Sie sind auf Seite 1von 85

INVESTIGACIN

BIBLIOGRFICA

MAESTRA:
ADMINISTRACION DE PROCESOS INDUSTRIALES

MDULO 1:
MODELOS CUANTITATIVOS PARA LA TOMA DE DESICIONES

UNIDAD:
IV,V,VI,VII

DOCENTE:
MTRO. FEDERICO CORNELIO PALOMEQUE.

PRESENTA:
LUIS ALBERTO PREZ MORALES.

CICLO:
FEBRERO-MARZO 2017

FECHA:
26 DE FEBRERO DE 2017
X Modelos cuantitativos para la toma de desiciones

I. INTRODUCCIN.

La programacin lineal es un mtodo determinista de anlisis para elegir la mejor entre muchas
alternativas. Cuando est mejor alternativa incluye un conjunto coordinado de actividades, se
le puede llamar plan o programa. La palabra "programa" se usa comnmente en el medio del
entretenimiento en donde, por ejemplo, los conciertos tienen un programa o listado de la
msica que se va a tocar. No obstante, no limita el trmino a los aspectos de entretenimiento.
Como se usa aqu, programar significa seleccionar la mejor combinacin de actividades.

Existen muchos problemas administrativos que se ajustan a este molde de tratar de minimizar
o maximizar un objetivo que est sujeto a una lista de restricciones. Un corredor de inversiones,
por ejemplo, trata de maximizar el rendimiento sobre los fondos invertidos pero las posibles
inversiones estn restringidas por las leyes y las polticas bancarias. Un hospital debe planear
que las comidas para los pacientes satisfagan ciertas restricciones sobre sabor, propiedades
nutritivas, tipo y variedad, al mismo tiempo que se trata de minimizar el costo. Un fabricante,
al planear la produccin futura, busca un costo mnimo al mismo tiempo cmo cumplir
restricciones sobre la demanda del producto, la capacidad de produccin, los inventarios, el
nivel de empleados y la tecnologa. La programacin lineal se ha aplicado con xito a estos y
otros problemas.

El propsito general de este investigacin es suministrar una fuente bsica de aprendizaje para
el estudio de los mtodos cuantitativos que forman parte de la investigacin de operaciones
(IO), y que le permitirn tomar mejores decisiones en la prctica administrativa. Con este fin
se han incorporado ejemplos resueltos en los diversos temas prcticos que se tratan. En lugar
de demostraciones matemticas se emplean explicaciones que despiertan la intuicin.

Abordaremos la descripcin del modelo de solucin de problemas de programacin entera.


En la unidad cuatro se desarrolla el modelo para la programacin de metas que incluye
ecuaciones de restriccin y la funcin objetivo con prioridades dominantes.

2
X Modelos cuantitativos para la toma de desiciones

La administracin de proyectos es otro de los temas interesantes que se abordan en este libro
y es tratado en la unidad seis; el modelo matemtico que aqu se explica permite el desarrollo
de proyectos de cualquier tipo. Para llevar a cabo un proyecto en la empresa moderna se
utilizan las tcnicas de planeacin PERT y CPM, que conjuntamente formaron la tcnica
conocida como camino crtico.

Se expone la teora de colas, muchas de las compaas actuales requieren de un buen sistema
de atencin a sus clientes diseando un modelo de filas apropiado con canales de atencin
apropiados. En esta unidad se describen los diversos casos que pueden presentarse, as como
la optimizacin de los canales de atencin.

Finalmente, se estudiara la simulacin de procesos; aqu se describen los mtodos discretos


y continuos, los mtodos de Montecarlo, as como la generacin de nmeros aleatorios.
Por otra parte, el texto incluye actividades de aprendizaje por tema y por unidad, as como una
autoevaluacin para que el estudiante pueda medir su nivel de aprovechamiento al cabo de
las unidades tratadas.

3
X Modelos cuantitativos para la toma de desiciones

Tabla de contenido
I. INTRODUCCIN. .................................................................................................................. 2
II. OBJETIVO. ............................................................................................................................ 5
III. Objetivo especficos. ....................................................................................................... 5
IV. DESARROLLO DE INVESTIGACIN BIBLIOGRFICA. .................................................... 6
4. Programacin lineal. .............................................................................................................. 6
4.1. El mtodo grfico................................................................................................................. 6
4.2. Formulacin, solucin por computadora e interpretacin. ......................................... 16
4.3. Aplicaciones de programacin lineal. ............................................................................ 30
4.4. Programacin lineal de enteros. ...................................................................................... 35
5. Programacin o control de proyectos (PERT/CPM). ....................................................... 37
5.1 Programacin de proyectos con tiempos de actividad conocido. ......................... 41
5.2 Programacin de proyectos con tiempos inciertos de actividades. ...................... 47
6. Modelos de lnea de espera. ................................................................................................ 54
6.1 La estructura del sistema lineal de espera. .................................................................... 59
6.2 Modelo lineal de espera de un solo canal. ...................................................................... 61
6.3 El modelo lineal de espera de mltiples canales. .......................................................... 64
6.4 Otros modelos de lnea de espera.................................................................................... 65
7. Simulacin. ............................................................................................................................ 69
7.1. Anlisis de riesgo. ............................................................................................................. 69
7.2 Simulacin de inventarios. ................................................................................................ 71
7.3 Simulacin de lneas de espera. ....................................................................................... 75
7.4 Verificacin y salida. .......................................................................................................... 77
7.5 Modelo de simulacin. ....................................................................................................... 80
8. CONCLUSIN. ....................................................................................................................... 83
9. BIBLIOGRAFAS. ................................................................................................................... 85

4
X Modelos cuantitativos para la toma de desiciones

II. OBJETIVO.

El estudiante comprender los modelos cuantitativos que se utilizan en las


organizaciones como herramienta bsica para facilitar la toma de decisiones.

El estudiante desarrollara las habilidades de analizar, diagnosticar y formular modelos


cuantitativos que permitan la toma de decisiones asertivas en la organizacin.

III. Objetivo especficos.

Como reconocer las situaciones de toma de decisiones que pueden analizarse con
programacin lineal.
Como formular problemas en trminos del modelo general de programacin lineal.
Como resolver pequeos problemas de programacin lineal con el mtodo grfico.
Interpretar problemas en sistemas complejos y resolverlos empleando modelos con
ecuaciones lineales que permitan encontrar la solucin ptima, con la finalidad de hacer
ms eficiente el recurso disponible en una organizacin.

Formulacin de modelos de optimizacin y aplicacin de programacin lineal con


variables de valores enteros a partir de problemas en donde las empresas buscan
optimizar la funcin objetivo.
Identificar las metas de una empresa de acuerdo con su importancia y construir un
modelo que d solucin a los problemas de decisin que tengan muchas metas, pero
que estn en conflicto una con otra.

5
X Modelos cuantitativos para la toma de desiciones

IV. DESARROLLO DE INVESTIGACIN BIBLIOGRFICA.

4. Programacin lineal.
La programacin lineal es una tcnica determinista, no incluye probabilidades. El objetivo y

cada una de las restricciones se deben expresar como una relacin lineal, de ah el nombre de

programacin lineal. Para las aplicaciones ms reales es necesaria una computadora para

resolver el problema. A pesar de estas limitaciones, la programacin lineal (PL) es una de las

tcnicas ms poderosas y tiles que se presentan en esta investigacin.

El tema de programacin lineal es muy extenso. Forma una de las ramas del campo de la

programacin matemtica. Se presenta el mtodo grafico de solucin, que es aplicable en

algunas situaciones limitadas. Se describe una tcnica general de solucin llamada mtodo

simplex. Al avanzar en el estudio no debe perderse de vista que la meta siempre es la misma:

seleccionar la mejor alternativa entre varias.

4.1. El mtodo grfico.

Existen varias maneras para resolver problemas de PL. En esta seccin se usa el mtodo
grfico aplicado a un problema muestra.

Problema de mezcla de productos

Un fabricante est tratando de decidir sobre las cantidades de produccin para dos artculos:
mesas y sillas. Se cuenta con 96 unidades de material y con 72 horas de mano de obra. Cada
mesa requiere 12 unidades de material y 6horas de mano de obra.

6
X Modelos cuantitativos para la toma de desiciones

Por otra parte, las sillas usan 8 unidades de material cada una y requieren 12 horas de mano
de obra por silla. El margen de contribucin es el mismo para las mesas que para las sillas: $5
por unidad. El fabricante prometi construir por lo menos dos mesas.

Paso 1: formulacin del problema


El primer paso para resolver el problema es expresarlo en trminos matemticos en el formato
general de PL.
Cul es el objetivo? Es maximizar la contribucin a la ganancia. Cada unidad de mesas o
sillas producidas contribuir con $5 en la ganancia.

As, las dos alternativas son la produccin de mesas y la produccin de sillas.


Ahora puede escribirse la funcin objetivo:

Maximizar : Z= 5X1+5X2

En donde X1= mesas producidas


X2= sillas producidas

Cules son las restricciones o limitaciones del problema? Existen tres restricciones. Primero,
el material est limitado a 96 unidades. Cada mesa se lleva 12 unidades de material y cada
silla usa 8 unidades, La primera restriccin es, entonces.

12x1+8x296
La segunda restriccin es el total de horas de mano de obra. Una mesa se lleva 6 horas, una
silla 12 horas y se dispone de un total de 72 horas. As,
6x1+12x272
Existe una limitacin ms. El fabricante prometi producir por lo menos dos mesas. Esto puede
expresarse como
X12
Por ltimo, las restricciones de no negatividad son
X10,x20

7
X Modelos cuantitativos para la toma de desiciones

Poniendo junto todo el modelo, se tiene:


Maximizar: Z=5x1+5x2
Restricciones: 12x1+8x296
6x1+12x272
X12
X10,x20

Paso 2: Grafica de las restricciones.


El siguiente paso en el mtodo grafico es dibujar todas las restricciones en una grfica. Esto
puede hacerse en cualquier orden. Por conveniencia se comenzara con las restricciones de
no negatividad. Esta se muestra en la figura. En esta grfica, una solucin se representara
por un punto con coordenadas X1 (mesas) y X2 sillas). Las coordenadas representaran las
cantidades de cada artculo que se debe producir.

El cuadrante superior derecho se llena regin factible puesto que es el nico cuadrante en que
pueden estar las soluciones. Los otros tres cuadrantes no son factibles, ya que requeriran la
produccin de cantidades negativas de
mesas o de sillas o ambas.

Figura 1
Restriccin de no negatividad.
8
X Modelos cuantitativos para la toma de desiciones

La siguiente restriccin es X1 2. La manera ms encilla de dibujar las restricciones de


recursos en dos pasos: (1) convertir una desigualdad en una ecuacin y granear la ecuacin y
(2) sombrear el rea apropiada arriba y debajo de la lnea que resulta en el paso 1. Convertir
una igualdad en una ecuacin aqu significa ignorar la parte de mayor que o menor que de la
restriccin.

As, en el ejemplo, X12 se convierte en X1=2. Esta ecuacin est trazada en la figura 2.
Cualquier punto en la lnea X1=2 satisface la ecuacin. Sin embargo, la restriccin es ms
amplia, ya que cualquier punto X1>2 tambin la cumplir. Esto incluye todos los puntos que
estn a la derecha de la lnea X1=2. Entonces, la regin factible incluye todos los valores de
X1 que esta sobre o ala derecha de la lnea X1=2.

Figura 2 restriccin X12.


9
X Modelos cuantitativos para la toma de desiciones

La limitacin sobre las horas de mano de obra es la siguiente restriccin. Como antes, primero
se convierte en una ecuacin: 6X1+12X2=72. Puede granearse esta lnea, si se encuentran
dos puntos sobre ella. El par de puntos ms sencillo de localizar son las intersecciones con los
ejes X1 y X2. Para encontrar la interseccin con el eje X2 se hace X1=0. La ecuacin se reduce,
entonces, a:

12x2= 72
x2=6
La interseccin con el eje X1 se encuentra haciendo X2= 0. As,
6x1=72
x1=12
Estos dos puntos y la lnea que los une se muestra en figura 3. Cualquier punto que esta sobre
o abajo de esta lnea cumplir con la restriccin.

Cualquier punto arriba de esta lnea requerir mas de 72 horas de mano de obra y no es
aceptable. En la regin factible, ambas restricciones se cumplen.

La ultima restriccin es la de material. Siguiendo el procedimiento anterior, primero se


encuentran las intersecciones para la igualdad. Estas son X1=0, X2=12 y X1=8,X2=0. Se
localizan los dos puntos en la grfica; se traza la lnea, y como la restriccin es del tipo menor
o igual que, se sombrea el rea que est debajo de la lnea. El resultado se muestra en la
figura 6. Cualquier solucin que este en la frontera o dentro del rea sombreada cumplir con
todas las restricciones: ahora se utilizara la funcin objetivo para seleccionar la solucin ptima.

10
X Modelos cuantitativos para la toma de desiciones

Figura 3 Restriccin de mano de obra.

Figura 4 Las primeras dos restricciones

Paso 3: obtencin de la solucin ptima: prueba y error

El mtodo de prueba y error para encontrar la solucin ptima, aprovecha una propiedad
especial de los problemas de PL. Considrese la figura 7 que muestra las restricciones del
problema. La frontera extrema de la regin factible est formada por las lneas que conectan
los cuatro puntos A, B, C y D. La frontera extrema es de especial inters porque:

11
X Modelos cuantitativos para la toma de desiciones

Figura 6 Todas las restricciones combinadas.

Figura 7 Frontera extrema de regin factible

Con esta propiedad especial puede reducirse la lista de las posibles soluciones optimas a solo
cuatro puntos: A, B, C y D. El punto entre ellos que del valor ms grande de la funcin objetivo
ser la solucin ptima. Entonces, la tarea es encontrar las coordenadas de estos cuatro
puntos, sustituir los valores en la funcin objetivo y seleccionar el punto que del mayor valor
de Z.

En cuanto al punto A, se sabe que sus coordenadas son (8,0). El punto B es la interseccin de
dos restricciones. Si se resuelven las dos ecuaciones que le corresponden simultneamente,
12
X Modelos cuantitativos para la toma de desiciones

el resultado ser las coordenadas de su interseccin. En seguida se lleva a cabo esta


operacin.

Ecuacin de restriccin de materiales (1) 12x1+ 8x2= 96


Ecuacin de restriccin de mano de obra (2) 6x1+12x2= 72
Multiplquese la ecuacin (2) por 2 (3) 12x1+ 24x2=144
Rstese la ecuacin (1) de (3) (4) 16x2= 48
X2=3
Sustityase en la ecuacin (1) 12x1+8(3)= 96
12x1=72
x1=6

El punto C tambin es la interseccin de dos lneas de restriccin. Resolviendo de nuevo las


ecuaciones simultaneas:

Ecuacin de restriccin de produccin mnima (1) X1=2


Ecuacin de restriccin de mano de obra (2) 6x1+12x2=72
Sustityase (1) en (2) 6(2)+12x2=72
12x2=60
El punto D tiene coordinas (2,0) X2=5

Con las coordenadas de cada uno de los cuatro puntos, ahora se puede proceder a sustituir
cada posible solucin en la funcin objetivo. El clculo de Z para cada uno de estos puntos da:
Punto A, (8,0): Z= 5(8)+5(0)=40
Punto B, (6,3): Z= 5(6)+5(3)=45
Punto C, (2,5): Z= 5(2)+5(5)=35
Punto D, (2,0): Z= 5(2)+5(0)=10

El valor ms grandes es $45, as el punto B es ptimo: producir seis mesas y tres sillas.

Obtencin de la solucin optima: lneas de indiferencia.


13
X Modelos cuantitativos para la toma de desiciones

Existe otro mtodo para encontrar la solucin optima graneando la funcin objetivo en la misma
grafica de las retracciones. Se considerara este mtodo.

La funcin objetivo es este problema es Z=5X1+5x2, Como todava no se conoce el mximo


valor factible de Z, no puede trazarse el ptimo de la funcin objetivo. No obstante, es posible
suponer algunos valores para Z y graficar las lneas resultantes. En la figura 8 se muestran las
lneas para Z=25 y Z=50. Las lneas de este tipo se llaman lneas de indiferencia, porque
cualquier punto sobre una lnea dada da la misma ganancia total. Ntese que la distancia
perpendicular del origen a la lnea aumenta al aumentar el valor de Z. Tambin, todas las lneas
de indiferencia son paralelas entre s. Estas propiedades graficas pueden usarse para resolver
el problema.

Figura 8 Lneas de indiferencia.

En la figura 9 se ilustran todas las restricciones y las dos lneas de indiferencia supuestas. En
la grfica puede observarse que la lnea de indiferencia para Z=50 est completamente fuera
de la regin factible. Para Z=25 de la lnea cae dentro de la regin factible. Por tanto, existe
alguna combinacin de X1 y X2 que satisface todas las restricciones y da una ganancia total
de $25. Por inspeccin, puede observarse que hay ganancias ms alfas que son factibles.
Imaginando que la lnea de indiferencia Z= 25 se mueve hacia la lnea Z = 50, de las
propiedades de la grfica que se hicieron notar antes, el punto ptimo estar sobre la lnea de
14
X Modelos cuantitativos para la toma de desiciones

indiferencia ms lejana al origen pero que todava toque la regin factible. Esto se muestra en
la figura 10.

Con el punto ptimo localizado grficamente, la nica tarea que queda es encontrar las
coordinas del punto. Ntese que el punto ptimo est en la interseccin de las lneas de
restriccin para materiales y horas de mano de obra. Antes se encontr que las coordenadas
de este punto son (6,3). La sustitucin de este punto en la funcin objetivo da la ganancia
mxima:

Z=5(6)+5(3)=$45

Figura 9. Lneas de restricciones y de indiferencia.

Resumen del mtodo grfico.


Para resolver grficamente problemas de programacin lineal:
1. Exprsense los datos del problemas como una funcin objetivo y restricciones.
2. Grafquese cada restriccin.
3. Localcese la solucin optimas
a. Por prueba y error, o
15
X Modelos cuantitativos para la toma de desiciones

b. Con lneas de indiferencia.

4.2. Formulacin, solucin por computadora e interpretacin.

Para tener xito en la solucin de problemas dentro de una organizacin, es importante la


creacin de modelos que permitan representar una situacin real y partir de ello para buscar
las alternativas de solucin.

El modelo es una representacin o abstraccin de una situacin u objeto reales, que muestra
las relaciones (directas e indirectas) y las interrelaciones de la accin y la reaccin en trminos
de causa y efecto. Como un modelo es una abstraccin de la realidad, puede parecer menos
complicado que la misma.

El siguiente paso consiste en conocer las variables que presentarn la solucin al problema,
es decir, las incgnitas que resolvern el modelo de programacin lineal pueden ser tantas
como sea necesario, con el fin de representar de la mejor forma posible la realidad.

Una vez que se conozcan las variables de decisin, se deben plantear las restricciones, que
son los requerimientos que debe cumplir la solucin ptima para que se pueda llevar a la
prctica y brinde grandes beneficios a la empresa. Tambin pueden llamarse limitantes, ya
que indican los valores mximos o mnimos que deben emplearse para garantizar la
optimizacin.

Las restricciones pueden ser por los volmenes de ventas, por las limitantes en los recursos
de la empresa, por la mezcla de ingredientes, por la cantidad de desperdicios y por cuestiones
de administracin dentro de la empresa, como el tiempo de preparacin de la mquina. Por
ltimo, se debe tener presente que todas las variables empleadas en el modelo, deben ser
siempre positivas porque representan situaciones que existen en la realidad.

16
X Modelos cuantitativos para la toma de desiciones

Para la formulacin de un modelo dentro de la programacin lineal, como primer paso, el


investigador debe delimitar el problema y conocer el objetivo que desea alcanzar, que puede
ser maximizar las utilidades o minimizar los costos, siempre tomando en cuenta el principio de
optimizacin.

Actividades de aprendizaje.

1. Formule un modelo de programacin lineal basado en la mercadotecnia.

2. De la actividad anterior, explique las consecuencias de no tomar en cuenta las restricciones.

3. Investigar los tipos de modelos empleados en la investigacin de operaciones.

Como ya se mencion anteriormente, hay que expresar un objetivo bien definido, que pueda
minimizar los costos o maximizar las utilidades, adems de que deben existir relaciones entre
dos o ms variables y considerar las limitantes que tenga el problema a resolver, con lo cual
se estar en posibilidad de encontrar la mejor solucin. Por ltimo, para implementar el modelo,
la empresa debe contar con recursos limitados. Los problemas de programacin lineal se
pueden resolver por varios mtodos, entre los cuales, en este texto se explican el mtodo
grfico y el mtodo simplex. En el primer algoritmo se muestra cmo se comportan las variables
del problema en cuestin, mediante el trazo de todas las variables del problema formando un
polgono que representa el rea de soluciones factibles, en donde tambin se ubica la solucin
ptima.

El segundo algoritmo es un mtodo iterativo que permite la solucin de problemas con un


mayor nmero de variables que, por lo mismo, es imposible dibujarlas y buscar una solucin
grficamente. Solucin por el mtodo grfico En el mtodo grfico no puede haber ms de tres
incgnitas, ya que se usa un plano cartesiano formado por dos rectas (X, Y) y, por ende, dos
dimensiones.

17
X Modelos cuantitativos para la toma de desiciones

Para comenzar, se debe analizar el problema y plantear el objetivo principal que se persigue
usando algoritmos (ecuaciones, restricciones, funcin objetivo), ya sea maximizar las
ganancias o minimizar los costos. Despus, se expresa en forma grfica las desigualdades de
restriccin y se ubica el rea de solucin factible.

En seguida se traza la funcin objetivo (FO) en el plano cartesiano y se dibujan lneas paralelas
a ste, hasta llegar al punto ms distante en el rea de soluciones factibles. Por ltimo, se
resuelven las desigualdades de las dos lneas que se cruzan por el punto ms distante en el
rea de soluciones factibles. A continuacin se ilustrar con un ejemplo:

La empresa Aires del Sur SA de CV, produce dos tipos de aires acondicionados: Supercraft
(X) y Powermax (Y). Un Supercraft tiene un precio de $600 y un Powermax $700. Los dos
productos, deben pasar por tres reas. La empresa desea conocer el volumen de produccin
que maximice las ganancias, ajustndose a las limitantes de tiempo presentadas en la tabla
siguiente:

Como primer paso, se debe expresar el problema en forma matemtica, y para ello hay que
construir las ecuaciones, que deben quedar de la siguiente forma:

18
X Modelos cuantitativos para la toma de desiciones

El siguiente paso consiste en expresar grficamente las restricciones (horas requeridas); para
ello se deben localizar los puntos X e Y de cada una de las tres desigualdades. Para la primera
desigualdad tenemos:

Si todo el tiempo el rea 1 produce slo Supercraft (X) y no produce Powermax (Y), entonces
pueden fabricarse 140 unidades de X.

Si todo el tiempo el rea 1 produce slo Powermax (Y) no produce Supercraft (X), entonces
pueden fabricarse 70 unidades de Y.

19
X Modelos cuantitativos para la toma de desiciones

Con lo anterior, tenemos un punto para el eje X=140 y un punto para el eje Y=70, que se
representan en un plano cartesiano y se unen los puntos para crear una recta, como se
presenta a continuacin:

Se realiza la misma accin para las desigualdades 2 y 3. Despus se sombrea el rea de


solucin factible, sin rebasar las lneas de restricciones, como se muestra en la grfica
siguiente:

Una vez encontrada el rea de solucin factible, quedan cuatro puntos principales (A, B, C y
D) que delimitan dicha rea. Para el siguiente paso, se debe trazar la funcin objetivo. Es
necesario conocer los puntos para el eje X y para el eje Y, por ello se propone conseguir una
contribucin mnima, multiplicando el coeficiente de X con el de Y (600 * 700= 420,000). Los
clculos son los siguientes:
Maximizar Z = $600X + $700Y

20
X Modelos cuantitativos para la toma de desiciones

Como resultan cantidades grandes, se deben reducir para poder graficar la lnea en conjunto
con las desigualdades. Para ello de dividir entre 10 para tener como resultado el eje X=70 y
Y=60. Procedemos a prolongar la lnea que representa a la funcin objetivo de forma paralela,
hasta tocar el punto ms lejano que delimita el rea de soluciones factibles, como se presenta
a continuacin:

Como se puede observar, el punto C, es el punto ms lejano del rea de soluciones factibles,
lo cual indica, que es el que le da mayor contribucin a la empresa Aires del Sur SA de CV,
maximizando las utilidades.
Se puede observar en el grfico anterior, que el resultado del ejercicio son las coordenadas
del punto C; donde indica que la empresa debe producir 50 unidades de Supercraft (X) y 45
unidades de Powermax para maximizar las utilidades.

21
X Modelos cuantitativos para la toma de desiciones

Sin embargo, en numerosos problemas donde se emplee el mtodo grfico pueden resultar
nmeros decimales que dificultara ubicarlos con exactitud en un grfico, por lo que se
recomienda la solucin del sistema de ecuaciones de las lneas que se cruzan en el punto C,
que son la desigualdad 1 y desigualdad 2, como se presenta a continuacin:

1X + 2Y 140 (desigualdad 1)
2X + 2Y 190 (desigualdad 2)

Empleando el mtodo de reduccin, se multiplica toda la desigualdad 1 por -1, para poder
eliminar la incgnita Y (resultando: 1X 2Y 140).
Despus se realiza la reduccin siguiente:
-1X - 2Y -140

Funcin objetivo
Funcin objetivo
2X + 2Y < 190
X 50
Ahora que se conoce el valor de X, se sustituye en cualquiera de las dos desigualdades
originales. Sustituyendo X en la desigualdad 1, tenemos:
1 X + 2Y 140
1 (50) + 2Y 140
2Y 140 50
Y 45

Para finalizar, se deben sustituir los valores de X e Y en la funcin objetivo y as conocer la


mxima contribucin posible:
Maximizar Z = $600X + $700Y
Maximizar Z = $600 (50) + $700 (45)
Maximizar Z = $ 61,500

22
X Modelos cuantitativos para la toma de desiciones

Se puede concluir que la empresa Aires del Sur SA. de CV, de acuerdo con las limitantes de
tiempo, debe producir mensualmente 50 aires acondicionados de la marca Supercraft y 45 de
la marca Powermax, que le brindarn una contribucin de $61,500.

Solucin por el mtodo simplex.

Este mtodo es muy til cuando se trabaja con muchos productos y reas en la empresa y por
lo mismo da lugar a un mayor nmero de rectas, por lo que no es conveniente usar el mtodo
grfico. Para la solucin de problemas de este tipo se usa el lgebra de matrices, por lo que
se recomienda al alumno familiarizarse con ese tema.

Para explicar ste mtodo, se usar el ejemplo anterior resuelto por el mtodo grfico.
Formulamos la funcin objetivo y desigualdades de restriccin, resultando lo siguiente:

El signo indica que las horas requeridas por cada rea, deben ser menores que las
disponibles al mes.
El signo indica que X e Y deben ser mayores que cero, porque se produce o no se produce.

Ahora, se deben convertir las desigualdades que indican el tiempo requerido en ecuaciones.
Lo anterior, se puede lograr agregando una variable que absorba la holgura de tiempo en cada
una de las desigualdades. La holgura de tiempo representada por S1, S2 y S3, ser aquella
que no se usar en cada una de las reas.

23
X Modelos cuantitativos para la toma de desiciones

A continuacin, se presentan las ecuaciones una vez aadidas las holguras. Como una
condicionante del modelo, todas las variables de holgura deben aparecer en todas las
ecuaciones, slo que las que no correspondan a un determinado departamento, aparecern
con coeficiente cero y la variable que s corresponda, con coeficiente uno, como se muestra a
continuacin.

Para visualizar de mejor forma y facilitar la solucin del problema, se representa en una tabla:

24
X Modelos cuantitativos para la toma de desiciones

El mtodo simplex emplea iteraciones, es decir, es un proceso repetitivo, en donde se van


creando una serie de soluciones para cada iteracin. Las dos ltimas filas del cuadro anterior
se usan para determinar si puede mejorarse la solucin. Los valores de cero en Zj, representan
las cantidades en que se reduce la contribucin, en el caso de que una unidad de las variables
(X, Y, S1, S2 y S3) se aadiera a la mezcla de productos. La ltima fila, que representa la
contribucin neta, resulta de juntar una unidad de una variable (Supercraft o Powermax) a la
produccin.

En la solucin inicial no hay contribucin ($0), porque no se producen unidades de aire


acondicionado marca Supercraft (X) y tampoco se producen unidades de aire acondicionado
marca Powermax (Y). Para conocer la contribucin, multiplicamos la columna Cj por la columna
de cantidad ($0*140 + $0*190 + $0*240 = $0). Por lo tanto la primera solucin es:

El siguiente paso consiste en conocer la columna ptima, es decir el producto que genere una
mayor contribucin para la empresa. En este ejemplo se toma a Powermax (Y), porque
contribuye con $700.

25
X Modelos cuantitativos para la toma de desiciones

Despus se debe conocer la variable que debe reemplazarse; para ello, se divide la columna
de cantidad entre los coeficientes de la columna ptima (Y) y se elige la fila que tenga el menor
valor positivo.

Como se puede observar en la tabla anterior, entre la columna ptima y la fila elegida, hay un
elemento de interseccin (coeficiente 2), que servir para encontrar una mejor solucin,
reemplazando la variable S1, por la variable Y.

Por ello, se divide cada valor de la fila 1, entre el valor que hay en la interseccin, sin tomar en
cuenta a Cj y la mezcla de productos; es decir:

, que tambin puede representarse como: F1/2

26
X Modelos cuantitativos para la toma de desiciones

En la columna de Cj, se debe reemplazar el valor que tena S1 (cero), por $700, que es el valor
de la contribucin de Y.

La nueva fila Y, tambin puede ser llamada fila pivote, ya que es un apoyo para calcular los
nuevos valores de las filas restantes. Para el siguiente paso, se deben calcular los nuevos
valores para las filas 1 y 2, tomando en cuenta que los coeficientes de la columna ptima en
las filas 2 y 3 deben convertirse en cero.

Para encontrar la nueva fila 2 y 3, se debe usar la siguiente frmula:

27
X Modelos cuantitativos para la toma de desiciones

Esto tambin puede ser representado de la siguiente manera:


Donde:

Donde la nueva fila Y se calcula tomando cada elemento de la fila Y, menos 1/2 de veces lo
que vale la fila X. De la misma forma, se sustituyen los valores para la fila 3.

Una vez calculado los nuevos valores para las filas 2 y 3, calculamos los valores para las filas
Zj, de la siguiente forma:

28
X Modelos cuantitativos para la toma de desiciones

Los clculos para la fila Cj Zj se presentan a continuacin:

Los resultados de los clculos anteriores se plasman en la siguiente tabla:

29
X Modelos cuantitativos para la toma de desiciones

Se puede concluir que la empresa Aires del Sur SA de CV, de acuerdo con las limitantes de
tiempo, debe producir mensualmente 50 aires acondicionados de la marca Supercraft (X) y 45
de la marca Powermax (Y) que le brindarn una contribucin de $61,500.

4.3. Aplicaciones de programacin lineal.

Puede parecer que la programacin lineal es un ejemplo de sobre elaboracin: una


organizacin proverbial para matar una mosca. Los problemas presentados hasta aqu son
muy sencillos y pueden resolverse sin PL. Por supuesto, el objetivo ha sido hacer hincapi en
los mtodos y procedimientos de PL para alcanzar los objetivos de aprendizaje. La utilidad de
la tcnica estriba en sus aplicaciones a problemas de gran escala.
No es raro encontrar programacin lineal aplicada a problemas que incluyen cientos de
variables y miles de restricciones. Se presentan en esta seccin tres ejemplos para ilustrar el
poder de la PL en las aplicaciones administrativas. Estos ejemplos todava son pequeos en
cuanto al nmero de variables y restricciones, pero cada uno puede ampliarse con cambios
menores en el contexto del problema.

Asignacin de gastos de publicidad.


Un pequeo distribuidor est planeando una campaa de publicidad de cuatro semanas para
anunciar una gran inauguracin, quiere lograr la mayor audiencia posible y est dispuesto a
gastar hasta $5 000 en la campaa. Despus de revisar los medios de publicidad disponibles,
el distribuidor ha reducido las posibilidades a cinco:
1 Anuncios diarios en los peridicos locales.

2 Comerciales matutinos en la televisin local

3 Comerciales vespertinos en la televisin local

4 Patrocinio local de programas semanales de televisin

5 Un anuncio en la edicin mensual de una revista regional


Para cada una de estas posibilidades se obtuvo la siguiente informacin.

30
X Modelos cuantitativos para la toma de desiciones

Los datos que se refieren al sexo masculino o femenino entre la audiencia son importantes, ya
que el distribuidor quiere lograr la asistencia de por lo menos 20 000 miembros de cada grupo.

El objetivo es maximizar la audiencia total. Si las X representan el n - mero de unidades de


publicidad que el distribuidor debe comprar de cada uno de los cinco medios, la funcin objetivo
puede escribirse como:

Maximizar: Z = 16 000X1 + 4 000X2 + 40 000X3 + 35 000X4 + 15 000X5

ero limitado de unidades de publicidad disponibles


Las restricciones del problema van del n m
y el presupuesto limitado, a los deseos del distribuidor en cuanto a la audiencia y el sexo de
los asistentes. Con todo, existen ocho restricciones:

Unidades disponibles: X1 4 X2 4 X3 4

X4 4 X5 1

31
X Modelos cuantitativos para la toma de desiciones

Presupuesto 400X1 + 100X2 + 1 000X3 + 1 000X4 + 400X5 5 000 Hombres4000X1+500X2


+12000X3 +1000X4 +8000X5

20 000

Mujeres6000X1 +2000X2 +12000X3 +5000X4 +2000X5

20 000

No negatividad X1 0conr1 =1a5

Por el mtodo simplex, o con ayuda de una computadora, la solucin Optima es

X1 = 1.5 X2=4 X3 = 4 X4 =0 X5 = 0

Z = 200 000

Vale la pena hacer notar dos aspectos de este ejemplo. Primero, se necesitan algunos datos
muy importantes sobre las caractersticas de la audiencia para resolver el problema. La
solucin obtenida ser valida solo hasta el punto en que los datos empleados se acerquen a la
realidad. Segundo, la solucin pide 1.5 semanas de anuncios en el peridico. Si esto no fuera
posible, se tendra que recurrir a las tcnicas de programacin entera para resolver el
problema. El solo redondear las fracciones puede llevar a una solucin mucho menor que la
ptima.

Seleccin de estilos de camisas

Un fabricante de camisas est tratando de decidir cuantas camisas debe producir durante el
mes prximo. Pueden hacerse siete estilos. Los estilos varan en las horas de mano de obra

32
X Modelos cuantitativos para la toma de desiciones

que requieren, en la contribucin en la ganancia y en las ventas potenciales que el


departamento de comercializacin estima. Los datos se dan en seguida:

Se dispone de un total de 7 500 horas de mano de obra.

El objetivo en este problema es maximizar la contribucin total en la ganancia. Si las X


representan los diferentes estilos, la funcin objetivo puede escribirse:

Maximizar: Z = X1 + 2X2 + X3 + 1.5X4 + 1.25X5 + 1.1X6 + 1.2X7 Las restricciones de horas


de mano de obra son:

Horas de mano de obra: 0.5X1 + X2 + 0.25X3 + 1.5X4 + 0.7X5 + 0.9X6 + 1.2X7 7 500

Se tienen restricciones adicionales sobre la decisin debidas

Ventas mximas: X1 3000 X2 1000 X35000

X4 2000 X5 1500 X6 1500

X7 1600 Xi 0coni=1a7

Entonces, este problema tiene siete variables y ocho restricciones

33
X Modelos cuantitativos para la toma de desiciones

34
X Modelos cuantitativos para la toma de desiciones

4.4. Programacin lineal de enteros.

La programacin entera se usa para encontrar la mejor solucin entera o de n meros enteros
posible. ...estas son tcnicas in- dependientes para manejar situaciones especiales.

Un administrador tiene, en muchos casos de toma de decisiones, objetivos mltiples. Por


ejemplo, en la programacin de la produccin, el ge- rente puede tratar de utilizar en su
totalidad horas de trabajo regulares, minimizar las horas extras, cumplir con las cantidades
mnimas de produccin, evitar el exceso de la misma y cumplir con un programa de entre- gas.
Un gerente de inversiones puede tener objetivos en cuanto al grado de riesgo, el capital
disponible para nuevos proyectos y el rendimiento sobre las inversiones. Con frecuencia, estos
objetivos son conflictivos e inconmensurables. Lo que hace el administrador es satisfacer ms
que optimizar; encuentra una solucin aceptable.

La programacin por objetivos reinterpreta la funcin objetivo y las restricciones para permitir
la "satisfaccin" de todas las metas. Supone que el administrador puede identificar sus metas
y darles prioridades. Con pequeos ajustes al mtodo simplex, se puede encontrar una
solucin satisfactoria de acuerdo con las prioridades dadas.

La programacin entera se aplica cuando no puede aceptarse una solucin fraccional. Esto
puede ser: construir 4 1/2 mesas, contratar 31/3 personas o comprar 61/4 camiones. Por
simplicidad, la mayora de los ejemplos que se usaron en los captulos anteriores tenan
soluciones enteras. En el mundo real, casi siempre se requieren soluciones no enteras. Con
programacin lineal, debe resistirse la tendencia a redondear la solucin podria caerse en una
solucin no factible o en una solucin mucho menor que h. solucin entera Optima.

Existen una variedad de mtodos para llegar a una solucin entera Optima. Se ha escogido la
tcnica de ramificacin y acotamiento, debido a que est basada en el en el sentido comn y
a que es muy sencilla de aplicar. Esta tcnica tambin puede usarse para otros problemas

35
X Modelos cuantitativos para la toma de desiciones

como el de asignacin. Igual que todas las tcnicas de programacin entera, comienza con
una solucin ptima no entera.

El mtodo simplex supone que toda las variables son continuas y generalmente da soluciones
no enteras. Cuando las variables de decisin, como personas, mesas o unidades de
produccin, no pueden subdividirse, la solucin del simplex no puede usarse para encontrar la
mejor solucin entera posible para un problema de PL. ramificacin y acotamiento es una de
las ms sencillas y eficaces de estas tcnicas. Se describir mas adelante. Puede usarse para
problema en que todas las variables deben ser enteras y para problemas entero mixtos, es
decir, los que tienen algunas variables enteras y algunas continuas. Es una tcnica de
optimizacin en el sentido que lleva a la mejor solucin entra posible.

Ramificacin y acotamiento.
Los problemas de programacin entera pueden resolverse en teora, por medio de la
enumeracin de todas las soluciones posible y la seleccin de la mejor, dado que una o ms
variables deben ser enteros dentro de un rango finito, debe existir un lmite finito para el numero
de soluciones posibles. Si el nmero de todas las posibilidades es pequeo se, recomienda
hacer justo eso, tratarlas todas. Desafortunadamente, las posibilidades aumentan muy rpido
al aumentar el nmero de variables y su extensin. En el ejemplo que sigue solo hay dos
variables. Pero este sencillo ejemplo tiene 305 combinaciones posibles de soluciones enteras.

Ramificacin y acotamiento es una estrategia de bsqueda sistemtica que reduce mucho el


nmero de combinaciones que se deben examinar. Comienza con la solucin ptima del
simplex en donde se ignoraron las restricciones de variables enteras. Se selecciona despus
de una variable con valor no entero y se crean dos ramas mutuamente excluyentes. Esto da
lugar a dos nuevos problemas de PL que se deben resolver. Si ninguna solucin es entera se
crean nuevas ramas y se resuelven nuevos problemas.

36
X Modelos cuantitativos para la toma de desiciones

5. Programacin o control de proyectos (PERT/CPM).

El PERT/CPM fue diseado para proporcionar diversos elementos tiles de informacin para
los administradores del proyecto. Primero, el PERT/CPM expone la ruta crtica de un proyecto.
Estas son las actividades que limitan la duracin del proyecto.
La principal diferencia entre PERT y CPM es la manera en que se realizan los estimados de
tiempo. E1 PERT supone que el tiempo para realizar cada una de las actividades es una
variable aleatoria descrita por una distribucin de probabilidad. E1 CPM por otra parte, infiere
que los tiempos de las actividades se conocen en forma determinsticas y se pueden variar
cambiando el nivel de recursos utilizados.

Proyectos.

Un proyecto es cualquier empresa humana con un claro principio y un claro final


(Gallagher)
Poseen algunas caractersticas comunes:
Combinacin de actividades
Relacin secuencial entre actividades
Preocupacin por el tiempo
Preocupacin por los recursos

Planeacin, Programacin y Control.

La Planeacin requiere desglosar el proyecto en actividades, estimar recursos, tiempo


e interrelaciones entre actividades.
La Programacin requiere detallar fechas de inicio y terminacin.
El Control requiere informacin sobre el estado actual y analiza posibles trueques
cuando surgen dificultades.

37
X Modelos cuantitativos para la toma de desiciones

Herramientas de Planeacin.

1. Grficas de Gantt
2. Modelos de redes:
3. Redes deterministas (CPM = Mtodo de la ruta crtica)
4. Redes probabilistas (PERT = Tcnica de evaluacin y revisin de programas)
5. Tambin existen otras tcnicas

Planeacin y Control de Proyectos PERT CPM.


La buena administracin de proyectos a gran escala
requiere planeacin, programacin y coordinacin de muchas actividades.

Programas de construccin
Preparacin de propuestas y presupuestos
Programacin de computadoras
Planeacin de mantenimiento e instalacin de sistemas de cmputo.

PERT (Tcnica de evaluacin y revisin de programas- Program evaluationand Review


technique).
Los mtodos PERT y CPM estn bsicamente orientados en el tiempo en el sentido que
ambos llevan a la determinacin de un programa de tiempo. Aunque los dos mtodos fueron
desarrollados casi independientemente, ambos son asombrosamente similares. Quiz la
diferencia ms importante es que originalmente las estimaciones en el tiempo para las
actividades se supusieron determinantes en CPM y probables en PERT. Ahora PERT y CPM
comprenden realmente una tcnica y las diferencias, si existe alguna, son nicamente
histricas. En adelante, ambas se denominarn tcnicas de programacin de proyectos.
La programacin de proyectos por PERT-CPM consiste en tres fases bsicas:

La fase de planeacin se inicia descomponiendo el proyecto en actividades. Las estimaciones


de tiempo para estas actividades se determinan luego y se construye un diagrama de red (o
de flechas) donde cada uno de sus arcos (flechas) representa una actividad. El diagrama de
flechas completo da una representacin grfica de las interdependencias entre las actividades
38
X Modelos cuantitativos para la toma de desiciones

del proyecto. LA construccin del diagrama de flechas como una fase de planeacin, tiene la
ventaja de estudiar los diferentes trabajos en detalle, sugiriendo quiz mejoras antes del que
el proyecto realmente se ejecute. Ser ms importante su uso en el desarrollo de un programa
para el proyecto.

La fase de programacin es construir un diagrama de tiempo que muestre los tiempos de


iniciacin y terminacin para cada actividad, as como su relacin con otras actividades del
proyecto. Adems, el programa debe sealar las actividades crticas (en funcin del tiempo)
que requieren atencin especial si el proyecto se debe terminar oportunamente. Para las
actividades no crticas el programa debe mostrar los tiempos de holgura que pueden utilizarse
cuando tales actividades se demoran o cuando se deben usar eficientemente recursos
limitados.

La fase final en la administracin de proyectos es la de control. Esto incluye el uso del


diagrama de flechas y la grfica de tiempo para hacer reportes peridicos del progreso. La red
puede, por consiguiente, actualizarse y analizarse y si es necesario, determinar un nuevo
programa para la porcin restante del proyecto.

Lo primero que hay que hacer para constituir un diagrama PERT es organizar una lista, lo ms
completa posible, de todas las actividades que constituyen la obra o proyecto. Para ello es
necesario que la persona que va a hacer el PERT/CPM estudie cuidadosamente el proyecto y
se valga de las informaciones de todas las dems personas que estn relacionadas con las
mismas, tales como ingenieros, tcnicos, fabricantes de materiales, ensambladores, maestros
y cualesquiera otros auxiliares que puedan proporcionar una informacin.

Despus de realizado un diagrama PERT, debemos numerar los eventos. La manera ms


correcta de hacerlo es la siguiente: Se numera cada evento, saltando de uno a otro en el
sentido de las flechas que representan las actividades, teniendo cuidado de no numerar
ninguno, sin que todos los dems que lo precedan en el diagrama hayan sido ya numerados.
As, antes debemos enumerar un evento, verificaremos cuntas flechas llegan a l.

39
X Modelos cuantitativos para la toma de desiciones

Programacin de Proyectos.

Una vez elaborado el diagrama queda clara la secuencia de actividades y se puede pasar a la
programacin de las mismas. Para ello, es necesario conocer las duraciones de las distintas
actividades. Generalmente, stas no se pueden fijar con exactitud, ya que son muchos los
factores de carcter aleatorio que estn relacionados con ellas.

Costos y Pendientes.

En este paso se solicitaran los costos de cada actividad realizada en tiempo estndar y en
tiempo ptimo. Ambos costos deben ser proporcionados por las personas responsables de la
ejecucin, en concordancia con los presupuestos ya suministrados por ellos. Dichos costos se
deben anotar en la matriz de informacin.

Graficacion de un Diagrama PERT-CPM.

Lo ms importante para la creacin de un diagrama PERT CPM es saber concatenar y tomar


decisiones con relacin a las actividades que determinan un proyecto.

Control de Proyectos.

Una vez conocido el plazo de ejecucin del proyecto, as como las fechas de cada una de las
actividades que lo componen, habr que realizar un seguimiento del mismo. Para ello, la
informacin obtenida en los controles peridicos debe trasladarse al diagrama. Partiendo de
un diagrama sin fechas. los pasos a seguir para ver la marcha prevista despus del momento
de control son los siguientes:
Se pone como fecha inicial del proyecto la fecha del control.
Las actividades que hayan finalizado se considerarn con duracin nula.
Las actividades en curso se programarn con una duracin igual al tiempo estimado para su

40
X Modelos cuantitativos para la toma de desiciones

terminacin.
Las actividades que no hayan comenzado seguirn con la duracin inicial.

Requiere .

Identificacin de actividades, sus caractersticas y relaciones.


Tiempo de cada actividad.
Recursos.
Construccin de un grafo.

Tipos de proyectos

Con tiempos de actividad conocidos


Con tiempos de actividad inciertos

5.1 Programacin de proyectos con tiempos de actividad conocido.

Proyectos que ya se han realizado y se conoce el tiempo de cada una de las tareas

Ejemplo: Construccin de 50 salones en la Universidad La Salle.

41
X Modelos cuantitativos para la toma de desiciones

Paso 1. Lista de actividades

Paso 2. Determinar predecesoras inmediatas para cada actividad

42
X Modelos cuantitativos para la toma de desiciones

Paso 3. Determinar el tiempo para cada actividad

Paso 4. Dibujar la red del proyecto

Paso 5. Determinar tiempos de inicio y finalizacin ms temprano


ES = tiempo de inicio ms temprano para una actividad.
EF = tiempo de finalizacin ms temprano para una actividad.
t = tiempo que tarda una actividad en ser completada.
EF ES t

43
X Modelos cuantitativos para la toma de desiciones

44
X Modelos cuantitativos para la toma de desiciones

Paso 6. Determinar el tiempo de inicio y finalizacin ms tardo

LS = tiempo de inicio ms tardo para una actividad.


LF = tiempo de finalizacin ms tardo para una actividad.

LS LF t

Paso 7. Determinar holgura de cada actividad

45
X Modelos cuantitativos para la toma de desiciones

Paso 8. Identificar la ruta crtica

Paso 9. Plan del proyecto

46
X Modelos cuantitativos para la toma de desiciones

5.2 Programacin de proyectos con tiempos inciertos de actividades.

Para la elaboracin de un proyecto que implica la instalacin de un sistema nuevo, o la


puesta en marcha de un producto en el cual no se tiene antecedentes referenciales,
resulta complicado saber con certeza saber el tiempo a ocupar por las actividades del
proyecto, puesto que stas nunca se han realizado antes. Pues bien, en este escenario
es que se entregaran las tcnicas para este tipo de proyectos. Como es usual,
trabajaremos con un determinado ejemplo "acadmico" de proyecto, a fin de visualizar
los fundamentos de la tcnica PERT/CPM.

Una vez que elaboramos la red del proyecto, necesitaremos informacin sobre el
tiempo que se requiere para completar cada actividad.
Para proyectos repetidos, como los de construccin y mantenimiento, los
administradores pueden tener la experiencia y datos histricos necesarios para
brindar estimaciones precisas para el tiempo de las actividades.
Sin embargo, para proyectos nuevos o nicos, estimar el tiempo para cada actividad
puede ser bastante difcil. De hecho, en muchos casos los tiempos de actividad son
inciertos y se describen mejor por un rango de factores posibles en lugar de por una
estimacin de tiempo especfica.

LISTA DE ACTIVIDADES PARA EL PROYECTO PORTA-VAC

47
X Modelos cuantitativos para la toma de desiciones

ACTIVIDAD DESCRIPCIN PREDECESORA


INMEDIATA

A Elaborar diseo del producto ---

B Plantear investigacin de mercados ---

C Preparar enrutamiento (ingeniera de manufactura) A

D Construir modelo prototipo A

E Preparar folleto de mercadotecnia A

F Preparar estimaciones de costos C

G Hacer pruebas preliminares de producto D

H Completar encuesta de mercados B, E

I Preparar asignacin de puestos y reporte de pronstico H

J Preparar reporte final F,G,I

RED DE PROYECTO DE LA ASPIRADORA INALMBRICA PORTA-VAC (AEN)

C F

A D G J FIN

INICIO E H I

Las estimaciones precisas del tiempo de la actividad son importantes en la elaboracin de un


programa de actividades.

48
X Modelos cuantitativos para la toma de desiciones

Cuando los tiempos de la actividad son inciertos, las tres estimaciones de tiempo, optimista,
ms probable y pesimista, permiten al Gerente del Proyecto tomar en consideracin la
incertidumbre de determinar la Ruta Crtica y el programa de actividades.
Los diseadores de PERT desarrollaron este este enfoque.

Para incorporar tiempos de actividad inciertos en el anlisis, necesitamos obtener tres


estimaciones de tiempo para cada actividad.

Tiempo optimista El tiempo de actividad


mnimo si todo progresa
(a) de manera ideal.
Tiempo ms probable El tiempo de actividad
ms probable bajo
(m) condiciones normales.

Tiempo pesimista El tiempo de actividad


mximo si se
(b) encuentran demoras
significativas.

Tiempos de actividad estimados, optimista, ms probable y pesimista para el proyecto de


porta-vac (en semanas)

ACTIVIDAD OPTIMISTA (a) MS PROBABLE (m) PESIMISTA (b)

A 4 5 12

B 1 1.5 5

C 2 3 4

D 3 4 11

E 2 3 4

F 1.5 2 2.5

G 1.5 3 4.5

H 2.5 3.5 7.5

I 1.5 2 2.5

J 1 2 3

49
X Modelos cuantitativos para la toma de desiciones

Usando la Actividad A como ejemplo, vemos que el tiempo ms probable es 5 semanas con
un rango de 4 (optimista) a 12 semanas (pesimista). Si pudiera repetirse la Actividad A
muchas veces, Cul es el tiempo promedio para la actividad?
Este promedio o tiempo esperado (t) se calcula como sigue:

t = a + 4m + b
6
Para la Actividad A tenemos un tiempo esperado o promedio de

TA = 4 + 4(5) + 12 = 36 = 6 semanas
6 6

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


= ( )
6

La diferencia entre las estimaciones de tiempo pesimista (b) y optimista (a) afecta en gran
medida el valor de la varianza. Las diferencias grandes en estos dos valores, reflejan un
alto grado de incertidumbre en el tiempo de la actividad.
Utilizando la ecuacin anterior, obtenemos la medida de incertidumbre, es decir, la varianza
de la Actividad A, que se denota:

124 8
A= ( ) = (6) =1.77
6

Cul es el Tiempo esperado (en semanas) para todas las actividades del proyecto?
Cul es la Varianza de cada actividad del proyecto?
Elabora un cuadro
50
X Modelos cuantitativos para la toma de desiciones

Tiempos esperados y varianzas para las actividades del proyecto porta-vac

ACTIVIDAD TIEMPO ESPERADO VARIANZA


(SEMANAS)
A 6 1.78

B 2 0.44

C 3 0.11

D 5 1.78

E 3 0.11

F 2 0.03

G 3 0.25

H 4 0.69

I 2 0.03

J 2 0.11

TOTAL = 32

Las actividades que tienen Varianzas mayores muestran un grado mayor de incertidumbre. El
Gerente del Proyecto debera vigilar el progreso de cualquier actividad con una varianza mayor
an si el tiempo esperado no la identifica como actividad crtica.

Clculo de ruta crtica.

Cuando tenemos la Red del Proyecto y los tiempos de actividad esperados, estamos listos
para proceder con los clculos de Ruta Crtica necesarios para determinar el tiempo
esperado total del proyecto y determinar el programa de actividades.

NOTA: Cuando se usan tiempos de actividad inciertos, los clculos de la Ruta Crtica slo
determinarn el tiempo esperado o promedio para completar el proyecto y el tiempo real

51
X Modelos cuantitativos para la toma de desiciones

requerido puede diferir. Sin embargo, para propsitos de planeacin, el tiempo esperado es
una informacin valiosa para el gerente del proyecto.

Cules son los tiempos de Actividades esperados?

C F

A D G J
FIN

E H I
INICIO

Red del proyecto porta-vac con tiempos de actividad esperados.

C F

3 2

A D G J
FIN
6 5 3 2

E H I
INICIO
3 4 2

C F

3 2

A D G J
FIN
6 5 3 2

E H I
INICIO
3 4 2

52
X Modelos cuantitativos para la toma de desiciones

a) Calcular los tiempos de inicio y finalizacin ms tempranos de cada actividad.


b) Calcular los tiempos de inicio y finalizacin ms tardos de cada actividad.
c) Calcular las holguras de cada actividad.
d) Identificar todas las rutas posibles.
e) Identificar las actividades crticas y la ruta crtica.
f) Identificar de forma tabular la informacin de los puntos anteriores

1. El Gerente de Atltico de Natacin Tabasco planea el programa del equipo de natacin


del club. La primera prctica del equipo est programada para el 1 de mayo. Las
actividades, sus predecesoras inmediatas y las estimaciones de tiempo en semanas
son las siguientes:
ACTIVIDAD DESCRIPCIN PREDECESORA OPTIMISTA MS PESIMISTA
INMEDIATA PROBABLE

A Reunin con el consejo --- 1 1 2

B Contratar entrenadores A 4 6 8

C Reservar la alberca A 2 4 6

D Anunciar el programa B,C 1 2 3

E Reunin con los B 2 3 4


entrenadores
F Ordenar trajes de bao A 1 2 3

G Registrar nadadores D 1 2 3

H Recolectar cuotas G 1 2 3

I Planear la primera E,H,F 1 1 1


prctica

53
X Modelos cuantitativos para la toma de desiciones

6. Modelos de lnea de espera.

Una lnea de espera es el efecto resultante en un sistema cuando la demanda de un servicio


supera la capacidad de proporcionar dicho servicio. Este sistema est formado por un conjunto
de entidades en paralelo que proporcionan un servicio a las transacciones que aleatoriamente
entran al sistema. Dependiendo del sistema que se trate, las entidades pueden ser cajeras,
mquinas, semforos, gras, etctera, mientras que las transacciones pueden ser: clientes,
piezas, autos, barcos, etctera.

Tanto el tiempo de servicio como las entradas al sistema son fenmenos que generalmente
tienen asociadas fuentes de variacin que se encuentran fuera del control del tomador de
decisiones, de tal forma que se hace necesaria la utilizacin de modelos estocsticos que
permitan el estudio de este tipo de sistemas.

Una lnea de espera puede modelarse como un proceso estocstico en el cual la variable
aleatoria se define como el nmero de transacciones en el sistema en un momento dado; el
conjunto de valores que puede tomar dicha variable es {O, 1, 2, . . . , N\ y cada uno de ellos
tiene asociada una probabilidad de ocurrencia

Modelo de Formacin de Colas.

Se forman debido a un desequilibrio temporal entre la demanda del servicio y la capacidad del
sistema para suministrarlo.

En las formaciones de colas se habla de clientes, tales como mquinas daadas a la espera
de ser rehabilitadas. Los clientes pueden esperar en cola debido a que los medios existentes
sean inadecuados para satisfacer la demanda del servicio; en este caso, la cola tiende a ser
explosiva, es decir, a ser cada vez ms larga a medida que transcurre el tiempo. Los clientes
puede que esperen temporalmente, aunque las instalaciones de servicio sean adecuadas,
porque los clientes llegados anteriormente estn siendo atendidos.

54
X Modelos cuantitativos para la toma de desiciones

Objetivos.

Los objetivos de la teora de colas consisten en:


1. Identificar el nivel ptimo de capacidad del sistema que minimiza el coste del mismo.
2. Evaluar el impacto que las posibles alternativas de modificacin de la capacidad del sistema
tendran en el coste total del mismo.
3. Establecer un balance equilibrado (ptimo) entre las consideraciones cuantitativas de
costes y las cualitativas de servicio.
4. Prestar atencin al tiempo de permanencia en el sistema o en la cola de espera.

Elementos existentes en la teora de colas.

Proceso Bsico De Colas: Los clientes que requieren un servicio se generan en una fase de
entrada. Estos clientes entran al sistema y se unen a una cola. En determinado momento se
selecciona un miembro de la cola, para proporcionarle el servicio, mediante alguna regla
conocida como disciplina de servicio. Luego, se lleva a cabo el servicio requerido por el cliente
en un mecanismo de servicio, despus de lo cual el cliente sale del sistema de colas.

Fuente De Entrada O Poblacin Potencial: Una caracterstica de la fuente de entrada es su


tamao. El tamao es el nmero total de clientes que pueden requerir servicio en determinado
momento. Puede suponerse que el tamao es infinito o finito.

Cliente: Es todo individuo de la poblacin potencial que solicita servicio como por ejemplo una
lista de trabajo esperando para imprimirse.

NOMENCLATURA

S = nmero de servidores
n= nmero de clientes en el sistema
N =nmero mximo de clientes permitidos en el sistema
A,,t =flujo de clientes que entran cuando hay n clientes en el sistema
55
X Modelos cuantitativos para la toma de desiciones

u,7l =capacidad del servidor cuando hay n clientes en el sistema.


E(t)= tiempo promedio de proceso por cliente
V(t)= variancia del tiempo de proceso
E() = tiempo promedio entre llegadas
V(a) = variancia del tiempo entre llegadas
CQ = coeficiente cuadrado de variacin del flujo de clientes que entran al sistema
CS`= coeficiente cuadrado de variacin del tiempo de servicio
Cp = coeficiente cuadrado de variacin del flujo de clientes que salen del sistema PIJ
probabilidad de que el sistema cambie de un estado i a un estado y despus de un intervalo
de tiempo.
Pn= probabilidad en estado estable de que existan n clientes en el sistema
L = nmero promedio de clientes en el sistema
Lq = nmero promedio de clientes en la fila
W = tiempo promedio de permanencia en el sistema
Wq= tiempo promedio de permanencia en la fila
p =utilizacin promedio del servicio
Ct = costo total promedio del sistema de lneas de espera por unidad de tiempo.
Ce= costo promedio de servicio por cliente por unidad de tiempo
Cq = costo promedio de espera por cliente por unidad de tiempo

Capacidad de la cola: Es el mximo nmero de clientes que pueden estar haciendo cola
(antes de comenzar a ser servidos). De nuevo, puede suponerse finita o infinita.
Disciplina de la cola: La disciplina de la cola se refiere al orden en el que se seleccionan sus
miembros para recibir el servicio. Por ejemplo, puede ser:

1. FIFO (first in first out) primero en entrar, primero en salir, segn la cual se atiende primero al
cliente que antes haya llegado.
2. LIFO (last in first out) tambin conocida como pila que consiste en atender primero al cliente
que ha llegado el ltimo.
3. RSS (random selection of service) que selecciona los clientes de manera aleatoria, de
acuerdo a algn procedimiento de prioridad o a algn otro orden.
56
X Modelos cuantitativos para la toma de desiciones

4. Processor Sharing sirve a los clientes igualmente. La capacidad de la red se comparte


entre los clientes y todos experimentan con eficacia el mismo retraso.
Mecanismo de servicio: El mecanismo de servicio consiste en una o ms instalaciones de
servicio, cada una de ellas con uno o ms canales paralelos de servicio, llamados servidores.
Redes de colas: Sistema donde existen varias colas y los trabajos fluyen de una a otra. Por
ejemplo: las redes de comunicaciones o los sistemas operativos multitarea.

FILA
Es el conjunto de transacciones que espera ser atendido por alguno de los servidores del
sistema. Una fila tiene tres caractersticas principales, la primera se refiere a la capacidad, o
sea, al nmero mximo de transacciones que pueden permanecer en ella en un mismo instante
y de acuerdo con este nmero se clasifican como finitas o infinitas. Hay que hacer notar que
en el caso de los modelos con tamao finito, la solucin es mucho ms fcil de encontrar a
partir

57
X Modelos cuantitativos para la toma de desiciones

58
X Modelos cuantitativos para la toma de desiciones

De las ecuaciones generales ya que la solucin del modelo se reduce a un sistema de


ecuaciones simultneas y a la evaluacin de las medidas de desempeo mediante promedios
ponderados, mientras que, en el caso de modelos de tipo ilimitado o infinito, es necesario
recurrir a la solucin del sistema de ecuaciones as como a la evaluacin de las medidas de
desempeo y a algunas series geomtricas que dificultan en cierto grado el manejo algebraico
de la solucin. La segunda caracterstica es el orden en que las transacciones son extradas
de la fila para su atencin, en ese caso podemos encontrar: primeras llegadas, primeros
servicios, por prioridad, aleatorio, etctera y, por ltimo/la forma de salir de la fila, que puede
darse mediante el proceso de servicio o bien, mediante el abandono por factores como
desesperacin, hasto, etctera.

Ecuaciones generales.

Las medidas de desempeo con que se trabaja en teora de colas son principalmente las
siguientes:

Utilizacin del Servicio.

Representa el porcentaje de tiempo en que los servidores atienden a los clientes y se calcula
como la razn entre la tasa promedio de llegadas y la capacidad total del sistema para
proporcionar el servicio.

6.1 La estructura del sistema lineal de espera.

Cada cliente debe pasar por un canal, una estacin para tomar y surtir el pedido, para colocar
el pedido, pagar la cuenta y recibir el producto. Cuanto llegan ms clientes forman una lnea
de espera y aguardan que se desocupe la estacin para tomar y surtir el pedido

59
X Modelos cuantitativos para la toma de desiciones

Distribucin de llegadas.

Para determinar la distribucin de probabilidad para la cantidad de llegadas en un perodo


dado, se puede utilizar la distribucin de Poisson.

/= Media o cantidad promedio de ocurrencia en un intervalo


e= 2.17828
X= cantidad de ocurrencias en el intervalo

Distribucin de tiempo de servicio.

El tiempo de servicio es el tiempo que pasa un cliente en la instalacin una vez el servicio ha
iniciado.
Se puede utilizar la distribucin de probabilidad exponencial para encontrar la probabilidad de
que el tiempo de servicio sea menor o igual que un tiempo t.

e= 2.17828
&#956;= cantidad media de unidades que pueden servirse por perodo

Disciplina de la linea de espera.

Manera en la que las unidades que esperan el servicio se ordenan para recibirlo.
El primero que llega, primero al que se le sirve
60
X Modelos cuantitativos para la toma de desiciones

ltimo en entrar, primero en salir


Atencin primero a la prioridad ms alta

Operacin de estado estable.

Generalmente la actividad se incrementa gradualmente hasta un estado normal o estable. El


perodo de comienzo o principio se conoce como perodo transitorio, mismo que termina
cuando el sistema alcanza la operacin de estado estable o normal.

6.2 Modelo lineal de espera de un solo canal.

Frecuentemente, los modelos de lnea de espera se basan en suposiciones como las llegadas
de Poisson y los tiempos de servicio exponenciales. Cuando se aplica cualquier modelo de
lnea de espera, deben recolectarse datos sobre el sistema real para asegurar que las
suposiciones del modelo son razonables.

Caractersticas operativas:

A continuacin, las frmulas que pueden usarse para determinar las caractersticas operativas
de estado estable para una lnea de espera de un solo canal.
El objetivo de las frmulas es mostrar cmo se puede dar informacin acerca de las
caractersticas operativas de la lnea de espera.

61
X Modelos cuantitativos para la toma de desiciones

62
X Modelos cuantitativos para la toma de desiciones

Cmo usan los administradores los modelos de lnea de espera:

Los resultados de la lnea de espera de un solo canal para Burger Dome muestran varias cosas
importantes sobre su operacin. En particular, los clientes esperan un promedio de tres
minutos antes de comenzar a colocar un pedido, lo cual parece un poco largo para un negocio
basado en el servicio rpido. Adems los hechos de que la cantidad promedio de clientes que
esperan en la lnea es de 2.25 y que 75% de los clientes que llegan tienen que esperar para
que los atiendan son indicadores de que debera hacerse algo para mejorar la operacin.

63
X Modelos cuantitativos para la toma de desiciones

Mejora de la operacin de la lnea de espera.


Despus de revisar las caractersticas operativas proporcionadas por el modelo de lnea de
espera, la administracin de Burger Dome concluy que es deseable disear mejoras que
reduzcan los tiempos de espera; para ello, a menudo los analistas se centran en formas de
mejorar la tasa de servicio. Por lo general, las mejoras en la tasa de servicio se obtienen
realizando los siguientes cambios de manera individual o conjuntamente.

6.3 El modelo lineal de espera de mltiples canales.

Consiste en dos o ms canales de servicio que se supone son idnticos desde el punto de
vista de su capacidad. En el sistema de canales mltiples, las unidades que llegan esperan en
una sola lnea y luego pasan al primer canal disponible para ser servidas.
A continuacin, las frmulas que pueden usarse para determinar las caractersticas operativas
de estado estable para lneas de espera con mltiples canales. Estas frmulas son aplicables
si existen las siguientes condiciones.

1. Las llegadas siguen una distribucin de probabilidad de Poisson.


2. Tiempo de servicio para cada canal sigue una distribucin de probabilidad exponencial.

64
X Modelos cuantitativos para la toma de desiciones

6.4 Otros modelos de lnea de espera.

Modelo del Sistema de Cola M/M/1

Supuestos

1. La lnea de espera tiene 1 slo canal


2. las llegadas tienen una distribucin Poisson
3. Los tiempos de servicio tienen una distribucin exponencial
FORMULAS

65
X Modelos cuantitativos para la toma de desiciones

Factor de Utilizacin

Probabilidad que no existan unidades en el sistema

Modelo del sistema de cola M/M/K.

Supuestos

La linea de espera tiene 2 o ms canales


las llegadas tienen una distribucin Poisson
Los tiempos de servicio tienen una distribucin exponencial

FORMULAS

= Tasa media de llegadas del sistema


= Tasa media de servicio de cada canal
K= Nmero de canales

Probabilidad que no existan unidades en el sistema

66
X Modelos cuantitativos para la toma de desiciones

Numero promedio de unidades en cola

Numero promedio de unidades en el sistema

Tiempo promedio que dura una unidad en cola

Tiempo promedio que dura una unidad en el sistema

Probabilidad que exista N unidades en el sistema cuando

Probabilidad que existan N unidades en el sistema cuando

Numero promedio de unidades en el sistema.

67
X Modelos cuantitativos para la toma de desiciones

Numero promedio de unidades en cola.

Tiempo promedio que una unidad pasa en cola

Tiempo promedio que una unidad pasa en el sistema

68
X Modelos cuantitativos para la toma de desiciones

7. Simulacin.

La simulacin es la representacin de un proceso o fenmeno mediante otro ms simple, que


permite analizar sus caractersticas; Pero la simulacin no es solo eso tambin es algo muy
cotidiano, hoy en da, puede ser desde la simulacin de un examen, que le hace la maestra a
su alumno para un examen del ministerio, la produccin de textiles, alimentos, juguetes,
construccin de infraestructuras por medio de maquetas, hasta el entrenamiento virtual de los
pilotos de combate.

Las aplicaciones recreativas, hoy muy extendidas y mejoradas principalmente por los
adelantos en este campo, estn especialmente diseadas para crear un pasatiempo que logre
sacar de la rutina al ser humano, y que el mejor de los casos de otro modo seria impracticable
debido a su costo. Estas consisten en crear ambientes y decorados artificiales con sonido en
algunos casos, que logran una perfecta simulacin de cualquier tipo de contenido, creando el
pasatiempo perfecto

7.1. Anlisis de riesgo.

A la hora de gestionar el riesgo de un proyecto y nos enfrentamos a situaciones sobre las que
no es posible obtener una informacin satisfactoria, su investigacin o su anlisis es muy
complicado para aplicar mtodos tradicionales, existe la posibilidad de disear un proceso y
una realidad mediante la simulacin.

As, los modelos de simulacin pretenden representar una realidad de una manera simplificada,
recogiendo las relaciones o criterios que se consideran fundamentales y, por consiguiente,
determinantes de la realidad a simular.

El Mtodo de Monte Carlo (propuesto por J.Von Neumann y S. Ulam) es un mtodo cuantitativo
para el desarrollo de anlisis de riesgos; fue llamado as en referencia al Principado de Mnaco,
por ser la capital del juego de azar. Dicho mtodo busca representar la realidad a travs de

69
X Modelos cuantitativos para la toma de desiciones

un modelo de riesgo matemtico, de forma que asignando valores de manera aleatoria a las
variables de dicho modelo, se obtengan diferentes escenarios y resultados.

Este se basa en realizar un nmero lo suficientemente elevado de iteraciones (asignaciones


de valores de forma aleatoria), de manera que la muestra disponible de resultados sea lo
suficientemente amplia como para que se considere representativa de la realidad. Dichas
iteraciones se podrn realizar haciendo uso de un motor informtico.

Con los resultados obtenidos de las diferentes iteraciones realizadas se efecta un estudio
estadstico del que se sacan conclusiones relevantes respecto al riesgo del proyecto, tales
como, valores medios, mximos y mnimos, desviaciones tpicas, varianzas y probabilidades
de ocurrencia de las diferentes variables determinadas sobre las que medir el riesgo.
El Monte Carlo, al igual que los dems modelos matemticos de anlisis de riesgo, contiene
como mnimo cuatro pasos o etapas de desarrollo generales, que normalmente son
secuenciales:

1. Identificacin y descripcin de los riesgos.


2. Evaluacin y valoracin.
3. Clculo matemtico.
4. Comparacin contra variables predefinidas.

As mismo para el desarrollo de un modelo de riesgo son necesarias cuatro etapas principales:

1. Seleccin de la funciones de probabilidad: triangular, uniforme, discreta, etc.,


segn el comportamiento que siguen la variable de riesgo utilizada para el anlisis. En
la mayora de las herramientas estas funciones ya vienen predefinidas.

2. Identificacin de las variables sobre las que se va a medir el riesgo. Para medir el
riesgo global de un proyecto empresarial se recomienda usar variables que sean
representativas del valor del negocio.

70
X Modelos cuantitativos para la toma de desiciones

3. Simulacin computacional.
Generacin de informes y obtencin del perfil de riesgo. Por ejemplo: histogramas, perfil de
riesgo, lmite de riesgo y VAR, tornado, anlisis de escenarios, etc.

7.2 Simulacin de inventarios.

En esta seccin se presentan modelos de inventarios que ayudan a contestar dos preguntas
importantes que se aplican a cada producto en el inventario: Cundo colocar una orden para
un artculo y cunto ordenar de un artculo.

Se considerarn los siguientes modelos de demanda independiente:

1. Modelo del tamao del lote econmico (L.E);

2. Modelo de cantidad de orden de produccin.

Modelo del tamao del lote econmico bsico (l. E).

En un sistema de inventarios, ms apropiadamente de control de inventarios desde el punto


de vista de las operaciones administrativas, podemos identificar como componentes a un
almacn donde se resguardan los artculos diversos materias primas como petrleo crudo,
componentes y sub-ensambles como tarjetas madre para computadoras o productos
terminados como las computadoras. Estos artculos son solicitados o demandados por clientes
para su consumo en el proceso de transformacin, o ensamble de productos integrados o su
uso final. Al almacn llegan los clientes y demandan una determinada cantidad del artculo de
inters y esperan que su solicitud les sea satisfecha por el administrador del almacn. De no
ser as, los clientes pueden marcharse sin regresar al almacn o bien, se pueden ver afectados
en su propia operacin y productividad. Esto tiene un costo para el operador del almacn y se
denomina costo de faltante o de escasez. Por otro lado, el administrador del almacn se surte
de un proveedor el cual puede ser interno a la empresa como en una lnea de produccin en

71
X Modelos cuantitativos para la toma de desiciones

la estacin de fabricacin de gabinetes para refrigeradores o externos como en el proceso de


ensamble de discos duros en las computadoras. Cuando a estos proveedores se les hace una
requisicin de orden por el almacenista, ellos se comprometen a entregar la cantidad ordenada
en un tiempo especificado, llamado tiempo de entrega. La orden que el almacenista coloca a
su proveedor tiene un costo y se denomina costo de ordenar.

Tambin es claro que para su seguridad y manutencin en buen estado de los artculos, el
almacenista incurre en un costo llamado costo de mantener el inventario o costo de
almacenamiento.

El objetivo operacional del administrador del almacn para satisfacer la entrega de la cantidad
demandada por los clientes es decidir la cantidad a ordenar a su proveedor y mantener un
nivel de existencias (stock) adecuado para que su funcionamiento sea a costo mnimo.

En un sistema de inventarios, podemos identificar a la demanda diaria o por perodo y el tiempo


de entrega por parte del proveedor como las variables exgenas. Las variables de estado son
el nivel del inventario, la demanda diaria promedio, el tiempo promedio de las entregas, la
cantidad a ordenar al proveedor, el punto de reorden y el tiempo reloj. Los parmetros
corresponden a el costo de mantenimiento por unidad por tiempo unitario, el costo de
colocacin de las rdenes, el nivel inicial del inventario. Tambin se considera el tiempo total
de la corrida de la simulacin como un parmetro. Las variables endgenas son el costo total
de mantenimiento, el costo total de colocacin de rdenes y el costo total de faltante. En un
sistema estocstico se tiene a la funcin de probabilidad de la demanda, as como a la funcin
de probabilidad del tiempo de entrega.

El tamao del lote econmico (L. E) es una de las tcnicas de control de inventario ms
antiguas y conocidas. La investigacin de su utilizacin se remonta a una publicacin de 1915
por Ford W. Harris. L. E todava es utilizado por un gran nmero de organizaciones en la
actualidad. Esta tcnica es relativamente fcil de utilizar, pero hace una gran cantidad de
suposiciones. Las ms importantes son:

72
X Modelos cuantitativos para la toma de desiciones

1. La demanda es conocida y constante.

2. El tiempo de entrega, esto es, el tiempo entre la colocacin de la orden y la recepcin del

pedido, se conoce y es constante.

3. La recepcin del inventario es instantnea. En otras palabras, el inventario de una orden

llega en un lote, e}n un mismo momento.

4. Los descuentos por cantidad no son posibles.

5. Los nicos costos variables son el costo de preparacin o de colocacin de una orden
(costos de preparacin) y el costo del manejo o almacenamiento del inventario a travs del

tiempo (costo de manejo).

6. Las faltas del inventario (faltantes) se puede evitar en forma completa si las rdenes se
colocan en el momento adecuado.

Si la demanda es constante en un rango de tiempo, el inventario cae en una tasa uniforme a


travs del tiempo. Cuando un nivel de inventario llega a 0, se coloca una nueva orden y se
recibe, y el nivel de inventario vuelve a saltar a unidades Q (representadas por las lneas
verticales). Este proceso contina en forma indefinida a travs del tiempo

Costos del inventario. El objetivo de la mayora de los modelos de inventario es minimizar los
costos totales. Con las suposiciones recin dadas, los costos significativos son el costo de
preparacin (orden) y el costo de manejo (almacenaje). Todos los dems costos, tal como el
costo del inventario por s mismo, son constantes. Por lo tanto, si se reduce la suma de los
costos de preparacin y de manejo, se estarn minimizando tambin los costos totales. Para
ayudar a visualizar este punto, en la siguiente figura se grfica los costos totales como una
funcin de la cantidad ordenada Q. El tamao ptimo de la orden, Q*, ser la cantidad que
minimiza los costos totales. Cuando se incrementa la cantidad ordenada, se reduce el costo
anual de preparar u ordenar. Pero su se incrementa la cantidad ordenada, el costo de manejo
se eleva debido a que se deben mantener mayores inventarios en promedio.

73
X Modelos cuantitativos para la toma de desiciones

Se utiliza este hecho para desarrollar las ecuaciones que resuelven directamente a Q*. Los
pasos necesarios son:

1. Desarrollar una expresin para el costo de preparacin (orden).

2. Desarrollar una expresin para el costo de manejo (almacenamiento).

3. Igualar el costo de preparacin y el costo de manejo.

4. Resolver la ecuacin para la cantidad ptima a ordenar.

Utilizando las siguientes variables se pueden determinar los costos de preparacin y manejo
para resolver Q*:

Q = Nmero de piezas por orden Q* = Nmero ptimo de piezas por ordenar (L. E) D

= Demanda anual en unidades para el producto del inventario. S = Costo de

preparacin para cada orden H = Costo de manejo del inventario por unidad por ao.

1. Costo anual de preparacin = (Nmero de rdenes colocadas/ao)(Costo de


preparacin/orden)
2. Costo anual de manejo = (Nivel promedio de inventario)(Costo de manejo/unidad/ao)
3. La cantidad ptima de la orden se encuentra cuando el costo anual de preparacin es igual
al costo anual de manejo, es decir:

4. Para resolver Q* sencillamente se utiliza

Punto de reorden.

Ahora que se ha decidido cunto ordenar, se debe observar la segunda pregunta del inventario,
74
X Modelos cuantitativos para la toma de desiciones

cundo ordenar. Los modelos sencillos de inventario suponen que la recepcin de una orden
instantnea. En otras palabras, suponen que una empresa tendr que esperar hasta que su
nivel de inventario sea de cero antes de colocar una orden, y que recibir los artculos
inmediatamente. Sin embargo, el tiempo entre la colocacin y la recepcin de una orden,
llamado tiempo de entrega, puede ir desde unas cuantas horas hasta varios meses. Por lo
tanto, la decisin de cundo ordenar est expresada en trminos de un punto de reorden, que
es el nivel de inventario en el cual se debe colocar una orden.

El punto de reorden R (ROP, por sus siglas en ingls, Reorder Point) se da como:

R = (Demanda diaria)(Tiempo de entrega para una nueva orden en das) R = d x L

Esta ecuacin para R supone que la demanda es uniforme y constante. Cuando este no sea
el caso, se debe aadir el inventario extra, llamado frecuentemente inventario de seguridad.

La demanda diaria, d, se encuentra al dividir la demanda anual D, entre el nmero de das

laborados en un ao:

d = D / Nmero de das laborales en un ao

7.3 Simulacin de lneas de espera.

Una tcnica para ejecutar estudios piloto, con resultados rpidos y a un costo relativamente
bajo, esta basado en la modelacin de escenarios a travs de la simulacin. El proceso de
elaboracin del modelo involucra un grado de abstraccin y no necesariamente es una rplica
de la realidad; consiste en una descripcin que puede ser fsica, verbal o abstracta en forma,
junto con las reglas de operacin. Ms aun debido a que el modelo es dinmico, su respuesta
a diferentes entradas puede ser usada para estudiar el comportamiento del sistema del cual
fue desarrollado

75
X Modelos cuantitativos para la toma de desiciones

Por lo tanto al explicar ideas o conceptos complejos, los lenguajes verbales a menudo
presentan ambigedades e imprecisiones. Un modelo es la representacin concisa de una
situacin; por eso representa un medio de comunicacin ms eficiente y efectivo.

Dado lo anterior, es importante tener claro las partes bsicas que debe poseer un modelo,
estas son:

Los componentes, son las partes constituyentes del sistema. Tambin se les denomina
elementos o subsistemas.

Las variables, son aquellos valores que cambian dentro de la simulacin y forman parte de
funciones del modelo o de una funcin objetivo.

Los parmetros, son cantidades a las cuales se les asignar valores, una vez establecidos los
parmetros, son constantes y no varan dentro de la simulacin.

Las relaciones funcionales, muestran el comportamiento de las variables y parmetros dentro


de un componente o entre componentes de un sistema.

Las restricciones, son limitaciones impuestas a los valores de las variables o la manera en la
cual los recursos pueden asignarse o consumirse.

Las funciones de desempeo, se definen explcitamente los objetivos del sistema y como se
evaluaran, es una medida de la eficiencia del sistema.

Componentes de la Simulacin.

Todo modelo de simulacin debe contener unos componentes bsicos tal como se ilustra en
la figura 3. El componente de Entidad se utiliza para referirse a todo lo que el sistema procesa
(Una pieza, un producto, una orden, un recibo de pago, etc.).

76
X Modelos cuantitativos para la toma de desiciones

Las Locaciones representan los lugares fijos en el sistema a donde se dirigen las entidades
por procesar, el almacenamiento, o alguna otra actividad o fabricacin (Una mquina, un rea
de trabajo, un rea de espera, una cola, un ventanilla de pagos, etc.).

Las Llegadas indican cada cuanto y en qu cantidad llegan nuevas entidades al sistema, esto
con el fin de alimentar el sistema y activar su procesamiento.

Un Recurso es un operario, o una mquina que sirve para transportar, realizar operaciones
puntuales, mantenimientos o asistencias complementarias para el procesamiento de
entidades.

Una Red de Rutas se utiliza bsicamente para construir caminos fijos por los cuales se
mueven los recurso

(operarios, maquinas, etc.) para transportar entidades o dirigirse a otras estaciones.

7.4 Verificacin y salida.

Una de las tareas ms importantes y difciles en la simulacin es la verificacin y validacin


del modelo. Las salidas del modelo se van a utilizar para obtener conclusiones para el sistema
real, por lo que es muy importante que se confe en el modelo para garantizar que ste va a
ser utilizado, y esto va a ser trabajo de las personas que desarrollan el modelo.

Dado que el modelo es una abstraccin del sistema real debemos preguntarnos si existe una
correspondencia entre el sistema real y el modelo.

Los trminos ms usados para describir el proceso mediante el cual el modelo es una
representacin creble del sistema real son verificacin y validacin del modelo.

La verificacin se refiere a la construccin correcta de un modelo. Se puede definir verificacin


como el proceso de determinar si la lgica operacional del modelo (programa de ordenador)

77
X Modelos cuantitativos para la toma de desiciones

se corresponde con la lgica del diseo. En trminos ms simples, consiste en determinar si


hay errores en el programa.

La validacin se refiere a la construccin de un modelo correcto. La validacin es el proceso


de determinar si el modelo, como abstraccin, es una buena representacin del sistema.

Usualmente la validacin se consigue a travs de la calibracin del modelo, en un proceso


iterativo de comparacin del comportamiento del modelo con el del sistema y usar las
diferencias entre ambos para mejorar el modelo. Este proceso se repite hasta que el modelo
se considera aceptable.

En este captulo vamos a describir mtodos que han sido recomendados y usados en la
verificacin y validacin del modelo. La mayora de los mtodos son comparaciones subjetivas
informales mientras que unos pocos son procesos estadsticos formales.

El papel de la verificacin y la validacin.

Cuando construimos un modelo de un sistema real, se atraviesan una serie de etapas o niveles
de modelizacin. Se comienza estudiando el sistema real y a continuacin se construye un
modelo conceptual que contiene todos los elementos que se consideran relevantes del sistema.
Desde este se pasa a un modelo lgico que contiene las relaciones lgicas entre los elementos.
Por ltimo se construye el modelo de ordenador (o modelo de simulacin) que ejecuta la lgica
recogida en la fase anterior.

El desarrollo del modelo es un proceso iterativo en el que hay sucesivos refinamientos en cada
etapa. El paso entre las distintas etapas est marcado por el xito o fracaso al realizar la
verificacin y la validacin en las mismas.

Cuando se valida un modelo se establece que el modelo es una representacin creble del
sistema real, cuando se verifica un modelo se determina si la lgica del modelo ha sido
correctamente implementada. Dado que los objetivos de la verificacin y de la validacin son
diferentes tambin lo son las tcnicas para realizarlos.
78
X Modelos cuantitativos para la toma de desiciones

Se han de establecer una serie de criterios que sirvan para decidir si el modelo supera o no
los procesos de verificacin y validacin. Se ha de tener presente que en un modelo se pueden
excluir aspectos del sistema real que se cree que no son importantes para responder a las
cuestiones planteadas sobre el sistema y que el modelo debe responder, de forma que en
fases tempranas se ha de fijar tambin cules son dichas cuestiones.

Por ejemplo considerando que se quiere simular un supermercado, se ha de identificar cules


son las cuestiones que se espera que responda el modelo. El administrador y los usuarios del
sistema nos pueden ayudar a identificarlas. Podemos suponer que despus de consultar con
el administrador y los usuarios del supermercado, posibles cuestiones pueden ser:

Cul es la relacin entre el nmero de cajeros y empaquetadores con respecto al tiempo de


espera en cola?

Qu efecto produce la existencia o no de cajas rpidas con respecto al tiempo de espera en


cola?

Qu efecto produce con respecto al tiempo de espera en cola el hecho de que ms de un


cajero comparta empaquetador?

Cul puede ser el efecto de hacer que los cajeros puedan abrir o cerrar las cajas segn la
cola de espera aumente o disminuya?

Para construir el modelo conceptual se necesita identificar aquellos elementos del sistema real
que van a ser incluidos en el modelo, as como los sucesos que ocurren. En esta etapa se
deben identificar las variables exgenas y endgenas, sucesos externos, variables de estado
y medidas de ejecucin. Despus de identificar dichos elementos se han de presentar a los
usuarios y administradores del sistema para establecer que el modelo contiene los aspectos
necesarios del sistema para responder a las cuestiones planteadas. Vemos que la validacin
comienza desde la primera etapa de desarrollo del modelo.

Una vez que se tiene el modelo conceptual se pasa a desarrollar el modelo lgico, el cual
incorpora los elementos, sucesos y variables incluidas en el modelo anterior. Puede ocurrir
que durante esta etapa se descubran fallos en el modelo conceptual, lo cual implicara una
79
X Modelos cuantitativos para la toma de desiciones

nueva revisin del modelo.

El proceso de comprar el modelo lgico con modelo conceptual implica validacin y verificacin.
El modelo lgico debe ser una representacin adecuada de la lgica del modelo conceptual.

Una vez que el modelo ha sido programado, se ha de verificar que como tal programa no
contiene errores y que es una correcta representacin del modelo lgico. Para terminar se ha
de validar el modelo comprobando que es una correcta representacin del sistema real y por
tanto puede responder de forma fiable a las cuestiones planteadas en la fase de construccin
del modelo conceptual.

No existen un mtodo o un conjunto de tcnicas para verificar y validar el modelo de simulacin


y el proceso es ms un arte que una ciencia.

En la Tabla 6.1 podemos resumir el papel que la verificacin y la validacin desempean en la


simulacin.

7.5 Modelo de simulacin.

Un modelo es el cuerpo de informacin relativa a un sistema recabado con el fin de estudiarlo,


un modelo no es solo un sustituto del sistema, es tambin su simplificacin.

Adems no existe un modelo nico de un sistema, ya que cada objeto de estudio establecido
determinara la naturaleza de la informacin a reunir.

Existe una gran diversidad en la manera de clasificar los tipos de modelos en el estudio de
sistemas.

A veces la clasificacin se realiza segn la naturaleza del sistema a estudiar, a saber:

1. 1) continuo vs. discreto


2. 2) determinstico vs. aleatorio.

80
X Modelos cuantitativos para la toma de desiciones

Consideremos una primera divisin en modelos fsicos y matemticos:

Esta primera divisin se realiza para tener en cuenta que un modelo no es necesariamente
una descripcin matemtica del sistema, existen por ejemplo: modelos a escala que se utilizan
en los tneles de viento, tanques de agua para estudiar el diseo de naves acuticas, modelos
a escala de cursos de ros, de puertos (ej.: Puerto de la Paloma, estudiado por el IMFIA),
diversos tipos de modelos.

La tercera distincin (nivel) se realiza segn la tcnica empleada para resolver el modelo.

En un modelo matemtico, las entidades de un sistema y sus atributos se representan


mediante variables y las actividades mediante funciones que interrelacionan las variables (ej.
restricciones).

Un modelo esttico despliega las relaciones entre los atributos del sistema cuando esta en
equilibrio, sin mostrar la manera en que cambian los valores de los atributos (no existen
actividades).

Un modelo matemtico dinmico permite deducir los cambios de los atributos del sistema en
funcin del tiempo y dependiendo de la complejidad del modelo, la deduccin puede hacerse

81
X Modelos cuantitativos para la toma de desiciones

con una solucin analtica o por calculo numrico (ej.: el comportamiento de la llanta de un
auto en movimiento se modela con ecuaciones diferenciales de 2o orden).

Los modelos matemticos dinmicos que se pueden resolver analticamente y que dan
resultados prcticos aplicables no son del todo comunes. Lo ms frecuente es que esos
problemas deban resolverse mediante mtodos numricos y la simulacin es uno de esos
mtodos.

Un ejemplo de modelo matemtico dinmico es el que describe las condiciones bajo las cuales
vibra la estructura de una aeronave, modelo que se puede plantear pero no resolver
analticamente. La cuestin de si habr o no vibraciones se puede determinar numricamente
calculando las races de determinadas ecuaciones asociadas. En este caso los clculos
numricos no constituyen simulacin, ya que el clculo no sigue el movimiento de la estructura
de la aeronave en el tiempo, es sencillamente un procedimiento para determinar las races de
una ecuacin, es un mtodo numrico puro.

Se tratara de simulacin s los clculos tienen en cuenta los cambios producidos en el tiempo,
es decir si describimos a travs de algn mecanismo la distintas variaciones producidas en
determinado intervalo de tiempo.

82
X Modelos cuantitativos para la toma de desiciones

8. CONCLUSIN.

La programacin lineal es un mtodo general para seleccionar el mejor programa o


combinacin de actividades que deben cumplir varios criterios. Si hay un problema de
naturaleza determinista, que incluya muchas variable interrelacionadas, que tiene criterios que
deben cumplirse y un solo objetivo, entonces puede aplicarse la PL.

El mtodo grafico de solucin est limitado en sus aplicaciones. Sin embargo, es til para
ilustrar la regin de soluciones factibles y la forma como se usa la funcin objetivo para
encontrar la solucin ptima.

La programacin por objetivos y la programacin entera son dos extensiones del modelo
general de programacin lineal. La programacin por objetivos permite considerar objetivos
mltiples. La programacin entera proporciona un mtodo para resolver problemas en que una
o ms de las variables de decisin deben ser enteros.

La esencia de la programacin por objetivos est en la formulacin de los objetivos como


restricciones agregando variables de desviacin. Despus se juzgan las variables de decisin
en cuanto a su importancia relativa y se les asigna prioridades o ponderaciones. Entonces, el
objetivo del problema de PL es minimizar las variables de desviacin de acuerdo con las
prioridades asignadas.

En un sistema de lneas de espera, las llegadas se unen a una cola en donde esperan servicio,
avanzan hacia las instalaciones de servicio en donde se les atiende y salen cuando terminan.
La administracin apropiada de este tipo de sistemas requiere un diseo que balancee el costo
de espera y el costo de servicio. Los sistemas de colas se disean en dos pasos. Primero, por
medio de teora de colas (o simulacin) se encuentran las caractersticas de operacin.
Despus, utilizando los costos o los tiempos promedio mximos de espera, se evala el
sistema. Por prueba y error se encuentra el mejor sistema.

83
X Modelos cuantitativos para la toma de desiciones

Se han descrito cuatro herramientas que ayudan a planear, programar y controlar proyectos.
En las grficas de Gantt o diagramas de barras se muestra la duracin de cada actividad contra
una escala de tiempo. Sencillas de dibujar y fciles de leer, pueden actualizarse para mostrar
el estado de las actividades conforme avanza el proyecto. Su mayor desventaja es la dificultad
para incluir las interrelaciones de las actividades.

Se ha comprobado que la segunda herramienta, las redes generales de proyecto, son t iles
para planear y controlar proyectos, pero no tanto para programarlos. La red proporciona una
grfica de formato libre que muestra las interrelaciones. Ya sea que se dibuje como un
diagrama de flechas o como uno de actividades en los nodos (AON), puede obtenerse mucha
informacin til: los tiempos de terminacin prxima y lejana ms la holgura de los eventos;
IP, IL, TP, TL y la holgura para las actividades. Todava ms importante, puede identificarse la
ruta crtica.

El PERT proporciona un mecanismo para incluir la incertidumbre, siempre presente, en la


estimacin de actividades futuras. Al incluir las estimaciones de tiempos pesimistas y
optimistas junto con los tiempos ms probables, puede encontrarse una distribucin de
probabilidad para el tiempo de terminacin del proyecto. De esta manera, el administrador
gana informacin til para evaluar los trueques entre riesgo y esfuerzo.

Si los administradores emplean adecuadamente estos mtodos, conscientes de las


limitaciones y ventajas que ofrecen, podrn mejorar en forma significativa el manejo del
proyecto.

84
X Modelos cuantitativos para la toma de desiciones

9. BIBLIOGRAFAS.

Gallagher, Charles a. (1982). Mtodos cuantitativos para la toma de decisiones en


administracin. Mxico: McGraw-Hill.

Amaya, Jairo. (2009). Toma de decisiones gerenciales. Bogot: ECOE Ediciones.

G.D Eppen, F.J Gould. (2000). Investigacin de operaciones en la ciencia administrativa.


Mxico: PRENTICE-HALL.

Hillier, Frederick S. & Mark S. Hillier. (2008). Mtodos cuantitativos para administracin. Mxico:
McGraw-Hill.

Tijms, H.C, "Algorithmic Analysis of Queues", Captulo 9 en A First Course in Stochastic Models,
Wiley, Chichester, 2003.

85

Das könnte Ihnen auch gefallen