Toma Desiciones 1 A 8

REDES PARA LA ADMINISTRACIN
DE PROYECTOS CPM
MODELO PARA LA TOMA DE DECISIONES
AUTOR: Gabriel Mauricio Yaez Barreto
NDICE
Recomendaciones acadmicas
Desarrollo de cada una de las unidades temticas
1. Redes para la administracin de proyectos CPM.
1.1. Representacin como red
1.2. Ruta crtica
Referencias
Referencias bibliogrficas
INTRODUCCIN
Dentro de esta cartilla, cada uno de los estudiantes revisar la teora bsica de las redes para la
administracin de proyectos, que son usadas para determinar el tiempo de un proyecto y cules son las
actividades ms importantes dentro del mismo. Para poder comprender mejor el tema se brindarn
algunos tips o anotaciones con puntos claves de la teora.
Ahora, teniendo en cuenta que esto se utiliza es para la planeacin de los proyectos en general, pueden
revisar infinidad de aplicativos de las teoras para casos prcticos. Logran verlos aplicados desde el
momento de planear un da a da hasta el desarrollo de cualquier proyecto en una empresa.
RECOMENDACIONES ACADMICAS
Estimados estudiantes, a lo largo de la cartilla encontrarn la fundamentacin y desarrollo de la teora

bsica de redes para la administracin de proyectos, recuerden que deben realizar un resumen de las
nociones ms importantes para su estudio autnomo. Desarrollen de manera individual cada uno de los
ejercicios que se les presentan como ejemplo.
Para profundizar un poco ms en el tema, no olviden que dentro de los recursos virtuales de la institucin
pueden encontrar varios tipos de documentos que les sern tiles, como lo son libros de investigacin de
operaciones o de administracin cientfica, tambin encontrarn artculos y documentos investigativos de
aplicacin.
DESARROLLO DE CADA UNA DE LAS UNIDADES TEMTICAS
1. Redes para la administracin de proyectos CPM

Dentro de la planeacin de un proyecto debemos tener en cuenta que existen varios factores que afectan
su desarrollo:
2 POLITCNICO GRANCOLOMBIANO
Tiempo
Costo
Disponibilidad de recursos.
Estos factores son los que definen si un proyecto se realiza o no, ya que entre ellos se encuentran
relacionados. Por ejemplo, sabemos que si aumentamos el tiempo de un proyecto aumentan los costos,
para disminuir los costos de un proyecto debemos tener en cuenta que tambin se deben buscar
alternativas de tiempo y recursos. Lo que se busca con esta teora es determinar un tiempo de desarrollo
y unas actividades que son las ms importantes, lo cual nos define que esas actividades importantes son
las que no debemos permitir que se retrasen. Por lo tanto el mtodo CPM,critical path method en sus
siglas en ingls, que traduce al espaol el mtodo de la ruta crtica, es utilizado para la planeacin de cada
una de las actividades de un proyecto, definiendo cul ser su predecesor y cules actividades dependern
de la terminacin de la misma.
Este mtodo es utilizado para relacionar el tiempo de inicio y finalizacin de cada una de las actividades,
generando as el tiempo de desarrollo de un proyecto de manera secuencial. As, con la suma de los
tiempos de cada una de las actividades, podemos relacionar el tiempo de duracin de todo un proyecto.
Durante el desarrollo de la cartilla encontraremos cmo se realizan y definen las actividades ms
importantes.
Se realiza una representacin como red para tener un grfico que defina cules son las precedencias de
cada una de las actividades y lograr definir de manera ms didctica cules son las ms importantes y
cules pueden generar una demora. Por lo tanto, vamos a definir qu es un nodo y qu es un arco:
Nodo: es la representacin de cada una de las actividades del proyecto.
Arco: es el que refleja las relaciones de precedencia de cada una de las actividades.
Para entender esto de manera correcta tenemos el siguiente ejemplo:
Un proyecto con 5 actividades debe cumplir las siguientes restricciones:

Tabla 1. Restricciones iniciales de una red
Actividad Predecesor
A -
B -
C A
D A,B
E C,D
MODELO PARA LA TOMAS DE DECISIONES 3

Fuente: Elaboracin propia (2016)
Segn lo que dice la tabla 1, la actividad A y B no tiene predecesor, por tanto son las iniciales del proyecto;
la actividad C depende de la finalizacin de A, la actividad D depende de la finalizacin de C y D, por ultimo
tenemos que la actividad E depende de la finalizacin de C y D. El tiempo en el que terminar la actividad
E ser el tiempo total de duracin del proyecto.
Ahora realizaremos la construccin de la red segn las restricciones de la tabla 1.
Figura 1. Representacin como red del ejemplo
As como se muestra en la figura 1, quedara la representacin como red del ejemplo que venimos
desarrollando, todo teniendo en cuenta las precedencias y dependencias de cada una de las actividades.
Si revisamos bien la figura 1 nos encontramos con 3 rutas que cumplen las relaciones de precedencia desde
el inicio hasta el final, estas son A-C-E, B-D-E y por ultimo A-D-E. Para definir el tiempo total del proyecto,
es la suma de los tiempos de todas las actividades de una de las rutas siendo el mayor de los tiempos en
cualquiera de las rutas. Una ruta crtica para una red es aquella que es mayor o igual que cualquiera de las
rutas de la red.
Tambin debemos tener en cuenta la definicin de una holgura, la cual es la que nos indica si es o no una
actividad crtica o de las importantes del proyecto, ya que la ruta crtica solo tiene actividades con holgura
cero y que cumplan un camino desde el inicio del proyecto hasta el final del mismo.
Ahora revisemos el mismo ejemplo pero con tiempos para hacer ms practico el trabajo del mismo.
Tabla 2. Ejemplo con tiempos
Actividad Predecesor Tiempo
A - 1.5
B - 1
C A 2
D A,B 1.5
E C,D 1
Empecemos con mirar las rutas que existen desde el inicio hasta el final del proyecto, tambin
analizaremos de una vez cual es el tiempo que se demora cada una de ellas, por lo tanto tenemos:
A - C - E = 1.5 + 2 + 1 = 4.5
A D E = 1.5 + 1.5 + 1 = 4
B D E = 1 + 1.5 + 1 = 3.5
Si nos fijamos en lo que acabamos de escribir sobre los tiempos de cada una de las rutas del proyecto y
retomamos las definicin de la ruta crtica que es aquella ruta que sea mayor o igual a cualquiera de los
tiempos de las rutas del proyecto como lo mencionamos anteriormente, tenemos que la ruta crtica del
ejemplo que estamos realizando es la primera o A C E que es la que se demora 4.5 unidades de tiempo.
Para entrar al detalle cmo se realiza todo el proceso con la teora de CPM debemos definir los siguientes
tiempos por cada una de las actividades del proyecto, los cuales son:
Earlist start (ES): es el tiempo ms temprano de iniciacin de una tarea

Earlist Finished (EF): es tiempo ms temprano de finalizacin de una tarea
Latest Start (LS): es el tiempo ms tardo de iniciacin de la actividad
Latest Finished (LF): el tiempo ms tardo de la finalizacin de una actividad.
Para ilustrar de manera grfica cada uno de los tiempos en una actividad tenemos la siguiente imagen.
Figura 2. Estructura de una actividad en una red
Ahora tenemos que para hallar cada uno de estos tiempos las siguientes instrucciones;:
1. El ES ser el mximo de los tiempos de finalizacin de las actividades que preceden a la

actividad que estamos analizando, si esta es un inicio el valor para este tiempo ser cero.
2. El EF ser la suma entre el inicio temprano (ES) y el tiempo de que se demora cada
actividad.

3. El LF ser el mnimo de las actividades que se encuentran delante de la actividad que
estamos analizando, si esta actividad es un final es el tiempo total del proyecto.
4. El LS es una resta entre el tiempo de finalizacin tardo (LF) y el tiempo de la actividad.
Una holgura, matemticamente hablando, es una diferencia entre dos de los 4 tiempos con los que se
cuenta en una actividad, como lo demuestran las siguientes ecuaciones;
S=LF-EF
S= LS ES
Si el resultado de las holguras es cero, es muy probable que esta actividad sea parte de la ruta crtica.
Definamos de una manera ms corta y concisa cada uno de los pasos para realizar el desarrollo de un
proyecto por el mtodo de CPM:
1. Calcular los tiempos ms tempranos de iniciacin (ES) para cada una de las actividades
desde el inicio hasta el final.
2. Tenga en cuenta que el tiempo ms temprano de iniciacin de una actividad es el mximo
de los tiempos de finalizacin temprana (EF) de las actividades predecesoras.
3. Calcular los tiempos ms tempranos de finalizacin de cada una de las actividades.
4. En las actividades finales del proyecto se toma el mayor de los tiempos tempranos de
finalizacin (EF) como el tiempo total del proyecto.
5. Calcular los tiempos ms tardos de finalizacin de cada una de las actividades desde el fin
hasta el inicio.
6. Tenga en cuenta el tiempo ms tardo de terminacin de una actividad (LF) es el mnimo
de los tiempos ms tardo de iniciacin de las actividades futuras.
7. Calcular los tiempos ms tardos de iniciacin de cada una de las actividades.
8. Determinar las holguras de cada una de las actividades y definir la ruta crtica.
Ya teniendo definidos cada uno de los pasos que se deben realizar vamos a continuar con el ejemplo que
venamos trabajando para esclarecer cada una de las dudas y demostrar cmo es la fase operativa de esta
teora. Tomamos la tabla 2 de nuevo de referencia del trabajo. La red queda de la siguiente manera:
Figura 3. Representacin de la red con los tiempos de cada una de las actividades
Despus de construir la red debemos empezar a encontrar los tiempos de inicio de cada una de las
actividades, como se muestra en la figura 2 los tiempos de inicio temprano de la actividad A y B son cero
por ser actividades iniciales de un proyecto. Pasamos a hallar los tiempos de finalizacin temprana (ES)
que son la suma del tiempo inicializacin temprana (ES) con el tiempo de la actividad por lo tanto queda
como se muestra en la figura 3.
Figura 4. Primer paso del desarrollo de una red
Empezamos a encontrar el tiempo de inicializacin temprana de las actividades C y D. Entonces, para el

caso de C tenemos que solo tiene una actividad antecesora, por lo tanto el tiempo de finalizacin temprana
de la actividad anterior ser el tiempo inicializacin temprana de C. Para el caso de la actividad D, tenemos
dos actividades antecesoras por lo tanto el tiempo de inicializacin temprana ser el mximo de los
tiempos de finalizacin temprana de las dos antecesoras sea A y B.
Por lo tanto, el ES en c ser 1.5 (el final de A), y el de D es 1.5 tambin por ser el tiempo mayor. Despus
hallamos el EF de C y D, que es simplemente la suma del tiempo de la actividad con el ES de cada una de
ellas, todo quedara como se muestra en la Figura 4.

Figura 5. Como hallar el EF de las actividades C y D
Para hallar el valor del ES de la actividad es bsicamente el mximo de los EF de la actividad C y D, lo cual
sera el mayor entre 3.5 y 3, que sera 3.5 por lo tanto se vera algo as.
Figura 6. Hallar el valor de ES de E
Hallamos el valor de EF de la actividad E, que es bsicamente sumar el Es hallado anteriormente ms el

valor del tiempo de la actividad, queda como se muestra en la figura 6.
Figura 7. Hallar el EF de E
Teniendo en cuenta que E es la ltima actividad el tiempo del proyecto es de 4.5 unidades de tiempo, por
lo tanto ahora empezamos a devolvernos y hallar los LF y LS de cada una de las actividades para terminar
el ejemplo.
El LF de la actividad E es bsicamente el valor de tiempo total del proyecto y a ese LF se le deben restar el
valor del tiempo de la actividad E para encontrar LS, lo cual queda como se muestra en la figura 7.
Figura 8. Hallar el valor LS en la actividad E
Ahora el tiempo LF o de terminacin tarda de las actividades C y D es bsicamente el tiempo de

inicializacin tarda de E lo cual se muestra en la figura 8.
Figura 9. Hallar el LF de C y D
Ahora hallamos el valor de LS de la actividad C y D que es restar el valor de LF de cada una de las actividades
por el valor del tiempo de cada una de las actividades. Ya en la figura 9 se muestra que despus de hallar
los LS de la actividad C y D hallaremos el LF de la actividad que es el menor de los nmeros de los tiempos
LS de C y D, como se muestra en la figura 9.
Figura 10. Como hallar el LF de la actividad A
Ahora ya para finalizar la red quedar como se muestra en la figura 10.
Figura 11. Red completa

Nos falta hallar las holguras de cada una de las actividades, como se muestra en la figura 11, y luego ya
tenemos las holguras como se muestra en la figura 12.
Figura 12. Holguras de cada una de las actividades
1.2. Ruta crtica
Con estos elementos podemos definir la ruta crtica, ya que esta es la secuencia de actividades
desde el inicio hasta el final, donde cada una de las actividades tiene holgura cero, por lo tanto
la ruta crtica es A C E, con un tiempo de duracin del proyecto de 4.5 unidades de tiempo.
Teniendo en cuenta este ejercicio desarrollaremos otro ejercicio ms como ejemplo del tema.
Tabla 3. Ejemplo 2
Actividad Predecesores Tiempo
A - 6
B - 4
C A 3
D A 5
E A 1
F B,C 4
G B,C 2
H E,F 6
I E,F 5
10
J D,H 3
K G,I 5
Figura 13. Red del ejemplo 2
Ahora en el siguiente paso colocaremos lo tiempos de cada una de las actividades y hallaremos lo tiempos
de inicializacin temprana y de finalizacin temprana de cada una de las actividades.
Como se muestra en la figura 13, as quedara la red con los ES y EF de cada una de las actividades.
Figura 14. Tiempos de iniciacin temprana y de finalizacin temprana de cada una de las actividades
Ahora realizaremos el procedimiento para hallar los LS y LF de cada una de las actividades y sus respectivas
holguras.

Figura 15. Ejercicio completo son holguras
Ahora como podemos ver en la figura 14 ya tenemos cada una de las holguras de las actividades por lo
tanto podemos definir cul es la ruta crtica, que sera A C F I K, teniendo un tiempo de terminacin
del proyecto de 23 unidades de tiempo.
12
REFERENCIAS
Anderson, D. S. (2005). Mtodos Cuantitativos Para Los Negocios (Novena Edicin ed.). Mexico: Cengage
Learning Editores.
Bazaraa, M. J. (1996). Programacin Lineal y Flujo en Redes (Segunda edicin ed.). Mxico: Limusa.
Bazarra, M., & Jarvis, J. J. (2005). Programacin lineal y flujo en redes. (Segunda Edicin. ed.). Mxico:
Limusa Editores. .
Castillo. (20 de Noviembre de 2007). Departamento Unican. Recuperado de Unican:

http://departamentos.unican.es/macc/personal/profesores/castillo/libro.htm
Hillier, F. &. (2006). Texto principal: Introduccin a la Investigacin de Operaciones. (6 Edicin. ed.). N/A:
McGraw Hill. .
Hillier, F. &. (2006). Investigacin De Operaciones (Octava Edicin ed.). Mxico: McGraw-Hill.
Hillier, F. &. (2008). Mtodos Cuantitativos Para Administracin (Tercera Edicin ed.). Mxico: McGraw-
Hill.
Hopp, W. &. (2008). M. Factory Physics. NY: McGraw Hill.
Taha, H. (1997). Investigacin de Operaciones: Una Introduccin (Sexta edicin ed.). NY: Prentice Hall.
Winston, W. (2005). Investigacin De Operaciones Aplicaciones Y Algoritmos (Cuarta Edicin ed.).

Mxico: Thomson.

MODELO PARA EL CONTROL
DE INVENTARIO
MODELOS PARA LA TOMA DE DECISIONES
INICIO
Introduccin
1. Inventarios EOQ
2. Modelo EPL
3. Modelo EOQ Con faltantes
4. Modelo de inventarios EOQ con descuentos
Referencias
INTRODUCCIN
En esta cartilla se revisarn las teoras sobre el manejo de los inventarios y las bases tericas de la
programacin lineal. Para el caso de los inventarios se entrarn a revisar los costos de cada uno de los
objetos que tenemos dentro del inventario de un almacn y cmo tenerlos puede incurrir en unos costos
que se ven reflejados en el desarrollo del ao de servicio.
Tambin se estudiar el desarrollo de la programacin lineal, sus diferentes aplicaciones y aparte sus
ventajas de uso. Teniendo en cuenta el cmo se realiza la formulacin y cmo generar una solucin.
Sabiendo que cada solucin puede tener un rango en cual se desplazara para dar una solucin acorde al
problema que se est trabajando.
Estimados estudiantes a lo largo de la cartilla encontrarn la fundamentacin y desarrollo de la teora

bsica de manejo de inventarios, recuerde que debe realizar un resumen de las nociones ms importantes
dentro de la cartilla para su estudio autnomo. Desarrolle de manera individual cada uno de los ejercicios
que se le presentan como ejemplo dentro de esta cartilla.
Para profundizar un poco ms en el tema no olvide que dentro de los recursos virtuales de la institucin
puede encontrar varios tipos de documentos que pueden ser tiles, como lo son libros de investigacin de
operacin o de administracin cientfica, tambin puede encontrar artculos y documentos investigativos
de aplicacin de las mismas.
Inventarios EOQ
El gran creador del modelo de inventarios fue Ford W. Harris how many parts at once donde l nos dice
que Intereses sobre el capital invertido en salarios, materiales y gastos generales establece un lmite
mximo para la cantidad de piezas que se puede fabricar de manera rentable a la vez; costos "set-up " en
el trabajo de fijar el mnimo. La experiencia ha demostrado un gestor de una forma de determinar el
tamao econmica de lotes (Hillier, 2006). Esta fue una de las primeras aplicaciones de la administracin
cientfica.
Para el modelo EOQ se deben realizar varios supuestos para poderlo aplicar, en total son 7 supuestos de
los cuales debemos tener en cuenta;
La produccin es instantnea: no se tienen restricciones de capacidad y el lote completo es

producido en un instante de tiempo (cuando se necesita).
La entrega es inmediata: no existen retrasos entre la produccin y la entrega de los productos.
La demanda es determinstica: no existe una variacin en la demanda, se dice que la demanda
es conocida para todo el ao.
La demanda es constante en el tiempo: esta puede ser representada por una lnea recta.
Cada corrida de produccin incurre en un costo fijo de alistamiento: no importa el tamao del
lote a producir el costo siempre ser el mismo.
Los productos pueden ser analizados individualmente: existe un nico tipo de producto.
Para el modelo EOQ tenemos una notacin especifica con la finalidad de definir cada una de las ecuaciones
necesarias para halla los costos de inventario segn sea el caso;
= .
= , .
= .
= .
= .
= .
= .
= .
3
3
MODELOS PARA LA TOMA DE DECISIONES 3
Debemos tener en cuenta que nuestras variables de decisin o los datos ms importantes son el tamao
de la corrida y el punto de reorden, ya que stas son las que definen completamente el modelo que se
debe seguir. Segn lo dicho anteriormente, la grfica del modelo EOQ es la que se presenta en la figura #
1
Figura 1. Inventario EOQ.
Para definir cada una de las ecuaciones necesarias para el modelo EOQ
Cantidad ptima para ordenar ser:
2
=

El nmero de rdenes por ao que se debern solicitar son:

Para hallar el tiempo entre pedidos ser:

EL punto de reorden del inventario ser:
Para hallar cada uno de los costos en los que se incurre durante el ao en un inventario tenemos las
siguientes ecuaciones;

Costo de inventario : Inventario promedio
2

Costo anual de inventario
2

Costo unitario de inventario
2
Costo de alistamiento: se toma como los costos unitario de alistamiento por lote por lo
tanto quedara de la siguiente manera:
La funcin de costos totales anuales est definida como la suma del costo anual de
inventario ms el costo anual de alistamientos.

() = +
2
Para aplicar lo dicho anteriormente sobre inventarios mostraremos el siguiente ejemplo:
Bart's Barometer Business (BBB) es una pequea tienda especializada en implementos para la medicin
del clima. Actualmente BBB quiere decidir la poltica ptima de inventarios para sus barmetros.
Cada uno cuesta US$50 y la demanda se ha estimado en 500 por ao. Los costos de ordenar son de US$80
por pedido (un pedido tarda en ser entregado aproximadamente 60 das) y el costo de inventario es del
20% del costo del producto.
BBB abre 300 das por ao.
Despus de haber ledo el problema debemos realizar el listado de los datos que nos dan para de esta
manera empezar a solucionar el problema.
= 500
= 50
= 80
5
5
= (0.2) (50)
= 60 = 0.2
Empezamos a aplicar cada una de las ecuaciones del modelo descritas anteriormente. Por lo tanto
debemos iniciar con la cantidad ptima a pedir o Q
2 80 500
= = 89.44 90 .
10
500
= 5.56
90
90
= 0.18 300 = 54 .
500
= 500 (0.2) = 100 .
10 90 500 80
= + = 894
2 90
2. Modelo EPL
En el modelo EPL se deben realizar varios supuestos para poderlo aplicar, tal cual como en el modelo EOQ
pero que slo se cambie uno de los supuestos, miremos los 7 supuestos los cuales debemos tener en
cuenta:
La tasa de produccin es finita y constante en el tiempo.

La entrega es inmediata: no existen retrasos entre la produccin y la entrega de los productos.
La demanda es determinstica: no existe una variacin en la demanda, se dice que la demanda
es conocida para todo el ao.
La demanda es constante en el tiempo: sta puede ser representada por una lnea recta.
Cada corrida de produccin incurre en un costo fijo de alistamiento: no importa el tamao del
lote a producir el costo siempre ser el mismo.
Los productos pueden ser analizados individualmente: existe un nico tipo de producto.
Para el modelo EPL tenemos una notacin especifica con la finalidad de definir cada una de las ecuaciones
necesarias para halla los costos de inventario segn sea el caso:
= .
= , .
= .
= .
= .
= .
= .
= .
Figura 2.
Modelo EPL
Ahora veremos la definicin de cada una de las ecuaciones necesarias para el modelo EPL:
2
=
(1 )


7
7
EL inventario mximo ser:
= (1 )
Ahora para la utilizacin de maquina tenemos la siguiente expresin
= /
Para definir los costos del modelo EPL tenemos las siguientes expresiones:
(1)
2
(1)
2
(1)
2
(1 )
() = +
2
Ejemplo ilustrativo del modelo EPL:
La compaa Non-Slip Tile (NST) debe satisfacer una demanda de 1000000 de baldosas al ao. El costo de
alistamiento por corrida de produccin es de US$5000 y se ha estimado un costo de inventario de US$ 0.1
por baldosa por ao. La fbrica puede producir 500000 baldosas por mes y opera 365 das al ao.
Si actualmente produce corridas de 100000 baldosas 10 veces por ao Cunto le cuesta su poltica de
produccin al ao?
Calcule la poltica ptima de produccin para la compaa y comprela con la poltica actual.
Solucin del problema:
= 1000000
= 6000000
= 5000
= 0.1
2 5000 1000000
= = 346410
0.1 (1 16)
1000000
= 2.89
346410
346410
= 0.346 = 126.4
1000000
1000000 1
= =
6000000 6
0.1 (1 16) 346410 1000000 5000

() = + = 28867.51
2 346410
3. Modelo EOQ Con faltantes

Este es una variacin del modelo EOQ que hemos revisado anteriormente, con la gran diferencia que en
este modelo si se aceptan unidades faltantes, lo que genera que dentro de los costos asociados tambin
tengamos unos costos por las unidades que no tenemos en el inventario. Tambin se debe tener en cuenta
que el pedido se realiza en el momento en el que se cumple un nmero mximo de faltantes. La notacin
para este caso cambia un poco con relacin a los modelos anteriores.
Notacin para el modelo EOQ con Faltantes;
= .
= , .
= .
= .
= .
9
9
= .
= .
= , .
= .
Figura 3. Modelo EOQ con Faltantes
Por lo tanto cada una de las ecuaciones que definen el modelo de EOQ con Faltantes es;
2 +
=



El nmero de faltantes ser:

=( )
+
Ahora para el punto de re orden tenemos la siguiente expresin
Para definir los costos del modelo EOQ con Faltantes tenemos las siguientes expresiones:
()2
2
()2
2
2
Costo por las unidades faltantes: Faltantes promedio
2
2
Costo Anual de faltantes
2
( )2 2
() = + +
2 2
Ejemplo Ilustrativo del modelo EOQ con Faltantes:
Hervis Rent-a-Car tiene una flota de 2500 autos atendiendo Los Angeles. Todos los autos son
administrados desde un garaje central. En promedio, 8 autos por mes necesitan cambio de motor, cada
motor cuesta US$850. Hay un costo de US$120 por pedido (toma 2 semanas hacer la entrega) y el costo
anual de inventario equivale al 30% del costo del motor. Finalmente cada semana que un auto est fuera
de servicio Hervis pierde US$40.
11
11
Solucin del problema:
= 96
= 850
= 120
= (0.3) (850) = 255
= (52) (40) = 2080
= 2 = 0.038
2 96 120 255 + 2080

= = 10.07 = 10
255 2080
96
= 9.6
10
10
= 0.104 = 38
96
255
10 ( ) = 1
255 + 2080
96 (0.038) 1 = 3
255 (10 1)2 96 120 2080 (1)2

() = + + = 11687.5
2 10 2 (10)
4. Modelo de inventarios EOQ con descuentos

El modelo EOQ con descuentos, es donde el proveedor cuenta con descuentos a partir de la cantidad de
unidades que se pidan de un producto, dando de esta manera un costo unitario ms bajo, por lo tanto se
basa en el modelo bsico del EOQ en donde no se aceptan faltantes ni tampoco se consideran tiempos de
entrega. La notacin del modelo es bsicamente la misma que en el modelo EOQ bsico pero con una
variacin en el costo unitario lo que podemos ver en la notacin que presentamos a continuacin:
= .
= , .
= .
= .
= .
= .
= .
= .
Para definir cada una de las ecuaciones necesarias para el modelo EOQ con descuentos es bsicamente
las mismas del modelo EOQ bsico.
2
=

Para que sea factible la cantidad ptima debe estar en el rango que se tome para calcular el modelo.
El nmero de ordenes por ao que se debern solicitar son:


El punto de reorden del inventario ser:
Ahora para halla cada uno de los costos en los que se incurre durante el ao en un inventario tenemos las
siguientes ecuaciones:

2

2

2
13
13

() = + +
2
Nick's Camera Shop vende pelcula flmica instantnea Zodiac. La pelcula tiene un costo, normalmente,
de US$3.20 por rollo y Nick vende cada uno en US$5.20. La pelcula Zodiac tiene una vida til de 18 meses.
El promedio de ventas semanales es de 21 rollos de pelcula. Su costo de inventario anual est
representado por un 20% del costo del rollo y a Nick le cuesta US$20 cada pedido que haga, independiente
de la cantidad ordenada.
Si Zodiac ofrece un descuento del 7% si se ordena 400 rollos o ms, del 10% si se ordena 900 rollos o ms
y del 15% si se ordena 2000 rollos o ms, Cul es la cantidad ptima a ordenar?
= (21) (52) = 1092

= 20
1 = 3.2 ; 2 = 2.976 ; 3 = 2.88 ; 4 = 2.72

1 = (0.2) (3.2) = 0.64
2 = (0.2) (2.976) = 0.595
3 = (0.2) (2.88) = 0.576
1 = (0.2) (2.72) = 0.544
= 0
Para el primer rango 0 < Q < 400
2 1092 20
= = 261.24 = 261
0.64
1092
= 4.18
261
261
= 0.24 = 87.6
1092
1092 (0) = 0
0.64 261 1092 20

() = + + 1092 3.2 = 3661.6
2 261
Para el rango de 400<= Q < 900
2 1092 20
= = 270.94
0.595
Para el rango 900<= Q < 2000
2 1092 20
= = 275.38
0.576
Para el rango Q > 2000
2 1092 20
= = 283.36
0.544
Al analizar los costos ptimos por cada rango, se obtiene un menor valor en el segundo rango, un
descuento del 7%, ordenado una cantidad de 400 rollos por pedido. El costo anual en que se incurre es de
US$3423.4
15
15
REFERENCIAS
Anderson, D. S. (2005). Mtodos Cuantitativos para los negocios (Novena Edicin ed.). Mxico: Cengage
Learning Editores.
Bazaraa, M. J. (1996). Programacin Lineal y Flujo en Redes (Segunda edicin ed.). Mxico: Limusa.
Bazarra, M., & Jarvis, J. J. (2005). Programacin lineal y flujo en redes. (Segunda Edicin. ed.). Mxico:
Limusa Editores. .

Hillier, F. &. (2006). Texto principal: Introduccin a la Investigacin de Operaciones. (6 Edicin. ed.). N/A:
McGraw Hill. .
Hillier, F. &. (2006). Investigacin de Operaciones (Octava Edicin ed.). Mxico: McGraw-Hill.
Hillier, F. &. (2008). Mtodos Cuantitativos para Administracin (Tercera Edicin ed.). Mxico: McGraw-
Hill.
Taha, H. (1997). Investigacin de Operaciones: Una Introduccin (Sexta edicin ed.). NY: Prentice Hall.
Winston, W. (2005). Investigacin de Operaciones Aplicaciones y Algoritmos (Cuarta Edicin ed.). Mxico:
Thomson.

REDES DE ADMINISTRACIN

MODELO PARA LA TOMA DE DECISIONES


NDICE
Desarrollo temtico
1. Redes para la administracin de proyectos PERT
1.2. Mtodo de las tres estimaciones
1.3. Ejemplo ilustrativo
2. Redes para la administracin de proyectos, anlisis de costos
Glosario de trminos
Referencias
DESARROLLO TEMTICO
1. Redes para la administracin de proyectos PERT
Dentro de la planeacin de un proyecto debemos tener en cuenta que existen varios factores que
afectan el desarrollo del mismo como lo son:
1) Tiempo; a diferencia del mtodo CPM aqu el tiempo puede variar

2) Costo
3) Disponibilidad de recursos
Qu quiere decir que el tiempo puede variar?, que se pueden tener tres tiempos los cuales se
deben tener en cuenta para el desarrollo del problema; estos son, un tiempo optimista de
terminar la tarea, un tiempo nominal de terminacin de la tarea y por ultimo un tiempo pesimista
de desarrollo de la tarea.
Para la representacin de la red se realiza bsicamente lo mismo que con el mtodo de la cartilla
anterior (CPM). La gran diferencia es que se basa en una distribucin normal de las variables del
proyecto y se cuenta con una varianza y una desviacin estndar que controlan la decisin sobre
el proyecto.
Por lo tanto, a esta teora se le llama Proyect Evaluation and Review Tecnique, la cual se basa
en datos estadsticos para tomar la decisin de la ruta de un proyecto, lo que define la necesidad
de tener varios tiempos sobre una sola actividad y de esta manera realizar una distribucin
normal de las mismas. La representacin como red (que se muestra en el punto siguiente) se
maneja bsicamente igual que el mtodo de CPM, ya que se basa en ste para realizar el
desarrollo del mtodo PERT.
Se realiza una representacin como red para tener un grfico que defina cuales son las
precedencias de cada una de las actividades y lograr definir de manera ms didctica cules son
las ms importantes y cules pueden generar una demora. Por lo tanto vamos a definir qu es un
nodo y que es un arco.
Nodo: es la representacin de cada una de las actividades del proyecto.
Arco: es el que refleja las relaciones de precedencia de cada una de las actividades.
Para realizar el desarrollo de un proyecto por medio del mtodo PERT, debemos definir el mtodo
de las tres estimaciones.
1.2. Mtodo de las tres estimaciones
Para este mtodo contamos con una incertidumbre sobre el tiempo de desarrollo de una
actividad, este tiempo sigue una distribucin BETA (estadstica), lo cual implica que para calcularlo
debemos hallar un promedio sobre los datos con los que contamos. Definamos los tiempos
bsicos de cada una de las actividades:
Teniendo definidos cada uno de los tiempos que puede llegar a tomar la actividad, podemos
precisar lo que es el promedio del tiempo de una actividad para el caso del mtodo PERT. Para
definir el promedio (que no es un promedio normal) del tiempo de una actividad utilizamos la
siguiente ecuacin:
+4+
=
6
Tambin debemos encontrar la varianza del tiempo de desarrollo de una actividad, lo cual
planteamos con la siguiente ecuacin
8 = ( 6)8

Contando con la varianza podemos hallar la desviacin estndar del proyecto que ser
bsicamente la raz cuadrada de la varianza.
Por ltimo, para hallar la ruta crtica utilizaremos el mtodo CPM. Se asume que el tiempo de
terminacin del proyecto sigue una distribucin normal con una media igual a la suma de los
promedios de todas las actividades de la ruta crtica y una varianza igual a la suma de las varianzas
de todas las actividades de la ruta.
1.3. Ejemplo ilustrativo
Para el ejemplo ilustrativo manejaremos una tabla que cuenta con los tres tiempos para poder
desarrollar cada uno de los pasos necesarios para el mtodo PERT.
Tabla 1. Ejercicio de PERT con los tiempos para cada una de las actividades
ACTIVIDAD PREDECESORES a(h) m(h) b(h)
A - 4 6 8
B - 1 4.5 5
C A 3 3 3
D A 4 5 6
E A 0.5 1 1.5
F B,C 3 4 5
G B,C 1 1.5 5
H E,F 5 6 7
I E,F 2 5 8
J D,H 2.5 2.75 4.5
K G,I 3 5 7
Fuente: Elaboracin propia (2016).
Iniciamos el ejercicio construyendo la red como la construiramos con el mtodo CPM. Quedando
tal como se muestra en la figura 1, basndonos en la tabla 1 que es la que provee los datos del
ejercicio,
Figura 1. Red del ejemplo ilustrativo
Teniendo la red del ejemplo nos vamos a la tabla para encontrar los tiempos de cada una de las
actividades por medio de la ecuacin del tiempo promedio. Los tiempos promedios quedan como
se muestran en la siguiente tabla,

Tabla 2. Representacin de los tiempos promedio de las actividades del proyecto
Tiempo
ACTIVIDAD PREDECESORES a(h) m(h) b(h) promedio
A - 4 6 8 6
B - 1 4.5 5 4
C A 3 3 3 3
D A 4 5 6 5
E A 0.5 1 1.5 1
F B,C 3 4 5 4
G B,C 1 1.5 5 2
H E,F 5 6 7 6
I E,F 2 5 8 5
J D,H 2.5 2.75 4.5 3
K G,I 3 5 7 5
Los tiempos promedio de cada una de las actividades los utilizamos para hallar cada uno de los
tiempos de inicializacin temprana, terminacin temprana, finalizacin tarda e inicializacin
tarda, para cada una de ellas por el mtodo CPM.
Por lo tanto, la red quedar como se muestra en la figura 2:
Figura 2. Red con los tiempos promedio de cada una de las actividades
Empezamos a encontrar cada uno de los tiempos de inicializacin temprana y de finalizacin

temprana, o sea los ES y EF. Tambin hallaremos los tiempos de finalizacin tarda y tiempos de
inicializacin tarda. Es importante tener en cuenta que para encontrar estos tiempos se realiza
el proceso como en la tcnica de CPM, en donde la red se presentara de la siguiente manera:
Figura 3. Red con los tiempos completos

Para hallar la ruta crtica se necesitan hallar las holguras de cada una de las actividades. Contando
con las holguras nos dedicamos a la parte estadstica que corresponde a este tema.
Figura 4. Red con holguras
Con las holguras de cada una de las actividades del proyecto definimos la ruta crtica del mismo;
la ruta crtica es A C F I K con una duracin total del proyecto de 23 horas.
Como se haba mencionado antes, debemos hallar la varianza del proyecto, la cual se le calcula
nicamente a las actividades de la ruta crtica, despus debemos sumar esta varianza con la
finalidad de encontrar la varianza total del proyecto y se halla la desviacin estndar del proyecto
que bsicamente es la raz cuadrada de la varianza.
Tabla 3. Varianza y desviacin del proyecto
ACTIVIDAD PREDECESORES a(h) m(h) b(h) Tiempo prom Varianza
A - 4 6 8 6 0.4
B - 1 4.5 5 4
C A 3 3 3 3 0.0
D A 4 5 6 5 0.1
E A 0.5 1 1.5 1
F B,C 3 4 5 4 0.1
G B,C 1 1.5 5 2
H E,F 5 6 7 6
I E,F 2 5 8 5 1.0
J D,H 2.5 2.75 4.5 3
K G,I 3 5 7 5 0.4
Varianza del proyecto 2
Desviacin Estndar del proyecto 1.41

Contando con la desviacin estndar del proyecto, nos debemos enfocar en el resultado que debe
brindar el mtodo PERT, que se utiliza para hallar la probabilidad de una demora o del adelanto
de un proyecto. Para lo cual se debe utilizar la tabla de distribucin normal de probabilidades.
Pongamos un ejemplo claro para hallar las probabilidades.
ESTE VALOR ES EL
Cul es la probabilidad de que el proyecto termine antes de 24 horas? QUE DEBEN BUSCAR
EN LA TABLA DE
?@8A 8K@8A
< 24 = < DISTRIBUCIN
BCDEFGHFJ L.KL
NORMAL.
< 24 = < 0.71
< 24 = (0.71)
< 24 = 0.76
Cul es la probabilidad de que el proyecto termine en 25 horas?
23 25 23
< 25 = <
1.41
< 25 = < 1.42
< 25 = 1 (1.42)
< 25 = 0.0778
Cul es la probabilidad de que el proyecto se encuentre entre 22 y 25 semanas?
22 23 23 25 23
22 < < 25 = < <
1.41 1.41
22 < < 25 = 0.71 < < 1.42
22 < < 25 = 1.42 (0.71)
22 < < 25 = 0.6833
10
2. Redes para la administracin de proyectos, anlisis de costos
Para esta seccin nos volvemos a basar en el mtodo de CPM, para construir una red y hallar los
tiempos del proyecto, solo que en este caso a diferencia del mtodo PERT, encontramos una
posibilidad de variacin del tiempo de cada una de las actividades, y teniendo en cuenta los costos
por disminucin de una actividad.
La gran diferencia es que contamos con un tiempo normal y un tiempo acelerado para cada una
de las actividades de un proyecto, cada una enlazada a un costo normal y un costo acelerado.
Traduciendo, es bsicamente por la disminucin del tiempo de una actividad que se nos
aumentan los costos de desarrollo de la misma actividad.
Para hallar el costo de acelerar en unidad de tiempo una actividad se tiene la siguiente ecuacin:
Figura 5. Definicin de los costos en una actividad

No es muy viable reducir todas las actividades de un proyecto a su mximo nivel en tiempo, ya
que esto aumentara los costos del proyecto demasiado; por lo tanto se debe definir un tiempo
ptimo que me genere ganancias y establezca la finalizacin del proyecto en el menor tiempo
posible, eso s generando ganancias todava. Para observar ese tiempo ptimo:
Figura 6. Grfica del tiempo optimo del proyecto
Realicemos un ejemplo para entender la teora bsica del mtodo de anlisis de costos. Como
pueden observar en la tabla 5 el ejemplo de las actividades, predecesores, tiempo normal, tiempo
acelerado, costo normal, costo acelerado,
Tabla 5. Ejercicio con costos
TIEMPO TIEMPO COSTO COSTO

ACTIVIDAD PREDECESOR NORMAL ACELERADO NORMAL ACELERADO
A. Estudio de
mercado - 3 1 1000 3000
B. Diseo A 4 3 4000 6000
12
C. Diagrama de
flujo. A 2 2 2000 2000
D. Diseo de
pantalla. B,C 6 4 3000 6000
E. Programar 1 C 5 4 2500 3800
F. Programar 2 C 3 2 1500 3000
G. Programar 3 E 7 4 6400 10000
H. Programar 4 E,F 5 4 3000 3600
I. Combinar
programas D,G,H 8 5 8000 12800
Empezamos por hallar los costos por unidad de tiempo para cada una de las actividades, entonces
para la actividad A:
3000 1000
=
31
2000
=
2
= 1000
Por lo tanto para la actividad A el costo por acelerar una unidad de tiempo es de 1000. Revisemos
para las dems actividades, para la actividad B:
6000 4000
=
43

2000
=
1
= 2000
Para la actividad C:
2000 2000 0
= =
22 0
Como una divisin por 0 es indeterminada, se pondr el caso prctico 0 como valor ya que la
actividad no se puede acelerar por definicin.
Para la actividad D:
6000 3000
=
64
3000
=
2
= 1500
Para la actividad E:
3800 2500
=
54
1300
=
1
= 1300
Para la actividad F:
3000 1500
=
32
1500
=
1
= 1500
Para la actividad G:
14
10000 6400
=
54
3600
=
1
= 3600
Para la actividad I:
12800 8000
=
85
4800
=
3
= 1600
Teniendo cada uno de los costos por unidad de tiempo nos remitimos a completar la tabla:
Tabla 6. Ejercicio con costos por unidad de tiempo
COSTO
TIEMPO TIEMPO COSTO COSTO POR
ACTIVIDAD PREDECESOR NORMAL ACELERADO NORMAL ACELERADO UNIDAD
A. Estudio de mercado - 3 1 1000 3000 1000
B. Diseo A 4 3 4000 6000 2000
C. Diagrama de flujo A 2 2 2000 2000 0
D. Diseo de pantalla B,C 6 4 3000 6000 1500
E. Programar 1 C 5 4 2500 3800 1300

F. Programar 2 C 3 2 1500 3000 1500
G. Programar 3 E 7 4 6400 10000 1200
H. Programar 4 E,F 5 4 3000 3600 600
I.Combinar
D,G,H 8 5 8000 12800 1600
programas
Con la tabla completa nos dirigimos a construir la red y hallar cada uno de los tiempos de las
actividades, por medio del mtodo CPM. Ya que el anlisis de costos se basa en el mtodo CPM,
pero se realiza la red con los tiempo normales y luego se empieza a reducir el tiempo paso por
paso.
Figura 7. Red del ejemplo de costos con tiempos de cada una de las actividades y holguras
16
Con la red de las holguras de cada una de las actividades, podemos hallar la ruta crtica que es: A
C E G I, denotando de esta manera un tiempo de 25 semanas; para empezar a disminuir el
tiempo del proyecto debo tener en cuenta cunto tendr de ganancia y cmo sopesarlo contra la
disminucin de tiempos por actividad. Las nociones bsicas para disminuir el tiempo de una
actividad son:
Que la actividad se encuentre dentro de la ruta crtica

Que la actividad sea la ms barata de las actividades de la ruta crtica
Si una actividad no disminuye, pruebe con dos o ms actividades en un paso
Debemos tener en cuenta que al realizar una disminucin es probable que cambie la ruta crtica,
por lo tanto debemos realizar la revisin de las holguras cada vez que disminuyamos una
actividad.
Para el caso del ejemplo se va a disminuir la actividad A en una unidad (deben disminuir de una
unidad), por lo tanto la red quedar como se muestra en la figura 8:
Figura 8. Reduccin de la actividad A
Despus de reducir la actividad A, se denota que el tiempo del proyecto disminuye en una unidad
de tiempo, lo que implica que existe un aumento del costo. Para definir el costo de un proyecto
se debe realizar la sumatoria de cada uno de los costos normales de las actividades del proyecto
y sumar tambin el costo por unidad de cada una de las actividades que se reducen durante el
proceso. Se presentara de la siguiente manera:
Costo de la actividad A + Costo de la actividad B + Costo de la actividad C + Costo de la actividad

D + Costo de la actividad E + Costo de la actividad F + Costo de la actividad G +

Costo de la actividad H + Costo de la actividad I= COSTO DEL PROYECTO.
1000+4000+2000+3000+2500+1500+6400+3000+8000= 31400
Para determinar el costo en el que se incurre al momento de desear disminuir una actividad, se
trata bsicamente de sumar el costo por disminuir esa unidad. Para el caso del ejercicio debemos
sumar el costo por unidad de la actividad A que es de 1000. Por tanto el costo total del proyecto
ser 31400 +1000, o sea que al disminuir la actividad A quedara en 32400.
Para completar el ejemplo vamos a decir que por cada una de las semanas que se reduzca el
tiempo del proyecto se van a recibir 1500 de ganancia, hasta dnde ser bueno reducir el
proyecto?
Las reducciones que vamos a realizar deben ser de una unidad a la vez para lograr ver el cambio
en la red. Como podemos seguir disminuyendo la actividad A realizamos otra disminucin.
Figura 9. Red de la actividad A con dos reducciones
Hasta aqu el costo del proyecto es de 33400 con las dos reducciones, pero como estamos
ganando 1500 con cada unidad reducida tenemos una ganancia de 3000 por lo que el proyecto
me est costando en este momento 30400.
Se contina con las reducciones de tiempo; ya no puedo reducir ms la actividad A, por lo tanto
debo revisar la ruta crtica y ver cual actividad sigue para la reduccin. A la actividad C tampoco
le puedo realizar una reduccin ya que no est permitido por el ejercicio (revisar la tabla), ahora
se debera reducir la actividad G que es la ms barata. Por lo tanto se presentara como se muestra
en la figura 10.
18

Figura 10. Reduccin de la actividad G
El proyecto queda en 22 unidades de tiempo con un costo de 33400+1200= 34600, generando

una ganancia de 4500. El proyecto en este momento est costando 30100. Seguir presentando
una ganancia.
Se sigue realizando este procedimiento hasta que se llegue a un punto de equilibrio.
Figura 11. Final del ejercicio
Reduciendo as dos veces la actividad A, dos veces la actividad G y una vez la actividad E, lo que
nos da una ganancia de 7500, teniendo un costo total del proyecto de 37100, al que le debemos
quitar los 7500, lo cual nos genera el costo del proyecto: 29600.

GLOSARIO DE TRMINOS
Anlisis de ruta crtica:
Se utiliza para determinar el tiempo que tomar la finalizacin del proyecto, la ruta crtica del
proyecto, holgura, ES, EF, LS y LF de todas las actividades.
CPM:
Sigla del Mtodo de Ruta Crtica (Critical Path Method); sta es una red muy parecida a PERT pero
que nos da la opcin de la compresin de proyectos.
Distribucin de probabilidades beta:
Se utiliza frecuentemente para calcular el tiempo y variaciones de terminacin de las actividades

en las redes.
Estimacin del tiempo de una actividad:
Su funcin es determinar el tiempo y variaciones de terminacin de una actividad en una red

PERT.
PERT:
Tcnica de redes que permite evaluar y revisar programas asignando tres estimaciones de tiempo
a cada actividad del proyecto.
Red:
Representacin grfica de un proyecto, sus actividades y eventos.
20
REFERENCIAS
Anderson, D. S. (2005). Mtodos Cuantitativos Para Los Negocios (Novena Edicin ed.). Mexico:
Cengage Learning Editores.
Bazaraa, M. J. (1996). Programacin Lineal y Flujo en Redes (Segunda edicin ed.). Mxico:
Limusa.
Bazarra, M., & Jarvis, J. J. (2005). Programacin lineal y flujo en redes. (Segunda Edicin. ed.).
Mxico: Limusa Editores. .

Hillier, F. &. (2006). Texto principal: Introduccin a la Investigacin de Operaciones. (6 Edicin.

ed.). N/A: McGraw Hill.
Hillier, F. &. (2008). Mtodos Cuantitativos Para Administracin (Tercera Edicin ed.). Mxico:
McGraw-Hill.
Taha, H. (1997). Investigacin de Operaciones: Una Introduccin (Sexta edicin ed.). NY: Prentice
Hall.
Winston, W. (2005). Investigacin De Operaciones Aplicaciones Y Algoritmos (Cuarta Edicin

ed.). Mxico: Thomson.

PROGRAMACIN LINEAL



INICIO

1. Introduccin a la programacin lineal
1.1. Introduccin a los modelos
1.2. Modelos estticos y dinmicos
1.3. Modelos lineales y no lineales
1.4. Modelos enteros y no enteros
1.5. Modelos determinsticos y estocsticos
2. Proceso de construccin de modelos de siete pasos
3. Ventajas del modelo matemtico
4. Conceptos clave para el desarrollo de problemas de programacin lineal
5. Mtodo de solucin
5.1. Mtodo grafico
5.2. Mtodo matemtico
5.3. Mtodo Grfico
5.4. Mtodo simplex
Glosario de trminos
Referencias
Referencias Bibliogrficas
1. Introduccin a la programacin lineal
1.1. Introduccin a los modelos
Se conoce como Investigacin de Operaciones al proceso cientfico utilizado para encontrar una
solucin o decisin que permita operar un sistema y obtener un resultado especfico asignando
la menor cantidad de recursos posibles, a este proceso, se le conoce como Ciencia de la
Administracin.
Un Sistema es un conjunto de elementos independientes que trabajan en conjunto para lograr
una meta comn. Una empresa cualquiera sera un buen ejemplo de sistema cuya meta comn
es aumentar al mximo sus ganancias mientras ofrecen productos de excelente calidad.
La toma de decisiones, mediante un proceso cientfico, necesita de uno o varios modelos

matemticos, para lo cual se precisa ilustrar una situacin real con una ecuacin que nos ayude a
analizar el problema y a encontrar la mejor solucin posible.
1.2. Modelos estticos y dinmicos
Cuando las variables de decisin no requieren de sucesiones de decisin para periodos mltiples
se tiene un modelo esttico. En caso contrario, se tiene un modelo dinmico. En el modelo
esttico podemos resolver un problema con tan solo un intento cuyas soluciones dicten valores
ptimos de las variables de decisin en cada uno de los puntos de tiempo. Los modelos restantes,
en los cuales las decisiones requieren del anlisis recursivo para periodos mltiples, pertenecen
a la categora de modelos dinmicos.
1.3. Modelos lineales y no lineales
Si las variables de decisin que aparecen en la funcin objetivo y en las restricciones de un modelo
de optimizacin estn multiplicadas por constantes y acomodadas en forma de suma, entonces,
en este caso, tendremos un modelo lineal; cuando el modelo de optimizacin no es lineal
obtenemos un modelo no lineal.
1.4. Modelos enteros y no enteros
Tenemos un modelo entero cuando en el modelo de optimizacin una o ms variables de decisin

deben ser enteros, cuando las variables de decisin tengan la opcin de ser un valor fraccionario,
entonces, tendremos un modelo no entero.
1.5. Modelos determinsticos y estocsticos
En caso de conocer con seguridad el valor de la funcin objetivo y si las restricciones se cumplen
o no para cualquier valor de las variables de decisin se tendr un modelo determinstico; en caso
contrario, en el que no conocer los valores de la funcin objetivo y no tener seguridad sobre el
cumplimiento de las restricciones se tendr un modelo estocstico.
3
3
2. Proceso de construccin de modelos de siete pasos
El siguiente proceso es esencial en la investigacin de operaciones para la solucin de problemas

de una empresa.
1. Plantear el problema: al definir el problema que est afectando a determinada

empresa se deben tener en cuenta los objetivos especficos y partes de la misma
que deben ser analizadas para lograr resolver el problema.
2. Observar el sistema: la recopilacin de informacin es esencial para conocer el
valor de los factores que estn causando el problema de la empresa; con base en
ellos, se podr estudiar el inconveniente mediante un modelo matemtico.
3. Formular un modelo matemtico del problema: el estudio y anlisis de los
parmetros que afectan el problema de la empresa debe dar como resultado uno
o ms modelos matemticos, sobre los cuales se plantear una nueva estrategia a
seguir para contrarrestar el conflicto.
4. Verificacin del modelo para la prediccin y su implementacin: es necesario
verificar que el rendimiento de las variables de decisin que no se usaron en la
estimacin estn perfectamente representadas. Aunque un modelo est validado
y corroborado se debe tener cuidado al aplicarlo.
5. Seleccionar una opcin adecuada: a partir de la base del modelo matemtico y de
las diferentes opciones que este ofrece, se debe decidir cul de todas ellas es la
ms conveniente para los objetivos de la empresa, ya que por supuesto, puede
existir ms de una solucin viable para la solucin del problema.
6. Presentar los resultados y la conclusin del estudio a la empresa: despus de
decidir la mejor opcin u opciones para la solucin del problema, es necesario
presentar el resultado de la investigacin ante la cabeza de la empresa, en caso de
existir varias soluciones diferentes es posible que las directivas quieran escoger la
ms adecuada; si por algn motivo la empresa no aprueba las soluciones
presentadas, se debe encontrar la falla en el proceso de investigacin; una
posibilidad puede ser que se haya abordado de forma incorrecta la definicin de
los problemas de la empresa o que se haya omitido, desde un comienzo el proceso,
la participacin de las directivas de la empresa. En este caso, la investigacin debe
retroceder al punto en el que se origin el error.
7. Poner en marcha y evaluar las recomendaciones: despus que la empresa
apruebe los resultados del proceso de investigacin, se deben empezar a aplicar
las recomendaciones. Para lo cual, es necesario vigilar y actualizar el sistema de
forma continua, de manera que estas recomendaciones logren contribuir con las
metas propuestas.

3. Ventajas del modelo matemtico
1. Un modelo puede ser una representacin exacta de un problema real. Con una
buena formulacin es posible tener una ecuacin altamente precisa; la validez del
modelo depende en su exactitud al momento de representar el problema o el
sistema a estudiar, lo cual lo hace tremendamente eficiente para la resolucin de
problemas de negocios.
2. Los modelos pueden ser muy tiles para un directivo que quiera formular
problemas hipotticos, que le ayuden a calcular ingresos, gastos, ventas,
rendimientos, costos de produccin y de transporte y otros elementos similares.
3. Se puede utilizar un modelo para recopilar informacin, a largo plazo de esta forma
se puede saber de qu forma podran afectar los posibles cambios de presupuesto
a las utilidades; a esto se le conoce como anlisis de sensibilidad y permite estudiar
los cambios de un modelo.
4. Una empresa puede usar un modelo para ahorrar costos a la hora de tomar una
decisin y resolver un problema; el costo y el tiempo invertidos en un anlisis de
modelo son mucho menores que los de una arriesgada campaa de marketing, con
lo cual es posible determinar con anticipacin los resultados en un entorno real.
5. En ocasiones el modelo es el nico medio infalible para la resolucin de problemas
complejos; si una empresa quiere saber cunto crecer o disminuir su taza de
produccin y ganancia con restricciones de manufactura, puede utilizar un modelo
para calcular tales cifras en cualquier situacin especfica.
6. Los modelos tambin pueden ser tiles para compartir diferentes problemas y
soluciones con otros analistas; de esta forma, se presentarn mejores soluciones
a los directivos de una empresa que les ayuden a tomar la mejor decisin final.
7. Solucin de modelos de programacin lineal de dos variables con mtodo grfico
Los modelos de programacin lineal se pueden desarrollar de diferentes maneras, dependiente

de varios factores como cantidad de variables y cantidad de restricciones. En este captulo,
empezaremos por el anlisis de modelos de programacin lineal bsicos de dos variables; estos
se pueden solucionar por mtodo grfico de una manera muy sencilla. Aprenderemos a
desarrollar los modelos de dos variables con mtodo grfico y a analizarlos con la herramienta
computacional PHP SIMPLEX (aplicacin web); cuando los modelos son de ms de dos variables,
veremos un anlisis para la solucin de estos llamado mtodo simplex, aprenderemos a
aplicarlos, pero se har mayor nfasis en el desarrollo de estos problemas en PHP SIMPLEX y el
anlisis de la ltima iteracin.
5
5
4. Conceptos clave para el desarrollo de problemas de programacin lineal
Para solucionar modelos de programacin lineal es necesario reconocer tres objetos bsicos del
problema:
1. Variables de decisin: lo que se est tratando de determinar.

2. Funcin objetivo: la meta a optimizar.
3. Las restricciones: los alcances del sistema a satisfacer.
Se debe tener especial atencin en el desarrollo de las restricciones; tenemos varios tipos de
restricciones y se debe tener la habilidad de detectarlas para poderlas expresar en el lenguaje
matemtico. Esta habilidad solamente se puede obtener mediante la prctica de ejercicios.
Veremos una forma de analizar restricciones.
Las restricciones que limitan el uso de materias primas y de la demanda. Las restricciones de
materia primas se pueden expresar de la siguiente manera:
[Uso de la materia prima] [Disponibilidad mxima de la materia prima]
Tambin, existen las restricciones de demanda donde se expresan relaciones o cantidades

mximas o mnimas de productos, generalmente estn expresadas como se debe producir la
mitad de uno, el doble de otro, al menos tanto o hasta tanto de cada producto.
Ahora el caso prctico que veremos a continuacin, contiene todos estos conceptos aplicados,
los analizaremos con el ejercicio piloto de Hamdy A. Taha. (Taha 1997)
5. Mtodo de solucin
5.1. Mtodo grfico
Ejemplo desarrollado.
Si tenemos el siguiente problema vamos a resolverlo de manera didctica y paso a paso.
Iron Works, Inc. (IWI) fabrica dos productos de acero y slo recibe pedidos mensuales de b libras
de acero. Una unidad de producto 1 requiere de a1 libras de acero para su fabricacin y se
requieren a2 libras de acero para la fabricacin de una unidad de producto 2.
Sea x1 y x2 el nivel de produccin mensual de producto 1 y producto 2, respectivamente. Denote

por P1 y P2 l as utilidades unitarias para los productos 1 y 2, respectivamente.
El fabricante tiene un contrato para entregar al menos m unidades de producto 1 este mes.
Adicionalmente, la planta puede fabricar, como mximo, u unidades de producto 2
mensualmente.
Lo primero que debemos realizar es la revisin del problema, cuales son los datos ms
importantes y realizar una pequea lista de variables. Todo esto con el fin de definir las variables
de estado y que tipo de funcin objetivo voy a tener.
Segn el problema tenemos los siguientes datos
Tenemos de materia prima Acero b unidades (constante).
Variables de decisin:
a1 * x1 + a2 * x2 b = La cantidad de unidades del producto 1.
x1 y x2 = La cantidad de unidades del producto 2.
M= unidades con la que el fabricante se comprometi a cumplir.
U = mximo de unidades del producto que se pueden realizar.

Sabemos (por el ejercicio) que las variables de decisin son bsicamente unidades de trabajo, que
quiere decir esto deben fijarse que cuando hablamos de programacin lineal tenemos es los
costos de transportar una unidad de un producto, costos de produccin, cantidad de material
para realizar una produccin y etc.
Para el producto 1 se utilizan libras de acero y para el producto 2

libras. Esta frase nos indica que la primera restriccin est dada por la siguiente ecuacin
Donde sern mis variables de decisin, ya que son las unidades que podre producir con la
materia prima con la que cuento, el valor de esa materia prima es b. La restriccin queda menor
o igual ya que como mximo podr utilizar b cantidad de materia con la que cuento.
Ahora analizando un poco ms el ejercicio puedo definir la funcin objetivo. Como el ejercicio
habla sobre las utilidades obtenidas por cada uno de los productos debo tener en cuenta que lo
ms importante es MAXIMIZAR las ganancias de la empresa por medio de la produccin de los
dos productos. Por lo tanto tengo que la funcin objetivo est definida por que son las
utilidades obtenidas por cada uno de los productos que fabrica la empresa. Que quiere decir que
7
7
esos valores de son constantes para el modelo como
tal. La funcin objetivo queda de la siguiente forma.

Que lo que me dice la ecuacin anterior es que necesitamos realizar una produccin por medio
de la cual obtenga la mejor ganancia aprovechando el material con el que cuento.
Por ltimo, contamos con dos restricciones ms definidas por el problema, la cantidad de
unidades que puede producir del producto 2 y el contrato que tiene el fabricante sobre las
unidades del producto 1. Entonces en la restriccin que es referente a la cantidad de unidades
del producto 2 se construye la restriccin de la siguiente manera;

La restriccin queda as de sencilla por que como un mximo o un lmite superior de la solucin
esta que se generen u unidades del producto u, ya sea por la capacidad de la planta o por la
capacidad de trabajo del personal.
Ahora para la restriccin del contrato que adquiri la empresa sobre el producto 1 se tiene la
siguiente restriccin;

Esta restriccin queda as ya que lo mnimo que debe producir la empresa del producto 1 es m
unidades que es para cumplir el contrato con el que se compromete. Esta es un lmite inferior del
sistema modelado.
Ahora apreciados estudiantes, escribamos de nuevo el modelo completo, empezando con la

funcin objetivo del modelo y siguiendo con restricciones que debe cumplir para el caso
especfico de la empresa.

Se encuentra sujeto a:
La ultima restriccin me dice que cada una de las variables de decisin son positivas o tiene un
valor nulo (0) como mnimo, ya que no puedo tener un numero negativo de unidades.
Ahora podemos darle valores a las constantes del ejercicio anterior para revisar cmo se podra
dar una solucin al modelo ya sea por mtodo matemtico, mtodo grafico o por simplex.
5.2. Mtodo matemtico
Teniendo en cuenta que contamos con ecuaciones, podemos encontrar un valor aproximado por
medio de desarrollo de ecuaciones bsicas, por lo tanto si al modelo anterior le damos valores
numricos a las constantes que definen el modelo del ejemplo anterior.
Supongamos que se cuentan con 2000 libras de acero, que se utilizan 2 libras de acero en
construir el producto 1 y 3 libras de acero en construir el producto 2, que el contrato con el que
se compromete la empresa es de 60 unidades y por ltimo que mximo se pueden construir 720
unidades del producto 2. Tambin que las utilidades del producto 1 y producto 2 son de 100 y
200 respectivamente.

Por lo tanto el modelo queda definido de la siguiente manera:
(1)
(2)
(3)
(4)
(5)
Podemos iniciar con la condicin que conlleva ms relevancia para la empresa y partiendo de ella
definir el punto de inicio de desarrollo del sistema, esta restriccin es el cumplimiento del
contrato de 60 unidades con el cual se compromete la empresa, por lo tanto damos el valor
mnimo de la variable de decisin y arrancamos con l a resolver el sistema
9
9

Lo igualamos a 60 ya que con esto es lo mnimo de unidades del producto 1 que deben construirse
para poder cumplir el contrato de la empresa.
Teniendo el valor de x1 podemos reemplazarlo en la ecuacin 2 lo cual quedara de la siguiente

manera;

Despejamos la ecuacin anterior y de esta manera podemos hallar el valor de X2 y de esta manera
completar una solucin para el problema.

Aclarando que hablamos de unidades, nos damos cuenta que no podemos tener decimales por
lo cual debemos aproximar por lo cual el resultado queda de la siguiente manera

Ahora como ya conocemos el valor de cada una de las variables de decisin debemos tener en
cuenta que:

Por lo tanto esto reflejado en la funcin objetivo nos da de la siguiente manera:

Lo que nos define que la utilidad cumpliendo con las restricciones del problema es 131 400,
cumpliendo con el contrato y teniendo en cuenta que no se supera el nmero de unidades
posibles para producir del producto 2, por lo tanto el problema se encuentra muy bien
desarrollado.
5.3. Mtodo Grfico
Ejemplo de solucin de un modelo por mtodo grfico
Teniendo en consideracin el ejemplo anterior realizaremos la solucin del mismo por medio del
mtodo grfico.
Teniendo en cuenta el modelo definido de la siguiente manera;
(1)
(2)
(3)
(4)
(5)
Empezamos con el anlisis de las restricciones para lograr desarrollar el modelo por medio de
grafica en 2 ejes (grfica clsica de X y Y).
En primera instancia definimos que por teora cada una de las restricciones genera una lnea recta
que me define cual ser el conjunto solucin para el modelo.
Definimos que cada uno de los dos ejes tiene un nombre que en este caso se encuentra definido
entre y . Para este caso el eje x de la grfica ser

mientras que el eje y se define la variable .
Empezamos con la restriccin # 4 ya que es la ms sencilla de analizar, teniendo en cuenta que

esta solo depende de la variable .
11
11

Figura 1. Solucin de la primera restriccin
Teniendo en cuenta la imagen anterior , la restriccin # 2 queda como una lnea recta paralela a
el eje y, el espacio de solucin para esta restriccin es todo el conjunto de nmeros que van desde
0 hasta la lnea, ya que se dice que tiene que ser menor o igual a 60 unidades de
.
De la misma manera analizaremos la restriccin # 3 y la restriccin # 4, para cada una de ellas

tendremos rangos de solucin, pero para la solucin del modelo completo encontraremos la
Interseccin de cada uno de estos conjuntos de solucin.
Sigamos con la restriccin #3 que ser tambin una lnea recta pero en este caso ser paralela al
eje x y tendr un valor de 720, segn la restriccin matemtica el conjunto solucin para esta
restriccin ser todos los valores menores o iguales a 720 como se muestra en la siguiente figura.
Figura 2. Solucin de la segunda restriccin
Ahora continuando con la ecuacin #2 que es la ecuacin complicada iniciamos de la siguiente
manera:
Inicializamos en 0 lo cual nos dar una ecuacin de la siguiente manera:

Ahora con este valor ya tenemos el primer punto para dibujar la recta, tengamos en cuenta que
para dibujar una lnea recta debemos contar por lo menos con dos puntos. El primero de nuestros
puntos es:

Para el segundo punto de la recta debemos definir
para hallar un valor
para
Por lo cual tendramos la siguiente ecuacin

El segundo punto de la recta es el siguiente
Lo que se realiza al poner cada una de las variables en 0 se est poniendo un punto de cruce en
cada uno de los ejes, para lograr una construccin de la lnea. El rea que define por los valores
que se encuentren en la lnea o debajo de ella.
13
13
Por lo tanto tenemos la siguiente grfica:
Figura 3. Solucin de la tercera restriccin
Ahora para dar la solucin por el mtodo grfico, debemos tener en cuenta que es la interseccin
de los conjuntos de solucin de cada una de las restricciones. Por lo cual como ya hemos
relacionado en las grficas anteriores queda de la siguiente manera:
Figura 4. Solucin del modelo por el mtodo grfico
El tringulo azul es el rango de solucin del modelo, pero pues la idea es encontrar el punto donde
se crucen como mnimo dos restricciones, este punto y dependiendo de lo que est realizando es
la solucin ptima (o mejor solucin para el modelo), se debe definir que se est realizando sea
una minimizacin o una maximizacin del modelo.
Figura 5. Solucin ptima del modelo por medio del mtodo grfico
Para hallar el valor numrico del punto de cruce de las dos restricciones se deben manejar esas
dos ecuaciones como un sistema de ecuaciones de dos variables, las cuales dando la solucin es
el punto que buscamos que ser la solucin ptima del problema, veamos cmo se debe realizar:
Debemos tener en cuenta que la recta vertical es de una valor de 60, lo cual representa la segunda
restriccin que estamos manejando como solucin ptima ahora para la segunda ecuacin se
tiene. Por lo tanto el punto de solucin ptima por mtodo grfico es (60,626,7), lo cual genera
el siguiente valor para y, reemplazndolo en la funcin objetivo del modelo, el resultado de
remplazar los valores es 131 320 que es la solucin del modelo.
5.4. Mtodo simplex
Si tenemos el siguiente problema vamos a resolverlo de manera didctica y paso a paso.
Iron Works, Inc. (IWI) fabrica dos productos de acero y slo recibe pedidos mensuales de b libras
de acero. Una unidad de producto 1 requiere de libras de acero para su fabricacin y se requieren
libras de acero para la fabricacin de una unidad de producto 2.
15
15
Sea y el nivel de produccin mensual de producto 1 y producto 2, respectivamente. Denote por
y las utilidades
unitarias para los productos 1 y 2, respectivamente.
El fabricante tiene un contrato para entregar al menos m unidades de producto 1 este mes.
Adicionalmente, la planta puede fabricar, como mximo, u unidades de producto 2
mensualmente.
max 11+22
11+22
1, 20
=2000; 1=2; 2=3;=60; =720
1=100 2=200
Por lo tanto el modelo queda definido de la siguiente manera:

max 1001+2002 (1)

21+322000 (2)
2720 (3)
160 (4)
1,20 (5)
Para desarrollar el problema por medio del mtodo simplex, debemos reorganizar cada una de
las ecuaciones pasndolas de desigualdades a igualdades, lo cual genera unas nuevas variables
por ecuacin que se llaman holguras. Para explicar lo anterior tendremos en cuenta lo siguiente:
max z=1001+2002 (5)
21+32+1=2000 (6)
2+2=720 (7)
1+3=60 (8)
Cada uno de esas variables, las holguras mencionadas en el prrafo anterior, ahora lo que
debemos realizar es una organizacin en las ecuaciones ya que para colocarlas en una tabla y
empezar a desarrollar el ejemplo por medio del mtodo simplex debemos plantear las ecuaciones
de una manera especfica. Este proceso se basa en teoras de algebra lineal y disminuciones
gausianas.
Primero realizaremos la reorganizacin de las ecuaciones:
z10012002=0 (9)
21+32+1=2000 (10)
2+2=720 (11)
1+3=60 (12)
17
17
La tabla quedar de la siguiente manera:
Tabla 1. Inicio del mtodo simplex
Z X1 X2 S1 S2 S3 RESULTADO
R1 1 -100 -200 0 0 0 0
R2 0 2 3 1 0 0 2000
R3 0 0 1 0 1 0 720
R4 0 1 0 0 0 1 60
Donde lo que queda en la columna de resultado es lo que est al lado derecho de cada una de las
ecuaciones; lo que se presenta despus del igual. Mientras que la primera columna es el nombre
del rengln. Cada una de las siguientes columnas son las variables de decisin y holguras
correspondientes a cada una de las ecuaciones.
Como explicacin de donde aparecen las holguras, es para poder quitar los signos de
desigualdades y poder colocar el igual; estas holguras sern los nmeros que completan la
ecuacin para lograr la igualdad.
Contando con la tabla debemos encontrar lo que se llama la columna pivote, la fila pivote y el
nmero pivote del sistema. Cada una de estos datos es indispensable para poder desarrollar el
mtodo y cada uno de sus pasos.
Para hallar la columna pivote se revisa cul es el menor de los nmeros en toda la tabla, esta
estar siempre entre las variables de decisin de la funcin objetivo; si revisamos la tabla del
ejemplo que estamos realizando la columna pivote estar en -200 que se encuentra en la variable
x2 de la funcin objetivo.
Para hallar la fila pivote se debe realizar un proceso por cada una de las restricciones, ese proceso
requiere contar con la columna pivote; se divide cada uno de los nmeros de los resultados sobre
el valor del mismo de la columna pivote, como se ve en la siguiente tabla;
Tabla 2. Seleccin de la columna pivote
R1 1 -100 -200 0 0 0 0
R2 0 2 3 1 0 0 2000 2000/3 666.6666667
R3 0 0 1 0 1 0 720 720/1 720
R4 0 1 0 0 0 1 60 60/0 no se puede.
Teniendo en cuenta lo anterior realizamos las divisiones correspondientes a cada uno de los casos
(estas divisiones no se aplican para la funcin objetivo, solo para las restricciones). Entonces el
resultado de cada uno de los renglones ser 666.67, 720. El ultimo no se puede realizar ya que
una divisin por 0 es indeterminada; de las tres divisiones debemos encontrar el menor, por lo
tanto el rengln nmero 2 ser el rengln pivote.
19
19

Tabla 3. Seleccin de la fila pivote y nmero pivote
R1 1 -100 -200 0 0 0 0
R2 0 2 3 1 0 0 2000
R3 0 0 1 0 1 0 720
R4 0 1 0 0 0 1 60
Ahora, el nmero pivote es la interseccin de la columna pivote y la fila pivote, por lo tanto en
este ejemplo seria el nmero 3. Lo que se debe realizar es volver el nmero pivote en 1, para lo
cual debemos realizar una divisin en toda la fila que representa la ecuacin sobre 3. Despus de
realizar esa divisin queda la tabla de la siguiente manera;
Tabla 4. Disminucin de la fila pivote
R1 1 -100 -200 0 0 0 0
R2 0 0.666666667 1 0.333333333 0 0 666.6666667
R3 0 0 1 0 1 0 720
R4 0 1 0 0 0 1 60
Luego tendremos que volver cada uno de los nmeros de la columna pivote en 0, lo cual se realiza
con sumas y multiplicaciones sobre la fila pivote. Se debe seguir una serie de pasos para realizar
esta reduccin. Para el rengln 1 debemos convertir el -200 en 0 , lo cual significa que debemos
multiplicar el rengln 2 (rengln pivote) por 200 y luego sumarlo al rengln 1. Esta operacin se
presentara de la siguiente manera:
2002+1
200(00.66673 0.33330 0 0)+(1100200 000 0 )
Lo que vemos anteriormente es la operacin necesaria para disminuir el rengln 1 (representada

en vectores), por lo tanto el rengln 1 quedar as:
033.3330 66.666700 13333.33
De esta manera debe quedar el rengln 1, teniendo en cuenta que ya se redujo el -200 a 0, del
mismo modo se debe realizar para los otros dos renglones, con la siguiente relacin de ecuaciones
para cada uno de ellos.
12+3
Para el rengln 4 no se debe realizar ninguna ecuacin ya que esta se encuentra en 0. La tabla del
ejercicio sera:
Tabla 5. Disminucin en el mtodo simplex
R1 1 33.33333333 0 66.66666667 0 0 133333.3333
R2 0 0.666666667 1 0.333333333 0 0 666.6666667
R3 0 -0.666666667 0 -0.333333333 1 0 53.33333333
R4 0 1 0 0 0 1 60
21
21
Se seguir el procedimiento mientras los coeficientes de las variables de decisin sean negativos.
Lo que quiere decir es que si revisamos la tabla tenemos varios nmeros negativos que debemos
quitar. Volvemos a escribir la tabla anterior sin la seleccin de la columna y fila pivote ya que
en este punto se vuelve a iniciar el procedimiento.
Tabla 6. Terminacin de una parte del procedimiento
R1 1 33.3333 0 66.667 0 0 133333.3333
R2 0 0.6667 1 0.333 0 0 666.6666667
R3 0 -0.6667 0 -0.333 1 0 53.33333333
R4 0 1 0 0 0 1 60
GLOSARIO DE TRMINOS
Enunciado matemtico del objetivo de una organizacin con el que se intenta

Funcin objetivo maximizar o minimizar una cantidad de gran importancia como ganancias o
gastos.
Mtodo de
Mtodo algebraico con el que es posible hallar el punto de la interseccin de
ecuaciones
dos o ms ecuaciones de restriccin lineal.
simultaneas
Permite encontrar la mejor solucin de un programa lnea, en el que se

Mtodo de punto de comprueba el nivel de utilidad en cada punto de esquina de la regin factible;
esquina segn la teora de programacin lineal, la mejor solucin debe quedar ubicada
en uno de los puntos de esquina.
Esta condicin se presenta cuando la variable del dinero y la utilidad asociada

No acotamiento aumentan indefinidamente sin violar las restricciones del problema en un
proceso de maximizacin.
Tcnica matemtica que se utiliza para contribuir en la administracin para

Programacin lineal tomar la mejor solucin, relacionada con un desempeo ms eficiente de los
recursos de la organizacin.
Se ubica en una de las esquinas de la regin factible, lo cual significa que queda
Punto de esquina
en la interseccin de dos lneas de restriccin.
rea en la que las restricciones de recurso del problema son satisfechas y

Regin factible superpuestas, es aqu donde quedan todas las posibles soluciones del
problema.
Restriccin de los recursos disponibles para una firma; se representa en forma

Restriccin
de desigualdad o ecuacin.
Restricciones de no Este conjunto de restricciones necesita que cada variable de decisin sea no
negatividad negativa, cada X1 debe ser igual o mayor a 0.
Se define de esta manera a cualquier punto localizado en la regin factible que

Solucin factible
logre satisfacer todas las restricciones del problema.
Cualquier punto ubicado fuera de la regin factible que adems viole una o
Solucin infactible
varias de las restricciones establecidas.
23
23
Situacin que se presenta cuando se obtiene ms de una solucin ptima y
Solucin ptima
cuando la pendiente de la funcin objetivo es la misma que la pendiente de
alternativa
una restriccin.
Utilidad Valor general para un resultado particular.
REFERENCIAS
Referencias Bibliogrficas
Anderson, D. S. (2005). Mtodos Cuantitativos para los Negocios (Novena Edicin ed.). Mxico:
Limusa.


ed.). N/A: McGraw Hill. .
Hillier, F. &. (2008). Mtodos Cuantitativos para Administracin (Tercera Edicin ed.). Mxico:
McGraw-Hill.
Hall.
Winston, W. (2005). Investigacin de Operaciones Aplicaciones y Algoritmos (Cuarta Edicin

25
25

TRANSPORTE Y ASIGNACIN
INDICE
Introduccin
1. Modelo de transporte
1.1. Ejemplo
2. Modelo de asignacin
Referencias
INTRODUCCIN
En esta cartilla se revisarn las aplicaciones de la programacin lineal. Teniendo en cuenta que
las aplicaciones de la programacin lineal, son dependientes de los problemas de aplicaciones
ms comunes dentro del ambiente real. Teniendo en cuenta que el fuerte de cada uno de ellos
es dependiente de la cantidad de veces que se pueden aplicar y cules seran las variaciones en
casos especiales de cada uno de ellos.
Estimados estudiantes a lo largo de la cartilla encontrarn las aplicaciones de la programacin

lineal, recuerden que deben realizar un resumen de las nociones ms importantes dentro de la
cartilla para su estudio autnomo. Desarrollen de manera individual cada uno de los ejercicios
que se le presentan como ejemplo dentro de esta cartilla.
Para profundizar un poco ms en el tema no olvide que dentro de los recursos virtuales de la
institucin puede encontrar varios tipos de documentos que pueden ser tiles, como lo son libros
de investigacin de operaciones o de administracin cientfica, tambin puede encontrar artculos
y documentos investigativos de aplicacin de las mismas.
1. Modelo de transporte
Empezamos por definir que la aplicacin de la programacin lineal se manejan como modelos de
redes. Los modelos de redes son representaciones de un conjunto de nodos iniciales y un
conjunto de nodos finales relacionados entre s por arcos, en los que se cuenta con datos como
costos, ofertas y demandas por cada uno de ellos. El modelo de transporte se puede solucionar
por cualquiera de los mtodos de solucin de la programacin lineal expuestos en la unidad
anterior.
Se define tambin que si cada uno de los valores del lado de derecho de las ecuaciones
(desigualdades) son enteros, la solucin tambin ser un nmero entero (nmero sin decimales).
Debido a la estructura especial de la programacin lineal de los problemas, se pueden utilizar

algoritmos de redes para alcanzar soluciones eficientemente.
Para terminar de entrar en materia el modelo de transporte es una aplicacin de la programacin

lineal en la que se busca reducir los costos de realizar un transporte de bienes desde un inicio
hasta un destino, donde se debe tener en cuenta la oferta del nodo de inicio " , tambin se debe
tener en cuenta la demanda del nodo de finalizacin $ , donde se define que el costo de
transportar desde un nodo de inicio i hasta un nodo de finalizacin j como "$ . Definiendo de
manera sencilla lo dicho anteriormente es realizar la revisin de que cantidad puedo enviar desde
una fbrica (nodo de inicio) y como cumplir la demanda de un cliente (nodo Final) teniendo en
cuenta lo que me cuesta enviar una sola unidad de un producto o bien
Para realizar la representacin como red se define que cada uno de los inicios y los finales se
representan como nodos, mientras que los caminos se representan como arcos, los arcos son los
que definen los posibles caminos entre el inicio y los destinos con los que contamos. Cada uno de
los arcos se les asigna un costo, mientras que a cada nodo de inicio se le asigna una oferta y a
cada nodo de destino se le asigna una demanda. Para evidenciarlo de manera ms clara podremos
en la figura 1 como se dibujara la red.

Figura 1. Red del modelo de transporte
Como podemos ver en la figura 1, tenemos los nodos de inicio con color negro, quienes se
encuentran relacionados cada uno con una oferta " , mientras que en color verde tenemos los
nodos de finalizacin o destino, cada uno de ellos relacionados a una demanda $ . Mientras que
cada uno de los caminos cuenta con un costo asociado.
Debemos tener en cuenta que siempre en un modelo de transporte se busca minimizar los costos
de transportar un bien, desde un origen hasta un final con un costo relacionado por realizar esta
tarea. Para definir el modelo de manera matemtica tenemos las siguientes ecuaciones;
9 8
"$ "$
" $
: "$ " .
$
"$ = $
"
"$ 0
La definicin del modelo es como se presenta anteriormente, lo que en palabras esta dicho de la
siguiente manera:
La funcin objetivo es la suma de la cantidad de unidades que van por un arco multiplicado por
el costo de este camino, teniendo en cuenta la cantidad de inicios y de finales con los que se
cuente.
Las primeras restricciones van atadas a la cantidad de unidades que pueden salir de un nodo, por
lo tanto, la cantidad de unidades que salga por cada uno de los arcos que salgan de un nodo
deben ser cuando mucho la oferta que tiene este.
Las segundas restricciones es para los arcos que entran a los nodos de destino, la suma de las
unidades que van por cada uno de los arcos deben cumplir con la demanda del nodo.
Teniendo entendido lo anterior debemos enfocarnos en algunos de los casos especiales que
pueden ocurrir dentro de este tipo de modelo, los cuales son;
Requerimiento mnimo de transporte desde i hasta j, lo que nos dice que desde un nodo
de inicio hasta un nodo de destino exista la necesidad en enviar una cantidad mnima
de unidades.
"$ "$
Capacidad mxima de la ruta
"$ "$
Ruta inaceptable, retire la ruta que no se pueda realizar.
1.1. Ejemplo:
Building Brick Company (BBC) tiene ordenes por 80 ton de ladrillos en tres locaciones suburbanas:
Northwood (25 ton), Westwood (45 ton) y Eastwood (10 ton). BBC tiene dos plantas, cada una de
las cuales puede producir 50 ton por semana.

Cul debera ser el plan de envos si los costos de transporte por tonelada (en US$) son
Tabla 1. Costo de envos ejemplo
Nortwood Eastwood Westwood
Planta 1 24 30 40
Planta 2 30 40 42
En primera instancia debemos analizar el problema, para lo cual debemos definir qu cantidad
de nodos de inicio tenemos, despus revisamos cuantos nodos de finalizacin contamos y por
ltimo revisamos cuales son los caminos y los costos de transportar por cada una para construir
la red.
Como inicios tenemos 2, que sern la planta 1 y la planta cada una con una oferta de 50 toneladas,
como finales tenemos las tres locaciones suburbanas que cada una tiene una demanda definida
(Nortwood 25 ton, Eastwood 45, westwood 10 ton), debemos encontrar el modelo que define el
problema y las restricciones del mismo. Analizando los arcos todos los caminos se pueden
cumplir, por lo tanto ya con esto podramos definir las restricciones que estn atadas al modelo,
como podemos observar en la figura 2 la red ya est construida.

Figura 2. Red del ejemplo
Ya teniendo definida la red del ejemplo, debemos realizar el montaje de la funcin objetivo, la
cual segn la definicin es la suma de los costos por las unidades que se enviaran desde un inicio
hasta un destino. Tengamos en cuenta que la cantidad de unidades que se envan es la variable
de decisin por lo tanto contaremos con tantas variables de decisin como arcos se cuenten
dentro de la red.
Funcin Objetivo:
min 24 NN + 30 NQ + 40 NR + 30 QN + 40 QQ + 42 QR
Ya con la ecuacin de la funcin objetivo, que es la que encontramos arriba, tenemos

bsicamente 6 variables de decisin, las cuales corresponden a cada uno de los caminos o arcos
que comunican los nodos de inicio con los de finalizacin, tengamos en cuenta que a la planta 1
se le llam el nodo 1 de inicio y a la planta 2 se le llam el nodo de inicio 2. Mientras que a
Nortwood, Eastwood y Westwood se les otorg respectivamente el nmero 1, 2 y 3 de los
destinos. Por lo dicho anteriormente cada uno de los arcos se represent como NN que quiere
decir el arco que relaciona el nodo 1 de los inicios con el nodo 1 de los destinos.

Para las restricciones tenemos las siguientes desigualdades:
NN + NQ + NR 50
QN + QQ + QR 50
Para explicar las dos restricciones anteriores, son las referentes a los nodos de inicio, ya que la
suma de todo lo que sale de estos dos nodos no puede superar la oferta que este tiene, por eso
se pone la desigualdad con el signo de menor o igual a la oferta del mismo. Mientras que las
restricciones para los nodos de destino tienen que estar igualadas a la demanda de cada uno de
ellos, ya que se debe cumplir con la demanda de cada uno de ellos, como lo veremos a
continuacin:
NN + QN = 25
NQ + QQ = 45
NR + QR = 10
Por ultimo debemos definir la condicin de no negatividad que es primordial, ya que no me puede
dar un numero negativo de unidades.
NN , QN , NQ , QQ , NR , QR 0
Por lo tanto, el modelo completo quedar de la siguiente manera
NN + NQ + NR 50
QN + QQ + QR 50
NN + QN = 25
NQ + QQ = 45
NR + QR = 10
Para solucionar el modelo podemos utilizar el mtodo simplex (explicado en la unidad anterior),
o simplemente podemos utilizar la herramienta de solver en Excel. Para ejemplificar este caso
vamos a usar la herramienta de solver de Excel, pero primero re escribiremos el modelo de
manera organizada para poderlo escribir en Excel correctamente.
1 NN + 1 NQ + 1 NR + 0 QN + 0 QQ + 0 QR 50
0 NN + 0 NQ + 0 NR + 1 QN + 1 QQ + 1 QR 50
1 NN + 0 NQ + 0 NR + 1 QN + 0 QQ + 0 QR = 25
0 NN + 1 NQ + 0 NR + 0 QN + 1 QQ + 0 QR = 45
0 NN + 0 NQ + 1 NR + 0 QN + 0 QQ + 1 QR = 10
Como se escribi ahora, el modelo es para decir cuales variables de decisin se encuentran en la
tabla y cules no, por ejemplo, las variables que estn multiplicadas por 0 son inexistentes, pero
de esta manera se pueden escribir ms fcil cada una de las ecuaciones.

Tenga en cuenta que si no han activado la herramienta solver de Excel en el instructivo que est
en curso encontraran como hacerlo. Ahora la tabla de Excel quedar de la siguiente manera.
Tabla 2. Ejercicio en Excel.
FUNCION OBJETIVO Z MIN 0
24 30 40 30 40 42
X11 X12 X13 X21 X22 X23
CELDAS CAMBIANTES
1 1 1 0 0 0 <= 50
0 0 0 1 1 1 <= 50
1 0 0 1 0 0 = 25
0 1 0 0 1 0 = 45
0 0 1 0 0 1 = 10
Ya con la tabla podemos aplicar solver, para tener claro las celdas que estn en naranja sern las
celdas de formulacin de las restricciones, mientras que las que estn en amarillo claro sern las
que corresponden a la solucin dada por solver, pero antes de eso debemos formular en una de
las celdas de la tabla la multiplicacin de la funcin objetivo, sea el costo por la celda cambiante
correspondiente a la variable de decisin, tal y como se ve en la figura 3.
Figura 3. Formulacin en Excel de la funcin objetivo
Proseguimos a realizar la formulacin de cada una de las restricciones en las celdas que estn en
blanco antes de cada uno de los signos, como se ve en la figura 4.
Figura 4. Formulacin de las restricciones

Ahora, as como en la figura 4 se realiza la multiplicacin de cada una de las celdas cambiantes
por el valor de la constante que la acompaa, se fijan las celdas cambiantes para poder desplazar
la formula hasta la ltima. Quedando el modelo como se muestra en la figura 5.
Figura 5. Modelo completo en Excel
Ya teniendo la tabla completa podemos dirigirnos a buscar la herramienta solver.
Figura 6. Buscando la herramienta solver
Figura 7. Buscando Solver

Figura 8. Presentacin de solver
Ya encontrando la herramienta, vemos que como en primera instancia nos pide una celda
objetivo, la cual ser la celda donde tenemos formulada la funcin objetivo, despus debemos
definir si queremos maximizar o minimizar la funcin objetivo (para el caso del modelo de
transporte es minimizar). El espacio que dice celdas cambiantes son las celdas vacas que dejamos
y con las que formulamos cada una de las ecuaciones. En el recuadro grande adjuntamos cada
una de las restricciones y por ultimo escogemos el mtodo SIMPLEX LP en el desplegable del
mtodo de solucin. Veamos en las siguientes figuras como se realiza este hecho

Figura 9. Instrucciones para utilizar la herramienta
Figura 10. Como agregar restricciones

Figura 11. Como ingresar las restricciones
Como se muestra en la figura 11, debemos realizar el ingreso de cada una de las restricciones
teniendo en cuenta que la celda de referencia ser donde tenemos formulada la ecuacin, el
signo debe ser el mismo que el que tiene la restriccin en el modelo, por ultimo agregamos el
valor al que se debe asemejar el resultado.
Despus de ingresar cada una de las restricciones del problema quedar el solver como se
muestra en la figura 12.
Figura 12. Modelo completo en la herramienta solver

Despus de tener el modelo completo simplemente le damos que lo soluciones y l nos mostrar
un recuadro como se muestra en la figura 13.
Figura 13. Solucin de solver
Lo que nos pregunta en la figura 13 Excel es que, si queremos mantener la solucin que nos da
solver, y podemos imprimir los reportes que son el de resultados, anlisis de sensibilidad y los
limites correspondientes al sistema, que los veremos en la siguiente semana. Por el momento le
damos que mantenga los valores.
Figura 14. Solucin del modelo por medio de la herramienta Solver
Ya solver nos deja solucionado con cuantas unidades por arco se van a transportar (el valor de
cada una de las celdas cambiantes), tambin nos muestra de una vez el valor de la funcin
objetivo que ser el costo total de la operacin.
Traduciendo lo que nos da solver como solucin;
Se envan 5 unidades de la planta 1 a Nortwood.

Se envan 45 unidades de la planta 1 a Westwood.
No se envan unidades de la planta 1 a Eastwood.
Se envan 20 unidades desde la planta 2 a Nortwood.
No se envan unidades desde la planta 2 a Westwood.
Se envan 10 unidades de la planta 2 a Eastwood.
Segn los resultados del modelo el costo mnimo para el problema de transporte es de 2490.
2. Modelo de asignacin
Para el problema de asignacin es bsicamente otra aplicacin del problema de transporte, en el

cual se busca asignar una cantidad de agentes a una cantidad predeterminada de tareas. Se debe
tener en cuenta que cada una de las asignaciones tiene un costo.
Como desarrollo del modelo de asignacin se debe tener en cuenta que se asume que todas las
tareas son desarrollas y que todos los agentes son asignados.
Este modelo, como ya se dijo, se basa en el modelo de transporte, pero con la gran diferencia que
todas las ofertas y todas las demandas son consideradas como 1, lo que quiere decir que solo se
puede asignar un agente a una tarea, por lo tanto el modelo en sus restricciones queda como una
nocin binaria (de 1 y 0).
Para realizar la representacin como red se define que cada uno de los agentes y las tareas se
representan como nodos, mientras que las asignaciones se representan como arcos, los arcos son
los que definen las posibles asignaciones entre el agente y la tarea con los que contamos. Cada
uno de los arcos se les asigna un costo, a diferencia del modelo de transporte se asigna una
demanda y una oferta. Para evidenciarlo de manera ms clara podremos en la figura 15 como se
dibujara la red.

Figura 15. Red del modelo de asignacin
Debemos tener en cuenta que siempre en un modelo de asignacin se busca minimizar los costos
de asignar un agente a una determinada tarea. Para definir el modelo de manera matemtica
tenemos las siguientes ecuaciones:
9 8
"$ "$
" $
: "$ = 1 .
$
"$ = 1 .
"
"$ = 0 1
La funcin objetivo es la suma los costos por la tarea que se cumple, mientras que las restricciones
suman 1, porque por definicin los agentes quedaran asignados por lo menos 1 a cada tarea.
Tambin para el modelo de asignacin tenemos casos especiales como lo son;
Si el nmero de agentes excede al nmero de tareas

8
"$ 1
$
El nmero de tareas excede el nmero de agentes; se deben aadir el nmero de

agentes falsos con un coeficiente 0 para poder solucionar el problema.
Las asignaciones se realizan en trminos de beneficios; se resuelve el problema por
medio de criterio de maximizacin.
Que un agente pueda realizar ms de una tarea
8
"$
$
Si una asignacin no es aceptada simplemente se elimina del modelo.
Un contratista paga sus empleados un sueldo base ms una comisin proporcional a la distancia
recorrida para hacer el trabajo. En un da en particular el contratista tiene que cumplir con tres
trabajos elctricos asociados a diferentes proyectos. A continuacin, se presentan las distancias
de los empleados a cada proyecto.

Tabla 3. Ejercicio del modelo de asignacin
PROYECTOS
EMPLEADOS A B C
W 50 36 16
F 28 30 18
G 35 32 20
U 25 25 14
Cmo debera realizarse la asignacin para el caso expuesto?
Inicialmente debemos dibujar la red correspondiente al ejercicio.

Figura 16. Red del ejemplo del modelo de asignacin
Definiendo el modelo queda de la siguiente manera.
50 NN + 36 NQ + 16 NR + 28 QN + 30 QQ + 18 QR + 35
RN + 32 RQ + 20 RR + 25 YN + 25 YQ + 14 YR
Para las restricciones debemos tener en cuenta que el modelo es un caso especial en el que tengo
ms agentes que tareas por lo tanto el modelo queda de la siguiente manera.
: NN + NQ + NR 1
QN + QQ + QR 1
RN + RQ + RR 1
YN + YQ + YR 1
NN + QN + RN + YN = 1
NQ + QQ + RQ + YQ = 1
NR + QR + RR + YR = 1

Ahora, ya teniendo la definicin de modelo lo pasamos a Excel como se muestra en la figura 17.
Figura 17. Ejemplo de asignacin en Excel
Se colocan las restricciones en solver como se muestra en la figura 18.
Figura 18. Como quedaran las restricciones en solver
El Resultado del modelo, es que se asigna al trabajador W a la tarea 3, generando una distancia
de 16. Se asigna al trabajador F a la tarea 1, dando as una distancia de 28. El trabajador G no se
le asigna ninguna tarea. Por ltimo el trabajador U se le asigna la tarea 2 con una distancia de 25,
por lo tanto en el total de las distancias a recorrer ser de 69. La solucin en solver se ve como se
presenta en la figura 19.

Figura 19. Solucin del modelo de asignacin

REFERENCIAS
Limusa.


McGraw-Hill.
Hall.
Winston, W. (2005). Investigacin de Operaciones Aplicaciones y Algoritmos (Cuarta Edicin


MODELO DE TRANSBORDO Y
ANALISIS DE SENSIBILIDAD
AUTOR:Gabriel Mauricio Yaez Barreto
INDICE

1. Modelo de transbordo
1.1. Ejemplo ilustrativo del modelo de transbordo.
2. Anlisis de sensibilidad
Glosario de trminos
Referencias
1. Modelo de transbordo
El modelo de transbordo es otra aplicacin del modelo de transporte, solo que aqu se aaden
unos nodos de paso entre los inicios y los finales, estos pueden ser convertidos en problemas de
transporte ms grandes y solucionados como modelos de transporte.
Para realizar la representacin como red de este tipo de modelo tenemos tres grupos de nodos,
los cules sern los correspondientes a los inicios, transbordos y por ltimo los destinos. Cada
uno de estos conjuntos de nodos, se encuentran unidos por arcos que son los que definen los
caminos que se pueden seguir.
Teniendo en cuenta que es una forma de un modelo de transporte, tambin se tiene en cuenta
el costo por transportar un bien de un punto a otro, pero pasando por un punto intermedio.
Por lo tanto, cada uno de los nodos de inicio cuenta con una oferta, mientras que los nodos de
finalizacin cuentan con una demanda que se debe cumplir.

Figura 1. Red del modelo de transbordo
Debemos tener en cuenta que siempre en un modelo de transbordo se busca minimizar los costos
de transportar un bien, desde un origen hasta un final, pasando por un transbordo con un costo
relacionado por realizar el envo desde el inicio hasta el transbordo y despus otro costo por
enviar del transbordo hasta el destino final. Para definir el modelo de manera matemtica
tenemos las siguientes ecuaciones;
7 6
23 23
2 3
: 23 2 .
3
6 7
23 23 = 0
3 2
23 = 3
2
23 0
Lo que nos dice que la funcin objetivo es bsicamente de la misma manera que el modelo de
transporte que es la sumatoria de los costos por las variables de decisin, la diferencia en este
caso es que tenemos ms variables de decisin ya que contamos con ms arcos.

Para las restricciones tenemos que por cada uno de los nodos contaremos con una restriccin, si
estamos hablando de los nodos de inicio la restriccin es que la suma de todo lo que sale del nodo
tiene que ser menor o igual a la oferta de este nodo. Para los nodos de transbordo tenemos que
la restriccin es que la suma de todo lo que entra al nodo menos todo lo que sale de l debe ser
0, ya que en un transbordo no se almacena mercanca. Por ultimo para los nodos de destino
tenemos que la suma de todo lo que entra en un nodo de destino es igual a la demanda del
mismo.
1.1. Ejemplo ilustrativo del modelo de transbordo
Thomas Industries y Washburn Corporation proveen a tres firmas (Zrox, Hewes, Rockwright) las
cuales personalizan los estantes para sus oficinas. Ambos ordenan los estantes a los mismos
fabricantes, Arnold Manufacturers y Supershelf, Inc.
Actualmente las demandas semanales por parte de sus clientes son: 50 para Zrox, 60 para Hewes,
y 40 para Rockwright. Tanto Arnold como Supershelf pueden entregar a lo sumo 75 unidades
semanalmente.
Debido a largos contratos, basados en acuerdos especiales, los costos unitarios para cada estante
varan para cada cliente. stos son:
Tabla1. Ejemplo ilustrativo del modelo de transbordo
Thomas Washburn
Arnold 5 8
Supershelf 7 4
El costo de instalacin es diferente para cada una de las firmas como se ve en la tabla #2.
Tabla 2. Segunda parte del ejemplo
Zrox Hewes Rockwright
Thomas 1 5 8
Washburn 3 4 4
Para construir la red para el ejemplo tenemos que definir cul ser el grupo de nodos de inicio,
cules sern los transbordos y por ultimo cules sern los destinos. Por lo tanto, si analizamos
bien las empresas Arnold y Supershelf ser nuestros nodos de inicio cada uno con una oferta de
75, mientras que nuestros transbordos sern Thomas y Washburn, por ser los transbordos ellos
no cuentan con mercanca en stock. Por ultimo encontramos que los finales sern Zrox Hewes y
Rockwright.
Dibujamos la red teniendo en cuenta el anlisis realizado en el prrafo anterior.
Figura 2. Red inicial del ejercicio

Ya teniendo la red inicial podemos iniciar a colocar a cada uno de los nodos los datos completos,
como para cada nodo de inicio la oferta inicial es de 75, el costo entre cada camino que est
relacionado en las tablas, y las demandas de cada uno de los finales que son 50, 60 y 40
respectivamente. Ya en la figura 3 veremos la red completa.
Figura 3. Red del ejemplo de transbordo
Ahora definimos las variables de decisin para este caso de manera ms clara que en la red.
23 = .
3O = .
= 1 , = 2 , = 3 , = 4 ,
= 5 , = 6 , = 7 .
Para definir la funcin objetivo debemos tener en cuenta que es la suma de los costos
multiplicados por las variables de decisin, por lo tanto, la funcin objetivo quedara de la
siguiente manera;
min 5 ab + 8ae + 7 fb + 4 fe + 1 bg + 5 bh + 8 bi + 3 eg + 4
eh + 4 ei
Para las restricciones vamos a escribirlas de manera separada para que queden totalmente claras,
entonces por cada uno de los inicios tenemos;
ab + ae 75 .
fb + fe 75
Ahora para cada uno de los transbordos tenemos las siguientes expresiones;
ab + fb bg bh bi = 0 .
ae + fe eg eh ei = 0 .
Ahora para cada uno de los finales tendremos tambin una serie de restricciones;
bg + eg = 50 , .
bh + eh = 60 , .
bi + ei = 40 , .
Por ultimo tendremos una restriccin que es sper importante, la de no negatividad ya que no
podemos tener un numero negativo de unidades.
23 , 3O 0
Por lo tanto, el modelo completo quedar de la siguiente manera:
min 5 ab + 8ae + 7 fb + 4 fe + 1 bg + 5 bh + 8 bi + 3 eg + 4
eh + 4 ei
Sujeto a; ab + ae 75
fb + fe 75
ab + fb bg bh bi = 0

ae + fe eg eh ei = 0
bg + eg = 50
bh + eh = 60
bi + ei = 40
23 , 3O 0
Ahora nos dirigimos a Excel a montar el ejemplo en un cuadro, para solucionarlo con solver:

Figura 4. Montaje del modelo en Excel
Si nos fijamos tenemos algunos de los valores en -1, toca de esta manera para poder lograr
formular la resta de manera sencilla, tengamos en cuenta que en los transbordos se suma lo que
entre y se le resta lo que salga del mismo. Ahora nos dedicamos a montar cada una de las
restricciones en solver.

Figura 5. Restricciones en solver
Ahora le damos que solucione el modelo y nos arroja el resultado de la figura 6.

Figura 6. Solucin del problema en solver
Fuente: Elaboracin propia 2016.

Teniendo en cuenta el resultado nos damos cuenta que el costo de la operacin total ser de
1150, enviando 75 unidades desde la fbrica de Arnold a Thomas, 75 unidades desde Supershelf
a Washburn, enviando las 50 unidades demandas desde Thomas a Zrox, Pero desde Thomas
tambin se le envan 25 unidades a Hewes, para completar la demanda de Hewes se deben enviar
las 35 unidades faltantes desde Washburn, por ltimo se cumple con las 40 unidades de
Rockwright con lo que quedaba en Washburn.
2. Anlisis de sensibilidad
Anlisis de Sensibilidad (o anlisis post-optimalidad) es utilizado para determinar como la

solucin ptima es afectada por cambios, en rangos especficos, en:
Los coeficientes de la funcin objetivo

Los valores del lado derecho
Es importante para quien administra un sistema en un ambiente dinmico e impreciso en la

estimacin de los coeficientes.
Permite responder preguntas del tipo Qu pasara si? acerca del problema.
Ejemplo de anlisis de sensibilidad:
max = 5 a + 7 f
. . a 6
2 a + 3 f 19
a + f 8
a , f 0

Figura 7. Solucin ptima por mtodo grfico
El rango de optimalidad de cada coeficiente provee el rango de valores sobre el cual la actual
solucin permanecer ptima.
Se debe enfocar los esfuerzos en aquellos coeficientes que tienen un rango de optimalidad ms
estrecho y en aquellos ms cerca de los bordes del intervalo.
Grficamente, los lmites del rango de optimalidad son encontrados cambiando la pendiente de
la lnea de la funcin objetivo dentro de los lmites de las pendientes de las restricciones activas.
La pendiente de la lnea de la funcin objetivo, max a a + f f , esa /f , y la pendiente de una

restriccin, a a + f f = , es a /f
El rango de optimalidad para a
La pendiente de la lnea de la funcin objetivo es a /f . La pendiente de la primera restriccin

a + f 8 es -1 y de la segunda restriccin 2 a + 3 f 19
es -2/3. Dejando f fijo en el valor de 7, tenemos que: -1 < a /7 < -2/3
Despejando a se obtiene: 14/3 < a < 7


Figura 8. Solucin ptima con z=51
Figura 9. Solucin con z =44.3
Rango de optimalidad para f
La pendiente de la lnea de la funcin objetivo es a /f . La pendiente de la primera

restriccina + f 8 es -1 y de la segunda restriccin 2 a + 3 f 19
Dejando a fijo en el valor de 5, tenemos que: -1 < 5 /f < -2/3

Despejando f se obtiene: 5 <f < 15/2

Ahora tambin en solver podemos pedir que nos entregue varios informes en donde
encontraremos los rangos para cada una de las variables. Veamos como lo hacemos
Figura10. Como solicitar los informes
Como vemos en la figura 10, cuando solver nos dice que si quiere conservar la solucin en el lado
derecho podemos seleccionar los informes que queremos, por lo tanto pedimos el informe de
sensibilidad.

Figura 11. Informe de sensibilidad
Las columnas que nos importan son las 3 ltimas de las celdas variables que son las que nos dan
los datos ms importantes de las variaciones con sus lmites correspondientes a cada una de las
variables.
Para analizar los datos del lado derecho de cada una de las ecuaciones tenemos.
Un cambio en el lado derecho de una restriccin puede afectar la regin factible y tal vez cause
un cambio en la solucin ptima.
La mejora en el valor de la solucin ptima por unidad incrementada en el lado derecho es

conocido como precio sombra (costo reducido).
El rango de factibilidad es el rango sobre el cual el precio sombra es aplicable.
Cuando el RHS incrementa, otras restricciones se pueden convertir en activas y limitan el cambio
en el valor de la funcin objetivo.
Mientras que para el precio sombra:
Grficamente, un precio sombra es determinado al aadir +1 al lado derecho en cuestin y

resuelva la solucin ptima en trminos de las mismas restricciones activas.
El precio sombra es la diferencia entre los valores de las funciones objetivo del problema
nuevo y del problema original.
El precio sombra para una restriccin No-activa es 0.
Un precio sombra negativo (en un problema de Max) indica que la funcin objetivo no
mejorar si el RHS es incrementado.
El rango de factibilidad para un cambio en el RHS es el rango de valores que puede tomar
dicho coeficiente sin que el precio sombra cambie.
Grficamente, el rango de factibilidad se determina encontrando los valores del RHS
que no cambian ninguna restriccin activa a No-activa.


GLOSARIO DE TRMINOS
Actividad en Arco Es una red en la que las actividades son representadas con el uso de
(AOA): arcos.
Actividad en Nodo Es una red en la que las actividades son representadas con el uso de
(AON): nodos.
Trabajo en el que se invierte tiempo y que es parte esencial del

Actividad:
proyecto total.
Proceso que nos permite determinar el nivel de sensibilidad de la mejor

solucin ante los cambios de los valores que se usaron en las
ecuaciones. Tambin estudia el grado de sensibilidad de la mejor
Anlisis de Sensibilidad:
solucin ante hiptesis de modelo y actualizacin de informacin. En
estos casos se le conoce como Anlisis de Postoptimalidad.
Enunciado matemtico del objetivo de una organizacin con el que se

Funcin Objetivo: intenta maximizar o minimizar una cantidad de gran importancia como
ganancias o gastos.
Red Representacin grfica de un proyecto, sus actividades y eventos.

REFERENCIAS
Limusa.


Hillier, F. &. (2008). Mtodos Cuantitativos para Administracin (Tercera Edicin ed.). Mxico:
McGraw-Hill.
Hall.
Winston, W. (2005). Investigacin de Operaciones Aplicaciones y Algoritmos (Cuarta Edicin ed.).

Mxico: Thomson.

TEORA & LEY DE COLAS
MODELO PARA LA TOMAS DE DECISIONES
NDICE
Introduccin
a. Teora de colas
b. Ley de Little
c. Colas Markovianas
d. Ejemplo
Referencias
INTRODUCCIN
En esta cartilla se revisarn los temas relacionados con la toma de decisiones por medio del uso de la
distribucin de tareas y asignaciones para un sistema completo de colas, donde se encuentran
relacionadas la cantidad de servidores y de colas segn sea necesario, con la finalidad de evitar que el
usuario demore mucho dentro del sistema logrando un tiempo acorde entre el momento que entra al
sistema y el momento en el que sale. Tenga en cuenta que es importante que tome nota de lo que est
realizando y que realice los ejercicios desarrollados para un mayor entendimiento de los mismos.
Estimados estudiantes a lo largo de la cartilla encontrarn las aplicaciones de la programacin lineal,

recuerden que deben realizar un resumen de las nociones ms importantes dentro de la cartilla para su
estudio autnomo. Desarrolle de manera individual cada uno de los ejercicios que se le presentan como
ejemplo dentro de esta cartilla.
Para profundizar un poco ms en el tema no olviden que dentro de los recursos virtuales de la institucin
puede encontrar varios tipos de documentos que pueden ser tiles, como lo son libros de investigacin
de operaciones o de administracin cientfica, tambin puede encontrar artculos y documentos
investigativos de aplicacin.
a. Teora de colas
El origen de la Teora de Colas est en el esfuerzo de Agner Krarup Erlang (Dinamarca, 1878 - 1929)
(Anderson, 2005) en 1909 para analizar la congestin de trfico telefnico con el objetivo de cumplir la
demanda incierta de servicios en el sistema telefnico de Copenhague. Sus investigaciones acabaron en
una nueva teora llamada teora de colas o de lneas de espera. Esta teora es ahora una herramienta de
valor en negocios debido a que muchos de sus problemas pueden caracterizarse como problemas de
congestin llegada - partida.
Una cola es una lnea de espera y la teora de colas es una coleccin de modelos matemticos que
describen sistemas de lneas de espera particulares o de sistemas de colas. Los modelos sirven para
encontrar un buen compromiso entre costes del sistema y los tiempos promedio de la lnea de espera
para un sistema dado.
El problema es determinar qu capacidad o tasa de servicio proporciona el balance correcto. Esto no es

sencillo, ya que un cliente no llega a un horario fijo, es decir, no se sabe con exactitud en que momento
llegarn los clientes.
Cabe notar que el tiempo de servicio no tiene un horario fijo.
Los problemas de colas se presentan permanentemente la vida diaria: un estudio de EE.UU. concluy
que un ciudadano medio pasa 5 aos de su vida esperando en distintas colas, y de ellos casi 6 meses
parado en los semforos.
Tabla 1. Casos de colas en la vida diaria
Mecanismo de
Situacin Llegadas Cola
servicio
Aeropuerto Pasajeros Salas de espera Avin
MODELOS DE TOMA DE DECISIONES 3

Compaa celular Nmeros marcados Llamadas Conmutador
Panadera Clientes Clientes con nmero Vendedor
Carga de camiones Camiones Camiones en espera Muelle de carga
Entonces por definicin, la teora de Colas es el estudio matemtico del comportamiento de lneas de
espera. Estas se presentan cuando "clientes" llegan a un "lugar" demandando un servicio a un "servidor"
el cual tiene cierta capacidad de atencin. Si el servidor no est disponible inmediatamente y el cliente
decide esperar, entonces se forma en la lnea de espera.
Figura 1. Esquema de un sistema de colas

A continuacin realizaremos el estudio de los conceptos bsicos necesarios para el caso de las teoras de
colas.
Clientes: trmino usado en un sistema de colas para referirse a:
Gente esperando lneas telefnicas desocupadas
Mquinas que esperan ser reparadas
Aviones esperando aterrizar.

Instalaciones de Servicio: este trmino se usa para referirse a:
Lneas telefnicas
Talleres de reparacin
Pistas de aeropuerto
Llegadas: es el nmero de clientes que llegan a las instalaciones de servicio.
Tasa de Servicio: este trmino se usa para designar la capacidad de servicio, por ejemplo:
Un sistema telefnico entre dos ciudades puede manejar 90 llamadas por minuto
Una instalacin de reparacin puede de media, reparar mquinas a razn una cada 8
horas.
Una pista de aeropuerto en la que aterrizan dos aviones por minuto.

Nmero de servidores de servicio: Es la cantidad de servidores de que disponemos:
Nmero de conmutadores telefnicos
Nmero de puestos de reparacin.
Nmero de pistas de aterrizaje de un aeropuerto.
El nmero de servidores no tiene porqu ser siempre en paralelo, es decir, puede que un sistema de
colas tenga varias fases.
Tabla 2. Tipos de colas dependiendo de la cantidad de servidores y fases

Servidores Fases Ejemplo
Uno Una Tienda con un solo empleado.
Lnea de produccin
Uno Varias
secuencial.
Funcionamiento de
Varios Una
operaciones bancarias.
Centros de exmenes
Varios Varias
mdicos.
Ahora revisaremos los costes que van asociados a las teoras de las colas.
Por qu es necesario contar con herramientas de optimizacin para los problemas de colas?
Normalmente en cualquiera de estos sistemas existen dos tipos de costes:
a. Los costes asociados a la espera de los clientes
Por ejemplo, el valor del tiempo perdido o la gasolina malgastada en los atascos o los semforos.
Lo normal es pensar que estos costes de espera decrecen conforme aumenta la capacidad de servicio del
sistema.
b. Los costes asociados a la expansin de la capacidad de servicio

Contra la reduccin anterior de costes de espera, es tambin normal que el coste asociado a incrementar
la capacidad de servicio crezca con alguna proporcionalidad en relacin a esta capacidad.
c. Los costes totales del sistema de servicio
La suma de los dos costes anteriores da una funcin de costes totales del sistema en funcin de la
capacidad, que tendr una forma similar a la siguiente:

Figura 2. Costos de las colas
Cul ser el objetivo de la teora de colas?
Dada la funcin de costes anterior, los objetivos de la Teora de Colas consisten en:
Identificar el nivel ptimo de capacidad del sistema que minimiza el coste global del mismo
Evaluar el impacto que las posibles alternativas de modificacin de la capacidad del sistema
tendran en el coste total del mismo
Establecer un balance equilibrado (ptimo) entre las consideraciones cuantitativas de costes y

las cualitativas de servicio.
Hay que prestar atencin al tiempo de permanencia en el sistema o en la Cola: la paciencia de los
clientes depende del tipo de servicio especfico considerado, eso puede hacer que un cliente abandone
el sistema.
Segn el tipo de sistema de colas, tenemos varios tipos de stas, las cuales son:
Una lnea, un servidor
El primer sistema que se muestra se llama un sistema de un servidor y una cola o puede describir
una consulta de un mdico.
Una lnea, mltiples servidores
El segundo, una lnea con mltiples servidores, es tpico de una peluquera o una panadera en
donde los clientes toman un nmero al entrar y se les sirve cuando les llega el turno.
Varias lneas, mltiples servidores
El tercer sistema, en que cada servidor tiene una lnea separada, es caracterstico de los bancos y
las tiendas de autoservicio. Para este tipo de servicio pueden separarse los servidores y tratarlos
como sistemas independientes de un servidor y una cola. Esto sera vlido slo si hubiera muy
pocos intercambios entre las colas.

Figura 3. Tipos de colas
Notacin de Kendall (Anderson, 2005)
David G. Kendall introdujo una notacin de colas A/B/C en 1953 para describir las colas y sus
caractersticas. Esta ha sido desde entonces extendida a 1/2/3/ (4/5/6) donde los nmeros se
reemplazan con :
Un cdigo que describe el proceso de llegada. Los cdigos usados son:
a. M para "Markoviano" (la tasa de llegadas sigue una distribucin de Poisson), significando una
distribucin exponencial para los tiempos entre llegadas.
b. D para unos tiempos entre llegadas "determinsticas".
c. G para una "distribucin general" de los tiempos entre llegadas o del rgimen de llegadas.
1. Un cdigo similar que representa el proceso de servicio (tiempo de servicio). Se usan los mismos
smbolos.
2. El nmero de canales de servicio (o servidores).
3. La capacidad del sistema o el nmero mximo de clientes permitidos en el sistema incluyendo

esos en servicio.
4. El orden de prioridad en la que los trabajos en la cola son servidos:
First Come First Served (FCFS) First In First Out (FIFO)
Last Come First Served (LCFS) o Last In First Out (LIFO), 6. El tamao de la poblacin desde donde
los clientes vienen.
Figura 4. Distribucin de las colas segn la notacin de Kendall

Segn la Figura 4, las colas pueden tomar la distribucin de tiempo de arribos y tiempo de servicio como
exponenciales, constantes o determinsticas segn sea el caso, por ejemplo, nombrar una cola M/M/1,
sera una cola con tiempo de arribo exponencial, con un tiempo de servicio exponencial y con solo un
servidor.

Ahora para definir de manera correcta cada una de las ecuaciones, debemos tener en cuenta la siguiente
notacin bsica:
=
1
= .

= .
= .
1
= .

= .
= .
= .
= .
= .
= .
= .
= .
= .
= .
= .
b. Ley de Little
La ley de Little establece las ecuaciones o formas de encontrar los datos ms importantes dentro de un
problema de colas, para establecer de manera concreta cuales sern la cantidad de clientes dentro de
una cola, el tiempo que se demora un cliente en una cola, la cantidad de clientes que estn siendo
atendidos o la probabilidad que un servidor se encuentre ocupado, por lo tanto tendremos las siguientes
expresiones;
Si se desea calcular el nmero medio de clientes en el sistema y en la cola se pueden calcular de la

siguiente manera:

= [] =
=0

= [ ] = ( )
=+1
Tambin se debe tener que el tiempo de estancia de un cliente en el sistema va directamente

relacionado con el tiempo de un cliente en la cola, por lo tanto, tendremos la siguiente ecuacin:
1
= +

El nmero promedio de clientes que se estarn atendiendo ser:

= ( ) =

Ahora para la probabilidad que un servidor (un servidor de c servidores en paralelo) est ocupado
tenemos la siguiente expresin:

= =

c. Colas Markovianas
Las colas markovianas son bsicamente aquellas con distribuciones exponenciales, ya sean en el tiempo
de arribo como en el tiempo de servicio. Por lo tanto, debemos tener en cuenta las colas M/M/1 o las
M/M/c, que son las que veremos a continuacin;

M/M/1: Son colas con tiempo de arribo exponencial y con tiempo de servicio exponencial, que cuentan
con un solo servidor. Por lo tanto, de la ley de Little se derivan las siguientes ecuaciones que son las que
definen el modelo.

= =

2
= = (1 )
()
1
=

=
()
1
=

Ahora debemos tener en cuenta que para poder utilizar este modelo se debe tener una condicin de
estabilidad la cual est definida de la siguiente manera:
<
Ahora, para estandarizar los modelos tenemos las siguientes ecuaciones que definen el modelo
independientemente de la cantidad de servidores con los que se cuente, por lo tanto;
Para la probabilidad que el sistema cuente con n unidades en el sistema
Las principales medidas de desempeo tenemos
d. Ejemplo

A una caseta de peaje, en donde slo hay una ventanilla de atencin, llegan 10 vehculos
aproximadamente cada hora. El cajero tarda en promedio 4 minutos en atender cada vehculo.
Asumiendo que tanto los tiempos entre arribos como los tiempos de servicio se distribuyen
exponenciales, calcule:
a. La probabilidad de que el sistema este desocupado
b. El tiempo promedio que un vehculo tardar desde que llega al peaje hasta que lo cruza
c. El nmero promedio de vehculos en el peaje
d. El nmero promedio de vehculos en la fila del peaje
e. El tiempo promedio que tarda un vehculo en la fila, antes de ser atendido.
La caseta de peaje se puede modelar como un sistema M/M/1, con tasa de arribos =10 v/h y tasa de
servicio =15 v/h. Note que se cumple la condicin de estabilidad (10 < 15).
a. Probabilidad que el sistema este desocupado se halla de la siguiente manera

10 2
= =
15 3
2 0 2 1
= ( ) (1 ) =
3 3 3
b. Tiempo promedio desde que un vehculo llega al peaje hasta que lo cruza.
1 1
= = = 12
15 10 5
c. El numero promedio de vehculos en el peaje
10
= = 2
15 10
d. El numero promedio de vehculos en la cola
102 4
= = .
15 (15 10) 3
e. El tiempo promedio en la fila antes de ser atendido es
10 2
= = = 8 .
15(1510) 5

f. La proporcin del tiempo que el cajero debe trabajar.
10 2
= =
15 3
REFERENCIAS
Anderson, D. S. (2005). Mtodos Cuantitativos para los Negocios (Novena ed.). Mxico: Cengage Learning
Editores.

Bazaraa, M. J. (1996). Programacin Lineal y Flujo en Redes (Segunda ed.). Mxico: Limusa.
Bazarra, M., & Jarvis, J. J. (2005). Programacin lineal y flujo en redes. (Segunda ed.). Mxico: Limusa
Editores. .

Hillier, F. &. (2006). Texto principal: Introduccin a la Investigacin de Operaciones. (6 ed.). N/A:
McGraw Hill. .
Hillier, F. &. (2008). Mtodos Cuantitativos para Administracin (Tercera ed.). Mxico: McGraw-Hill.
Taha, H. (1997). Investigacin de Operaciones: Una Introduccin (Sexta ed.). NY: Prentice Hall.
Winston, W. (2005). Investigacin de Operaciones Aplicaciones y Algoritmos (Cuarta ed.). Mxico:

Thomson.

FORMULACIN DE PROBLEMAS

MODELO
PARA LA TOMAS DE DECISIONES

AUTOR:
Gabriel Mauricio Yaez Barreto

NDICE

1. Formulacin de problemas.
2. Matriz de pagos
3. Criterios de manejo de toma de decisiones.
3.1. Criterio optimista.
3.2. Criterio conservador.
3.3. Criterio minimax.
4. rboles de decisin.

1. Formulacin de problemas.
Para analizar un problema de toma de decisiones debemos tener en cuenta las caractersticas
que lo definen, como lo son los estados de la naturaleza que son los que nos definen las
decisiones como tal y tambin encontramos la matriz de los pagos que es la que nos define los
costos y las posibles decisiones a tomar.
Las alternativas de decisin definen las alternativas posibles para las estrategias que podemos
tener en cuenta y cul de estas ser la ideal para la persona que define cual se deber utilizar.
Por lo tanto, para definir los estados de la naturaleza de un problema tenemos que son los
eventos futuros que no estn bajo el control de la persona encargada de tomar las decisiones,
los cuales deben ser exhaustivos y mutuamente excluyentes, lo que quiere decir que son hechos
de alta importancia y adems que el movimiento o accin sobre uno de ellos no afectar al otro.
2. Matriz de pagos
La matriz de pagos es la combinacin de las posibles alternativas con las que se cuentan para los
estados de la naturaleza, la cual se encuentra relacionada cada una de ellas por un pago.
Teniendo en cuenta estas posibles combinaciones tenemos definidos cules sern las posibles
rutas a seguir.

Los pagos tienen diferentes tipos de interpretaciones, ya que pueden ser utilidades, costos,
tiempos, distancia o cualquier medida que sea adecuada al problema como tal.

Ahora para realizar la toma de decisiones se tienen varios criterios si no se cuenta con una tabla
de datos probabilsticos, los cuales son dependientes de las matrices de pagos de cada uno de
los estados de la naturaleza.

Estos criterios son:
Criterio Optimista.
Criterio Conservador.
Criterio Minimax(Arrepentimiento).
3. Criterios de manejo de la toma de decisiones.

Para realizar el estudio de cada uno de los criterios tomaremos un ejemplo y lo desarrollaremos
explicando cada uno de los pasos.

Ejemplo

La compaa ACME est considerando construir una planta para la fabricacin de una nueva
high-tech trampa para correcaminos. Debido a los diferentes factores que influyen, es muy
difcil saber cul va a ser la demanda del producto. Se ha estimado que la demanda puede ser
alta (A), media (M) o baja (B). La compaa puede construir una planta pequea (P), una planta
normal (N) o una planta grande (G). Las utilidades promedio (en millones) para cada escenario
se muestran a continuacin.

Tabla 1. Matriz de pagos.

Demanda
Alta Media Baja

Pequea 4 4 -2
Tamao de la
Mediana 0 3 -1
planta
Alta 1 5 -3

3.1. Criterio Optimista

i. El criterio optimista es utilizado cuando la persona que define la ruta a seguir

cuenta con que los estados de la naturaleza tienen un comportamiento
favorable.
ii. Selecciona la mejor de las decisiones posibles en cuanto a los estados de la

naturaleza.
MODELOS PARA LA TOMA DECISIONES 3

iii. Si la tabla est en funcin de los costos selecciona la mejor de las soluciones,
sea el menor de los costos posibles.
Ahora para resolver el problema de la compaa ACME tenemos que en la tabla de escenarios
posibles (ver tabla1.) los estados de la naturaleza sern qu tipo de planta abriremos, por lo que
se define que el criterio optimista toma el mejor de los casos para cada uno de los estados de la
naturaleza del problema y de ellos se toma el mejor por lo tanto tendamos los siguiente tabla.

Tabla 2. Criterio Optimista.
Demanda
Alta Media Baja MAX

Pequea 4 4 -2 4
Tamao de la
Mediana 0 3 -1 3
planta
Alta 1 5 -3 5

La mejor de las alternativas seria construir una planta con una demanda media, segn lo que
nos muestra la tabla 1, por lo tanto, el tomador de decisiones se enfoca en esta decisin como
tal.
3.2. Criterio Conservador.

i. El criterio conservador se usa cuando el tomador de decisiones, prefiere tomar

una decisin intermedia y estar ms seguro de los resultados que desea obtener
ii. Para tomar la decisin se toma la peor de las opciones y de las peores se toma la
mejor o que genere mejor pago.
iii. Si la tabla est en funcin de los costos se toman primero los peores pagos y de
estos se escoge el mejor.
Ahora para resolver el problema de la compaa ACME tenemos que en la tabla de escenarios
posibles (ver tabla1.) los estados de la naturaleza sern qu tipo de planta abriremos, por lo que
se define que el criterio conservador se toma el peor de los casos y de este se toma la mejor
solucin. Por lo tanto, tendremos la siguiente tabla

Tabla 3. Criterio Conservador.
Demanda
Alta Media Baja MAX

Pequea 4 4 -2 -2
Tamao de la
Mediana 0 3 -1 -1
planta
Alta 1 5 -3 -3

Al considerar el peor de los escenarios se toma la mejor de las soluciones del mismo por lo tanto
la solucin es una planta mediana.
3.3. Criterio Minimax (arrepentimiento)

i. Se debe construir una tabla de costos de oportunidad (arrepentimiento).
ii. La tabla se construye al calcular, para cada estado de la naturaleza, la diferencia

entre el pago de cada alternativa con el mejor pago para dicho estado de la
naturaleza.
iii. A cada alternativa se le asigna el mayor costo de oportunidad posible, luego se

selecciona la alternativa con el menor de los costos asignados. Es decir, se
selecciona la alternativa con el mnimo de los costos de oportunidad mximos.

Para resolver el problema por medio del criterio minimax tenemos
Tabla 4. Creacin de la nueva matriz de pagos.
Demanda
Alta Media Baja

Pequea 4-4 5-4 -1+2
Tamao de la
Mediana 4-0 5-3 -1+1
planta
Alta 4-1 5-5 -1+3

A partir de la nueva matriz tomamos el menor de los mximos costos.
Tabla 5. Matriz de pagos minimax.
Demanda
Alta Media Baja MAX

Pequea 0 1 1 1
Tamao de la
Mediana 4 2 0 4
planta
Alta 3 0 2 3
La planta a construir ser una planta pequea.

Toma de decisiones considerando probabilidades.
a. Criterio del valor esperado.
i. Si existe informacin disponible sobre el comportamiento probabilstico de los

estados de la naturaleza, se puede usar el criterio del valor esperado (EV).
ii. El pago esperado de cada decisin es calculado al ponderar los pagos bajo cada
estado de la naturaleza con la probabilidad respectiva de cada estado.
iii. La decisin escogida ser la que presente el mejor valor esperado.
iv. El valor esperando de la decisin " esta dado por la siguiente expresin ;
)
" = ( "(
(*+
Donde
N=Numero de estados de la naturaleza.
( =Probabilidad de que ocurra el estado di.
"( =el pago obtenido por di y el estado de la naturaleza sj.
4. Arboles de decisin
Un rbol de decisin es una representacin cronolgica del problema.
Existen dos tipos de nodos: crculos (estados de la naturaleza) y cuadrados (alternativas de
decisin).

Las ramas del rbol dejando cada crculo representa a cada estado de la naturaleza, mientras las
ramas que dejan cada cuadrado representa a cada alternativa de decisin.

Al final de cada rama-fin del rbol se encuentran los pagos acumulados de todas las ramas
desde el inicio hasta la rama-fin

Ejemplo 2.

El restaurante Burger Prince est considerando construir un nuevo restaurante en la carrera
sptima. Se ha estimado que la tasa de arribo de clientes al restaurante puede ser de 80
clientes/hora (s ) con una probabilidad del 40%, 100 clientes/hora (s ) con una probabilidad del
1 2
20% y 120 clientes/hora (s ) con una probabilidad del 40%. El restaurante puede abrir uno de
3
tres tipos de locales (d , d o d ). Las utilidades promedio (en dlares) para cada escenario se
1 2 3
muestran a continuacin.

Tabla 6. Matriz del ejemplo2.
Demanda
80c/h 100 c/h 120 c/h
D1 10000 15000 14000
Modelo Local D2 8000 18000 12000
D3 6000 16000 21000
Figura 1. Arbol de decision ejemplo 2.

Fuente : Elaboracin propia 2016.

Figura 1. Arbol de decision ejemplo 2 desarrollado.
Por lo tanto, la respuesta para el ejemplo ser el estado 3 o D3.

Valor esperado de la informacin perfecta:
Con frecuencia, antes de tomar una decisin, se puede contar con informacin que permite
mejorar la estimacin de las probabilidades de los estados de la naturaleza.

El Valor Esperado de la Informacin Perfecta (EVPI) corresponde al incremento

en el valor esperado si se sabe con certeza cul estado de la naturaleza va a
ocurrir.
El EVPI ofrece un valor lmite del precio que se deber pagar por la informacin
muestral.

Pasos para Calcular el EVPI:
Determine el pago ptimo para cada estado de la naturaleza.
Calcule el valor esperado con esos valores ptimos y las probabilidades

correspondientes.
Halle la diferencia entre el Valor Esperado (EV) de la mejor decisin y el valor

esperado con los pagos ptimos. El resultado ser el EVPI.

Ahora lo primero es que hallan los mejores pagos para cada estado de la naturaleza

80 c/h 100 c/h 120 c/h
Pago optimo 10000 18000 21000

Por lo tanto hallamos 0.4*10000+0.2*18000+0.4*21000= 16000 , por lo tanto como el valor
esperado del mejor de los resultados es 14000 el EVPI ser de :

EVPI= 16000-14000=2000

Probabilidades Posteriores.

La informacin muestral puede ayudar a estimar mejor las probabilidades de

ocurrencia de un estado de la naturaleza.
Las estimaciones iniciales son llamadas probabilidades anteriores (a prior).
Utilizando probabilidades condicionales, las probabilidades anteriores se pueden

actualizar utilizando el teorema de Bayes.
Las probabilidades actualizadas se conocen como probabilidades posteriores (a

posterior).
Pasos para el clculo:

Para cada estado de la naturaleza multiplique la probabilidad anterior por la

correspondiente probabilidad condicional del indicador, as se obtiene la
probabilidad conjunta.
Sume las probabilidades conjuntas del mismo indicador sobre todos los estados
de la naturaleza, as se obtiene la probabilidad marginal.
Para cada estado de la naturaleza, divida la probabilidad conjunta sobre la

probabilidad marginal del indicador. El resultado ser la probabilidad posterior.
El Valor Esperado de la Informacin Muestral (EVSI) corresponde al incremento

en el valor esperado si se obtiene informacin a travs de un estudio o muestra.
Su valor est acotado por el valor de la informacin perfecta.


Pasos para Calcular el EVSI:

Determine la decisin ptima y el pago esperado para cada estado de la

naturaleza utilizando las probabilidades posteriores.
Calcule el valor esperado con los valores obtenidos y las probabilidades

marginales.
Halle la diferencia entre el Valor Esperado (EV) de la mejor decisin con las
probabilidades anteriores y el valor esperado con las probabilidades posteriores.
El resultado ser el EVSI.
La eficiencia de la Informacin Muestral es la razn entre el EVSI y el EVPI.
Lo eficiencia siempre es un nmero entre 0 y 1.

GLOSARIO DE TRMINOS

Criterio Optimista: Se le dice as al criterio maximax.

Grfica que nos muestra la relacin entre la utilidad y los valores

Curva de Utilidad monetarios; al trazarse esta curva se pueden utilizar los valores de utilidad
en la toma de las decisiones.

Distribucin de
Se utiliza frecuentemente para calcular el tiempo y variaciones de
Probabilidades
terminacin de las actividades en las redes.
Beta:

Conjunto de relaciones existente en cualquier sistema de colas de un

Ecuacin de Little:
estado estable.

Estado de la
Resultado en el que el administrador tiene poco o nulo control.
Naturaleza:

Lnea de Espera Uno o ms clientes u objetos que permanecen en modo de espera para
(Cola): recibir un servicio.
M/D/1: Notacin Kendall para el modelo constante de tiempos de servicio.
Notacin Kendall para el modelo de nico canal con llegadas Poisson y

M/M/1:
tiempos de servicio exponenciales.
Notacin Kendall para el modelo de colas multicanal con m servidores,

M/M/m:
llegadas Poisson y tiempos de servicio exponenciales.
Criterio optimista para tomar una decisin; se presenta cuando se opta

Maximax:
por la alternativa con el rendimiento posible ms alto.

Criterio pesimista para tomar una decisin, en esta alternativa se busca
Maximin: maximizar la ganancia mnima seleccionando la opcin con las mejores y
peores ganancias.
Mtodo de clasificacin de sistema de colas basado en la distribucin de

Notacin Kendall:
llegadas, de tiempos de servicio y de la cantidad de canales de servicio.

REFERENCIAS

Anderson, D. S. (2005). Mtodos Cuantitativos Para Los Negocios (Novena Edicin ed.). Mexico:

Limusa.

BAZARRA, M., & JARVIS, J. J. (2005). Programacin lineal y flujo en redes. (Segunda Edicin. ed.).

Castillo. (20 de Noviembre de 2007). Departamento Unican. Obtenido de Unican:

HILLIER, F. &. (2006 ). Texto principal: Introduccin a la Investigacin de Operaciones. (6
Edicin. ed.). N/A: McGraw Hill. .


McGraw-Hill.


TAHA, H. ( 1997). Investigacin de Operaciones: Una Introduccin (Sexta edicin ed.). NY:
Prentice Hall.

WINSTON, W. (2005). Investigacin De Operaciones Aplicaciones Y Algoritmos (Cuarta Edicin
ed.). Mxico : Thomson.


Toma Desiciones 1 A 8

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Toma Desiciones 1 A 8

Hochgeladen von

Copyright:

Verfügbare Formate

REDES PARA LA ADMINISTRACIN

Estimados estudiantes, a lo largo de la cartilla encontrarn la fundamentacin y desarrollo de la teora

DESARROLLO DE CADA UNA DE LAS UNIDADES TEMTICAS

1. Redes para la administracin de proyectos CPM

1.1. Representacin como red

Nodo: es la representacin de cada una de las actividades del proyecto.

Para entender esto de manera correcta tenemos el siguiente ejemplo:

Un proyecto con 5 actividades debe cumplir las siguientes restricciones:

MODELO PARA LA TOMAS DE DECISIONES 3

Ahora realizaremos la construccin de la red segn las restricciones de la tabla 1.

Figura 1. Representacin como red del ejemplo

Fuente: Elaboracin propia (2016)

Actividad Predecesor Tiempo

Fuente: Elaboracin propia (2016)

Earlist start (ES): es el tiempo ms temprano de iniciacin de una tarea

Figura 2. Estructura de una actividad en una red

Fuente: Elaboracin propia (2016)

1. El ES ser el mximo de los tiempos de finalizacin de las actividades que preceden a la

MODELO PARA LA TOMAS DE DECISIONES 5

Fuente: Elaboracin propia (2016)

Figura 4. Primer paso del desarrollo de una red

Fuente: Elaboracin propia (2016)

Empezamos a encontrar el tiempo de inicializacin temprana de las actividades C y D. Entonces, para el

MODELO PARA LA TOMAS DE DECISIONES 7

Fuente: Elaboracin propia (2016)

Figura 6. Hallar el valor de ES de E

Fuente: Elaboracin propia (2016)

Hallamos el valor de EF de la actividad E, que es bsicamente sumar el Es hallado anteriormente ms el

Fuente: Elaboracin propia (2016)

Fuente: Elaboracin propia (2016)

Ahora el tiempo LF o de terminacin tarda de las actividades C y D es bsicamente el tiempo de

Fuente: Elaboracin propia (2016)

Figura 10. Como hallar el LF de la actividad A

Fuente: Elaboracin propia (2016)

Ahora ya para finalizar la red quedar como se muestra en la figura 10.

Figura 11. Red completa

MODELO PARA LA TOMAS DE DECISIONES 9

Figura 12. Holguras de cada una de las actividades

Fuente: Elaboracin propia (2016)

1.2. Ruta crtica

Actividad Predecesores Tiempo

Figura 13. Red del ejemplo 2

Fuente: Elaboracin propia (2016)

Fuente: Elaboracin propia (2016)

MODELO PARA LA TOMAS DE DECISIONES 11

Fuente: Elaboracin propia (2016)

Castillo. (20 de Noviembre de 2007). Departamento Unican. Recuperado de Unican:

Hopp, W. &. (2008). M. Factory Physics. NY: McGraw Hill.

Winston, W. (2005). Investigacin De Operaciones Aplicaciones Y Algoritmos (Cuarta Edicin ed.).

MODELO PARA LA TOMAS DE DECISIONES 13

Estimados estudiantes a lo largo de la cartilla encontrarn la fundamentacin y desarrollo de la teora

La produccin es instantnea: no se tienen restricciones de capacidad y el lote completo es

Figura 1. Inventario EOQ.

Fuente: Elaboracin propia (2016)

Cantidad ptima para ordenar ser:

El nmero de rdenes por ao que se debern solicitar son:

Para hallar el tiempo entre pedidos ser:

EL punto de reorden del inventario ser:

tanto quedara de la siguiente manera:

inventario ms el costo anual de alistamientos.

Para aplicar lo dicho anteriormente sobre inventarios mostraremos el siguiente ejemplo:

BBB abre 300 das por ao.

La tasa de produccin es finita y constante en el tiempo.