Universidad Nacional

José Faustino Sánchez

Carrión

FACULTAD DE INGENIERÍA

INVESTIGACIÓN OPERATIVA II

Dr. Alcibiades Sosa

Palomino
INVESTIGACIÓN DE OPERACIONES
La Investigación de Operaciones o Investigación Operativa, es una rama de las Matemáticas que utiliza
modelos matemáticos, estadísticos y algoritmos que conducen a tomar la mejor decisión. Frecuentemente,
trata del estudio de complejos sistemas reales, con la finalidad de optimizar su funcionamiento
Se han dado muchas definiciones. Según Ackoff y Arnof en Prawda : “La Investigación de operaciones es la
aplicación , por grupos interdisciplinarios, del método científico a problemas relacionados con el control de
las organizaciones o sistemas a fin de que se produzcan soluciones que mejor sirvan a los objetivos de toda la
organización”.

PROCESO EN LA TOMA DE DECISIONES ANALISIS DEL PROBLEMA

ESTRUCTURA DEL PROBLEMA Analísis

Cuant.
Problema Modelo Solución Evaluac. Toma de
decisiones
AHS
Análisis
Cualit.

TEMA 1 : MODELOS PROBABILISTICOS EN LA TOMA DE DECISIONES

Un modelo es una simplificación de la realidad. Esta simplificación puede presentarse de acuerdo a los
objetivos del estudio del sistema; en nuestro caso estamos interesados por los modelos simbólicos y
descriptivos. Un modelo simbólico es un esquema teórico, expresado en forma matemática que facilita la
comprensión del comportamiento del sistema.

Un modelo probabilístico es un modelo matemático que describe el comportamiento de una variable

aleatoria. Es una función que depende de los valores de la variable aleatoria, y de otras cantidades que
caracterizan a una población en particular y que se denominan parámetros del modelo. Estos modelos
probabilísticos constituyen las llamadas distribución de probabilidades.

  CONCEPTOS BASICOS

Experimento.-Un experimento, en estadística, es cualquier proceso que proporciona datos, numéricos o no

numéricos. Es aleatorio si los resultados dependen del azar.

Espacio muestral.- Un conjunto cuyos elementos representan todos los posibles resultados de un
experimento se representa como S. Los elementos del espacio muestral se llaman puntos muestrales
y son los distintos resultados del experimento.
Suceso.-Si consideramos el conjunto de las partes del espacio muestral. Un suceso, por tanto, es un
subconjunto del espacio muestral.

Probabilidad.- Probabilidad de un suceso es la razón entre el número de casos favorables y el número total
de casos posibles

P(A) = Casos favorables / casos posibles = f/N

VARIABLE ALEATORIA X

Ω x
R
w
X ={(w,x)/ X(w)=x ; wεΩ , xεR}

Regla que asocia el resultado de un experimento con un número real correspondiente

Así pues, una variable aleatoria es una función cuyos valores son números reales determinados por los
elementos del espacio muestral. Pueden ser discretas y continuas, dependiendo del valor que toma R.

Si a los valores posibles de la variable aleatoria se les asigna una probabilidad que es la frecuencia del
resultado se genera la distribución de probabilidades.

Distribución de probabilidad.- Es una lista que contiene el valor de la variable aleatoria y sus probabilidades
correspondientes

Variable aleatoria (v.a) discreta

  Función de probabilidad

Se denomina función de probabilidad de una variable aleatoria discreta X, a una función f(x) que
asigna a todo número real x, la probabilidad de que X asuma ese valor, esto es:

f(x) = P[X=x]

Los valores de f(x) satisfacen las siguientes propiedades:

1.     

2.     

La relación entre valores y probabilidades en una variable X se puede expresar de forma tabular de la
siguiente manera:
Valores de X x1 x2 … xi
P(X=x) P(x1) P(x2) … P(x i)

La gráfica de una distribución de probabilidades discreta consiste de segmentos verticales proporcionales a

la probabilidad respectiva para cada valor xi de la variable.

Función de distribución acumulada(f.d.a) de la v.a discreta

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

La función de distribución se define para todos los números reales, no sólo para los valores de la variable. Su
máximo es siempre 1.

Variables aleatorias continuas

Función de densidad
Se dice que la función f(x) es función de densidad de probabilidad de la variable aleatoria continua X si
satisface las siguientes condiciones:

1) f(x) ≥0 para todo xεR

 Función de distribución acumulada de una variable aleatoria continua.

La función de distribución acumulada (f.d.a.) , F(x), de una variable aleatoria continua X con una función de
densidad f(x), se define por:
Valor esperado de una variable o esperanza matemática
La distribución de probabilidades de una variable aleatoria se caracteriza básicamente a través de medidas
de tendencia central y de dispersión. Estas medidas se denominan parámetros y se describen mediante la
esperanza matemática (media de una v.a)

Media de una v.a

La media de una v.a X o media de la distribución de probabilidad X es un número real que se denota por μ.
La media es denominada también esperanza matemática o valor esperado de X , y se denota por E(X).

Media de una v.a discreta

La media de una v.a.discreta X con función de probabilidad f(x) es la expresión: μ= E ( X )= ∑ xi f ( xi )

            Si X es una variable discreta con función d probabilidad f(x), el valor esperado de X se calcula según
decíamos anteriormente sumando los productos de los valores de la variable por sus respectivas
probabilidades.

Media de una v.a. continua

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

Varianza de una v.a

La varianza de una v.a. X se denota por cualquiera de las formas: σ2, V(X).

Si X es una variable aleatoria con distribución de probabilidad f(x) y con media igual a μ:

La varianza de X si es discreta es dada por la expresión:

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

La desviación estándar de la v.a.X es la raíz cuadrada positiva de su varianza

 MODELOS DE PROBABILIDADES PARA LA TOMA DE DECISIONES

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

DISTRIBUCIÓN DE PROBABILIDADES DE UNA VARIABLE ALEATORIA DISCRETA

Las mas utilizadas son la de Bernoullí, Binomial, Binomial negativa, Hipergeométrica, Poisson.

 Distribuciones de Poisson

Se dice que una v.a discreta X, cuyos valores posibles son: 0;1;2;…; tiene distribución de Poisson con

parámetro >0 y se escribe X~P( ), si su función de

probabilidad tiene el siguiente modelo:

e− λ (λ) x
  f(x) = P [ X=x ] = , x= 0;1;2;…
x!

donde: "e" es 2,71828

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

 Si X~P( ), entonces: μ = E(X) =

 σ 2=V ( X )=λ
Nota: la probabilidad de que ocurran k eventos de cierto tipo en un intervalo de tiempo o en una región de
tamaño t es igual a:

e−λt ( λt)k
P [ X=k ] = ,
k!

k = 0,1,2,…

λt
donde es el número promedio de ocurrencias de eventos en el periodo o región t , y don de es el
promedio de ocurrencias por unidad de periodo o región t.

 DISTRIBUCIÓN DE PROBABILIDADES DE UNA VARIABLE ALEATORIA CONTINUA

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

La distribución normal: o campana de Gauss-Laplace

 Se dice que la variable aleatoria continua , X, que toma los valores reales -∞ < x < ∞, se distribuye
normalmente con parámetros μ y σ y se describe por X~N(μ,σ2), si su función de densidad es:

Representación gráfica de esta función de densidad

La distribución normal queda definida por dos parámetros, su media y su desviación típica y la
representamos así 

 
 F(x) es el área sombreada de esta gráfica

 DISTRIBUCIÓN NORMAL ESTÁNDAR

Por tanto su función de densidad es

y su función de distribución es

MANEJO DE TABLAS : CASOS MÁS FRECUENTES.

La distribución de la variable  Z  se encuentra tabulada

PROBLEMAS

CASO : Variable aleatoria

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

 Determinar el espacio muestral.

 La función variable aleatoria número de hombres

 Distribución de probabilidades
 Gráfica de la distribución

Caso : Función de probabilidad

1. Si una v.a X puede tomar los valores x= 0,1,2,3,4,5; indicar si cada una de las siguientes funciones definen
una función de probabilidad:

a. f(x) = x/15

b. f(x) = (x-1)/9

2. Si f(x)=c ¿ ; x=0,1,2,3,…, define una función de cuantía .

a. Encontrar c b. Encontrar F

b. Calcular la siguientes probabilidades: p(x≥3) ; F(1) ; F(1.5); p(0≤x≤1.5)

Caso : Función de densidad

1. Dada la función :

−x

{
f ( x )= c e 5
; x>0

0; x≤0

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

 b. Hallar F(x). Graficar f y F c. Encontrar P(3≤x≤5)

2. f está definida por :

0 ; x<0

f(x) = ax ; 0≤ x ≤ 1

a ; 1<x<2

a
; x≥ 2
x2

Determinar “a” tal que f defina una función de densidad

CASO: VALOR ESPERADO Y VARIANZA

1. La distribución de probabilidad de la variable aleatoria X se define como el número de caras

cuando se lanzan cuatro monedas

a. Hallar el valor esperado b. Hallar la varianza y desviación estándar

2. La demanda en miles de unidades de cierto artículo es una variable aleatoria continua X cuya
función de densidad de probabilidad es:

2x
f ( x )= 3
{ , si:1 ≤ x ≤ 2
0 en otros casos

Calcular la demanda esperada de este artículo

3. Suponga que la variable aleatoria X se distribuye uniformemente en el intervalo [0,4], con función de
1
densidad de probabilidad:
{
f ( x )= 4
, si :0 ≤ x ≤ 4
0 en otros casos

Hallar la varianza y desviación estándar

CASO: Distribución de Poisson

1. Suponga que llegan en forma aleatoria una serie de llamadas a una central telefónica con un
promedio de 3 llamadas por minuto. Calcular :

La probabilidad de que ocurran 4 o más llamadas en el periodo de un minuto

 2. El número promedio de clientes que llegan a un banco los días sábados es, en promedio, 40 por
hora. ¿Cuál es la probabilidad de que lleguen por lo menos dos clientes :

a. En un periodo de 14 minutos b. En 5 minutos.

CASO: DISTRIBUCION NORMAL

1. Un estudio demostró que la duración de cierto tipo de batería de automóvil tiene una distribución
normal con media 1248 días y una desviación estándar de 195 días.
Si el fabricante garantiza la batería por 36 meses (1080 días).

¿Qué cantidad de baterías serán cambiadas bajo la garantía en un grupo de 100 baterías vendidas?

2. El tiempo empleado en minutos, en ir de un hotel al aeropuerto, por la ruta A , se distribuye

normalmente con media 27 min y desviación típica 5 min ; mientras que por la ruta B, la
distribución es normal con media 30 min y desviación típica igual a 2 min. Determine Ud. que ruta
conviene utilizar si se dispone de :

a. 30 minutos b. 34 minutos

TEMA 2 : MODELO DE REDES . ADMINISTRACIÓN DE PROYECTOS

La redes proporcionan una ayuda conceptual poderosa para visualizar las relaciones entre
los componentes de sistemas complicados ; de allí su utilidad en la administración de
proyectos.

CONCEPTOS BASICOS

1. Proyecto .- Conjunto de actividades inter relacionadas que deben efectuarse en un cierto

orden lógico.

2. Actividad.- Trabajo que consume recursos ( tij , cij, …) para su ejecución.

3. Red.- Gráfica formada por nodos , arcos y flujos.

Cada flecha en la red representa una actividad ( xij ). i < j

Las actividades ficticias no consumen recurso y se representan por líneas punteadas.
Las actividades ficticias se utilizan para indicar precedencia y para evitar duplicidad de
variables de decisión .

APLICACIÓN DEL MR EN LA ADMINISTRACIÓN DE PROYECTOS.

FASES:

1. PLANEACIÓN.-

 Identificación de actividades.
 Secuencia lógica de actividades (precedencia )
  Elaboración de la red.

2. PROGRAMACIÓN.-

 Determinación de la ruta crítica y las holguras aplicando el PERT/CPM.

PERT(Program Evaluation and review technique – Técnica de evaluación y revisión
de programa.
CPM ( Critical Path Method – Método de la ruta crítica ).
 Programa de actividades.

3. CONTROL

 Análisis de la red utilizando PERT/COST ó contracción de la red en caso necesario.

 Reportes periódicos en base al análisis.

Según las características del proyecto el MR puede ser:

1. DETERMINISTICO
2. PROBABILISTICOS.
MR: DETERMINISTICOS

 Proyectos repetitivos (mantenimiento, proyectos con antecedentes, … ) ; se caracteriza

por que el consumo de recurso esta estandarizado.

 El MPL es de MAX y sus restricciones son similares al modelo de ruta más corta.

PROCEDIMIENTO DE RUTA CRÍTICA PERT/CPM

1. Elaborar una lista de las actividades que conforman el proyecto.

2. Determinar la precedencia para cada actividad del proyecto.

3. Estimar el tiempo de terminación de cada actividad.

4. Construir la red.

5. Determinar el tiempo más cercano de inicio y el tiempo más cercano de terminación

para cada actividad, realizando el paso hacia delante en la red. El tiempo más cercano
de terminación para la última actividad del proyecto establece el tiempo que se requiere
para terminar el proyecto.

6. Determinar el tiempo más lejano de inicio y de terminación de cada actividad

efectuando el paso hacia atrás en la red.

7. Utilizando la diferencia entre los tiempos más lejanos y más cercanos de iniciación para
cada actividad obtener la holgura disponible para cada actividad.
8. Las actividades de la ruta crítica son las que tienen holgura cero.

9. Utilizar la información de los pasos 5 y 6 para elaborar el programa de actividades del

proyecto.

MODELO DE REDES . ADMINISTRACIÓN DE PROYECTOS

CASO: PROBABILISTICO

 Proyectos de investigación.
 No existe base de datos
 Existen incertidumbres en los parámetros.

Los tij se consideran :

a. Optimista aij.
b. Pesimista bij
c. Realista mij

El valor esperado de tij se obtiene :

tij = ( aij + 4mij + bij )/6

La ruta critica se obtiene aplicando el PERT/CPM ; en donde :

Tij =  tij
AijRC

Además la varianza ij2 de Aij está dado por:

ij2 = ( bij - aij )2 / 36

donde :
 ij2 =  ij2
AijRC

Y la desviación estándar esta dada por : ij =   ij2

AijRC

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

P(Tij  Z ) =  { ( Z - Tij ) / ij }

Donde  es la distribución normal estandarizada . ( Ver tabla )

PROBLEMAS
1. El departamento de investigación y desarrollo de una empresa productora de TV está
desarrollando una nueva fuente para la consola de un televisor, con tal propósito, ha
descompuesto el trabajo en la forma siguiente:
TRABAJO DESCRIPCIÓN PRECEDENCIA TIEMPO
(días)
A Determinar los voltajes de salida - 5
B Determinar si se utilizan rectificadores de salida A 7
C Escoger los rectificadores B 2
D Escoger los filtros B 3
E Escoger el transformador C 1
F Escoger el chasis D 2
G Escoger el soporte del rectificador C 1
H Dibujar el chasis E,F 3
I Construir y probar G,H 10
 Determinar la ruta crítica.
 Cuál es el tiempo mínimo para finalizar el proyecto.
 Determinar la holguras.
 Elabore el programa de actividades.
2. La siguiente tabla resume las actividades para reubicar 1700 pies de una línea eléctrica
primaria de 13.8 KV debido al ensanchamiento de la sección del camino en la cual está
instalada la línea actualmente.
Aij Descripción Preced. tij(días)
A Revisión del trabajo - 1
B Concejo a clientes de interrupción temporal A 2
C Almacenes de requisición A 3
D Reconocimiento del trabajo A 1
E Obtención de postes y materiales C,D 3
F Distribución de postes E 4
G Coordinación de ubicación de los postes D 1
H Preparación G 1
I Cavar agujeros H 3
J Preparar y colocar postes F,I 4
K Cubrir conductores antiguos F,I 1
L Colocar nuevos conductores J,K 2
M Instalación de material restante L 2
N Colgamiento del conductor L 2
O Poda de árboles D 2
P Conmutación de líneas B,M,N,O 1
Q Energización de la nueva línea P 5
R Limpieza Q 1
S Remoción del conductor anterior Q 1
T Remoción de postes anteriores S 2
U Devolución de material a los almacenes. I 2

 Dibujar la red.
 Hallar la ruta crítica.
 Elaborar el programa de actividades.
3. La siguiente tabla muestra la información respecto a un proyecto de factibilidad para la
fabricación de un nuevo producto

Aij Precedencia DIAS

a m b
A - 3 7 11
B - 2 2.5 6
C A 2 3 4
D A 6 7 14
E A 2 3 4
F C 2.5 3 3.5
G D 3 4 5
H B,E 4.5 5.5 9.5
I H 1 2 3
J F,G,I 1 2 3
 Calcule el tiempo esperado y la varianza de cada actividad.
 Elabore el programa de actividades.
 ¿Cuáles son las actividades de la ruta crítica?.
 ¿Cuál es el tiempo de terminación del proyecto?.
 ¿Cuál es la probabilidad de que el proyecto se termine dentro de 20 semanas?.
4. Se desea realizar un estudio para la creación de un nuevo programa de Post-Grado en
Ingeniería en la Universidad Nacional “J.F. Sánchez Carrión” de Huacho; para lo cual se
obtiene la siguiente información:

Aij Denominación SEMANAS

aij mij bij
A12 Consultar con el sector Industrial 10 15 20
A13 Consultar con el sector Público 3 5 10
A14 Consultar con el sector Académico 6 10 20
 A15 Consultar con el Gobierno 2 3 10
A26 Objetivos y Diseño de un Programa Industrial 20 25 40
A37 Objetivos y Diseño de un Programa Administrativo 50 60 80
A49 Ficticia 0 0 0
A59 Ficticia 0 0 0
A68 Integración Administrativa al Programa Industrial 20 30 35
A78 Integración Administrativa al Programa Administrativo 25 30 35
A89 Ficticia 0 0 0
A9,10 Estudio y Aprobación del Programa por las autoridades 30 40 50
A10,11 Campaña de publicidad 2 3 5
A10,12 Contratación de Profesores 4 8 10
A11,12 Ficticia 0 0 0
A12,13 Primer año de Prueba 26 35 45
A13,14 Ajuste del Programa 3 5 10

 Hallar la ruta crítica.

 Determine la probabilidad de terminar el proyecto a lo más en 180 semanas.
 Determinar el tiempo que le corresponde a una probabilidad de 0.20

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

producción de un producto.

Aij Denominación DIAS Antecedente

a 2m b
A Inicio 0 0 0 -
B Financiación 30 80 60 A
C Copiar planos 3 6 3 A
D Consulta nuevas máquinas 15 50 40 C
E Estudio de proceso 5 10 5 C
F Consulta de forja y entrega 60 180 120 C
G Consulta de despiece 10 30 30 C
H Proyecto de secciones 3 6 3 D
I Verificación y control 10 30 25 E, D
J Diseño y colocación 10 30 25 E,D
K Construcción de secciones 80 180 120 E,D
L Control , análisis 20 60 45 F
M Control de muestras 15 40 40 G
N Presupuesto 10 40 30 I
Ñ Presupuesto de diseño I. 5 20 20 J
O Diseño II. 10 30 25 J
P Construcción de servicios 30 80 60 J
Q Adquisición de máquinas 90 240 150 D,B
R Instalación de máquinas 15 50 45 H
S Construcción de medios de control 45 180 120 N
T Acopio de forjas 20 60 45 L
 U Presupuesto II. Colocaciones 5 20 20 Ñ;O

V Colocación de nuevas máquinas 10 30 30 R,Q

W Selección de personal 4 8 4 R,Q
X Construcción. Colocación I. 20 90 60 Ñ;O

Y Construcción. Colocación II. 20 90 60 U,X

Z Acopio de despiece 30 80 50 M
AA Puesta en marcha 20 60 60 T,S,Y,P,K,V
BB Mecanizar muestra 10 30 20 AA , Z
CC Adiestramiento 15 40 30 W
DD Control final 3 6 3 BB
EE Fin 0 0 0 DD , CC

 Hallar la ruta crítica.

 Determine la probabilidad de terminar el proyecto a lo más en 200 días.
 Determinar el tiempo que le corresponde a una probabilidad de 0.82

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

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

Actividades y precedencia DÍAS

a m b
A < B 4 6 8
A < B < C,D,E,S 1 3 4
B < C < H 5 6 9
B < D < G 3 5 8
B < E < F,P 6 7 10
E < F < L 4 5 8
D < G < J,K 2 2 2
C < H < I 1 4 7
H < I < T 3 4 5
G < J < N 7 8 9
G < K < N 3 4 6
F < L < U 2 3 6
T < M < U 3 4 6
J,K < N < O,P,Q 3 4 5
E,N < O < R 3 5 8
E,N < P < R 6 7 10
E,N < Q < R 4 5 6
O,P,Q < R < V 4 6 8
B < S < T 7 8 9
I,S < T < M 3 4 5
L,M < U < V 3 6 9
R,U < V < W 8 9 10
V < W 4 6 8

 Confeccione el grafo sagital ( red)

 Elabore el programa de actividades.
 Confeccione la carta Gantt.

TEMA 3 :MODELO DE REDES . ADMINISTRACIÓN DE PROYECTOS

SISTEMA PERT /COST

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

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

acuerdo a lo planificado un proyecto.

 El PERT/COST nos permite analizar el recurso costo ( c ij ) ; es decir nos permite

planear, programar y controlar el recurso costo en un proyecto.
Para ello el proyecto total se divide en componentes que sean convenientes en términos
de la medición y el control de costos ; cuando el proyecto tiene muchas actividades se
pueden agrupar en paquetes para realizar una eficiente evaluación de costos y
presupuestar en forma adecuada los costos por actividad o paquetes de actividades.

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

cada actividad se puede elaborar el programa de costos del proyecto y establecer la
región factible que nos permitirá realizar un control de costos durante la ejecución del
proyecto.

 Para realizar controles en los tiempos que uno estima conveniente y realizar el reporte
correspondiente del mismo se requiere de la siguiente información.

a. Costo real a la fecha por actividad.

b. % de avance a la fecha que nos permite calcular el valor del trabajo efectuado Vi
 y se obtiene mediante:

Vi = ( pi /100) B i

donde:
pi : porcentaje de avance de la actividad y

c. con la información de (a ) y (b) se obtiene los alzamientos y abatimientos de los

costos Di por actividad.

Di = CR - Vi

d. La sumatoria de Di muestra el alzamiento o abatimiento del proyecto a la fecha ;

esta información nos permitirá tomar decisiones .

PROBLEMA 1.

Una empresa está modificando las operaciones en su almacén instalando un sistema de

manejo de existencias automatizado . Las actividades especificas incluyen el rediseño del
almacén , la instalación del equipo nuevo , pruebas para el equipo nuevo ; etc.
La información que se tiene es la siguiente:

Aij Precedencia te (s) 2 CIJ($) CR($) % de avance

A - 3 0.3 6000 5000 100
B A 2 0.5 4000 4000 100
C - 8 2.0 16000 18000 100
D C 0 0.0 0 0
E B,D 6 1.0 18000 9000 50
F C 4 0.2 20000 18000 75
G E,F 5 0.4 15000
H E,F 1 0.1 2000
I G 0 0.0 0
J G 5 1.0 5000
K I,H 6 0.6 12000

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

Represente en forma gráfica la región factible del presupuesto.
Realice un reporte después de 12 semanas con la información que se proporciona .
Evaluar la probabilidad de culminación en 26 semanas.

PROBLEMA 2.
Un proyecto de investigación y desarrollo ; requiere de las actividades que se dan en la
siguiente tabla , se supone que cada actividad es un paquete de trabajo aceptable y que ya se
ha realizado un análisis detallado de costos de cada actividad. Para utilizar el PERT/COST
se supone que las actividades ( paquetes de trabajo) se han definido de manera que sus
costos ocurran a un ritmo constante a lo largo de la duración de las actividades.
Aij Precedencia te (meses) CIJ($) CR($) % de avance
A - 3 10000 12000 100
B - 2 30000 30000 100
C A 8 3000 1000 50
D B 0 6000 2000 33
E B 6 20000 10000 25
F C,D 4 10000
G E 5 8000

Elabore el programa de actividades y de costos.

Represente en forma gráfica la región del presupuesto factible.
Elabore el reporte al cuarto mes con la información de la tabla.

PROBLEMA 3

Una prestigiosa empresa dedicada al mantenimiento de fabricas industriales recibe una

oferta para llevar a cabo el mantenimiento de una fábrica de conservas ; para ello deriva la
elaboración del proyecto a su departamento de Investigación de Operaciones que después
de un análisis de la planta reporta lo siguiente:

Aij Precedencia te (s) CIJ($) CR($) % de avance

A - 6 90000 85000 100
B - 2 16000 16000 100
C A 3 3000 1000 33
D A 5 100000 100000 80
E A 3 6000 4000 100
F C 2 2000
G D 3 60000
H B,E 4 20000 10000 25
I H 2 4000
J F,G,I 2 2000

Elabore el programa de actividades y de costos.

Represente en forma gráfica la región factible.
Realice un reporte al finalizar la décima semana según la información de la tabla.

PROBLEMA 4
La empresa “XXT” ha elaborado un proyecto para presentar un nuevo sistema
computarizado para oficinas que mejoraría el procesamiento de documentos y las
comunicaciones internas en una compañía. En la proposición se incluye una lista de
actividades que se deben llevar a cabo para realizar el proyecto del nuevo sistema. Se
muestra en seguida la información con respecto a las actividades.

Aij Precedencia te (s) CIJ ($) CR ($) % de avance

A - 5 700 800 100
B A 3 200 100 67
C - 6 500 450 100
D C 2 350 250 50
E B,D 2 300 0 0

 Indique la gráfica de los presupuestos factibles para el costo total del proyecto.
¿representa esta región poco común para el presupuesto factible?. Explique.
 Supóngase que se encuentra el reporte indicado en la tabla del estado de las actividades
al inicio del octavo día. ¿Está el proyecto dentro de lo programado?. ¿Qué acción
recomendaría?

TEMA 4 : MODELO DE REDES . ADMINISTRACIÓN DE PROYECTOS

CONTRACCIÓN DE LA RED

 Una vez hallada la ruta crítica , el T ij y programa de actividades de un proyecto ;

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

La red se puede contraer de las siguientes formas:

1. Analizando las actividades de la ruta crítica; empezando por aquellas actividades cuyo
costo de reducción es menor.
El costo de reducción Kj para cada actividad por unidad de tiempo se obtiene mediante:

Kj = (Cj1 – Cj) / Mj ; donde:

Cj1: Costo estimado para la actividad j con reducción máxima.
Cj : Costo estimado para la actividad j con tiempo normal esperado
1
Mj = tj - tj tj : tiempo normal para la actividad j.
tj1 : tiempo para la actividad j con reducción máxima.

2. Para redes mayores se recurre al MPL para reducir Tij

 Las variables de decisión son:

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

 La función objetivo.
Min W =  kj yj
 Restricciones :
a. Descripción de la red
xi  tj - yj + xi – 1 ; restricción para cada nodo en función del arco que llega.
b. Tiempo de reducción por actividad.
yj  Mj
c. Contracción de la red.
xn  Tij1
d. Condición de no negatividad
yj  0
xi  0

PROBLEMA 1

Un proyecto que se refiere a la instalación de un sistema de computo consta de 8

actividades . Se indican en seguida las actividades . Supóngase que se necesita terminar
el proyecto en 16 semanas . Es necesario entonces reducir los tiempos del proyecto . Se
muestra en seguida la información relevante.

AIJ Antecedente Semanas Dólares

t t´ C C´
A - 3 1 900 1700
B - 6 3 2000 4000
C A 2 1 500 1000
D B,C 5 3 1800 2400
E D 4 3 1500 1850
F E 3 1 3000 3900
G B,C 9 4 8000 9800
H F,G 3 2 1000 2000

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

terminación de 16 semanas.
 Plantee un modelo de Programación Lineal que pueda utilizarse para tomar la
decisión de reducción del tiempo en la ejecución del proyecto.
 Desarrolle un programa completo de actividades utilizando los tiempos reducidos de
las actividades.

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

AIJ Descripción Antecedente DÍAS DÓLARES

t t´ C C´
A Reparac. Máq. I. - 7 4 500 800
B Ajuste de Máq. I. A 3 2 200 350
C Reparac. Máq. II. - 6 4 500 900
D Ajuste de Máq. II. C 3 1 200 500
E Prueba de sistema B,D 2 1 300 550

PROBLEMA 3

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

AIJ Antecedente Meses Dólares x 1000

t t´ C C´
A - 4 2 50 70
B - 6 3 40 55
C A 2 1 20 24
D A 6 4 100 130
E C,B 3 2 50 60
F C,B 3 3 25 25
G D,E 5 3 60 75

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

terminación de 12 meses.
 Plantee un modelo de Programación Lineal que pueda utilizarse para tomar la
decisión de reducción del tiempo en la ejecución del proyecto.
 Desarrolle un programa completo de actividades utilizando los tiempos reducidos de
las actividades.

PROBLEMA 4

El gerente de operaciones de una empresa desea automatizar el sistema de

almacenamiento de sus productos , después de consultar con el personal de ingeniería y
el personal administrativo recopila la siguiente información:
 SEMANAS $X1000
AIJ Descripción Ant. a m b t´ C C´
A Determinar las necesidades de equipo - 4 6 8 4 1 1,9
B Obtener propuesta de proveedores - 6 8 16 7 1 1,8
C Seleccionar el proveedor. A,B 2 4 6 4 1,5 2,7
D Ordenar el sistema. C 8 10 24 8 2 3,2
E Diseñar la nueva disposición del almacén. C 7 10 13 7 5 8
F Diseñar el almacén. E 4 6 8 4 3 4,1
G Diseñar la interfaz del sistema de computo. C 4 6 20 5 8 10,25
H Acoplar el sistema de computadoras. D,F,G 4 6 8 4 5 6,4
I Instalar el sistema. D,F 4 6 14 4 10 12,4
J Capacitar a los operadores del sistema. H 3 4 5 3 4 4,4
K Probar el sistema. I,J 2 4 6 3 5 5,5

 Formule el MPL para contraer su red en 4 semanas.

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

PROBLEMA 5

En la fabricación a pedido los plazos de entrega deben ser confiables, por el prestigio del
productor y por las penalidades por moras pactadas. El plazo de entrega se puede definir
mediante el método probabilístico (PERT/CPM). Cuando el cliente exige la reducción del
plazo , deberá tener en cuenta que la diferencia implicará un extracosto que
contractualmente se podría acordar como bonificación por día ganado.

CASO

Una prestigiosa tintorería tiene como política señalar plazos de entrega con probabilidades
de ocurrencia de 80 a 90%.
Un importante cliente requiere con urgencia , en tiempo impuesto t i = 50 días, un lote de
pernos con tuerca , preguntándose el fabricante si podría satisfacer sin o con extracosto.
Para ello el Ingeniero de Operaciones elabora la secuencia de actividades que se muestra a
continuación:

Aij Descripción Prec. Responsable días t´e $

a m b te C C´
A Emisión del pedido a Ing. - Ventas 1 1 7 2 1 200 300
B Preparación de planos. A Ing. 3 7 11 7 3 120 400
C Preparac. de hojas de ruta. A Ing. 1 1 1 1 1 50 50
D Diseño herramental. B,C Ing. 2 5 14 6 2 450 600
E Cálculo y prep. de vales. B,C Ing. 1 1 1 1 1 50 50
F Prep. de normas de CC. B,C Ing. 1 2 3 5 3 150 200
G Compra de MP. D Suministros 1 3 23 6 4 120 240
H Separación de MP. E Suministros 1 7 13 7 3 300 600
I Fabricación de herramient G Fabricación 3 10 29 12 6 130 230
J Emisión y oferta de fab. F,H,I Ing. 1 1 1 1 1 40 40
K Torneado de pernos. J Fabricación 5 10 15 10 4 40 240
L Torneado de tuercas. J Fabricación 4 8 12 8 5 120 180
M Acabado de pernos. K Fabricación 1 2 3 2 1 30 60
N Hermanado y empaque. L Fabricación 4 8 18 9 4 120 200
O Confección de guía. M,N Ventas 1 1 1 1 1 20 20
P Tramites finales. O Ventas 1 2 3 2 1 140 200
Q Despacho. P Ventas 1 2 3 2 1 20 30

TEMA 5 : MODELO DE DECISIONES

Como cualquier humano todos los días tomamos decisiones con diferente grado de
importancia a corto a mediano y largo plazo. Los modelos de decisión nos permiten evitar
la toma de decisiones en forma arbitraria sin previo análisis. Los modelos de decisión
proporcionan una estructura para examinar el proceso de toma de decisiones.
Con frecuencia se toman decisiones en entornos que tienen incertidumbre estas se pueden
analizar teniendo en cuenta las probabilidades a priori y a posteriori.

TOMA DE DECISIONES CON PROBABILIDADES A PRIORI

El modelo general tiene la siguiente estructura general:

Sj Estados de la naturaleza
d(i) S1 S2 ... Sj ... Sn
d1 V(d1;S1)
d2
.
di V(di;Sj)
.
dm
p(Sj) p1 p2 ... pj ... Pn

TERMINOLOGIA UTILIZADA EN LOS MODELOS DE TOMA DE DECISIONES

1. Alternativas de decisiones ( di ) .- Controladas por el decisor.

2. Estados de la naturaleza ( Sj ) .- No controladas por el decisor , acciones externas que
afectan el resultado de la decisión.
3. Resultados V(di , Sj ) .- Para cada combinación de estrategias y estado de la naturaleza
habrá un resultado, que se debe expresar mediante alguna medida ; el conjunto de
resultados constituye la matriz de pagos.
4. Arbol de decisión .- Esta formada por nodos de decisión ; nodos de estado ,
enlace entre los nodos (ramas) y resultados al final de las ramas.
Representa graficamente el proceso de toma de decisiones.
S1
d1 V(d1 , S1 )

CRITERIOS DE DECISIÓN

TOMA DE DESICIONES SIN PROBABILIDADES

Este criterio es apropiado cuando el decisor tiene poca confianza en su actitud para evaluar
la probabilidad de los estados de la naturaleza.

1. EL MÉTODO OPTIMISTA

Se evalúa cada alternativa de decisión , en término del mejor resultado que puede
ocurrir. La alternativa de decisión que se recomienda es la que ofrece la mejor
consecuencia posible.
Para un problema en el que se desea maximizar utilidades , la alternativa elegida
corresponde aquella que brinda las utilidades mas altas.
Para un problema en el que se desea minimizar , la alternativa elegida corresponde
aquella que brinde el menor resultado.

2. EL MÉTODO CONSERVADOR

Se evalúa cada alternativa de decisión en términos del peor resultado que pueda ocurrir.
La alternativa decisoria que se recomienda es la mejor de la peores consecuencias
posibles es decir:

 Para un problema de maximización le corresponde el max (min)

 Para un problema de minimización le corresponde el min (max)

3. EL MÉTODO DE LA DEPLORACIÓN
 Se evalúa el costo de oportunidad ( deploración)

Para un problema de maximización

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

V*(Sj) : mayor valor
 Se identifica los máximos valores para cada alternativa en la matríz de costo de
oportunidad.
 Se elige la mejor decisión aplicando el min (max) a los valores obtenidos

Para un problema de minimización

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

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

TOMA DE DECISIONES CON PROBABILIDADES A PRIORI

1. CRITERIO DE PROBABILIDAD MÁXIMA

Se centra en el estado de la naturaleza con mayor probabilidad.

Procedimiento:

a. Identificar el estado Sj con la probabilidad a priori p(Sj) mayor.

b. Elegir la alternativa de decisión que tiene el mayor pago para este estado de la
naturaleza..

2. CRITERIO DE IGUAL PROBABILIDAD.

Por lo general es difícil tener mucha fe en las probabilidades a priori; por lo tanto se
asume igual p(Sj) a cada estado del modelo.

Procedimiento:

a. Para cada alternativa de decisión calcule el promedio de sus pagos sobre todos los
estados de la naturaleza.
b. Seleccione la alternativa con el mayor pago promedio.

3. REGLA DE DECISIÓN DE BAYES

Utiliza el concepto de valor esperado o esperanza matemática

Procedimiento:
 a. Para cada alternativa de decisión calcule el valor esperado VE(di).
n
∑
VE ( di ) = j=1 p(Sj) V ( di , Sj )

Donde: n es el número de posibles estados de la naturaleza

p( Sj) es la probabilidad de ocurrencia del estado de la naturaleza Sj.

Las probabilidades correspondientes deben satisfacer las siguientes condiciones:

P( S j )  0 para todos los estados de la naturaleza.

n
∑
j=1 p(Sj) = p (S1) + p(S2) + … + p(Sn ) = 1

b. Seleccione la alternativa con el mayor valor esperado

ANALISIS DE SENSIBILIDAD

 Considera como los cambios en las estimaciones de las probabilidades para los
estados de la naturaleza pueden afectar la decisión que se recomienda.
 El análisis de sensibilidad se puede realizar considerando probabilidades
diferentes para los estados de la naturaleza y después volver a calcular el VE de
cada alternativa de decisión ; repitiendo este proceso se observa la forma en que
los cambios en las probabilidades afectan la decisión recomendada.
 Para el caso con dos estados de la naturaleza , se puede realizar un análisis de
sensibilidad utilizando un procedimiento gráfico; para ello se le asigna:

p(S1) = p y p( S2) = ( 1 – p )

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

VE

VE (di )

En el gráfico se realiza el análisis correspondiente , estableciéndose los rangos de

variación de p y las modificaciones de las decisiones recomendadas.
VALOR ESPERADO DE LA INFORMACION PERFECTA (VEdeIP)

Si existe la posibilidad de llevar a cabo un estudio de investigación de mercado para

obtener la información perfecta , se puede realizar siempre en cuando no supera el
valor de la información perfecta.

VEdeIP = VEconIP - VE*

n
∑
VEconIP = j=1 p(Sj) . ( mejor valor en Sj)
VE*: Mejor valor esperado

PROBLEMA 1

La compañía “Transporandes” ubicada en Huacho, tiene solicitudes para transportar dos

remesas , una al Callao , y otra a Lima. Debido a un problema de programación
Transporandes puede aceptar solamente uno de esos trabajos . El cliente del Callao ha
garantizado un envío de regreso, pero el de Lima no. Por tanto si Transporandes acepta el
embarque de Lima y no puede encontrar un embarque de regreso de Lima a Huacho, el
camión regresa vacío . La tabla que muestra las utilidades es la siguiente.

Remesa a Envío de regreso de Lima. No hay envío de regreso de Lima

S1 S2
Callao d1 2000 2000
Lima d2 2500 1000

a. Si la probabilidad de lograr un envío de regreso de Lima es 0.4 , ¿Qué debe hacer

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

PROBLEMA 2

Considere un problema de análisis de decisión cuyas utilidades (en miles de dólares ) están
dados por la siguiente matriz de resultados :

Estados de la naturaleza

S1 S2
A1 80 25
Alternativas
de decisión A2 30 50

A3 60 40

Probabilidad a priori P(Sj) .40 .60

a. ¿Qué alternativa debe elegirse según el criterio de probabilidad máxima?.

b. ¿Qué alternativa debe elegirse según el criterio de igual probabilidad ?.
c. ¿Qué alternativa debe elegirse según la regla de decisión de Bayes?.
d. Realice un análisis de sensibilidad gráfico respecto a la probabilidad a priori para
determinar los puntos de cruce donde cambia la decisión de una alternativa a otra.
e. Halle el valor de la información perfecta. Que comentario le merece.

PROBLEMA 3

Un procesador de alimentos está considerando corridas diarias de producción de 100;

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

Demanda
100 300
S1 S2
100 d1 500 -100
PRODUCCIÓN
200 d2 -400 700
300 d3 -1000 1600

 Determine la decisión recomendable empleando los métodos optimista; conservador

y deploración.
 Trace un árbol de decisión para este problema.
 Si P ( S1)=0,4 . ¿Cuál es la mejor decisión a tomar?.
 Hallar el valor esperado de la información perfecta.
 Realice el análisis de sensibilidad e interprete sus resultados.

PROBLEMA 4

Se presenta en seguida la tabla de resultados que muestra las utilidades para un problema de
decisión con dos estados de la naturaleza y tres alternativas de decisión:
 S1 S2
d1 15 10
d2 10 12
d3 8 20

 Determine la decisión recomendable empleando los métodos optimista; conservador

y deploración.
 Trace un árbol de decisión para este problema.
 Si P ( S2)=0,3 . ¿Cuál es la mejor decisión a tomar?.
 Hallar el valor esperado de la información perfecta.
 Realice el análisis de sensibilidad e interprete sus resultados.

MODELO DE DECISIONES CON PROBABILIDADES A POSTERIORI

USO DE NUEVA INFORMACIÓN PARA ACTUALIZAR PROBABILIDAD

Las probabilidades a priori de los estados de la naturaleza , con frecuencia son de

naturaleza subjetiva , de modo que pueden ser sólo estimaciones burdas de las
verdaderas probabilidades . Por fortuna muchas veces es posible hacer pruebas o
sondeos adicionales ( a cierto costo ) para mejorar estas estimaciones. Estas
estimaciones mejoradas se llaman probabilidades a posteriori.

ANALISIS BAYESIANO

Se combina los datos previos ( probabilidades a priori) con datos muestrales o de

prueba, utilizando la fórmula desarrollada por BAYES.
 Con frecuencia lo TD tienen estimaciones preliminares o previas de las
probabilidades de los estados de la naturaleza p( Sj).
 Sin embargo a fin de adoptar la mejor decisión ; es posible que el TD pretenda
obtener información adicional sobre los estados de la naturaleza con el
propósito de actualizar las probabilidades previas. A la nueva información se le
llama INFORMACION MUESTRAL.
 A la información nueva combinada con la probabilidad previa mediante el
procedimiento BAYESIANO se le llama probabilidad posteriori o modificada.
 A la nueva información se le llama indicador (Ik ) o información muestral.
 Para el proceso bayesiano se utiliza:
P( Ik / Sj) probabilidad condicional que indica que ocurre Ik dado que ocurrio Sj
que por lo general se conoce por datos históricos.
 p( I K /S j ) p (S j )
 Según la ley de BAYES p(Sj / IK) = p( I K )

Donde:
N
∑
p( IK ) = j =1 p(IK/ Sj) p ( Sj ).

 El análisis Bayesiano se puede realizar en un árbol de decisión.

Un árbol de decisión proporciona una gráfica de la progresión de las decisiones
Y los eventos aleatorios.

P (Sj / IK)

di

p( IK)

VALOR ESPERADO DE LA INFORMACION MUESTRAL ( VEIM)

VE deIM = [ Valor óptimo esperado con la información muestral ] – [Valor óptimo

esperado sin información muestral ]

El valor óptimo esperado con información muestral se obtiene previo análisis en el

árbol de decisión.

EFICIENCIA DE LA INFORMACION MUESTRAL

E = VE deIM / VE deIP

 Para valores de E bajos es recomendable buscar otros tipos de información.

 Para E altos la información muestral es casi tan buena como la información
perfecta.
UTILIDA Y PREFERENCIA EN LA TOMA DE DECISIONES

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

U [min(di ; Sj)] = 0
U[max(di ; Sj)] = 10
 Se determina luego la utilidad correspondiente a cada uno de los resultados V(d i ;
Sj) restantes.

U(di ; Sj) = p. U[max(di ; Sj)] +(1-p). U [min(di ; Sj)]

= 10p
Donde p es la preferencia que tiene el decisor al max(d i ; Sj) respecto al V(di ;
Sj).
Obteniéndose la siguiente tabla:

di S1 S2 . . . SN
 d1 U(d1;S1) U(d1;S2) . . . U(d1;SN)
d2 U(d2;S1) U(d2;S2) . . . U(d2;SN)
. . . . . . .
. . . . . . .
. . . . . . .
dm U(dm;S1) U(dm;S2) . . . U(dm;SN)
P(Sj) P(S1) P(S2) . . . P(SN)

 La utilidad esperada se obtiene mediante:

N
UE ( d i )=∑ p ( S j ) U (d i ; S j )
j=1
 La decisión elegida será aquella con el mejor UE(di )

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

PROBLEMAS

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

Estados de la naturaleza
Baja Media Alta
S1 S2 S3
Pequeña d1 400 400 400
Alternativas
de decisión Mediano d2 100 600 600

Grande d3 -300 300 900

P(Sj) .20 .35 .45

La encuesta dará como resultado tres indicadores de la demanda : débil (I1) , promedio
(I2) , y fuerte ( I3) en donde las probabilidades condicionales son las siguientes:

P(Ik/Sj)
I1 I2 I3
S1 .6 .3 .1
S2 .4 .4 .2
S3 .1 .4 .5
 a. Cuál es la estrategia óptima de la empresa.
b. Cuál es el valor de la información muestral.
c. Cuál es la eficiencia de la información de la encuesta.

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

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

Estados de la naturaleza
Rechazar 1 año 2 años
Fabricar el d1 -100 50 150
producto piloto
Vender al d2 100 100 100
competidor
P(Sj) .2 .3 .5

Según un honorario por consultoría de $ 2 500 una agencia revisaría los planes de la
serie de televisión e indicaría las probabilidades globales de que la red reaccione de
manera favorable ante la serie . Si la revisión especial de la agencia da como resultado
una evaluación favorable ( I1) o una evaluación desfavorable ( I 2), ¿Cuál debe ser la
estrategia de decisión de la empresa?. Si la probabilidades condicionales son
evaluaciones realistas de la agencia:

P(I1/S1) = .3 P(I2/S1) = .7
P(I1/S2) = .6 P(I2/S2) = .4
P(I1/S3) = .9 P(I2/S3) = .1

a. Elabore el árbol de decisiones para este problema.

b. ¿La información vale el honorario por consultoría de $ 2 500 ?.
c. ¿Cuánto es lo máximo que la TV.H debe estar dispuesta apagar por la consultoría?.

3. Una Empresa tiene tres alternativas de inversión. La tabla de resultados y las

probabilidades correspondientes son las siguientes:
Condiciones económicas
Suben Estables Bajan
Inversiones x d1 100 25 0
$1000 d2 75 50 25
d3 50 50 50
probabilidades .40 .30 .30
a. Utilizando el método de valor esperado ¿qué decisión se prefiere?.
b. Para las siguientes probabilidades de indiferencia:
 Utilidades (ganancia) Probabilidad de indiferencia
Decisor A Decisor B
$75 000 .80 .60
$50 000 .60 .30
$25 000 .30 .15

Obtenga la decisión preferible para cada tomador de decisiones utilizando el método

de la utilidad esperada.
c. ¿Por qué no eligen la misma alternativa de decisión los dos tomadores de decisiones
A y B?

TEMA 6. MODELO DE PROGRAMACIÓN NO LINEAL (MPNL)

La programación no lineal analiza modelos matemáticos del entorno real en donde
la función objetivo f(x) o las restricciones g(x) (o ambas funciones) son funciones no
lineales. Los algoritmos para resolver estos modelos de optimización dependen de la
naturaleza de la función objetivo y de las restricciones.
El concepto de gradiente es muy útil para hallar la solución óptima de este modelo.

GRADIENTE (∇ nabla)
El gradiente es un vector cuyas componentes son derivadas parciales de la función f(x)

∇ f ( x )=¿

MULTIPLICADORES DE LAGRANGE

Los multiplicadores de Lagrange, es un procedimiento para encontrar los máximos y

mínimos de funciones de múltiples variables sujetas a restricciones. Este método reduce el
problema restringido con n variables a uno sin restricciones de n + k variables, donde k es
igual al número de restricciones, y cuyas ecuaciones pueden ser resueltas más fácilmente.
Estas nuevas variables escalares desconocidas, una para cada restricción, son llamadas
multiplicadores de Lagrange. El método dice que los puntos donde la función tiene un
extremo condicionado con k restricciones, están entre los puntos estacionarios de una
nueva función sin restricciones construida como una combinación lineal de la función y las
funciones implicadas en las restricciones, cuyos coeficientes son los multiplicadores.
Los multiplicadores de Lagrange se pueden utilizar para resolver el MPNL en los que las
restricciones son restricciones de igualdad.
Considere el MPNL:

Max(min)z=f(x1,x2,…,xn)
S.a:
g1(x1,x2,…,xn) = b1
g2(x1,x2,…,xn) = b2
.
.
.
gm(x1,x2,…,xn) = bm
La función de Lagrange para resolver el sistema es:

i=m
L(x1,x2,…,xn, λ1, λ2,…, λm)=f(x1,x2,…,xn)+∑ λi ¿ ¿ x1,x2,…,xn)]
i=1

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

Son modelos que representan situaciones de sistemas donde la función objetivo representa
modelos no lineales y para su solución se pueden utilizar los conceptos de máximo o
mínimo de una función para obtener los máximos y mínimos locales y globales de la
función.

Para la solución del modelo se puede considerar la siguiente regla

Regla 1 (Condición necesaria)

La primera derivada de una función de una variable sin restricciones debe ser igual a cero
en sus puntos máximos locales y mínimos locales.

Regla 2 (Condición suficiente)

Si se satisface la regla 1 en un punto, y:

a. Si la segunda derivada es mayor que cero, entonces el punto es un mínimo local.

b. Si la segunda derivada es menor que cero, entonces el punto es un máximo local.

El procedimiento general para encontrar el máximo o mínimo global para una función de
una variable sin restricciones es el siguiente:

Paso 1. Encontrar todos los puntos que satisfagan las reglas 1 y 2.

Paso 2. Si la solución está restringida a un intervalo específico, evaluar la función en los

extremos del intervalo.

Paso 3. Comparar los valores de la función con todos los puntos que se encontraron en los
pasos 1 y 2. El mayor de estos es la solución global máxima; el menor de ellos es la
solución global mínima.
CASO

Una clínica está interesada en rediseñar su sistema de atención a sus pacientes con el
propósito de maximizar el número de personas(N) que pueden beneficiarse de sus servicios
al año.
Con base en algunos estudios recientes se sabe en la clínica que el tiempo de tratamiento
promedio (T) por paciente es función del número de pacientes (P) que la clínica trata en
forma simultánea.
La siguiente función describe la forma en la que el número de pacientes residentes afecta el
tiempo de recuperación o tiempo de tratamiento:

45
T=
180−P

P
Donde el número total de pacientes en tratamiento al año está dado por N=
T

CASO 2. Min f(x) = x3-6x2+50 ; 0≤x≤5

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

DECISIÓN Y SIN RESTRICCIONES.

Existen diversas situaciones en las se pueden desarrollar modelos matemáticos no

lineales que tienen dos o más variables de decisión.

Para la solución del modelo con dos variables se puede considerar la siguiente regla:

Regla 1 (Condición necesaria)

Las dos derivadas parciales de una función sin restricciones, de dos variables, deben ser
iguales a cero en cualquier punto que sea mínimo local o máximo local.

Regla 2 (Condición suficiente)

Si se satisface la regla 1 en el punto (x1: x2) y:
∂2 f
a. Si >0
∂ x 21

∂2 f ∂2 f ∂2 f
y ( )( ) (
∂ x21 ∂ x 22
− )
∂ x 1 ∂ x2
>0

entonces el punto es de un mínimo local

∂2 f
b. Si <0
∂ x 21
 ∂2 f ∂2 f ∂2 f
y ( )( ) (
∂ x21 ∂ x 22
− )
∂ x 1 ∂ x2
>0

entonces el punto es de un máximo local

∂2 f ∂2 f ∂2 f
c. ( )( ) (
2 2
∂ x1 ∂ x 2
−
∂ x 1 ∂ x2 )
< 0 ; entonces el punto no es de máximo local ni de

mínimo local.

El procedimiento general para encontrar el máximo o mínimo global para una

función de dos variable sin restricciones es el siguiente:

Paso 1. Encontrar los máximos o mínimos locales.

Paso 2. Elegir el mayor máximo local o el menor mínimo local que será el máximo
o mínimo global.

CASO

Una empresa fabrica dos tipos de podadora una con asiento y motor (2) y la otra
manual (1). A la empresa le interesa establecer una política de precios para las dos
podadoras que maximice las utilidades para la línea de productos.

Después de estudiar las relaciones entre los precios de venta y las cantidades
vendidas se han establecido las siguientes expresiones:

q1 = 95 – 2p1 + 0.7p2 y q2 = 188 +0.3p1 - 0.5p2

q1: número de podadoras manuales en millares

q2: número de podadoras con motor en millares
p1: precio de las podadoras manuales en dólares
p2: precio de las podadoras con motor en dólares.

Otra información adicional, es la que se refiere al costo total de fabricación de cada

podadora:

c1 = 100 + 90q1 y c2 = 50 + 250q2

c1: costo total de fabricar q1 en miles de dólares

c2: costo total de fabricar q2 en miles de dólares.

I.3. MODELOS CON RESTRICCIONES DE IGUALDAD: MULTIPLICADORES DE LAGRANGE

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

minimización de una función con dos variables sujeta a una restricción de igualdad es:
Max(min) f(x1, x2)

Sujeta a:

g(x1, x2)=b.

El método a seguir para la solución de este modelo es

1. Construir la función lagrangiana:

Función lagrangiana=L(x1,x2,λ) = f(x1,x2)+λ[g(x1,x2)-b]

2. Se halla la condición necesaria a la función lagrangiana esto es hallar las derivadas

parciales respecto a x1, x2 , λ , igualar a cero y resolver el sistema de ecuaciones que
nos darán los máximos o mínimos lacales.

3. Se halla la condición suficiente para determinar si los puntos hallados son máximos
o mínimos locales; para ello se reemplaza en la función lagrangiana el valor de λ
hallado anteriormente.

Aplicándose la condición:

∂2 L
d. Si >0
∂ x 21

∂2 L ∂2 L ∂2 L
y ( )( ) (
∂ x 21 ∂ x 22
− )
∂ x1 ∂ x2
>0

entonces el punto es de un mínimo local

∂2 L
e. Si <0
∂ x 21

∂2 L ∂2 L ∂2 L
y ( )( ) (
2
∂ x1
2
∂ x2
−
∂ x1 ∂ x2 )
>0

entonces el punto es de un máximo local

4. Se obtiene la función óptima reemplazando los valores seleccionados en el paso

anterior.

CASO 1.
 Una empresa Agroindustrial ofrece un servicio de fertilización de jardines y de
control de hierbas. La empresa está agregando un tratamiento especial de aereación
como una opción de servicio con un costo adicional reducido, y espera que ayude a
atraer clientes nuevos. Los administradores están planeando promover este servicio
a través de radio y correo directo. Se va a utilizar $2000 en esta campaña
promocional en el siguiente trimestre.

Se ha establecido una estimación de la relación entre las ventas y la cantidad que se

invierte en la promoción en estos dos medios:

S=-2x 21−10 x 22−8 x1 x 2+18 x 1 +34 x 2

En donde:

S: ventas totales en miles de dólares

x1: miles de dólares que se invierten en publicidad por radio

x2: miles de dólares que se invierten en promoción por correo directo

A la empresa busca desarrollar una estrategia de promoción que conduzca a una

maximización de las ventas, sujeta a la restricción contenida en el presupuesto de
promoción.

Caso 2

Supóngase que se tiene el siguiente problema de optimización con restricción:

Mín x 21+ 2 x 22−8 x 1−12 x2 +34

Sujeta a x1 +2x2 = 4

I.4. MODELOS CON RESTRICCIONES DE DESIGUALDAD

Existen problemas que conducen a modelos matemáticos no lineales que implican dos
variables de decisión y una restricción de desigualdad. Este tipo de problemas pueden
resolverse utilizando los métodos anteriores

Método de solución.

PASO 1

Supones que la restricción no es limitante y aplicar el procedimiento para modelos sin

restricciones. Si el max(min) global satisface las restricciones detenerse. Y se habrá
 obtenido la solución óptima del problema: Si no satisface la restricción de desigualdad
pasar al paso 2.

PASO 2

Suponer que la restricción es limitante y aplicar el procedimiento del modelo con

restricciones de igualdad y comprobar si la si la solución satisface la condición de
desigualdad; si cumple con esta condición se habrá obtenido la solución del problema.

CASO 1

Max -2 x 21−10 x 22−8 x1 x 2+18 x 1 +34 x 2

Sujeta a

x1 +x2 ≤ 2

CASO 2

Min x 21−10 x 1+ x 22−10 x 2

Sujeta a

x1 +2x2 ≤ 20

TEMA 7 : TOMA DE DECISIONES CON CRITERIOS MÚLTIPLES

Se han analizado modelos que pueden aplicarse a problemas que tienen un objetivo, como
el de maximizar utilidades o minimizar costos. Sin embargo en el mundo real , se
consideran problemas con objetivos múltiples en forma simultánea ; por ejemplo en la
ubicación de una nueva planta sus objetivos pueden ser: maximizar utilidades, maximizar la
participación en el mercado, minimizar costos de terreno; etc. por lo tanto es necesario
utilizar técnicas que permitan evaluar estos criterios múltiples para llegar a la mejor
decisión global ; para ello se consideran las siguientes técnicas.

1. PROGRAMACIÓN DE METAS (PM).

2. PROCESO ANALÍTICO DE JERARQUÍAS ( PAJ ).

PROGRAMACIÓN META (PM )

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

PROCEDIMIENTO

1. Identificar las metas y nivel de prioridades.

2. Definir las variables de decisión.
3. Plantear las restricciones.

 Restricción del sistema(duras).

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

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

5. Solución del modelo.

PROBLEMAS

1. Una empresa produce dos adhesivos que se utilizan en el proceso de manufactura de

aviones. Los adhesivos, que tienen diferente adherencia , requieren de distintos tiempos
de producción : el adhesivo IC100 requiere de 20 minutos por galón de producto
terminado, y el IC200 utiliza 30 minutos por galón. Ambos productos emplean una libra
de una resina rápidamente perecedera para cada galón de producto terminado. Existen
300 libras de la resina en inventario y se puede obtener una mayor cantidad si es
necesario. Sin embargo debido a la vida útil del material se descarta cualquier cantidad
que no se utilice en las dos semanas siguientes.
La empresa tiene pedidos existentes para 100 galones de IC100 y 120 galones de
IC200. En condiciones normales , el proceso de producción opera 8 horas al día , 5 días
 a la semana . Los administradores pretenden programar la producción para las dos
semanas siguientes con el objeto de lograr las siguientes metas:
Meta con nivel de prioridad 1
Meta 1: Evitar la subutilización del proceso de producción.
Meta 2 : Evitar el tiempo extra en exceso de 20 horas por las dos semanas.
Meta con nivel de prioridad 2
Meta 3 : satisfacer los pedidos existentes para el adhesivo IC100.
Meta 4 : Satisfacer los pedidos existentes para el adhesivo IC200.
Meta con nivel de prioridad 3
Meta 5 : Utilizar toda la resina disponible.

Plantee un modelo de programación de metas para este problema. Suponga que tanto
las metas de nivel de prioridad 1 como las metas con nivel de prioridad 2 tienen la
misma importancia.

2. Una financiera debe desarrollar una cartera de inversión para un cliente nuevo. Como
estrategia inicial al cliente le interesa restringir la cartera a una combinación de las dos
siguientes acciones:

Acción Precio por acción Rendimiento anual

estimado
A $50 6%
B $100 10%

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

combinaciones de inversión:
Meta con nivel de prioridad 1
Meta 1 : Obtener un rendimiento anual de cuando menos 9%
Meta con nivel de prioridad 2
Meta 2: Limitar la inversión en B , la inversión mas riesgosa , a cuando mucho el 60%
de la inversión
Total.
Plantee un modelo de programación de metas para esta financiera.

TEMA 8 : PROCESO ANALÍTICO DE JERARQUÍAS ( PAJ )

Permite la inclusión de factores subjetivos para llegar a la decisión que se recomienda. En

este método el decisor debe formular juicios respecto a la importancia relativa de cada uno
de los criterios de decisión , y después especifica su preferencia respecto a cada una de las
alternativas de decisión y respecto a cada criterio ; el resultado es una jerarquización con
prioridades que indica la preferencia global según cada alternativa de decisión.

PROCEDIMIENTO

1. Desarrollo de jerarquías.
META GLOBAL
 CRITERIOS …

A A A A
ALTERNATIVAS B B B B
. . . .
. . . .

2. Elaboración de la matriz de comparaciones pareadas.

3. Sintetización.
 Vector de prioridades.
4. Jerarquización global.

PRUEBA DE CONSISTENCIA

Evalúa la calidad de las comparaciones pareadas mediante la relación de consistencia (RC).

RC = IC / IA ; si RC  0.10 ; se considera un nivel de consistencia aceptable.

 El índice aleatorio ( IA ) depende del número de elementos que se comparan (Tabla).

n 3 4 5 6 7 8
IA 0.58 0.90 1.12 1.24 1.32 1.41

 El índice de consistencia ( IC ) se obtiene mediante:

IC = ( máx - n ) / ( n - 1 )

Para hallar máx : 1. Se halla el vector suma ponderada.

2. Se divide los elementos del vector suma ponderada
entre el correspondiente valor de prioridad.
3. máx es el promedio de (2).
PROBLEMAS

1. Un estudiante está considerando para fiestas patrias la adquisición de una computadora y ha

considerado tres criterios qué varían en términos de precio(P) , capacidad (Q) y presentación (F).
Después de realizar el análisis correspondiente cuenta con las siguientes matrices de comparaciones
pareadas.

Criterio P Q F Precio A B C Calidad A B C Forma A B C

P 1 3 4 A 1 4 2 A 1 A 1 4 2
Q 1 3 B B 2 B 1
F C 3 C 4 3 C

a. Represente la jerarquía para este problema y calcule las prioridades para cada una de las matrices.
b. Determine la prioridad global e indique la decisión a tomar.
c. Evalúe la consistencia para la matriz de calidad.
 2. Un Ingeniero está considerando la adquisición de un automóvil y ha considerado tres criterios qué
varían en términos de precio(P) , consumo de combustible (Q) comodidad (F) y estilo (G). Después
de realizar el análisis correspondiente cuenta con las siguientes matrices de comparaciones pareadas.

Criterio P Q F G Precio A B C (Q) A B C ( F) A B C

P 1 3 2 2 A 1 1/3 1/4 A 1 ¼ 1/6 A 1 2 8
Q 1/3 1 1/4 1/4 B 3 1 1/2 B 4 1 1/3 B ½ 1 6
F 1/2 4 1 1/ 2 C 4 2 1 C 6 3 1 C 1/8 1/6 1
G ½ 4 2 1

Estilo (G) A B C

A 1 1/3 4
B 3 1 7
C ¼ 1/7 1

d. Represente la jerarquía para este problema y calcule las prioridades para cada una de las matrices.
e. Determine la prioridad global e indique la decisión a tomar.
f. Evalúe la consistencia para la matriz de combustible.

TEMA 9 : PROGRAMACIÓN DINÁMICA

 Técnica que soluciona modelos matemáticos de gran magnitud, descomponiéndolos en

sub-modelos (etapas).
 Integra la solución óptima de los sub – modelos mediante una función recursiva.
 No cuenta con una formulación matemática STANDARD. C/Problema tiene su
algoritmo específico.
 El comportamiento de los parámetros de cada etapa pueden ser determinístico o
probabilístico; teniendo en cuenta este comportamiento los modelos de Programación
Dinámica pueden ser Determinísticos y Probabilísticos.
 Max z = 2x1 + x2 Max z = 4x1 + x2 Max z = 2x1 + 5x2 Max z = x1 + x2
St: x1 + 3x2 < 12 St: x1 + 3x2 < 18 St: x1 + 3x2 < 20 St: x1 + 3x2 < 14

PROCEDIMIENTO GENERAL

1. Identificar las etapas.

2. En cada etapa identificar

d n : Variable de decisión

fn
x n: variable de estado x n+1
Función recursiva
r n: rendimiento resultado

x n : Situación actual antes de tomar la decisión

d n : Decisión a tomar en cada etapa.
r n : Contribución en cada etapa ( Utilidad, costo, etc. ) .
r n = f (x n , d n )
f n : Integra la solución óptima de una etapa con otra
f n (s) = r n + f * n+1
s : estado
n : etapa

3. Se resuelven los sub – modelos empezando por el fin.

PROBLEMAS

1. Una empresa de caudales tiene que llevar dinero desde una entidad bancaria hasta una
empresa para pagar a sus trabajadores; pero existen serios peligros en el trayecto de ser
asaltados. En la figura se muestran las posibles rutas para viajar desde el banco ( 1 ) a la
empresa ( 10 ) y en cada arco el riesgo de una calle a otra ( c ij ). La empresa esta
preocupada por la seguridad del dinero y le encarga al gerente de operaciones obtener la
ruta óptima a seguir.
 2 7 5 1
4

2 6 4 8 3

3 6 10
1 4 3 2 6
3
3 4 4
9
4 3
1
4 5 7 3

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

determinado y para un cierto número de periodos , y que se desearía decidir sobre la
cantidad que se debe fabricar en cada uno de esos periodos para satisfacer la demanda a
un costo mínimo. Existen dos costos que es necesario considerar: costos de producción
y costos de tenencia de inventario. No se consideran los costos de preparación en cada
periodo. Se permiten que los costos de producción y tenencia de inventario varían de un
periodo a otro. Los datos del problema se dan en la siguiente tabla:

MES DEMANDA CAPACIDAD DE CAPACIDAD COSTO DE PRODUCCION COSTO DE TENENCIA

PRODUCCION DE ALMACEN POR UNIDAD POR UNIDAD
ENER. 2 3 2 $175 $30
FEBR. 3 2 3 150 30
MARZ. 3 3 2 200 40

Considere el inventario inicial de Enero de 1 unidad.

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

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

MES Demanda Capacidad de Capacidad de Costo de Costo de tenencia

producción almacén producción por por unidad
unidad
1 20 30 40 $ 2.00 $0.30
2 30 20 30 1.50 0.30
 3 40 30 20 2.00 0.20

Utilizando el método de programación dinámica , obtenga las cantidades de producción y los niveles
de inventario óptimos en cada periodo para esta empresa . Supóngase que se tiene un inventario
inicial de 10 unidades el principio del mes 1 y que las corridas de producción se llevan a cabo en
múltiplos de 10 unidades, ( es decir, 10 , 20 o 30 unidades ).

4. El jefe de producción de una empresa debe hacer una selección óptima quincenal de
tareas que se debe procesar durante el siguiente periodo de dos semanas ( 10 días ) para
ello cuenta con la información que se muestra en la tabla. Cuál es la selección óptima .

TAREA N°de tareas que se procesarán Tiempo estimado de Calificación(valor)

terminación por tarea (días)
Categoría 1 4 1 2
Categoría 2 3 3 8
Categoría 3 2 4 11
Categoría 4 2 7 20

5. Considere que se carga un barco con N artículos “i” que tienen un peso wi y un valor
vi ( i = 1,2,…,N ) El peso de carga mínima es W.
Se requiere determinar la cantidad de carga mas valiosa sin que se exceda al peso máximo
disponible en el barco.
Específicamente, consideré el caso siguiente de tres artículos y suponga que W = 5.

i wi Vi
1 2 65
2 3 80
3 1 30

TEMA 10 : PROCESO DE MARKOV.

 Familia de modelos dinámicos que son estocásticos y dependientes del tiempo.

 Se utiliza para describir diversas situaciones.
 Buscan determinar en forma secuencial las probabilidades de ocurrencia de eventos.

TERMINOLOGIA:

Estado : Condiciones iniciales y finales del proceso de Markov.

Ensayo: Ocurrencias repetidas del evento que se estudia.
Probabilidad de Transición : Probabilidad de pasar de un estado actual al siguiente.

CADENA DE MARKOV:

Proceso de Markov que presenta las restricciones:

1. Existe un número finito de estados.
2. Las probabilidades de transición son constantes.

MODELO MATEMATICO

Notación:

pij : Probabilidad de cambiar del estado “i” al estado “j”.

P : Matriz formada por los valores de pij (Matriz de transición).
Si(t) : Probabilidad de encontrarse en el estado “i” en el periodo “t”.
S(t) : Vector de probabilidad de estado en el periodo “t”.

Planteamiento:

Si(t) + S2(t) +…+ Sn(t) = 1 “ n estados “.

pi1 + pi2 + … + pin = 1

La transición de un periodo al siguiente se expresa como :

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

Para el primer periodo : S ( 1 ) = S (0 ) P

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

En general :
S ( t ) = S ( 0 ) Pt

Por la condición de estado estacionario:

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

Donde S : vector de probabilidad de estado estacionario que es el mismo sin

importar el periodo.

 S=SP
Es decir el vector de estado estacionario sigue siendo igual después de la transición de una
etapa.

RESUMEN

El desarrollo de las cadenas de Markov dada una matriz de transición de una etapa P = [Pij]
y un vector de estado para el periodo “ t “ , S ( t ) esta dado por:
S(t+1)=S(t)P
Y dado que :

S ( t + 1 ) = S ( t )P = S ( t – 1 )P2 = … = S ( 1 )Pt-1 = S ( 0 ) Pt

Se tiene que :

S ( t ) = S ( 0 ) Pt

También: Puede obtenerse el vector de probabilidades de equilibrio o de estado

estacionario, S , resolviendo el sistema de ecuaciones:

S = SP
m
∑ Si =1
i=1

CADENA DE MARCOV CON ESTADOS ABSORBENTES

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

PROBLEMAS

1. Se ha elaborado la siguiente matriz de transición utilizando datos recopilados en años

anteriores y referentes a la forma en que los televidentes tienden a cambiar de un canal
a otro, semana a semana para un programa noticiero:

ATV PANTEL AMERICA

ATV 0.2 0.4 0.4
PANTEL 0.3 0.3 0.4
AMERICA 0.2 0.2 0.6
a. Trace el diagrama de árbol de dos periodos para un televidente que vio su noticiero
la última semana en PANTEL. Analice sus resultados.
b. Determine la matriz estacionaria.
c. Si la última semana 2000 vieron ATV, 5000 PANTEL y 4000 AMÉRICA. Después
de 2 semanas cuántos están observando cada uno de estos programas.
2. La empresa “RC” arrienda camiones para mudanza . El gerente esta considerando
aplicar un cargo por traslado de camiones , para lo cuál a dividido su atención en la
región norte, centro y sur. De registros previos se ha determinado que de los camiones
que se rentan cada mes en el norte 20% van a una ciudad del norte, 30 % terminan en el
centro y 50% en el sur; el mismo significado representan los datos de la tabla.

Van N C S
Renta
N .2 .3 .5
C .3 .4 .3
S .2 .4 .4

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

30% en el sur.

El gerente está interesado en saber:

1. ¿ Qué proporción de los camiones se encontrará en cada región después de un

mes ?.Después de 2 meses.

2. ¿Qué proporción de los camiones estará en cada región después de periodo largo ?.

3. La empresa “HD” tiene dos categorías de antigüedad para sus cuentas por cobrar: De 0
a 30 días y de 31 a 90 días. Para lo cual la empresa considera un ensayo de Markov
donde:

Estado 1 : Categoría de pagado

Estado 2 : Categoría de cuenta incobrable.
Estado 3 : Categoría de antigüedad de 0 a 30 días.
Estado 4 : Categoría de antigüedad de 31 a 90 días.
Por datos históricos obtiene:

1 0 0 0
0 1 0 0
P= .4 0 .3 .3
.4 .2 .3 .1
 La empresa está interesada en saber la probabilidad de que la u.m. termine en cada uno
de los dos estado absorbentes.

4. La empresa KLM es propietaria de un vivero con 5000 árboles . En la actualidad

1500 árboles se clasifican como árboles protegidos ( pequeños ) , mientras que los
3500 restantes están disponibles para su corte . Aunque la mayoría de los árboles
que no se cortan en un año determinado siguen de pie hasta el año siguiente,
algunos árboles mueren durante ese año y se les pierde.
La KLM ha considerado esta operación como un proceso de Markov, con periodos
anuales, se definen los cuatro siguientes estados:
Estado 1 : Cortado y vendido.
Estado 2 : Perdido por enfermedad.
Estado 3 : Demasiado pequeño para corte.
Estado 4 : Disponibilidad para corte pero no cortado y vendido.
La siguiente matriz de transición resulta apropiada:

1 0 0 0
0 1 0 0
P = 0.1 0.2 0.5 0.2
0.4 0.1 0 0.5

¿Cuántos de los 5000 árboles del vivero se venderán en algún momento dado y
cuantos se perderán?.

TEMA 11 : TEORIA DE JUEGOS

La vida esta llena de conflictos y competencias; las organizaciones empresariales y

los negocios no escapan de estos acontecimientos, algunos ejemplos podrían ser:
- Campañas de publicidad entre dos empresas.
- Campañas políticas.
- Etc.
 El éxito de estas situaciones depende primordialmente de las estrategias seleccionadas
por los adversarios. Una estrategia es una regla predeterminada que especifica por
completo como se intenta responder a cada circunstancia posible en cada etapa de
juego.
 En general un juego entre competidores se caracteriza por:
1. Las estrategias de los competidores.
2. La matriz de pago.
 Una jugada real consiste en que los jugadores eligen simultáneamente sus estrategias
sin conocer la elección del oponente.
 Por lo general, la matriz de pago se da para el jugador I., ya que del jugador II es
negativo, debido a la naturaleza de la suma cero.
Los casos fundamentales que se pueden presentar se pueden resolver aplicando los
siguientes procedimientos:

1. PUNTO SILLA

La estrategia óptima esta dada por:

En el punto : maximin de la fila = minimax de la columna

2. ESTRATEGIAS DOMINANTES.

Se pueden aplicar para filas y columnas.

3. ESTRATEGIAS MIXTAS.

Se utiliza cuando no existe punto silla ni estrategias dominantes y las estrategias son
2xn ó mx2.

4. PROGRAMACION LINEAL

Se aplica cuando los competidores tienen mxn estrategias

PROBLEMA 1

Dos políticos que postulan a la presidencia de un país. En este momento deben hacer
sus planes de campaña para los dos últimos días antes de las elecciones; se espera que
estos días sean cruciales por ser tan próximos al final. Por esto, ambos quieren
emplearlos para hacer sus campañas en dos ciudades importantes: B y M. Para evitar
pérdidas de tiempo , están planeando viajar en las noches y pasar un día completo en
cada ciudad o dos días en sólo una de las ciudades.
Cada político tiene un jefe de campaña en cada ciudad para asesorarlo en cuanto al
impacto que tendrán ( en términos de votos ganados ó perdidos ) las distintas
combinaciones posibles de los días dedicados a cada ciudad por ellos o por sus opositor.
Ellos quieren emplear esta información para escoger su mejor estrategia .
A continuación se presentan diversas matrices de pago.

II II II
 1 2 3 1 2 3 1 2 3
1 -3 -2 6 1 1 2 4 1 0 -2 2
I 2 2 0 2 I 2 1 0 5 I 2 5 4 -3
3 5 -2 -4 3 0 1 -1 3 2 3 -4

Según la forma en que se estableció el problema, cada jugador tiene tres estrategias:
1. Pasar un día en cada ciudad.
2. Pasar ambos días en la ciudad A.
3. Pasar ambos días en la ciudad B.

PROBLEMA 2

Dada las siguientes matrices de pago:

a) b)
II II
1 2 3 1 2 3

I 1 4 3 1 1 4 -1 6
2 0 1 2 2 -2 7 -1
I 3 2 0 3
4 1 5 3

 Para la matriz (a) utilice el método de estrategias mixtas para obtener las
estrategias optimas de los competidores.
 Para la matriz (b) formule el modelo de programación lineal para obtener las
estrategias óptimas de los competidores.

TEMA 12: MODELOS DE LINEA DE ESPERA

Población Cliente Servicio Salida Sistema de LE

Recuerda Ud. la última vez que tuvo que esperar ante la caja para pagar su derecho
de matrícula y otros y habrá experimentado que el tiempo de espera es molestoso ; este es
un problema que se puede analizar mediante la teoría de colas ó modelos de línea de espera.
El común denominador del problema de colas es el costo ocasionado al cliente y al servidor
que tienen correlación inversa.

La teoría de líneas de espera tiene los siguientes objetivos:

- Caracterizar cuantitativa y cualitativamente una fila de espera.
- Determinar los niveles adecuados de ciertos parámetros del sistema , que armonicen el
costo social de la espera con el costo asociado al consumo de recursos.

La cuantificación de una línea de espera puede hacerse mediante un análisis matemático o

un proceso de simulación
Se han desarrollado modelos cuantitativos que permiten tomar decisiones ante estos
problemas de línea de espera. Estos modelos forman relaciones matemáticas que pueden
utilizarse para determinar las características de operación de una línea de espera. Alguna de
las características de operación que son de interés son:

1. Probabilidad de que no haya unidades en el sistema P0

2. El número promedio de unidades en la línea de espera Lq
3. Numero promedio de unidades en el sistema L
4. Tiempo promedio que una unidad pasa en la línea de espera Wq
5. Tiempo promedio que una unidad pasa en el sistema W
6. Probabilidad que una unidad que llega tenga que esperar para recibir el servicio Pw
7. Probabilidad de que haya “n” unidades en el sistema Pn
 Los clientes pueden ser: personas, máquinas, documentos; etc.
 Los servicios (canales) pueden ser : talleres , cajeros, cabina telefónica; etc.

Teniendo en cuenta las características particulares de las líneas de espera se pueden

clasificar :

1. Considerando sus canales:

 Etapa única
 Múltiples etapas
 Canales múltiples
 Una sola línea de espera con canales múltiples

2. Considerando la tasa de llegada y tasa de servicio:

Para ello se utiliza la notación Kendall: A/B/C
A: distribución de llegada
B: Distribución de servicio
C: N° de canales
A y B pueden ser: M,D,G
M: Modelo probabilístico
D: Modelo determinístico
G: Modelo general
C puede ser : 1,2,3,…,k

3. De acuerdo a la naturaleza de la cola se pueden considerar otros casos.

ANALISIS ECONOMICO DE LINEAS DE ESPERA

Con el propósito de realizar un análisis económico de un sistema de líneas de espera , debe
desarrollarse un modelo de costo total, que incluye el costo de espera y el de ofrecer el
servicio.
Para desarrollar el modelo de costos totales para un sistema de líneas de espera , se utiliza
la siguiente notación:

Cw : Costo de la espera por periodo para cada unidad.

L : número promedio de unidades en el sistema .
Cs: costo de servicio por periodo para cada canal.
K : número de canales.

CT: costo total por periodo

CT = CwL + CsK

La forma general de las curvas del costo de la espera , del costo del servicio y del costo
total, en modelos de líneas de espera se aprecia en el siguiente gráfico:

Costo total

CT

Cw Cs

K(n° de canales)
MODELO M/M/1
Restricciones :
- La línea de espera tiene un solo canal.
- El patrón de llegada sigue una distribución probabilística de Poisson.
- Los tiempos de servicio siguen una distribución probabilística exponencial.
- La disciplina de la línea de espera es “Primero que Llega, Primero que se atiende”
(PLPA).
Notaciones:  número promedio de llegada por periodo(tasa promedio de llegada).
 número promedio de servicio por periodo(tasa promedio de servicio).
Las características de este modelo se pueden utilizar las siguientes ecuaciones:
1. Probabilidad de que no haya unidades en el sistema.
 λ
P0 =1−
μ
2. Número promedio de unidades en la línea de espera(largo de la fila).
2
λ
Lq =
μ (μ−λ )
3. Número promedio de unidades en el sistema ( largo total ).
λ
L=Lq +
μ
4. Tiempo promedio que una unidad pasa en la línea de espera.
Lq
W q=
λ
5. Tiempo promedio que una unidad pasa en el sistema.
1
W=W q +
μ
6. Probabilidad que una unidad que llega tenga que esperar para obtener el servicio(factor
de utilización).
λ
Pw =
μ
7. Probabilidad que haya “n” unidades en el sistema.

n
λ
Pn =
[]
P
μ 0
 Para utilizar estas ecuaciones se debe tener que:  > 
MODELO M/M/k
Restricciones:
- La línea de espera tiene dos o más canales.
- Tiene llegadas tipo Poisson.
- El patrón de servicio es de tipo exponencial.
-  es lo mismo para todos los canales.
- Las unidades que llegan aguardan en una sola línea de espera y después pasan al primer canal abierto
para obtener el servicio.
- La disciplina de la fila es (PLPA)
Notación:
 tasa promedio de llegadas para el sistema.
 tasa promedio de servicio para cada canal.
K número de canales.
Las fórmulas son aplicables para k > 
Las ecuaciones para este modelo son:
1. Probabilidad de que no haya unidades en el sistema.
1
P0 = k−1
( λ/ μ )n ( λ/ μ) k kμ
∑
n=0 n!
+
k! (
kμ− λ )
2. Número promedio de unidades en la línea de espera.
k
( λ /μ ) λμ
Lq = P
(k −1)!(kμ−λ )2 0
3. Número promedio de unidades en el sistema.
λ
L=Lq +
μ
4. Tiempo promedio que cada unidad pasa en la línea de espera.
Lq
W q=
λ
5. Tiempo promedio que una unidad pasa en el sistema.
1
W=W q +
μ
6. Probabilidad de que una unidad que llega tenga que esperar.
k
1 λ kμ
Pw =
k! μ ( )( ) P
kμ− λ 0
7. Probabilidad de que haya “n” unidades en el sistema
Para n  k
( λ /μ )n
Pn = P0
n!
( λ /μ )n
Pn = ( n−k ) P0
Para n > k k !k

MODELO M/G/1

Notación:  tasa promedio de llegadas para el sistema.

 tasa promedio de servicio para cada canal.
1/ tiempo promedio de servicio.
 desviación estándar del tiempo de servicio.
Las ecuaciones que se utilizan en este caso son :

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

 λ
P0 =1−
μ
2. Número promedio de unidades en la línea de espera.
λ2 σ 2 +( λ /μ )2
Lq =
2( 1−λ/ μ )
3. Número promedio de unidades en el sistema.

λ
L=Lq +
μ
4. Tiempo promedio que una unidad pasa en la línea de espera.

Lq
W q=
λ
5. Tiempo promedio que una unidad pasa en el sistema.

1
W=W q +
μ
6. Probabilidad de que una unidad que llega tenga que esperar.

λ
Pw =
μ

MODELO M/G/K SIN LINEA DE ESPERA.

Restricciones:

- El sistema tiene k canales.

- La llegada es tipo Poisson.
- Los tiempos de servicio para cada canal pueden tener cualquier distribución de
probabilidad.
- La tasa promedio de servicio  es la misma para todo los canales.
Una de las principales aplicaciones de este modelo se refiere al diseño de sistemas
telefónicos, u otros sistemas de comunicación. Cuando todos los canales están ocupados ,
las llamadas adicionales reciben una señal “ocupado” y no se le permite el acceso al
sistema.
En este caso se evalúa la probabilidad de que exactamente j de los k canales estén
ocupados para j = 0, 1,2,…,k.
Este calculo se realiza mediante :

( λ/ μ) j / j !
Pj= k
∑ ( λ / μ )i / i !
i=0

Es posible qué el calculo mas importante sea P k , que es la que todos los canales estén
ocupados.
Otra característica que interesa en este caso es el promedio de unidades que se encuentran
en el sistema, y esta evaluación se lleva a cabo mediante:

λ
L= (1−Pk )
μ

MODELO M/M/1 CON POBLACION DEMANDANTE FINITA.

En este caso N es el tamaño de la población .

Restricciones:
- Tiene un solo canal.
- Población a ser atendida finita.
- Llegada tipo Poisson.
- Tasa de servicio exponencial.
- Disciplina de de cola PLPA.
Para evaluar este modelo se utilizan las siguientes ecuaciones:
1. Probabilidad de que no haya unidades en el sistema.
1
P0 = N n
∑ (NN−n! )! μλ()
n=0
2. Número promedio de unidades en la línea de espera(largo de la fila).
λ+μ
Lq =N− (1−P 0 )
λ
3. Número promedio de unidades en el sistema ( largo total ).
L=Lq +(1−P 0 )
4. Tiempo promedio que una unidad pasa en la línea de espera.

Lq
W q=
( N −L) λ
5. Tiempo promedio que una unidad pasa en el sistema.

1
W=W q +
μ
6. Probabilidad que haya “n” unidades en el sistema.

n
N! λ
Pn =
( N−n )! μ ()
Para n = 0 ; 1 ; 2 ; … ; N

PROBLEMA 1

En un taller dedicado a la reparación de bicicletas la llegada de clientes sigue una

distribución de Poisson y los servicios una distribución exponencial. Este taller opera con
una disciplina de “primero en llegar primero en ser atendido”. Las llegadas son 3 por día y
los clientes se atienden a 6 por día. Suponiendo que la población es infinita y la longitud de
fila ilimitada, determinar los parámetros que describen el fenómeno de línea de espera.

PROBLEMA 2.
 Una empresa suministra dispensadores de alimentos a una Universidad . Como los
estudiantes acostumbran deteriorar las máquinas , la gerencia tiene que afrontar un
problema constante de reparaciones . En promedio se averían tres máquinas por hora , y las
averías se distribuyen de manera Poisson. El tiempo muerto le cuesta a la compañía $25
por hora por máquina y a cada empleado de mantenimiento le pagan $ 4 por hora. Un
empleado puede reparar las máquinas a una tasa promedio de 5 por hora, distribuida
exponencialmente; dos empleados que trabajan juntos pueden reparar 7 máquinas por hora
distribuidas exponencialmente; y un equipo de tres trabajadores puede reparar 8 por hora
distribuidas exponencialmente.
¿Cuál es el tamaño óptimo del equipo de mantenimiento para reparar las máquinas?.

PROBLEMA 3.

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

acuerdo a una distribución de Poisson de tasa 4 por minuto. El tiempo de servicio es
exponencial con un promedio de 1 minuto 12 segundos.
Determinar los parámetros que describen el sistema.

PROBLEMA 4

Una Clínica especializada en tratamientos de alergias tiene un sistema excelente para

atender a sus clientes que van a aplicarse inyecciones contra la alergia. En cierto momento
del día , la carga de pacientes disminuye y solo se necesita una enfermera para poner la
inyección. Si los pacientes llegan de manera Poisson y la tasa de servicio de la enfermera
tiene una distribución exponencial y los pacientes llegan a intervalos de tres minutos
aproximadamente. La enfermera emplea dos minutos en promedio para preparar el suero
del los paciente y aplicar la inyección.
Determinar los parámetros que describen este sistema.

PROBLEMA 5
Un centro de comunicaciones al que llegan mensajes de forma aleatoria con un tiempo
medio de 10 minutos entre una llegada y la siguiente, dispone de una radiotelegrafista . Se
supone que el tiempo medio de servicio para enviar estos mensajes se distribuye
exponencialmente con una media de tres minutos. Se desea conocer:
 Número medio de mensajes en la fila.
 Número medio de mensajes en el sistema.

PROBLEMA 6
En un taller , las máquinas suelen fallar según una ley de Poisson de tas a 3 maq/hora ;
evaluándose el costo de parada de una máquina en S/. 1000 por hora . En esta situación
pueden elegirse entre una de las siguientes alternativas.
a. Un mecánico que repare las máquinas según una ley de servicio exponencial de tasa
4 maq/hora y desea cobrar 300 pesetas por hora.
b. Un mecánico muy experimentado que repara las máquinas según distribución
análoga al anterior de tasa 5 maq/hora pero que exige 400 pesetas por hora.
¿Cuál de las dos alternativas resulta más beneficiosa ?.

PROBLEMA 7
Una oficina que dispone de una fotocopiadora ha observado que, generalmente , los
requerimientos de utilización de la misma , durante las ocho horas de trabajo, son
aleatorios con una tasa de 5 personas por hora.
Las fotocopias que se realizan varían en magnitud y en el número de copias pero la tasa
de servicio puede estimarse en 10 trabajos a la hora. Si el costo de una persona que
accede a realizar un trabajo es de $3.5 por hora, se desea conocer:
 Utilización de la fotocopiadora.
 Porcentaje de tiempo que una llegada tiene que esperar.
 Tiempo promedio de espera en el sistema.
 Costo promedio diario ocasionado por esperar .

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

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

TEMA 13: MODELO DE INVENTARIO

Los inventarios están presentes en todas las empresas que tratan con productos físicos (como fabricantes,
distribuidores, comerciantes entre otros). Los diferentes procesos que realiza una empresa para suministrar sus
bienes son difíciles de acoplar a la perfección, por lo que los inventarios o stocks se realizan como medio de
acoplamiento entre las diferentes etapas por la que atraviesan los materiales en una empresa.
Las empresas también necesitan inventarios de materia prima y de productos terminados; pero esto representa
una cantidad de dinero inmovilizado dentro de la empresa por lo tanto lo que se busca es reducir estos costos
de almacenamiento.
Las técnicas de Investigación de operaciones proporcionan herramientas que permiten gestionar los
inventarios en una empresa de manera óptima; estas herramientas permiten tomar decisiones respecto de
cuando hacer un pedido y cuanto pedir.
INVENTARIO
Inventario o stock se define como la existencia o cantidades de cualquier artículo que un sistema productivo
posee para su posterior transformación o venta.
Los inventarios pueden clasificarse en inventario de:
Materias primas
Componentes
Materiales en proceso
Productos terminados

El objetivo básico del análisis de inventario es especificar cuándo deben ordenarse los artículos y cuanto de
tamaño debe tener el pedido o lote.
Los inventarios se deben principalmente por:
 Reserva de seguridad ante posibles variaciones.
 Desequilibrio entre sectores de producción.- Para balancear desequilibrios de producción.
 Producción por lotes.- Cuando los tiempos de cambios de herramientas son extensos.
 Producción nivelada.- Se adelanta la fabricación cuando la carga de trabajo es menor.
 Compras de mayor tamaño.- Se busca menores costos administrativos o de envío.

TIPOS DE DEMANDA
Demanda independiente.- Satisfacen algún requerimiento externo.
Demanda dependiente.- La demanda de un artículo es un resultado directo de la de otro, por lo general de
mayor nivel.

COSTOS DEL INVENTARIO

1. COSTO DE PEDIDO (Cp).-Costo fijo asociado al reabastecimiento de un inventario, independiente
de las unidades pedidas o producidas.
2. COSTO DE COMPRA (C).- Costo directo de compra por unidad.
3. COSTO DE MANTENIMIENTO (Cm ).- Costo por periodo de tiempo para cada artículo en
inventario. Puede incluir también robos, objetos rotos, etc.
4. COSTO POR DESABASTECIMIENTO ( Cd) .- Cuando no se llega satisfacer la demanda

MODELO DE INVENTARIO
El objetivo final de cualquier modelo de inventario es dar respuesta a la pregunta:
1. ¿qué cantidad de artículos deben pedirse?
2. ¿Cuándo deben pedirse?

La respuesta a la primera pregunta la cantidad óptima que debe ordenarse cada vez que se hace un
pedido.
La respuesta a la segunda pregunta depende del tipo de inventario que tenemos
 Revisión periódica; para hacer un pedido nuevo.
 Revisión continúa; los nuevos pedidos se colocan cuando el nivel de inventario baja hasta el
punto de reorden (nivel de desabastecimiento).

MODELO DE CANTIDAD ECONÓMICA DE LOTE (EOQ)

Este modelo básico constituye el punto de partida para otros modelos mas complejos.
Se aplica cuando Q, se recibe todo al mismo tiempo y el pedido se realiza periódicamente con periodo T.
Existen tres variaciones del modelo de cantidad económica de lote con una demanda determinística:
1. Modelo Clásico.
2. Modelo con descuentos por cantidad.
3. Modelo de artículos con restricciones de almacenamiento.
 Restricciones del modelo:
1. La demanda es determinística y se realiza a una frecuencia constante.
2. Se incurre en un costo de pedido Cp para cualquier tamaño de Q.
3. El tiempo de entrega para cada ciclo es cero.
4. No se permiten desabastecimientos.
5. El costo unitario por año de mantenimiento es Cm.
6. Dimanada anual constante, D.

MODELO CLÁSICO
El modelo matemático se da cuando la demanda y el tiempo de anticipación son determinísticos, no se
permiten los desabastecimientos y el inventario se reemplaza por lotes al mismo tiempo.
Notación.-
ta : tiempo en el cual tengo que realizar el pedido si no quiero quedarme sin producto(inventario)
Q : tamaño económico de lote, cantidad de unidades que se piden a la vez.
T : tiempo para consumir el inventario máximo, tiempo entre pedidos.
D : demanda anual del producto (constante)
Cp : costo de pedido
Cm : costo de mantenimiento.
C : costo por unidad de producto
Imáx : inventario máximo
I :inventario promedio.
R: nivel de reabastecimiento (punto de reorden)
N: número de pedidos
CAT: costo anual total.
El modelo puede representarse mediante un gráfico que se denomina “diente de sierra” el cual muestra que
cuando la posición del inventario cae al punto R debe colocarse un nuevo pedido, el mismo que se recibe al
final del periodo L.

Se consideran dos modelos:

i) Modelo con reabastecimiento instantáneo sin desabastecimientos permitidos.

Si se analizan los costos involucrados, se encuentra una relación que refleja el costo total del
inventario de la siguiente manera:

El costo anual total de inventario se obtiene mediante:

CAT = costo de pedido + costo de mantenimiento + costo de compra

 D Q
CAT =C p +C m +CD ………. β
Q 2
Una vez establecido el costo total, hay que encontrar la cantidad económica de pedido Q para lo
cual el costo total se mínimo; esto se obtiene derivando e igualando a cero la función:
D Q
CAT =C p +C m +CD
Q 2

dCAT −D Cm
dQ Q [
= 2 C p + +0=0
2 ]
De donde:
2 Cp D
Q¿ =
√ Cm

Q Q¿ 2C p
T=
D
; entonces: T ¿=
D
=
√
DC m

1 1 DC m
N=
T
; entonces: N ¿=
T ¿=
√
2C p

¿
Reemplazando Q en “β “se obtiene:
C p D √C m CmC p D

ii)
CAT ¿ =
√ 2C P D
+
√ 4
+CD
Modelo con reabastecimiento instantáneo y desabastecimientos permitidos.

Añadiendo al modelo anterior la notación siguiente:

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

Q−S S
CAT =C p N +C m t 1 +C d t 2 +CD
2 2
Siguiendo el mismo proceso del modelo anterior se obtiene:

2(C m +C d )C p D
Q¿ =
√ CmCd

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

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

CAT ¿ =√ 2(C m +C d )C p
√C d +CD
√ Cm +C d
iii) Modelo EOQ con descuentos por cantidad

En este modelo el costo anual depende del tamaño de pedido; la formulación del modelo sigue las mismas
pautas de los modelos anteriores.
CAT = Costo de pedido + costo de mantenimiento +costo de compra
D Q
CAT =C p +C m +CD
Q 2
Para este modelo:
C 0 siQ< b1
C=
{
C 1 si b1 ≤ Q<b 2
……………………
C k si bk ≤Q
En la fórmula anterior Cm se expresa como: Cm + wC
La función de costo es:
Cm D C +w C 0
+ C0 D+ m

{
CA T 0 ( Q )= Q si Q<b 1
Q 2
C D C + w C1
CA T 1 ( Q )= m +C1 D+ m Q si b1 ≤Q< b2
CAT (Q) = Q 2
…………………………………………………………….
C D C + w Ck
CA T k ( Q )= m +C k D+ m Q si bk ≥Q
Q 2
MODELO EOQ DE ARTÍCULOS CON RESTRICCIONES DE ALMACENAMIENTO
En este tipo de modelos se pueden presentar los dos casos siguientes:
¿
Si Q >Q max →tengo restricciones de capacidad
¿
Si Q ≤ Q m ax → no tengorestricciones de capacidad
Desarrollando el modelo para dos productos, tenemos:
CAT = Costo de pedido + costo de mantenimiento +costo de compra + restricciones de volumen
2
Di2 2
Cm 2 2
CAT =∑ ∑ C p + ¿∑ Q + ¿ ∑ C D +∑ W k Q , ∀ ¿ ¿
i

i=1 i=1 Q i i=1 2 i i=1 i i i=1 i i i i

i

Dónde:
K: volumen del que dispongo
Wi: costo por unidad/año (alquiler)
ki : volumen de la unidad
BIBLIOGRAFÍA O FUENTES DE INFORMACION.

1. Investigación de Operaciones . Hamdy A. Taha.

2. Investigación de Operaciones .Herbert Moskowitz

3. Investigación de Operaciones.. Hillier/ Lieberman

4. Investigación de Operaciones . Robert J. Thierauf.

5. Métodos y Modelos de Investigación de Operaciones . Juan Prawda

6. Programación Lineal.. Bazaraa.

7. Prob. y Estad.. Irwin Miller.

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

9. Int. A los Mod. Cuant. Para la Administración. David R. Anderson

10. Simulación. Sheldon M. Ross

ANEXO
TABLA I. Valores de la función de distribución estándar

Z
z 0 1 2 3 4 5 6 7 8 9
- 3. .0013 .0010 .0007 .0005 .0003 .0002 .0002 .0001 .0001 .0000
- 2.9 .0019 .0018 .0017 .0017 .0016 .0016 .0015 .0015 .0014 .0014
- 2.8 .0026 .0025 .0024 .0023 .0023 .0022 .0021 .0021 .0020 .0019
- 2.7 .0035 .0034 .0033 .0032 .0031 .0030 .0029 .0028 .0027 .0026
- 2.6 .0047 .0045 .0044 .0043 .0041 .0040 .0039 .0038 .0037 .0036
- 2.5 .0062 .0060 .0059 .0057 .0055 .0054 .0052 .0051 .0049 .0048
- 2.4 .0082 .0080 .0078 .0075 .0073 .0071 .0069 .0068 .0066 .0064
- 2.3 .0107 .0104 .0102 .0099 .0096 .0094 .0091 .0089 .0087 .0084
- 2.2 .0139 .0136 .0132 .0129 .0126 .0122 .0119 .0116 .0113 .0110
- 2.1 .0179 .0174 .0170 .0166 .0162 .0158 .0154 .0150 .0146 .0143
- 2.0 .0228 .0222 .0217 .0212 .0207 .0202 .0197 .0192 .0188 .0183
- 1.9 .0287 .0281 .0274 .0268 .0262 .0256 .0250 .0244 .0238 .0233
- 1.8 .0359 .0352 .0344 .0336 .0329 .0322 .0314 .0307 .0300 0294
- 1.7 .0446 .0436 .0427 .0418 .0409 .0401 .0392 .0384 .0375 .0367
- 1.6 .0548 .0537 .0526 .0516 .0505 .0495 .0485 .0475 .0465 .0455
- 1.5 .0668 .0655 .0643 .0630 .0618 .0606 .0594 .0582 .0570 .0559
- 1.4 .0808 .0793 .0778 .0764 .0749 .0735 .0722 .0708 .0694 .0681
- 1.3 .0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823
- 1.2 .1151 .1121 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .0985
- 1.1 .1357 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .1170
- 1.0 .1587 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .1379
- 0.9 .1841 .1814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .1611
- 0.8 .2119 .2090 .2061 .2033 .2005 .1977 .1949 .1922 .1894 .1867
- 0.7 .2420 .2389 .2358 .2327 .2297 .2266 .2236 .2206 .2177 .2148
- 0.6 .2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451
- 0.5 .3085 .3050 .3015 .2981 .2946 .2912 .2877 .2843 .2810 .2776
- 0.4 .3446 .3409 .3372 .3336 .3300 .3264 .3228 .3192 .3156 .3121
- 0.3 .3821 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483
- 0.2 .4207 .4168 .4129 .4090 .4052 .4013 .3974 .3936 .3897 .3859
- 0.1 .4602 .4562 .4522 .4483 .4443 .4404 .4364 .4325 .4286 .4247
- 0.0 .5000 .4960 .4920 .4880 .4840 .4801 .4761 .4721 .4681 .4641
 z 0 1 2 3 4 5 6 7 8 9
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .9714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
0.7 .7586 .7611 .7642 .7673 .7703 .7734 .7764 .7794 .7823 .7852
0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .85554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9278 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9430 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9647 .9648 .9656 .9664 .9671 .9678 .9686 .9693 .9700 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9762 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9874 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 ..9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9990 .9993 .9995 .9997 .9998 .9998 .9999 .9999 1.000

NOTA: Por Z ≥ 4 , φ { Z }=1 para cuatro cifras decimales;

Para Z ≤−4 , φ { Z }=0 para cuatro cifras decimales.