en este caso, la respuesta de 0.3169 se obtiene mediante la suma
de las primeras cuatro probabilidades de la tabla, para n = 0, 1, 2 y 3.
8 Utilización ( U ) :
U = p= 0.9091
Este valor indica que aproximadamente 91% del tiempo las instalaciones de pesado están
en uso (un camión está siendo pesado). De manera equivalente, aproximadamente 9% del
tiempo la estación está sin funcionar, sin que haya camiones que se estén pesando.
95
CAPITULO 5 PROGRAMACIÓN NO LINEAL
Lección 21: Conceptos generales
INTRODUCCIÓN
Una suposición importante de programación lineal es que todas sus funciones Función
objetivo y funciones de restricción son lineales. Aunque, en esencia, esta suposición se
cumple para muchos problemas prácticos, es frecuente que no sea así. De hecho, muchos
economistas han encontrado que cierto grado de no linealidad es la regla, y no la excepción,
en los problemas de planeación económica, por lo cual, muchas veces es necesario manejar
problemas de programación no lineal de una manera general, el problema de programación
no lineal consiste en encontrar x = ( x1,x2,....xn ) para maximizar f(x), sujeta a:
g(x) bi, para i= 1, 2,3....m
y x 0
en donde f(x) y las g(x) son funciones dadas de n variables de decisión.
No se dispone de un algoritmo que resuelva todos los problemas específicos que se ajustan
a este formato. Sin embargo, se han hecho grandes logros en lo que se refiere a algunos
casos especiales, haciendo algunas suposiciones sobre las funciones, y la investigación
sigue muy activa.
En este caso se destaca el estudio de optimización en una variable sin restricciones de la
forma:
Optimizar z = f(x)
Donde f es función no lineal de x y la optimización se realiza en (-∞, ∞). Si la búsqueda se
circunscribe a un sub. Intervalo finito [a, b] el problema es de optimización no lineal
restringida y se transforma a optimizar z = f(x) con la condición a x b.
Optimización no lineal multivariable
Es el caso análogo al anterior, pero en el caso en que la función f es de más de

una variable, es decir:
Optimizar z = f(X) donde X = [x1, x2, ..., xn]T
Si existen las restricciones
Gi(X) = 0
Es un problema no lineal multivariable restringido.
Ejemplo
Una Compañía desea construir una planta que recibirá suministros desde tres ciudades A,
B, C, tomando como origen la ciudad A, B tiene coordenadas (300 km. al Este,400 Km. al
Norte), y C tiene coordenadas (700 Km. al Este, 300 Km. al norte) respecto de A. La
posición de la planta debe estar en un punto tal que la distancia a los puntos A, B y C sea la
mínima. sean x1 y x2 las coordenadas desconocidas de la planta respecto de A.
Utilizando la fórmula de la distancia, debe minimizarse la suma de las distancias
96
No hay restricciones en cuanto a las coordenadas de la planta ni condiciones de no

negatividad, puesto que un valor negativo de x1 significa que la planta se localiza al Oeste
del punto A. La ecuación es un programa matemático no lineal in restricciones.
Veamos ahora algunos casos de programación no lineal comunes de encontrar:
Lección 22: PROGRAMACIÓN CUADRÁTICA
Es un caso particular de programación matemática no lineal. Un programa Matemático en

el cual cada restricción gi es lineal pero el objetivo es cuadrático se Conoce como programa
cuadrático, es decir
f(x1,x2,..,xn) = S i=1,nS j=1,n cijxixj + S i=1,ndixi
Ejemplo
Minimizar z = x12+X22
Con las condiciones x1 - x2 = 3

X2 3
Donde ambas restricciones son lineales, con n = 2 (dos variables) c11 = 1; c12 = c21 = 0; c22
= 1 y d1 = d2 = 0.
Lección 23: MULTIPLICADORES DE LAGRANGE -CONDICIONES KUNH

TUCKER
MULTIPLICADORES DE LAGRANGE.
Un modelo de Programación Lineal (PNL) es aquel donde las variables de decisión se

expresan como funciones no lineales ya sea en la función objetivo y/o restricciones de un
modelo de optimización. Esta característica particular de los modelos no lineales permite
abordar problemas donde existen economías o deseconomías de escala o en general donde
los supuestos asociados a la proporcionalidad no se cumplen.
Las condiciones que establecen las condiciones de optimalidad de KKT permiten resolver
modelos de PNL con restricciones mediante la activación progresivas de las restricciones
del modelo. Una restricción activa es aquella que se cumple en igualdad.
97
Se pueden utilizar los multiplicadores de Lagrange para resolver los problemas no lineales
en los cuales las restricciones son igualdades. Consideramos los del tipo siguiente:
max(o min) z= f(x1,x2,.....xn..)

s.a g1( x1,x2,.....xn..)= b1
g2( x1,x2,.....xn..)= b2
gm( x1,x2,.....xn..)= bm
para resolverlo, asociamos un multiplicador L1 con la i-esima restricción y fórmamos el

lagrangiano.
Ejemplo Karush Kuhn Tucker (KKT)
No existe una única forma de abordar la resolución de un problema de programación no

lineal utilizando el teorema de KKT. Consideraremos la aplicación de este teorema en este
caso para problemas sólo con restricciones "<=" (menor o igual). Si el problema tiene
restricciones ">=" éstas se pueden transformar por "<=" multiplicando por -1.
Básicamente el procedimiento consiste en resolver el problema no lineal como uno sin

restricciones, luego si la solución óptima de dicho problema no cumple la totalidad o parte
de las restricciones del problema se activan dichas restricciones (en conjunto y/o
secuencialmente) y se resuelve nuevamente. Esto se repite hasta llegar a un conjunto de
restricciones activas cuya solución también satisface las restricciones omitidas. Notar que si
se han activado la totalidad de restricciones sin encontrar una solución factible, entonces el
problema es infactible.
Lección 24: TÉCNICA DEL GRADIENTE
En este punto se desarrolla un método para optimizar funciones continuas que son dos
veces diferenciables. La idea general es generar puntos sucesivos comenzando en un punto
inicial dado, en la dirección del aumento más rápido maximización) de la función. Está
técnica se conoce como método del gradiente porque el gradiente de la función en un punto
es lo que indica la tasa más rápida de aumento.
Un modelo de Programación Lineal (PNL) es aquel donde las variables de decisión se

expresan como funciones no lineales ya sea en la función objetivo y/o restricciones de un
98
modelo de optimización. Esta característica particular de los modelos no lineales permite

abordar problemas donde existen economías o deseconomías de escala o en general donde
los supuestos asociados a la proporcionalidad no se cumplen.
En este sentido el método del gradiente (conocido también como método de Cauchy o del
descenso más pronunciado) consiste en un algortimo específico para la resolución de
modelos de PNL sin restricciones, perteneciente a la categoría de algoritmos generales de
descenso, donde la búsqueda de un mínimo está asociado a la resolución secuencial de una
serie de problemas unidimensionales.
Los pasos asociados a la utilización del método del gradiente o descenso más pronunciado
consiste en:
Ejemplo del Método del Gradiente
Considere el siguiente modelo de programación no lineal sin restricciones. Aplique 2

iteraciones del método del gradiente a partir del punto inicial X0=(1,1).
99
Luego de realizar la segunda iteración se verifica que se cumplen las condiciones

necesarias de primer orden (d1=(0,0)). Adicionalmente se puede comprobar que la función
objetivo resulta ser convexa y en consecuencia las condiciones de primer orden resultan ser
suficientes para afirmar que la coordenada (X1,X2)=(-2,1) es el óptimo o mínimo global
del problema.
Lección 25: MÉTODO DE NEWTON- RAPHSON
EL MÉTODO DE NEWTON-RAPHSON.
Una desventaja de utilizar la condición necesaria f(x)= 0 para determinar puntos

estacionarios es la dificultad de resolver numéricamente las ecuaciones simultáneas
resultantes. El método de Newton-Raphson es un procedimiento iterativo para resolver
ecuaciones simultáneas no lineales. Aunque el método se presenta en este contexto,
realmente es parte de los métodos conocidos como métodos de gradiente para optimizar
numéricamente funciones no restringidas, irrestrictas.
fi (X) =0, i=1, 2, ..., m
se Xk un punto dado. Entonces por el desarrollo de Taylor fi(X)= fi (Xk ) + fi(Xk) (X-Xk) , i=
1, 2, ...., m
Por consiguiente, las condiciones originales pueden aproximarse por
fi (Xk) + fi (Xk) (X-Xk) = 0 , i= 1, 2, ...., m
k
Estas ecuaciones pueden escribirse en notación matricial como Ak + Bk (X - X ) = 0
Bajo la hipótesis de que todas las fi(X) son independientes Bk necesariamente es
no singular. Por consiguiente, la última ecuación proporciona X = Xk -Bk-1Ak
La idea del método es comenzar desde un punto inicial X0. Utilizando la ecuación anterior,
siempre puede determinarse un nuevo punto Xk+1a partir de Xk.
El procedimiento finaliza con Xm como la solución cuando Xm = Xm-1 .
ACTIVIDADES DE AUTOEVALUACIÓN DE LA UNIDAD
TALLER
En los siguientes ejercicios identifique y describa los siguientes aspectos del escenario de
colas:
a. Los clientes y los servidores
b. La población de clientes y su tamaño
100
c. El proceso de llegada y los parámetros adecuados para la distribución de llegadas
d. El proceso y la disciplina de colas
e. Proceso de servicios y los parámetros adecuados para la distribución tiempo - servicio
1. La división de mantenimiento de las Empresas Públicas de Neiva está tratando de decidir

cuántos reparadores necesita tener para proporcionar un nivel aceptable de servicios a sus
clientes. Las quejas llegan a un centro de servicios de acuerdo con una distribución
exponencial, con una tasa promedio de 20 llamadas al día. El tiempo que tarda un técnico
reparador en llegar al lugar donde se le llamó, resolver el problema y regresar también
sigue una distribución exponencial, con un promedio de 3 horas y 30 minutos.
2. El gerente del Supermercado La Sexta desea determinar el número mínimo de cajeros

que necesita para atender a los clientes que llegan a la hora del almuerzo. El tiempo
promedio entre la llegada de dos clientes es de 2 minutos, pero el tiempo real entre llegadas
sigue una distribución exponencial. Cada cajero puede atender un promedio de 12 clientes
por hora, pero el tiempo de atención a cada cliente varía de acuerdo a una distribución
exponencial.
3. El portaaviones de Aires tiene un complemento de 80 aviones. Después de operaciones

de rutina, los aeroplanos son llevados de la cubierta de vuelo a una cubierta inferior, dos a
la vez. El recorrido en elevador de una cubierta a otra dura 20 segundos y se necesitan diez
segundos para cargar y descargar una aeronave del elevador. Los elevadores llegan al
elevador de la cubierta de vuelo cada 30 segundos.
101
FUENTES DOCUMENTALES DE LA UNIDAD 2
BIBLIOGRAFÍA
● Álvarez A. Jorge Investigación de Operaciones. Programación Lineal. Editorial. U.N.I.Lima

1995.
● Prawda W. Juan Métodos y Modelos de Investigación de Operaciones. Tomo I: Modelos

Deterministicos. Editorial Limusa. Quinta Edición. México 2001.
● Taha Hamdy A. Investigación de Operaciones. Una Introducción. Editorial Prentice Hall.

Séptima Edición. México 2000.
● Instituto Tecnológico de “Introducción a la Investigación de Operaciones”.

Sonora, México. Abril 2007
● Programa Nacional de TIC, “Capítulo 8: Programación Lineal”.

Ministerio de Educación y Ciencia, España. Set. 2007
● Dr. Ing. Franco Bellini M, “Curso de Investigación de Operaciones”. Universidad Santa

Maria. Caracas – Venezuela. Ago.2005
102

Modulo Actualizado Metodos Probabilisticos 2012 PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Modulo Actualizado Metodos Probabilisticos 2012 PDF

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD

ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

PROGRAMA CIENCIAS BÁSICAS

104561 – MÉTODOS PROBABILÍSTICOS

VLADIMIR DE JESÚS VANEGAS ANGULO

Santa Marta 13 de enero de 2012

ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO

El presente módulo fue diseñado en el año 2009 por William Ortegón

El material ha sido revisado por el ingeniero William Mosquera y aportado

LA INVESTIGACIÓN DE OPERACIONES Y EL USO DE MODELOS

Investigación de operaciones, es la aplicación del método científico por un grupo

Pasos del Método científico en IO

1. Delimitación del problema

TIPOS DE MODELOS Y SU SIGNIFICADO

Un modelo es una representación ideal de un sistema y la forma en que este opera. El

Un modelo es producto de una abstracción de un sistema real: eliminando las

Un modelo matemático consta al menos de tres conjuntos básicos de elementos:

1. Variables de decisión y parámetros

Muchos problemas de decisión implican un gran número de factores o variables

Problemas dinámicos los problemas dinámicos de decisión implican un tipo particular de

En los problemas complejos pueden aparecer variables exógenas o variables externas,

La investigación de operaciones, tiene métodos de optimización aplicables a los siguientes

1. METODOS DETERMINISTICOS: Ej., Programación lineal, programación entera,

Un Analista de investigación de Operaciones debe elegir el plan de acción más efectivo

Nota: el proceso de abstracción (idealización restricción y simplificación) siempre

Los modelos planteados se conocen como modelos deterministicos. En contraste, en

Lección 5: error del pronóstico……………………………………………………………………………………………………..22

Practica 1: Regresión lineal…………………………………………………………………………………………………………..26

CAPITULO 2: TEORÍA DE INVENTARIOS………………………………………………………………………… 33

Lección 6: conceptos generales…………………………………………………………………………………………………… 33

Lección 7: Modelo de inventarios EOQ………………………………………………………………………………………..36

Lección 8: Modelo de inventario EOQ con descuento………………………………………………………………….41

Lección 9: Modelos de lote de producción y el sistema de clasificación ABC…………………………….. 46

Lección 10: Modelo estocástico de Inventarios………………………………………………………………………….. 52

Fuentes documentales unidad I

UNIDAD DOS: CADENAS DE MARKOV,TEORÍA DE COLAS Y PROGRAMACIÓN NO LINEAL .............60

Lección 15: aplicaciones……………………………………………………………………………………………………………….70

Practica 2: Cadenas de Markov………………………………………………………………………………………………….. 74

CAPITULO 4: TEORÍA DE COLAS …………………………………………………………………………………........80

Lección 16: conceptos generales………………………………………………………………………………………………… 81

Lección 17: Antecedentes.……………………………………………………………………………………………………………83

Lección 18: Características de un sistema de colas……………………………………………………………………….84

Lección 19: Medidas de rendimiento …………………………………………………………………………………………..87

Lección 20: Análisis de costos……………………….……………………………………………………………………………..90

CAPITULO 5: PROGRAMACIÓN NO INEAL……………………………………………………………………......... 95

Lección 21: conceptos generales..……………………………………………………………………………………………… 95

Lección 22: Programación cuadrática..…………………………………………………………………………………………96

Lección 23: Multiplicadores de LaGrange-Condiciones Kunh-Tucker……..…………………………………….96

Lección 24: Técnica del gradiente…… ………………………………………………………………………………………….98

Lección 25: Método de Newton-Raphson…….……………………………………………………………………………..99

Fuentes documentales unidad II………………………………………………………………………………………………..101

Nombre de la Unidad TÉCNICAS DE PRONÓSTICO, TEORÍA DE

Este capítulo presenta tres técnicas para pronosticar cambios

Introducción 2. Promedio móvil

La necesidad de proyecciones de la demanda es un

El pronóstico de los niveles de demanda es vital para la firma

El éxito de un negocio depende a menudo de la habilidad para

predicciones se usan para tomar dos amplios tipos de decisiones:

Las técnicas de pronósticos disminuyen la incertidumbre sobre

Características de los Pronósticos

pronóstico sobre la información contenida en datos históricos.

Algunas empresas consideran que no deberían mantener ningún