Metodos Cuantitativos para Los Negocios

1
2

3

Econ. YbniosEl Grijalva Yauri

4

Tabla de convenciones
Indicadores de logro
Actividad
Actividad Actividad
Observacin
Observacin Observacin
Bibliografa recomendada
Nexo
Nexo
Nexo
Resumen
Resumen
Resumen
Autoevaluacin formativa
Autoevaluacin formativa Autoevaluacin formativa

UNIVERSIDAD PERUANA LOS ANDES
Educacin Abierta y a Distancia.
Huancayo.

Impresin Digital
SOLUCIONES GRAFICAS S.A.C.
Jr. Puno 564 - Hyo.
Telf. 214433

5
TABLA DE CONTENIDOS
Tabla de contenido
TABLA DE CONTENIDOS 5
PRESENTACIN 11
UNIDAD TEMTICA I 13
METODOS CUANTITATIVOS Y PROCESO DE TOMA DE DECISIONES. 13
Objetivos del Captulo 13
1.0 Introduccin 13
1.1 Conocimiento y Toma de Decisiones 13
1.1.1 La Informacin en las Organizaciones 13
1.1.2 Toma de Decisiones y Racionalidad 14
1.1.3 Organizacin: Gestin y Procesos de Decisin 15
1.1.4 Anlisis de la Informacin 16
1.1.5 Consideraciones 16
1.2 Contribucin del Enfoque de los Mtodos Cuantitativos 17
1.3 Proceso de Modelado de los Mtodos Cuantitativos 17
1.4 Mtodos Cuantitativos, Enfoque Sistmico y Modelizacin. 18
1.5 Modelizacin: Concepto. Distintos tipos de modelos. 18
1.5.1 Tipos de modelos 18
1.5.2 Las ventajas de modelar 19
1.5.3 Los modelos matemticos 19
1.5.4 Algunos Modelos Determinsticos y Probabilsticos. 21
1.6 Construccin de Modelos: Metodologa y Etapas. Datos: Formas y Fuentes. 22
1.7 Desarrollo de Modelos: Preparacin, Mtodos de Clculo y Resolucin. 23
1.7.1 Proceso de formulacin de un problema de optimizacin 23
1.8 Otras Aplicaciones de Modelos Matemticos. 24
1.8.1 Modelos Determinsticos 24
1.8.2 Modelos Probabilsticos 24
1.8.3 Toma de Decisiones con Pura Incertidumbre 25
1.8.4 Toma de decisiones con riesgo 25
1.9 Actividades para Aprendizaje. 25

6
UNIDAD TEMTICA II 27
PRONSTICOS DE NEGOCIOS 27
Objetivos del Captulo. 27
2.0 Introduccin. 27
2.1 Teora de Series Temporales 29
2.2 Anlisis De Una Serie Temporal 31
2.2.1 Modelizacin por componentes 31
2.2.2 Enfoque Box - Jenkins 35
2.3 Descomposicin de Una Serie Temporal 37
2.3.1 Medias mviles: tendencia 40
2.3.2 Estacionalidad 43
2.3.3 Descomposicin Aditiva: Caso temperaturas 47
2.3.4 Descomposicin Multiplicativa: Caso usuarios transporte pblico 51
2.4 Modelizacin con Variables Categricas 55
2.5 Actividades para el Aprendizaje. 61

UNIDAD TEMTICA III
FORMULACION Y OPTIMIZACION DE MODELOS 63
3.0 Introduccin 63
3.1 Programacin Lineal: Formulacin de Problemas 63
3.1.2 Orgenes de la Programacin Lineal 64
3.1.3 Formulacin de Modelos 65
3.2 Programacin Lineal: Mtodos de Resolucin 71
3.2.1 El mtodo grfico 71
3.2.2 El Mtodo Simplex 74
3.2.3 Adaptacin a otro tipo de modelos 85
3.2.4 Situaciones especiales en el mtodo Simplex 87
3.2.5 Soluciones con Software 88
3.3 Programacin Lineal Entera 91
3.3.1 El algoritmo de bifurcacin y acotamiento 92
3.3.2 Programacin Entera y Solver 94
3.3.3 Programacin Entera Binaria: El Problema de la Mochila 95
3.3.4 El Problema de Asignacin 96

7
3.3.5 Problemas de Localizacin de Servicios 98
3.3.6 Conclusiones 107

UNIDAD TEMTICA IV
MODELOS DE INVENTARIOS. 109
4.0 Introduccin 109
4.1 Definiciones y Funciones. 109
4.2 Clasificacin de los sistemas PRODUCTIVOS segn la demanda. 110
4.3 Estructura de Costos de Inventarios. 112
4.3.1 Nomenclatura Asociada a Inventarios. 112
4.4 Decisiones sobre inventarios 113
4.5 Anlisis de la Tasa de Demanda y Tasa de Reposicin. 113
4.6 Polticas de inventario. 114
4.6.1 Poltica de Revisin Peridica. 115
4.6.2 Poltica de Revisin Continua. 115
4.7 Dimensionamientos de las Cantidades a Ordenar. 116
4.7.1 Modelo de un nico Producto: 116
4.7.2 Modelos con Tiempo de Espera. 119
4.7.3 Anlisis De Sensibilidad. 120
4.7.4 Cantidades Descontinuadas. 122
4.7.5 Situaciones Con Mltiples Inventarios. 124
4.7.6 Calculo del Periodo Optimo. 126
4.8 Modelos con Demanda Probabilstica 128
4.8.1 Modelo Simple 129
4.8.2 Clculo de Inventario de seguridad para la Poltica de Revisin Continua. 130
4.8.3 Calculo de Inventario de Seguridad en Poltica de Revisin Peridica. 131
4.9 Resumen Final de Inventarios. 134
4.9.1 Enfoque Japons. 134
4.9.2 Sistema de Costeo ABC. 135
4.10 Sistemas de Control de Inventarios 136
4.10.1 Tipos de Sistemas de Control 136

8
UNIDAD TEMTICA V
MODELACION DE COLAS. 139
5.0 Introduccin. 139
5.1 Descripcin de un sistema de colas 139
5.2 Objetivos de la gestin de colas 141
5.3 Medidas del sistema 141
5.4 Un sistema de colas elemental: tasa de llegada y de servicio constantes 142
5.4.1 No hay cola, tiempo ocioso del servidor 142
5.4.2 No hay cola ni tiempo ocioso del servidor. 142
5.4.3 Formacin de cola y sin tiempo ocioso en el servidor 142
5.5 Las distribuciones de Poisson y Exponencial 142
5.5.1 La distribucin de Poisson 142
5.5.2 La distribucin Exponencial 143
5.6 Modelo de Colas Simple: Llegadas en Poisson y Tiempos de Servicio Exponencialmente
Distribuidos. 144
5.7 Modelo mltiple de Colas: Llegadas en Poisson y Tiempos de Servicio Exponencialmente
Distribuidos. 146
5.8 Limitaciones de los modelos de gestin de colas 147
5.9 Ejemplo de simulacin de un sistema de colas. 147
5.9.1 Recogida de datos 147
5.9.2 Simulacin de llegadas. 148
5.9.3 Simulacin de los tiempos de servicio 149
5.9.4 Simulacin conjunta del sistema 150

UNIDAD TEMTICA VI 153
ANALISIS DE LA TEORA DE LA DECISIN 153
6.0 Introduccin 153
6.1 Las decisiones en la empresa 153
6.2 Problemas de decisin estticos 154
6.3 Eleccin del criterio de decisin en condiciones de incertidumbre: 154
6.4 En situacin Riesgo. 157
6.5 Problemas de decisiones estticas 159

9
6.6 La Utilizacin de la Informacin Perfecta y el Concepto de Valor Esperado en Contexto de Riesgo.
161
6.7 La utilizacin de la informacin imperfecta y el concepto de valor esperado en contexto de
riesgo. 162
6.8 Decisiones secuenciales y rboles de decisin: 165
UNIDAD TEMTICA VII
ADMINISTRACIN Y GESTIN DE PROYECTOS 171
CON PERT CPM 171
7.0 Introduccin 171
7.1 Definicin de la Gestin y Administracin de Proyectos 171
7.2 Representacin grfica de un Proyecto 173
7.3 Planificacin Temporal del Proyectos CPM 177
7.4 El Grfico Gantt 181
7.5 El PERT 182
7.6 Planificacin de Recursos: Tiempo-Costo 185
7.7 Conclusiones 186
7.8 Actividades para el Aprendizaje 187
UNIDAD TEMTICA VIII
INTRODUCCION AL MTODO DE SIMULACIN 189
MONTE CARLO 189
8.0 Introduccin 189
8.1 Inicios del Mtodo de Monte Carlo 189
8.2 Simulacin: Mtodo Monte Carlo 190
8.2.1 Mtodos de simulacin 190
8.2.2 Etapas del proceso de simulacin 191
8.2.3 Diagrama de flujo del modelo de simulacin 191
8.3 Algoritmos 191
8.4 Qu es la Simulacin de Monte Carlo? 194
8.4.1 Simulacin MC con Variables Discretas 196
8.4.2 Generacin de Nmeros Aleatorios Provenientes de Otras Distribuciones 199
8.4.3 Simulacin MC con Variables Continuas 200

10

11

PRESENTACIN

En estos tiempos de economa global, las empresas necesitan ser cada vez ms eficientes y
eficaces, para mantenerse competitivas dentro de un mercado cada vez ms complejo. Por lo que es
necesario hacer el mejor uso de los recursos escasos, con ayuda de la tecnologa, metodologas y nuevos
instrumentos.

Los mtodos cuantitativos tienen un espectacular impacto sobre la rentabilidad de numerosas
empresas. Los paquetes de hojas de clculo ofrecen un entorno de trabajo cmodo y conocido para
formular y analizar problemas; se ocupa, automticamente, de aplicar las matemticas necesarias con un
mnimo de instrucciones por parte del usuario.

Los mtodos cuantitativos son una disciplina que ayuda en la toma de decisiones mediante la
aplicacin de un enfoque cientfico a problemas que involucran factores cuantitativos. Tienen una base
slida en campos cientficos que incluyen matemticas y ciencias de la computacin. Tambin se apoyan
en ciencias sociales, en especial en los negocios y las finanzas. Un estudio de mtodos cuantitativos solo
brinda un anlisis y recomendaciones, con base en los factores cuantitativos del problema. Los cuales
ayudan a la toma de decisiones. Pero el tomador de decisiones tambin debe tener en cuenta los aspectos
intangibles fuera del dominio de los mtodos cuantitativos y luego usar su mejor criterio para tomar la
decisin.

Gran parte de los autores recomiendan una serie de pasos a seguir para la aplicacin de un
mtodo cuantitativo para una investigacin sistemtica.

Paso 1: Definir el problema y recolectar los datos.
Paso 2: Formular un modelo para representar el problema.
Paso 3: Desarrollar un procedimiento basado en computadora para derivar
soluciones del problema a partir del modelo.
Paso 4: Probar el modelo y refinarlo segn se necesite.
Paso 5: Aplicar el modelo para analizar el problema y desarrollar las
recomendaciones.
Paso 6: Ayudar a implantar las recomendaciones.

El proceso de modelado es creativo: Cuando se trata con problemas reales, es comn que no haya
un modelo correcto sino varias formas alternativas para realizarlos. El proceso de modelado es un
proceso evolutivo que comienza con un simple modelo verbal para definir la esencia del problema y
gradualmente evoluciona hacia los modelos matemticos cada vez ms completos.

La belleza de un modelo bien diseado es que permite que los procedimientos matemticos
corran en una computadora para encontrar buenas soluciones al problema. Ya que los modelos
matemticos son representaciones ideales, estn expresados en trminos simblicos y matemticos. Casi
siempre para poder analizar los problemas reales se tienen que hacer varios supuestos.

Muchos problemas en los negocios y finanzas giran alrededor de factores cuantitativos como
cantidades de produccin, ingresos, costos, cantidades disponibles de recursos necesarios y otros. Al
incorporar estos factores cuantitativos en un modelo matemtico y aplicar procedimientos matemticos
para resolver el problema, los mtodos cuantitativos brindan una forma singularmente poderosa para
analizar problemas. Aunque los mtodos cuantitativos se ocupan de la gestin practica de las
organizaciones, incluido tomar en cuenta los factores de la relevancia cuantitativa, su contribucin
especial descansa en su habilidad singular para manejar los factores cuantitativos.

Dentro de los modelos, las variables de la decisin pueden ser enteras o continuas, el objetivo y
las funciones de restriccin pueden ser lineales o no lineales o enteras. Los problemas de optimizacin
planteados por estos modelos dan origen a una variedad de mtodos de solucin, cada uno diseado para

12
tomar en cuenta las propiedades matemticas especiales del modelo. Entre las tcnicas ms prominentes
y exitosas se encuentran: series de tiempo, programacin lineal, programacin entera, programacin de
redes y rboles entre otras. La construccin de modelos en hojas de clculo se presenta como un apoyo
para las decisiones. El enfoque consiste en desarrollar un modelo con las herramientas de este programa
y finalmente tomar una decisin basada en ese anlisis.

Los modelos son una representacin limitada de la realidad y, por esa razn, los resultados de
anlisis de un modelo no son necesariamente la solucin idnea para la situacin original. En particular,
se hace hincapi en la idea de optimo es una concepcin matemtica, no un concepto perteneciente al
mundo real. Sin embargo, si un modelo ha sido bien formulado y su resultado se interpreta
cuidadosamente, podr proveer un valioso acervo a la toma de decisiones.

Se presentan los conceptos de: variables de decisin, parmetros, restricciones, objetivos y
medidas de desempeo, todos los cuales son componentes importantes de los modelos. Describimos
distintos tipos de modelos y el papel decisivo que los datos desempean en su construccin. Hemos
expuesto el proceso iterativo mediante el cual son construidos los modelos, la funcin que corresponde a
distintos tipos de modelos en las organizaciones de negocios, y temas relacionados con la validacin de
modelos. Un aspecto importante de destacar es la forma en que los modelos refuerzan los conocimientos,
favorecen la comunicacin de ideas a otras personas y facilitan el trabajo en equipo.

El Compilador.

13

.

METODOS CUANTITATIVOS Y PROCESO DE TOMA DE
DECISIONES.

Objetivos del Captulo

Desarrollar diversos modelos matemticos, comprendiendo sus supuestos y limitaciones que
podran aplicarse dentro de lo operativo de la empresa
Resaltar la necesidad de que la toma de decisiones dentro de las organizaciones se haga de una
forma ptima, analizando los costos y beneficios involucrados.
Comprender la forma en que los mtodos cuantitativos se aplican al proceso de toma de
decisiones en las empresas.
1.0 Introduccin

Los Mtodos Cuantitativos construyen modelos de sistemas reales tratando de llegar a unos resultados
cuantitativos que sirvan de base a decisiones econmicas, tcnicas, sociales y militaresetc.

La premisa principal de los Mtodos Cuantitativos es que la toma de decisiones, sin hacer caso de la
situacin en concreto, pueda considerarse como un proceso sistemtico en general con los siguientes
pasos principales: Definicin del problema, Bsqueda de diferentes alternativas de accin, Evaluacin de
alternativas, Seleccin de una alternativa.

Entonces, los Mtodos Cuantitativos se aplican a problemas que se refieren a la conduccin y
coordinacin de operaciones o actividades dentro de una organizacin de tipo ejecutivo . La naturaleza
de la organizacin es esencialmente inmaterial y, de hecho, los mtodos se han aplicado en los negocios, la
industria, la milicia, el gobierno, los hospitales, etc. As, la gama de aplicaciones es extraordinariamente
amplia.
1.1 Conocimiento y Toma de Decisiones
1

La situacin econmica y social que caracteriza a la sociedad moderna, genera profundos cambios en las
organizaciones, las cuales se estn preparando para ser ms flexibles y establecer estrategias que les
permitan adaptarse al entorno altamente turbulento en el que desarrollan sus acciones.
Ante ambientes tan inestables como los que estamos viviendo y debido a la imposibilidad de actuar a
ciegas, los miembros de la organizacin y, en particular, su alta gerencia, necesitan manipular grandes
volmenes de informacin para cumplir sus funciones esenciales. Esto conlleva a la necesidad de
implementar nuevas prcticas administrativas dirigidas a garantizar el xito organizacional, y entre ellas,
la toma de decisiones soportada en el anlisis de informacin, resulta vital para los intereses de cualquier
organizacin.
1.1.1 La Informacin en las Organizaciones

La segunda mitad del siglo XX fue testigo de algunos hechos concretos que propiciaron grandes cambios,
entre ellos: la aparicin de las computadoras, el crecimiento acelerado de su velocidad de procesamiento
y la capacidad para el almacenamiento de datos, la facilidad de interconexin y la aparicin de la gran red
de redes: Internet.
Sin duda, ello ha posibilitado disponer de servicios de acceso en lnea a bases de datos y ha provocado una
gran explosin de informacin que rebasa la capacidad de procesamiento de las organizaciones,
obligando a la bsqueda de herramientas para el manejo de grandes volmenes de informacin. Cada vez

1
(1) Leroux, Rosa Maria Garcia de.

14
es menor el tiempo necesario para transformar un conocimiento bsico en ciencia aplicada, y luego en
tecnologa; asimismo, se dispone de ms informacin como resultado del desarrollo de las nuevas
tecnologas de la comunicacin.
Todo esto, unido al incremento de la competencia a nivel mundial, impulsado por el dominio de las
trasnacionales, una creciente necesidad de dotacin en tcnicas de captacin y anlisis de informacin
sobre el entorno competitivo y tecnolgico y, en particular, de nuevas formas organizativas.
Estos continuos cambios en el entorno y en el interior de las organizaciones, promueven, cada vez ms, la
necesidad de mejorar el proceso de toma de decisiones, y ello repercute en un mejoramiento de la
informacin que llega a la ms alta direccin.
En este empeo, comprobada est la marcada importancia del aprovechamiento del imponente caudal de
recursos de informacin existentes para toma de decisiones en las instituciones.
1.1.2 Toma de Decisiones y Racionalidad

La toma de decisiones es el campo de mayor trascendencia para el ser humano. Es una ciencia aplicada
que ha adquirido notable importancia y es fundamental en los negocios.
La toma de decisiones puede conceptualizarse, entonces, como una actividad imprescindible en las
organizaciones, con un significado especial para todos sus niveles, porque es parte fundamental e
inherente a todas las dems actividades de la empresa.
Sabido es que actualmente, en el marco de las organizaciones, muchas decisiones se toman sin considerar
explcitamente las etapas de ese proceso o los mtodos cuantitativos y cualitativos existentes en las
distintas ramas, y que las tradiciones, los hbitos, la propia intuicin y la experiencia de un directivo,
desempean una funcin importante en la forma en que se pretende solucionar los problemas.
En el proceso de toma de decisiones no siempre se dispone, en el momento preciso, de toda la
informacin requerida, y mientras ms compleja sea la decisin, ms difcil resultar conocer todas las
alternativas. Adems, aunque quien tome la decisin trate de ser objetivo, no siempre ser posible
lograrlo. Debido a ello, no se puede esperar que las personas acten en forma completa y estrictamente
racional, cuando se enfrentan a la ineludible necesidad de decidir.
La mayora de los que tienen esta responsabilidad, intentan tomar sus decisiones dentro del marco de la
racionalidad, aunque no siempre esto es posible debido a que se enfrentan a un mundo real, muy
complejo, en el que las limitaciones de informacin, tiempo e incertidumbre, limitan considerablemente el
uso de la capacidad de raciocinio.
Un elemento importante que debe ser considerado en este proceso, es el hecho de que el decisor se
comporta racionalmente, slo en funcin de aquellos aspectos de la situacin que logra percibir y
conocer, por lo que aquellas variables no advertidas o de las que no se ha percatado, aunque influyan en
el resultado, no son consideradas en el proceso decisional. Por otro lado, mientras mayor sea la calidad de
la informacin que se disponga, mayor ser tambin el aporte de elementos de juicio sobre el problema a
resolver, lo que incrementa la probabilidad de que la decisin sea ms racional y saludable para el logro
del objetivo deseado.
Adicionalmente, es necesario considerar que las personas que toman decisiones, poseen preferencias,
prejuicios, predisposiciones, gustos y desagrados que, sin nimo de disertar sobre la psicologa del ser
humano, deben reconocerse como caractersticas intrnsecas del individuo, por lo que la persona que
realmente desee tomar una decisin acertada requiere: a) conocer todas las alternativas; b) ser objetivo;
y c) estar informado.
En consecuencia, los datos, la informacin y el conocimiento son elementos fundamentales para la toma
de decisiones en las organizaciones. Estos tres elementos forman un sistema jerrquico, siendo
importante establecer cmo se relacionan y los aspectos que los diferencian.
Los datos como ingredientes en bruto, sin significado y desvinculados de la realidad, resultan incapaces
de esclarecer cualquier estado de incertidumbre, constituyen la materia prima de la informacin.
Los datos se vinculan con los registros estructurados de hechos significativos que, analizados y
convertidos en informacin, representan actividades comerciales, oportunidades de compra/venta,
informacin sobre el mercado, sobre los competidores, etctera. Es decir, son la principal fuente para la
obtencin de informacin valiosa para el proceso de toma de decisiones.
La informacin est representada por los datos que adquieren un mayor significado luego de que se
codifican y se transmiten, en un lenguaje comprensible para el usuario.

15
La informacin se considera, entonces, como el conjunto de datos que se han procesado, automtica o
manualmente, y que estn provistos de un significado (relevancia y propsito) que los convierte en tiles
para quien debe decidir.
La calidad de la informacin depende de la calidad de los datos y de la capacidad de quien la procese. Para
la toma de decisiones, la informacin estima y reduce la incertidumbre, puede sugerir otras alternativas
de decisin y eliminar otras; estimula.la accin y anticipa sus consecuencias.
La informacin es un agente importante en la modificacin de las conductas existentes en la organizacin
y un recurso vital para el desarrollo de la organizacin. Su correcta gestin es una herramienta
fundamental para la toma de decisiones, la informacin del personal, la evaluacin de los productos, la
determinacin de los errores y el control de los procesos. La informacin es un recurso, un valor y un
activo, igual que cualquier otro; y como recurso, tiene caractersticas que lo hacen similar a los dems, es
decir, que se adquiere a un costo, posee un valor, requiere del control de sus costos y tiene un ciclo de
vida.
En el contexto gerencial, una adecuada gestin de la informacin posibilita la reduccin de los riesgos,
tales como los que se derivan de decisiones apresuradas, tardas o inconsistentes. Obtener la informacin
necesaria, con la calidad requerida, es una premisa indispensable para la permanencia de las
organizaciones en su mbito de actuacin.
En lo que respecta al conocimiento, se puede conceptualizar como el conjunto de cogniciones y
habilidades con las cuales los individuos suelen solucionar los problemas. Comprende, tanto la teora
como la prctica, las reglas cotidianas al igual que las instrucciones para la accin. El conocimiento se
basa en datos e informacin, pero a diferencia de stos, siempre se vincula a las personas. Forma parte
integral de los individuos y representa las creencias de stos sobre las relaciones causales.
Lo que diferencia el conocimiento de la informacin es la complejidad de las experiencias que se
necesitan para llegar a l". "... para que un alumno llegue al conocimiento de una cierta asignatura, se ha
de exponer al mismo conjunto de datos de diferentes maneras, con diferentes perspectivas y ha de
elaborar su propia experiencia del mismo". La visualizacin de la informacin interviene en la
construccin del conocimiento, al revelar los patrones que subyacen en los datos.
Estas consideraciones citadas tienen algo en comn y es que casi todas mencionan la presencia de datos
con significado (mensaje con significado). As destacan la importancia de stos en la informacin y su
vinculacin con el proceso de la comunicacin. Sin datos es imposible la informacin.
Resulta innegable la vinculacin del conocimiento con el individuo, debido a todos los procesos cognitivos
por los que ste debe trascender. Aunque este trmino tiene una relacin significativa con la informacin,
sta no puede considerarse automticamente como conocimiento.
Es oportuno aclarar que el hecho de poder acceder a cantidades cada vez mayores de datos y an de
informacin, no asegura el crecimiento del conocimiento. Por un lado, gran parte de la inmensa cantidad
de datos, est constituido por aquellos que no afectan el conocimiento y por otro, el tiempo que consume
su filtraje por personas inexpertas, para desechar lo inservible y proporcionar un nuevo conocimiento, no
permite de forma oportuna la agregacin o el incremento del existente.
1.1.3 Organizacin: Gestin y Procesos de Decisin

El trabajo profesional vinculado a la informacin en cualquier organizacin, exige el dominio de un
conjunto de variables que estn presentes en su tratamiento. Asimismo. el dominio de las funciones de
gestin y de algunas de las principales herramientas que han sido desarrolladas en las ltimas dcadas,
no deviene en mero elemento cultural del profesional que maneja informacin, sino en una imperiosa
necesidad.
El acceso rpido y eficiente a una informacin confiable y precisa, permite adoptar una posicin adecuada
a la hora de tomar una decisin para solucionar un problema con un menor costo.
Las organizaciones precisan gerenciar inteligentemente todos sus procesos y recursos. Por esto, debe
hacerse una eficaz y efectiva gestin de la informacin y del conocimiento, de modo que propicie una
adecuada toma de decisiones.
Al analizar las implicaciones intrnsecas de los procesos y los recursos, resulta indiscutible que para
lograr el cumplimiento de estos dos factores esenciales para el logro del xito organizacional, es necesario
disponer de informacin previamente analizada, lo que sin lugar a dudas, evitar duplicidad de acciones,
esfuerzos y un gasto innecesario de tiempo en la toma de una decisin.
"...As la eficiencia est dirigida hacia la mejor manera por la cual las cosas deben hacerse o ejecutarse
(mtodos), a fin de que los recursos (personas, mquinas, materias primas) se empleen de la forma ms

16
racional posible La eficiencia se preocupa por los mtodos y procedimientos ms indicados que necesitan
planearse y organizarse adecuadamente con el fin de asegurar el perfeccionamiento del uso de los
recursos disponibles".
En este mismo orden de ideas, cabe sealar que toda organizacin que se proponga alcanzar la eficacia y
la eficiencia organizacionales necesarias, debe desarrollar un fuerte proceso decisorio.
Las afirmaciones de los que ven este proceso con un enfoque econmico, tambin coinciden en que
"aunque no hay decisiones prefectas, el criterio que orienta toda decisin es la eficiencia; la obtencin de
resultados mximos con medios limitados. La toma de una decisin significa la adopcin de una
alternativa escogida, que jams permite la realizacin completa o perfecta de los objetivos pretendidos;
pero que representa la mejor solucin encontrada en determinadas circunstancias".
1.1.4 Anlisis de la Informacin

El anlisis de la informacin puede definirse como un proceso mediante el cual se define las necesidades
del estudio, se busca informacin, se validan las fuentes, se procesa la informacin, se integra y se
presenta resultado.
El anlisis de informacin es el mtodo de investigacin que registra lo que contienen y descubre su
significado profundo tras la forma en que se presentan, para contribuir a la toma de decisiones.
Estos planteamientos reafirman la necesidad de que las organizaciones se enfrenten a un mundo cada vez
ms competitivo y, por tanto, al que es necesario adaptarse. Todo esto supone un enorme reto para las
empresas, en especial, para el manejo de grandes volmenes de informacin que posibiliten conocer el
entorno y predecir su evolucin. En este sentido, el anlisis de la informacin puede considerarse como el
lmite entre los sistemas de inteligencia y los sistemas de gestin de informacin, siendo el escaln en el
que mayor valor adquiere.
Es entonces indiscutible, la relacin existente entre el anlisis de la informacin y la toma de decisiones.
La toma de decisiones es el propsito final de los anlisis de informacin. Dichos anlisis pueden darse en
cualquier terreno de la vida, pero sin duda, presenta una importancia sobresaliente en el mundo de las
organizaciones.
De forma general, el anlisis de la informacin es un proceso de carcter continuo y sistmico de
transformacin de la informacin en conocimiento y de este ltimo, en decisiones estratgicas. En otras
palabras, buscan extraer conocimiento por medio de mtodos y tcnicas, tanto cuantitativos como
cualitativas, para proporcionar informacin til y valiosa al primer nivel de direccin, para la oportuna
toma de decisiones y, consecuentemente, para la obtencin de ventajas competitivas.
1.1.5 Consideraciones

La racionalidad de quienes toman decisiones debe seguirse de cerca. En este sentido. el anlisis de
informacin se convierte en el paso imprescindible de este proceso. Es donde se agrega mayor valor a la
informacin, al ser el proceso bsico en el que el analista invierte sus mayores esfuerzos, tanto fsicos
como mentales, para posibilitar el quehacer de la inteligencia empresarial y la adecuada toma de
decisiones.
La toma de decisiones est basada en el anlisis de los datos y la informacin, por lo que deben asumirse
ciertas consideraciones claves:
Para tomar decisiones acertadas, es mejor basarse en la frialdad y objetividad de los datos ms
que en intuiciones, deseos y esperanzas. Los datos plantean varios problemas tales como el modo
de obtenerlos, su fiabilidad y la necesidad de darles una interpretacin adecuada.
Un sistema de gestin de calidad mejora la calidad de la informacin obtenida y mejora los cauces
para obtencin. Con buena informacin, se pueden hacer estudios y anlisis de futuro.
Los datos son fros y basados en hechos reales; por lo tanto son objetivos, aunque no sean
aceptados por los miembros de la organizacin.
La informacin es la herramienta fundamental en la toma de decisiones de la empresa. A mayor
calidad de la informacin, mejor calidad en la toma de decisiones.
Desde el punto de vista de la gestin empresarial, la informacin es un recurso que se encuentra al mismo
nivel que los recursos financieros, materiales y humanos, que hasta el momento han constituido los ejes
alrededor de los cuales han girado los esfuerzos de gestin. El conocimiento del entorno complejo y
cambiante origina la necesidad, cada vez ms acuciante, de informacin para la toma de decisiones. Por
ello, el dominio de la informacin externa no debe hacer olvidar el control de los flujos internos de

17
informacin que la organizacin genera, as como tampoco se debe olvidar la informacin que la empresa
lanza al exterior, en algunos casos regulada por factores legales.
1.2 Contribucin del Enfoque de los Mtodos Cuantitativos

La contribucin del enfoque de los mtodos proviene principalmente de:

1. La estructuracin de una situacin de la vida real como un modelo matemtico, logrando una
abstraccin de los elementos esenciales para que pueda buscarse una solucin que concuerde
con los objetivos del tomador de decisiones. Esto implica tomar en cuenta el problema dentro del
contexto del sistema completo.

2. El anlisis de la estructura de tales soluciones y el desarrollo de procedimientos sistemticos
para obtenerlas.

3. El desarrollo de una solucin, incluyendo la teora matemtica si es necesario, que lleva al valor
ptimo de la medida de lo que se espera del sistema (o quiz que compare los cursos de accin
opcionales evaluando esta medida para cada uno).

El objetivo es familiarizar al lector con la formulacin, solucin y puesta en prctica de los modelos para
analizar problemas de sistemas complejos en la industria, comercio, o el sector pblico.

Su principal ventaja es que se apoya sobre un gran nmero de hechos y sustituye el razonamiento
intuitivo por el matemtico.
1.3 Proceso de Modelado de los Mtodos Cuantitativos

a. Definicin del problema a estudiar.

Como en cualquier otro mtodo de investigacin, se ha de comenzar aqu por reunir y analizar los
datos que afectan al problema que tratamos de estudiar, eliminando aquellos que no son relevantes, y
tratando de expresar cuantitativamente todos los que sea posible, de forma que quede el problema
perfectamente definido.

b. Confeccin del modelo cientfico, por lo general matemtico que representa el problema.

Puede adoptar formas muy variadas, pero generalmente consiste en un conjunto de funciones
(curvas, ecuaciones, inecuaciones, etc.), que expresan cuantitativamente las diversas relaciones
existentes entre el objetivo y las variables que afectan al problema. La dificultad del establecimiento
de algunos modelos deriva precisamente de esta estimacin cuantitativa.

c. Clculo de la solucin del modelo

Aplicando esencialmente el mtodo matemtico deductivo, se resuelve simblicamente el problema,
bastando despus con sustituir los smbolos por nmeros, para tener la solucin concreta del caso
estudiado.

d. Verificacin del modelo y de la solucin.

Primero se probara el modelo y la solucin.-El grado de bondad con que un modelo representa la
realidad de un problema, puede ser comprobado contrastando los resultados de la experiencia
pasada con las soluciones que en esas circunstancias aporta el modelo.

Despus se estableceran controles sobre la solucin. Aun en el supuesto de que, hecha esta
comprobacin, el modelo se demuestre vlido, la validez slo se mantiene en la medida en que las
variables no influenciables y las relaciones entre los factores permanecen constantes. Si se da un
cambio significativo, ha de corregirse la solucin o crear un modelo nuevo, recomenzando el proceso
de anlisis.

18

Tercero se lleva la solucin a la prctica.- Adems, los Mtodos Cuantitativos no son un proceso
automtico de decisiones, sino una metodologa que permite al responsable conocer y valorar
claramente las consecuencias de su decisin.

El campo de aplicacin de los Mtodos Cuantitativos es amplsimo. En realidad, se agrupan bajo ese
nombre tcnicas muy diversas que a veces slo tienen en comn el objetivo perseguido y el apoyo general
sobre una instrumentacin estadstico-matemtica muy avanzada.
1.4 Mtodos Cuantitativos, Enfoque Sistmico y Modelizacin.

El anlisis para toma de decisiones puede asumir dos formas bsicas: cualitativa o cuantitativa.

El anlisis cualitativo se basa primordialmente en el razonamiento y la experiencia del administrador;
incluye la impresin intuitiva que el administrador tiene del problema, y constituye una faceta que
puede ser identificada con el arte de la toma de decisiones. Sin embargo, si el administrador ha tenido
poca experiencia con problemas similares, o si el problema es lo suficientemente complejo, entonces
puede ser muy importante en la decisin final del administrador considerar otros puntos de vista y
analizar desde una perspectiva diferente.

Es entonces cuando, al utilizar el enfoque cuantitativo, el analista se concentra en los hechos o los datos
cuantitativos asociados al problema y desarrolla expresiones matemticas que describen los objetivos, las
restricciones y las relaciones existentes en el mismo. Despus, utilizando uno o ms mtodos
cuantitativos, el analista ofrece una recomendacin con base en los aspectos cuantitativos planteados;
para esto recurre a la aplicacin del mtodo cientfico como procedimiento de anlisis y resolucin del
problema complejo.

Si bien los administradores tienen ms aptitudes para el mtodo cualitativo -que se incrementan con la
experiencia- ste slo se aprende estudiando los supuestos y los mtodos de la ciencia de la
administracin. Se potenciara de sobremanera aquel administrador que tomara los conocimientos de los
mtodos cuantitativos para su toma de decisiones, colocndose en una mejor posicin para comparar y
evaluar sus recomendaciones.

Al aplicar mtodos enrolados en el enfoque cuantitativo se busca eliminar conjeturas improvisadas y los
razonamientos intuitivos y escasamente justificados que son frecuentemente aplicados en la toma de
decisiones frente a problemas complejos.

Adicionalmente, la bsqueda de soluciones teniendo en cuenta las interrelaciones dentro de la
organizacin, los distintos puntos de vista, intereses y poder de los actores involucrados, y las
responsabilidades sociales que derivan de su interaccin con el ambiente, proveen una perspectiva
particularmente interesante para el planteo de modelos; ella deriva del hecho de aplicar el enfoque
sistmico a la situacin, especialmente cuando se lo hace desde la dinmica de sistemas.
1.5 Modelizacin: Concepto. Distintos tipos de modelos.

Si se toma o define un problema errneamente todos los esfuerzos posteriores se concentrarn en
resolver algo que no funciona correctamente. Es por eso que, una vez que el problema ha quedado
bien definido, el cientfico de administracin comenzar a desarrollar el problema en trminos
matemticos.

Conviene entonces concretar en una definicin qu es lo que se entiende por modelo.

Los modelos son representaciones de objetos o situaciones reales; representaciones ms o menos
simplificadas que permiten aprehender una realidad an cuando no se la est observando directamente.
1.5.1 Tipos de modelos

Es posible identificar una amplia gama de clasificaciones segn las diversas dimensiones de anlisis de
modelos. La siguiente se considera suficiente para los fines que persigue este texto.

19

Modelos icnicos: son tambin conocidos como modelos fsicos, y estn constituidos por rplicas fsicas
de la realidad que representan. En esta clase se encuentran las maquetas de construcciones de ingeniera
y los juguetes a escala.

Otra clase de modelos son los analgicos, que son de forma fsica pero no tienen el mismo aspecto fsico
del objeto que representan. Las relaciones entre los objetos y variables estn representadas en un medio
diferente al real, comportndose en forma anloga a tal realidad. Es decir que su comprensin requiere de
un nivel de abstraccin mayor que en el primer caso, y un conocimiento previo de los conceptos y
relaciones involucrados en la realidad modelada. Tal el caso del velocmetro de un automvil, el marcador
de una balanza, un grfico de sectores circulares o de lneas de tendencia representando las ventas de una
empresa, etc.

Finalmente, los modelos matemticos, representan una situacin mediante smbolos y relaciones o
expresiones matemticas. Son parte crucial de cualquier enfoque cuantitativo, y algunos de ellos sern
desarrollados en este texto. Para su comprensin es necesario un nivel de abstraccin mayor an que en
los modelos analgicos. En contrapartida son ms adaptables que los otros dos tipos a distintas
situaciones en las que pueden aplicarse. Cuentan con variables cuantitativamente definidas y relaciones
matemticas, como, por ejemplo, los modelos del universo astronmico que construyen los fsicos
(rbitas de desplazamiento de cuerpos celestes y satlites artificiales, etc.), y los modelos con que los
economistas representan las relaciones entre los diversos mercados y factores que intervienen en una
Economa.
1.5.2 Las ventajas de modelar

La importancia del desarrollo de un modelo radica en que permite, a quien lo observa, figurarse cmo es
una realidad, a partir de:

1. Representar un problema que puede presentarse complejo para su comprensin;

2. Analizar distintas soluciones alternativas antes de enfrentar la realidad para cambiarla;

3. Extraer conclusiones anticipadamente, sin llegar a alterar la realidad para ver qu ocurre.

4. Experimentar en menos tiempo y sin necesidad de involucrarse en cambios que, efectuados
directamente sobre la situacin real, pueden derivar en situaciones irreversibles y de complejas e
inesperadas consecuencias.

5. Experimentar sin incurrir en los costos que supondra hacerlo con objetos y situaciones reales.

De manera tal que, considerando lo citado precedentemente, sin llevar adelante (por ejemplo) un proceso
de produccin se puede determinar si es rentable o no.

Para que los aspectos mencionados se conviertan en realidades palpables y sean efectivamente ventajas
importantes, se debe tener muy en cuenta que el xito del modelo matemtico y el enfoque
cuantitativo dependen en gran medida de la precisin con la que puedan expresarse, en trminos
de ecuaciones o relaciones matemticas, las distintas relaciones observadas que se quiere
representar.
1.5.3 Los modelos matemticos

Al momento de desarrollar un modelo se deber tener en cuenta que existen factores del entorno que no
estn bajo el control del administrador o del decisor, a los que se denomina insumos incontrolables del
modelo. A aquellos que son determinados o controlados por quien toma las decisiones en la realidad
representada por el modelo se los denomina insumos controlables del mismo. Entre estos insumos
estn las alternativas de decisin que el administrador especifica y, por ello, se las vincula a las variables
de decisin del modelo.

20
No debe olvidarse ac que tanto la situacin problemtica que llev a plantear el modelo como las
decisiones que se adopten y apliquen para solucionarla se desarrollan en un plano de realidad tangible,
mientras que tanto el modelo armado como los resultados obtenidos de l provendrn de un mundo
simblico con un grado importante de abstraccin. De manera que el resultado del modelo es
simplemente la proyeccin de lo que sucedera si ocurren los factores ambientales mencionados y tales
decisiones en una situacin real.

En tal sentido, la Figura, es claramente representativa de la situacin descripta en el prrafo anterior, y
que no debe ser soslayada por quien tiene a cargo el asesoramiento para la toma de una decisin como
tampoco por quien debe aplicarla.

Figura 1.1. El proceso de construccin de un modelo.

Para definir de qu forma se puede administrar un modelo que se aplica para la resolucin de una
situacin problemtica, es conveniente recurrir al auxilio de dos teoras.

La TEORIA NORMATIVA indica el como debera ser, recomendando qu decisin tomar para llegar al
ptimo si en la realidad se repite la situacin modelada. La Teora Normativa es prescriptiva: partiendo
del ofrecimiento de todos los elementos al alcance, el que toma la decisin debe actuar. Los modelos
normativos (tambin llamados de decisin, o de optimizacin) se apoyan en esta teora aportando
recomendaciones sobre la forma de comportarse para conseguir lo mximo (o lo mnimo) establecido
como objetivo. Tal objetivo es representado por una expresin matemtica que lo describe y se la
denomina funcin objetivo, la cual, siendo medida de desempeo del modelo, depende en su valor de
aquellos que adopten las variables de decisin. A esta funcin objetivo le acompaan funciones de
restriccin, las que indican condiciones o limitantes en los modelos que se evalan. Finalmente, se puede
identificar un conjunto de datos incontrolables, pero que deben tenerse en cuenta por ser importantes
para el modelo y su solucin, y se consignan como parmetros; o sea, variables que, para determinadas
circunstancias y situaciones de la realidad, adoptan valores que se mantendrn fijos durante el anlisis.

Por otra parte, la llamada TEORIA DESCRIPTIVA (o Teora Positiva) se basa en estudios que tratan de
decir cmo se acta y, adems, de "predecir" ese comportamiento. Un modelo descriptivo explica la
realidad en base a los datos. En este caso no existen una funcin objetivo ni restricciones, pero s se da
una medicin del desempeo por medio de variables a definir, as como existen datos incontrolables
(observados o supuestos) del modelo que se expresan mediante los parmetros.

Existe una tipologa adicional que es conveniente tener presente al momento de distinguir la clase de
modelo con la que se debe tratar, basada en la certeza que se tiene sobre los datos y relaciones aplicados,
ya que pueden conocerse con exactitud o ser inciertos y estar sujetos a variaciones.

Si en un modelo los datos son conocidos y no puedan variar en relacin con el momento de aplicacin real
del modelo -o sea, al analizar el problema se cuenta en forma cierta con toda la informacin necesaria
para la toma de decisiones-, se lo denomina modelo determinstico.

21
Cuando algunos de los insumos incontrolables -parmetros o variables de estado- son inciertos o estn
sujetos a variaciones importantes, y su valor no podr ser estimado con precisin con anterioridad a la
toma de la decisin, se est en presencia de un modelo estocstico o probabilstico, ya que incorpora el
desconocimiento mencionado mediante alguna medida de tal probabilidad.

La optimizacin, tambin denominada Programacin Matemtica, sirve para encontrar la respuesta que
proporciona el mejor resultado: la que logra mayores ganancias, mayor produccin o felicidad o la que
logra el menor costo, desperdicio o malestar.

La Programacin Matemtica, en general, aborda el problema de determinar asignaciones ptimas de
recursos limitados para cumplir un objetivo dado. El objetivo debe representar la meta del decisor.
1.5.4 Algunos Modelos Determinsticos y Probabilsticos.

La mencionada separacin entre modelos matemticos descriptivos y normativos puede darse tanto
entre los denominados probabilsticos como entre los determinsticos.

A modo de sntesis, y sin agotar la lista que se podra elaborar, se pueden citar los siguientes:

Modelos Normativos:

a. Programacin Lineal: es un procedimiento matemtico para determinar la asignacin ptima de
recursos escasos. Encuentra su aplicacin prctica en casi todas las facetas de los negocios, desde la
publicidad hasta la planificacin de la produccin. Problemas de transporte, distribucin, y planificacin
global de la produccin son los objetos ms comunes del anlisis como programas lineales.

Cualquier problema de PL consta de una funcin objetivo y un conjunto de restricciones todas expresadas
mediante funciones de primer grado. En la mayora de los casos, las restricciones provienen del entorno
en el cual se trabaja. Cuando se quiere lograr el objetivo deseado, se puede observar que el entorno fija
ciertas restricciones (es decir, dificultades, limitaciones) para cumplir con lo deseado (vale decir, el
objetivo).

Dentro de la Programacin Lineal se distinguen, a su vez, el problema general y los casos especiales como
son los problemas de Transporte y Asignacin; a la vez que, como extensin debida al tipo de variables
que se manejan, se tienen la Programacin Lineal Entera y Programacin Lineal Mixta, con la
incorporacin de variables que no admiten fraccionamiento en los valores que se les asignen.

b. Programacin Dinmica: en este caso, el tiempo es variable explcita (o la situacin es asimilable a
una donde transcurra el tiempo), existen decisiones secuenciales interrelacionadas, y el problema puede
fraccionarse en etapas para su ejecucin sobre la realidad.

c. Otras situaciones se presentan en la realidad de las organizaciones y han motivado la creacin de
modelos especficos tales como: Teora de los Juegos, la Teora de Redes (de mxima capacidad, mnima
distancia, rboles de extensin mnima, y administracin de proyectos por camino crtico), Programacin
No Lineal, Teora de Administracin de Inventarios, Tcnicas de Apoyo Multicriterio a la Decisin, Teora
de la Decisin.

Modelos Descriptivos:

En este caso son menores las oportunidades de encontrar modelos que adopten la caracterstica de
meramente describir la realidad. Sin embargo, una forma de ver la Teora de las Colas de Espera est dada
por la de mostrar nicamente medidas de comportamiento de un sistema; aunque, con el agregado de
parmetros representativos de costos involucrados, se puede transformar en un modelo normativo
tendiente a minimizar los costos totales del sistema.

22
1.6 Construccin de Modelos: Metodologa y Etapas. Datos: Formas y Fuentes.

Ya se mencion que la toma de decisiones puede tener dos modalidades bien definidas: arte y/o ciencia.
Concomitantemente, la construccin de un modelo requiere de una buena dosis de arte e imaginacin,
adems de la pizca de conocimientos tcnicos y cientficos necesarios para mejorar las opiniones
intuitivas.

Como consecuencia de lo consignado anteriormente, no existe una sola manera de desarrollar un mismo
modelo.

En la medida que la construccin de modelos es un arte, sus fundamentos pueden ensearse igual que los
del arte. Por otro lado, en un ambiente de negocios, el desarrollo de modelos cuantitativos requiere que se
especifiquen las interacciones de muchas variables. Para que sea cuantificado, el problema debe
expresarse en trminos matemticos provenientes de un adecuado anlisis y rigurosa metodologa que
ser provista por un profundo conocimiento de las teoras cientficas que sea necesario aplicar.

En general se puede dividir el proceso de construccin de modelos en tres pasos:

1. Estudiar el ambiente de la situacin administrativa: una vez ms la Teora General de Sistemas y la
Dinmica de Sistemas hacen su aporte en apoyo a la toma de decisiones gerenciales, mediante su
aplicacin en los hechos y relaciones que se pretende modelar.

Dentro de la administracin se le suele restar importancia a estudiar el ambiente existente dentro de la
organizacin. Por ejemplo, en muchos casos el problema se deriva de malas relaciones entre integrantes
de la organizacin, lo cual deja un ambiente no propicio para el desarrollo de los negocios. Ignorar tales
circunstancias al modelar, contribuye a favorecer la no comprensin de la situacin en forma clara y, por
consiguiente, a adoptar decisiones incorrectas.

En funcin de lo citado, debe tenerse en cuenta que corresponder interiorizarse profundamente de la
situacin real, para su correcta representacin en el modelo.

2. Formular una representacin selectiva de la situacin: si bien conviene tener una visin holstica
de la situacin, es necesario limitar el alcance de la representacin. Tambin existirn aspectos no
relevados pero que pueden tener incidencia en los anlisis y conclusiones a que se arribe, los cuales se
registrarn mediante suposiciones y simplificaciones (que deben explicitarse debidamente).

Aqu se deber focalizar en los aspectos centrales excluyendo del ambiente los perifricos. Los objetivos y
decisiones deben ser identificados y definidos explcitamente. Otra cuestin es que los objetivos se deben
consignar de la forma ms clara posible, pudiendo ser ms de uno.

3. Construir y analizar un modelo simblico (cuantitativo): en esta instancia se recurrir a las
clasificaciones detalladas en ttulos anteriores, para definir si se trata de modelo determinista o
probabilstico. Tambin se debe acudir a la obtencin de datos y fuentes que posibiliten las tareas de esta
etapa.

En gran parte la decisiones administrativas se basan en la evaluacin e interpretacin de datos, siendo,
por lo tanto, muy necesarios para construir modelos eficaces.

Los modelos simblicos brindan una forma de evaluar e interpretar datos de manera sistmica y con ms
atencin a los detalles de lo que es posible con modelos mentales.

Lo ms comn, al presentarse datos al analista, es que stos no estn procesados o que se encuentren en
distintas fuentes y lugares, y que se tenga que realizar un esfuerzo adicional para su recoleccin.
Normalmente suelen estar en algn tipo de unidad de medida. La decisin de cmo recopilar, almacenar e
interpretar datos est gobernada principalmente por el uso que se les vaya a dar.

23
Los datos pueden provenir de registros del pasado. Tambin pueden ser generados a travs de
observaciones directas o estimaciones realizadas en el presente. Los datos pueden ser tambin generados
como pronsticos del futuro.
1.7 Desarrollo de Modelos: Preparacin, Mtodos de Clculo y Resolucin.

Para llevar adelante la preparacin de un modelo y su clculo de resolucin corresponde partir de un
punto que es bsico, y es el referido a qu tipo de modelo es el que se est trabajando. Entre todas las
clasificaciones mencionadas se trata aqu de definir si es determinista o probabilstico.

Un modelo puede considerarse como una entidad que captura la esencia de la realidad sin la presencia de
la misma. Una fotografa es un modelo de la realidad ilustrada en la imagen.

Ya que un modelo slo captura determinados aspectos de la realidad, tal como se consign anteriormente
su xito depender de la precisin con que adhiere a la situacin y objetos modelados. Adicionalmente, su
uso puede no ser apropiado en una aplicacin en particular si no captura los elementos correctos que le
corresponde representar.

Un modelo matemtico es una ecuacin, desigualdad o sistema de ecuaciones o desigualdades, que
incluye algunos determinados aspectos de la realidad que est representando, sus interacciones y
relaciones. Los modelos de este tipo se utilizan en gran medida en las ciencias fsicas, en el campo de la
ingeniera, los negocios y la economa.

A fin de definir las condiciones que procurarn aportar una solucin al problema, el analista primero debe
identificar un criterio segn el cual se podr medir el sistema. Este criterio a menudo se denomina
medida del rendimiento del sistema o medida de efectividad.

En modelos matemticos normativos la medida de efectividad se representa mediante una expresin
denomina funcin objetivo.

Conseguir lo deseado de manera "determinstica" (es decir, libre de riesgo) o probabilstica depende de
la influencia que puedan tener los factores no controlables en la determinacin de los resultados de una
decisin, y tambin en la cantidad de informacin que el tomador de decisin tiene para estimar el
comportamiento de dichos factores.

Generalmente, los gerentes buscan simplemente que la resolucin del modelo aporte alguna mejora en el
nivel de rendimiento; es decir, un problema de "bsqueda de objetivo" en el marco de la contribucin que
el modelo puede hacer al buen juicio e intuicin del decisor.
1.7.1 Proceso de formulacin de un problema de optimizacin

Para formular un modelo normativo las propuestas varan segn los autores que se refieran a dicho
procedimiento.

En primer lugar se recomienda leer con atencin varias veces el enunciado del problema, derivado de la
observacin de la realidad (es decir, formular un Modelo Mental). A continuacin, y a modo de
lineamientos generales, se sugieren las siguientes etapas, adecuadas fundamentalmente para aquellos
que al tomar decisiones estn acostumbrados a pensar en trminos de objetivos y medidas de
desempeo. Por ser modelo normativo es factible identificar cuatro partes: un conjunto de variables de
decisin, los parmetros, la funcin objetivo y un conjunto de restricciones.

Definir objetivos y medidas de desempeo.

Identificar entradas del modelo, que afectan a lo definido en 1. Esto lleva a definir variables de decisin y
parmetros.

Consignar las restricciones que ponen lmite a las variables de decisin y a las medidas de desempeo.

24
1.8 Otras Aplicaciones de Modelos Matemticos.
1.8.1 Modelos Determinsticos

La programacin lineal es una herramienta poderosa para seleccionar alternativas en un problema de
decisin y por consiguiente se aplica a problemas en una gran variedad de entornos. La cantidad de
aplicaciones es tan alta que sera imposible enumerarlas todas. A continuacin se indican algunas de las
principales aplicaciones que cubren las reas funcionales ms importantes de una organizacin
empresarial.

Finanzas: el problema del inversor podra ser un problema de seleccin del mix de su cartera de
inversiones. En general, la variedad de carteras puede ser importante y requerir el agregado de muchas
restricciones. Otro problema de decisin implica determinar la combinacin de mtodos de financiacin
para una cantidad de productos cuando existe ms de un mtodo de financiacin disponible. El objetivo
puede ser maximizar las ganancias totales cuando las ganancias de un producto determinado dependen
del mtodo de financiacin. Por ejemplo, se puede financiar con fondos internos, con deuda a corto plazo
o con financiacin intermedia (crditos amortizados). Puede haber limitaciones con respecto a la
disponibilidad de cada una de las opciones de financiacin, as como tambin restricciones financieras
que exijan determinadas relaciones entre las opciones de financiacin a los efectos de satisfacer los
trminos y condiciones de los prstamos bancarios o financiacin intermedia, o bien exigencias sobre
ratios extrados de los estados contables de la organizacin. Tambin puede haber lmites con respecto a
la capacidad de produccin de los productos. Las variables de decisin seran la cantidad de unidades que
deben ser financiadas por cada opcin de financiacin.

Administracin de Produccin y Operaciones: muchas veces en las industrias de proceso una materia
prima en particular puede transformarse en una gran variedad de productos. Por ejemplo, en la industria
petrolera, el crudo puede refinarse para producir nafta, kerosn, aceite para calefaccionar y distintas
clases de aceite para motor. Segn el precio de cada producto, el problema es determinar la cantidad que
se debera fabricar de cada producto. Esta decisin est sujeta a numerosas restricciones tales como
lmites de las capacidades de diversas operaciones de refinado, rendimiento de subproductos segn el
tipo de crudo refinado, disponibilidad y costos de materia prima, demandas de cada producto y polticas
gubernamentales con respecto a la fabricacin de determinados productos. En la industria de productos
qumicos y de procesamiento de alimentos existen problemas similares.

Recursos Humanos: los problemas de planificacin de personal tambin se pueden analizar con
programacin lineal. Por ejemplo, en la industria telefnica, la demanda de servicios de personal de
instalacin/reparacin es estacional. Otro caso tpico lo constituye la organizacin de guardias en turnos
rotativos que deben cubrir necesidades mnimas con fluctuaciones horarias (durante el da) o diarias
(durante una semana).
1.8.2 Modelos Probabilsticos

En los problemas de toma de decisiones arriesgadas son fuentes importantes de errores: las presunciones
falsas, no tener una estimacin exacta de las probabilidades, depender de las expectativas, la existencia de
dificultades para medir la funcin de utilidad, y los errores de pronstico.

El dominio de los modelos de anlisis de decisiones est entre dos casos extremos, dependiendo del grado
de conocimiento que se tenga sobre el resultado de las acciones. La probabilidad es un instrumento para
medir las chances de que un evento ocurra, y expresa el grado de incertidumbre.

El lado determinista tiene una probabilidad de 1 (o cero), mientras que el otro extremo tiene una
probabilidad plana (todas igualmente probables). Por ejemplo, si se tiene certidumbre de la ocurrencia (o
no ocurrencia) de un evento, se usa una probabilidad de uno (o cero). Si se tiene incertidumbre, entonces
se aplica la expresin "En realidad no s; por lo tanto, puede o no ocurrir con probabilidad 0,50,
evaluando as en forma subjetiva la probabilidad (nocin de Bayes).

De lo expuesto se infiere que la probabilidad siempre depende de cunto conoce el decisor. Si sabe todo lo
que puede saber, consignar probabilidades 1 o 0.

25
1.8.3 Toma de Decisiones con Pura Incertidumbre

Cuando las decisiones se toman con pura incertidumbre, el decisor no tiene conocimiento de los
resultados de ninguno de los estados de la naturaleza y/o es costoso obtener la informacin necesaria. En
tal caso, la decisin depende meramente del tipo de personalidad que tenga el decisor y,
consecuentemente, de la postura que adopte ante la incertidumbre. As, se tendrn los siguientes
comportamientos (criterios para decidir) segn los tipos de personalidad en relacin con la toma de
decisiones con pura incertidumbre:

Pesimismo: o Criterio Conservador (o Maximin). Hiptesis de mnima. La postura lleva a interpretar que
las cosas malas siempre me suceden a m.

Optimismo: o Criterio Agresivo (o Maximax). En oposicin al anterior, las cosas buenas siempre me
suceden a m.

Con coeficiente de Optimismo (Criterio o ndice de Hurwicz): Sin caer en los extremos de los criterios
anteriores, se basa en la asignacin o estimacin de un coeficiente de optimismo que caracterizo a esa
actitud ni demasiado optimista ni demasiado pesimista

Mnimo arrepentimiento: (o Criterio de Prdida de Oportunidad de Savage). Quien debe decidir odia las
lamentaciones y se preocupa por minimizar las situaciones deplorables. La decisin a tomar debe ser tal
que valga la pena repetirla. Como resultado, el individuo interpreta que Slo debera hacer las cosas que
siento que podra repetir con placer.

Yo no s nada: (o Criterio Laplace). Consiste en considerar que todos los estados de la Naturaleza tienen
igual probabilidad. Ante el desconocimiento sobre el comportamiento de la Naturaleza, todo es
igualmente probable.
1.8.4 Toma de decisiones con riesgo

Cuando el decisor posee algn conocimiento sobre la ocurrencia de los posibles estados de la Naturaleza
puede asignarle a la ocurrencia de cada estado alguna estimacin subjetiva de probabilidad.

En estos casos, el problema se clasifica como de toma de decisiones con riesgo. Entre estos modelos se
cuentan aplicaciones de la Teora de la Decisin, la administracin de proyectos con tiempos estimados de
duracin de las tareas (PERT), y la teora de las colas (o lneas) de espera con comportamientos aleatorios
de incorporacin a la cola y/o de los tiempos de prestacin del servicio a quienes proceden de las colas.
1.9 Actividades para Aprendizaje.

Luego de visitar estas direcciones de pginas web, elaborar un resumen y/o desarrollar los ejercicios
propuestos para el tema correspondiente:

http://www.cema.edu.ar/~afd/Modelos/Modelos.pdf

http://www.monografias.com/trabajos13/ltomadec/ltomadec.shtml

http://sisbib.unmsm.edu.pe/bibvirtual/publicaciones/indata/v02_n2/modelo.htm

26

27

.

PRONSTICOS DE NEGOCIOS

Objetivos del Captulo.

Conocer los conceptos bsicos de series de tiempo, y aplicarlos en la modelacin.
Al observar la grfica de una serie de tiempo, saber detectar los componentes esenciales de una
serie de tiempo.
Aprender a construir modelos de serie de tiempo, mediante las componentes: tendencia,
estacional, ciclo, y un trmino de error aleatorio.
Identificar el modelo adecuado para la serie que se est analizando.
Pronosticar los datos de una serie de tiempo, utilizando ms adecuado el modelo.
2.0 Introduccin.

En el mundo globalizado y con mercados tan competidos como los que enfrentamos hoy, las empresas se
ven obligadas a buscar mayor eficiencia en sus procesos de negocio. En este sentido, un tema que
actualmente interesa es cmo pronosticar con ms certeza la demanda de productos o servicios. Cada vez
ms empresas estn redefiniendo y formalizando el proceso de elaboracin de pronsticos para llevar a
cabo una mejor planeacin de ventas y operacin y, por lo tanto, un mejor desempeo financiero.

Cuando se elabora un mal pronstico, la planeacin se viene abajo y todas las reas de la empresa se
vuelven ineficientes. Esto se puede observar directamente en el bajo desempeo financiero de la empresa.
Ventas negadas, excesos de inventarios de productos que no requieren los clientes, reduccin de margen
al vender con descuentos para lograr los objetivos, costos ms altos en las compras, produccin y/o
distribucin para reaccionar a emergencias, etc., estos son los sntomas. Pronosticar la demanda con
buena exactitud normalmente no es fcil. No existen recetas de cmo hacerlo y cada empresa tiene que
determinar la mejor forma de elaborar sus pronsticos.

El tema de pronosticar es extenso y requiere de tcnicas ad hoc para cada situacin. Por ejemplo,
pronosticar productos de alta rotacin requiere diferentes tcnicas que pronosticar productos de bajo
movimiento o de demanda intermitente. Pronosticar la demanda de productos nuevos requiere
consideraciones diferentes. Por otro lado, en ciertas ocasiones es conveniente pronosticar agrupando
productos similares y en ciertas ocasiones por canal de venta o por marca.

En ciertas ocasiones el uso de herramientas estadsticas es de muy buena ayuda y en otras ocasiones es
mejor elaborar pronsticos en colaboracin con los clientes. Si el xito de la planeacin depende de
pronsticos certeros, entonces es conveniente revisar cmo se elaboran los pronsticos en su empresa y
determinar si es posible mejorar la exactitud. Un buen comienzo para mejorar la exactitud de los
pronsticos es entender los factores que influyen en el comportamiento de la demanda y tener mejor idea
de qu ofrecen las diferentes tcnicas de pronsticos.

Qu son los Pronsticos?

El pronstico no es una prediccin de lo que irremediablemente pasar en el futuro. Un pronstico es
informacin con cierto grado de probabilidad de lo que pudiera pasar. La probabilidad de xito, est en
funcin directa de la elaboracin de los pronsticos. Dicho de otra forma, el resultado de la planeacin y
operacin de la empresa est directamente ligada a la certeza de los pronsticos.

28

Para pronsticos de negocios las mejores prcticas sugieren una combinacin de tcnicas cuantitativas y
cualitativas, es decir, pronsticos estadsticos como base para iniciar el proceso de validacin de los
pronsticos definitivos. Se ha comprobado que las tcnicas de pronsticos estadsticas son muy tiles, ya
que cuantifican de manera muy exacta ciertos componentes de la demanda como tendencia, patrones de
estacionalidad o de eventos.

El ser humano tiene la capacidad de analizar muchas variables que sera muy difcil establecer en un
modelo estadstico, sin embargo, est limitado en la cantidad de pronsticos que puede analizar, es
inconsistente y adicionalmente en muchas ocasiones las estimaciones presentan sesgos motivados por
influencias de estado de nimo, optimismo o incluso influencias derivadas por la presin.

Pronsticos y Planeacin: Procesos crticos del negocio

El papel de los directivos y gerentes es administrar los elementos del negocio que conducen al logro de
los objetivos. De una u otra manera los directivos presienten lo que pasar. Sin embargo, en la mayora
de las ocasiones, sus decisiones son mucho mejores si se apoyan en cifras cuantificadas por una
herramienta estadstica ya que de esta manera se parte de una cifra base ms conservadora. Por otro
lado, cada vez es ms necesario diferenciar las demandas de los clientes de un mismo producto, lo que
requiere ms tiempo y argumentos.

Cual es el costo de malos Pronsticos?

Tenemos garanta que los pronsticos no van a ser 100% exactos y que adems la desviacin de los
pronsticos tiene un costo implcito, ya sea que los pronsticos fueron altos o fueron bajos respecto a la
realidad.

El punto fundamental en los pronsticos es ser consistente y lograr la menor desviacin respecto a los
objetivos: Pronosticar por arriba de la demanda tiene entre sus consecuencias exceso de inventario,
obsolescencia, reduccin de margen para promover su venta. Pronosticar por debajo de la demanda tiene
entre sus consecuencias comprar y producir ms caro algo que no estaba planeado, incluso prdida de
venta y margen si no reaccionamos a tiempo.

La elaboracin de los pronsticos requiere informacin de la planeacin.

Quien elabora los pronsticos debe considerar las actividades planeadas como promociones, cambios de
precios o, incluso, si hubo algn evento extraordinario en la historia reciente que pueda desviar
fuertemente las estimaciones. Dejar esto a la memoria seguramente causar que nuestros pronsticos
sean menos exactos. Actualmente las empresas estn implantando alguna forma de documentar la
historia para medir los impactos de los eventos y considerarlos o no como parte del pronstico si se
realizaran nuevamente.

Cmo Pronosticar?

Muchas empresas actualmente estn recurriendo al uso de paquetes de pronsticos estadsticos y
establecer un proceso ms formal en la planeacin de ventas y operacin. Antes de pensar en una
herramienta o software de pronsticos estadsticos es conveniente entender aspectos relativos al proceso
de los pronsticos:

a. Cmo funcionan las tcnicas estadsticas.
b. Cuntos datos se requieren.
c. Cmo se puede medir el impacto de la desviacin de los pronsticos.
d. Cmo pronosticar cientos de productos de manera rpida y ms exacta.
e. Cul es el perfil sugerido de quien elabora los pronsticos, etc.

29
Esto le permitir evaluar si tiene oportunidad de mejorar su proceso mediante el uso de alguna
herramienta o capacitacin. Hoy en da las compaas tienen la posibilidad de romper paradigmas
culturales acera de la realizacin de los pronsticos. Hacer buenos pronsticos es un proceso que agrega
valor ya que est ntimamente relacionado con la toma de decisiones que impactan en el rendimiento de
la empresa.

Exactitud del pronstico como indicador de desempeo clave

Se requiere madurez para establecer la exactitud de los pronsticos como un indicador clave ya que
siempre habr desviaciones. Es necesario documentar y aprender de cuales fueron las razones que nos
llevaron a tanta desviacin en una estimacin. Solo mediante la medicin obtenemos una referencia que
nos pueda indicar nuestro desempeo y/o tomar acciones inmediatas para corregir el rumbo.

Mejores prcticas en la elaboracin de Pronsticos

Las mejores prcticas sugieren una combinacin de pronsticos estadsticos con pronsticos por
experiencia. Esta prctica ayuda a reducir los efectos de influencia del plan, influencias emocionales y
adems a cuando son muchos productos los algoritmos estadsticos automticos determinar una
mejor estimacin y no solo un simple promedio. Una mejora en la exactitud de los pronsticos la podr
confirmar cuando cada mes se estn logrando los resultados de los objetivos. Esto tambin se confirma
cuando las diferentes reas estn alineadas a partir de un pronstico consensuado.

Acerca de herramientas estadsticas existe una muy buena variedad de software para hacer pronsticos
estadsticos. Los paquetes estadsticos trabajan de manera muy automtica y son econmicos.
2.1 Teora de Series Temporales

Una serie temporal es un conjunto de observaciones ordenadas en el tiempo o, tambin, la evolucin de
un fenmeno o variable a lo largo de l. Esta variable puede ser econmica (ventas de una empresa,
consumo de cierto producto, evolucin de los tipos de inters,...), fsica (evolucin del caudal de un ro, de
la temperatura de una regin, etc.) o social (nmero de habitantes de un pas, nmero de alumnos
matriculados en ciertos estudios, votos a un partido,...).

El objetivo del anlisis de una serie temporal, de la que se dispone de datos en perodos regulares de
tiempo, es el conocimiento de su patrn de comportamiento para prever la evolucin futura, siempre bajo
el supuesto de que las condiciones no cambiarn respecto a las actuales y pasadas.

Si al conocer la evolucin de la serie en el pasado se pudiese predecir su comportamiento futuro sin
ningn tipo de error, estaramos frente a un fenmeno determinista cuyo estudio no tendra ningn
inters especial. Esto correspondera a una situacin como la de la figura 2.1, que muestra la intensidad
de corriente, I, que circula a travs de una resistencia, R, sometida a un voltaje sinusoidal, V(t) = a cos (vt
+ ); por tanto I(t) = a cos (vt + )/R.

Figura 2.1.- Observaciones de la serie I(t) = cos (0,5t + /2)

30

En general, las series de inters llevan asociados fenmenos aleatorios, de forma que el estudio de su
comportamiento pasado slo permite acercarse a la estructura o modelo probabilstico para la prediccin
del futuro. Estos modelos se denominan tambin procesos estocsticos. As, un proceso estocstico es una
sucesin de variables aleatorias {Yt}, con t = 1, 2, ..., n, que evolucionan con el tiempo ( representado ste
por el subndice t).

Cuando se dispone de n datos de un proceso estocstico, se est frente a n muestras, de tamao unidad,
extradas de la poblacin (variable aleatoria), correspondientes al tiempo en que se realiz la medicin, y
esto es lo que constituye la serie temporal o cronolgica.

Como ejemplo puede servir la evolucin a lo largo del ao 2008 del ndice IGBVL, que recoge los 38
valores de mayor cotizacin de la bolsa de valores peruana, representada en la figura 2.2.

Lgicamente, el valor del IGBVL depender del valor alcanzado en los das previos, adems de recoger la
influencia de un conjunto de factores sociales, polticos, econmicos, etc., que son continuamente
cambiantes en el tiempo y cuya conjuncin, en un determinado instante, configurara una hipottica
distribucin de probabilidad del citado ndice econmico.

En casos como ste, es evidente que puede obtenerse un modelo que explique el comportamiento de la
serie en el perodo estudiado, pero puede ser muy arriesgada la utilizacin de este modelo para hacer
previsiones a medio o largo plazo. As, en todas las series cronolgicas, es necesaria una gran cautela en la
previsin a causa de la muy probable inestabilidad del modelo en un futuro ms o menos alejado del
ltimo instante del que se conocen datos.

Figura 2.2.- Evolucin del ndice IGBVL 2008

Otro ejemplo puede ser el constituido por la sucesin de variables aleatorias {Y1, ...,Yt,...}, tales que Yt =
0,80Yt1 + t, con Y0 = 0 y los t distribuidos N(0;1), independientes para todo t = 1, 2,...

Esta serie puede expresarse tambin como y la distribucin de probabilidad de
cualquier Yt corresponde a una ley Normal, con esperanza matemtica y
varianza .

La figura 2.3 muestra la ley de probabilidad de la variable Y en los instantes t = 1, t = 4 y t = 20, junto con
la serie cronolgica compuesta por las 25 primeras observaciones de la misma.

La particular forma de la informacin disponible de una serie cronolgica, n muestras de tamao unidad
procedente de otras tantas poblaciones de distribucin y caractersticas desconocidas, hacen que las
tcnicas de inferencia estadstica, usualmente aplicadas en muestras de tamao superior a la unidad, no
sean vlidas para estos casos.

31
En los captulos siguientes se pretende presentar, de forma simple, distintos criterios metodolgicos que
permitan el estudio de estos fenmenos, y en particular la previsin de su evolucin futura, para
aplicarlos a campos tcnicos y econmicos, como por ejemplo previsin de las ventas de una empresa, de
los usuarios de un medio de transporte, de la caracterstica de inters de un proceso continuo, etc.

Figura 2.3.- Distribucin de Yt y 25 observaciones de la serie

Todas las formas de estudio de una serie cronolgica, tal como se ir viendo, no conllevan clculos
complicados, pero s reiterativos, con gran volumen de datos manipulados y con abundancia de grficos;
es por ello que para su estudio se hace muy necesario el disponer de un programa informtico que
permita su correcta aplicacin y la obtencin de cuantos grficos sean necesarios.
2.2 Anlisis De Una Serie Temporal

Antes de abordar cualquier estudio analtico de una serie temporal, se impone una representacin grfica
de la misma y la observacin detenida de su aspecto evolutivo.

Para estudiar el comportamiento de cualquier serie temporal, y predecir los valores que puede tomar en
un futuro, puede hablarse de distintas metodologas, que denominaremos modelizacin por componentes
y enfoque Box-Jenkins.
2.2.1 Modelizacin por componentes

Este mtodo consiste en identificar, en la serie Yt, cuatro componentes tericas, que no tienen por qu
existir todas, y que son:

Tendencia: Tt.
Estacionalidad: Et.
Ciclos: Ct.
Residuos: Rt.

Cada una de estas componentes es una funcin del tiempo y el anlisis consistir en la separacin y
obtencin de cada una de ellas, as como en determinar de qu forma se conjugan para dar lugar a la serie
original. Estas componentes se pueden observar en la figura 2.4, en donde se ha considerado que actan
de forma aditiva para dar lugar a la serie cronolgica.

La tendencia es la componente general a largo plazo y se suele expresar como una funcin del tiempo de
tipo polinmico o logartmico, por ejemplo Tt = 0 + 1t + 2t
2
+

Las variaciones estacionales son oscilaciones que se producen, y repiten, en perodos de tiempo cortos.
Pueden estar asociadas a factores dinmicos, por ejemplo la ocupacin hotelera, la venta de prendas de
vestir, de juguetes, etc., cuya evolucin est claramente ligada a la estacionalidad climtica, vacacional,
publicitaria, etc.

Las variaciones cclicas se producen a largo plazo y suelen ir ligadas a etapas de prosperidad o recesin
econmica. Suelen ser tanto ms difciles de identificar cuanto ms largo sea su perodo, debido,

32
fundamentalmente, a que el tiempo de recogida de informacin no aporta suficientes datos, por lo que a
veces quedarn confundidas con las otras componentes.

TENDENCIA

ESTACIONALIDAD

CICLOS

RESIDUOS

SERIE CRONOLOGICA

Figura 2.4. Componentes de una serie cronolgica

La componente residual es la que recoge la aportacin aleatoria de cualquier fenmeno sujeto al azar.

33
Para evaluar las distintas componentes se utilizan tcnicas estadsticas tales como modelo lineal, medias
mviles, diferencias finitas, etc.

Admitiendo que el componente aleatorio (residuo) es aditivo, una vez identificadas las otras
componentes surge un nuevo problema que es el cmo conjuntar tendencia, estacionalidad y ciclos para
dar lugar a la serie definitiva.

As se proponen, entre otros, modelos genricamente denominados aditivos y multiplicativos.

Modelo aditivo: Y = T + E + C + R
Modelo multiplicativo: Y = T x E x C + R

Para una primera identificacin visual del caso, se puede considerar que si el patrn estacional se
mantiene con amplitud constante se tratar de modelo aditivo (figuras 2.4 y 2.5). Cuando dicho patrn se
vaya amplificando con el tiempo, ser multiplicativo (figura 2.6).

Figura 2.5. Serie aditiva

Figura 2.6 Serie multiplicativa

Un modelo aditivo se puede interpretar como aquel en que la estacionalidad acta modificando la
ordenada en el origen de la tendencia.

Supongamos que no hay ciclos, que la tendencia es de tipo lineal, Tt = 0 + 1t, y que la estacionalidad es
de perodo p = 4, es decir, cada 4 unidades de tiempo se repite el patrn (tal como ocurre en la figura 2.2).
Representando sus valores por E1, E2, E3 y E4, respectivamente, el modelo aditivo se puede escribir como

Y1 = 0 + 1 1 + E1 + R1 = 1 + 1 1 + R1
Y2 = 0 + 1 2 + E2 + R2 = 2 + 1 2 + R2
Y3 = 0 + 1 3 + E3 + R3 = 3 + 1 3 + R3

34
Y4 = 0 + 1 4 + E4 + R4 = 4 + 1 4 + R4
Y5 = 0 + 1 5 + E1 + R5 = 1 + 1 5 + R5
. .
Yt = 0 + 1 t + Es + Rt = s + 1 t + Rt con t = + s; s = 1, , p

As pues, cada estacin (s) componente del perodo conforma una recta con ordenada en el origen distinta
para cada caso y pendiente comn a todos; es decir, segn muestra la figura 2.7, el modelo es un conjunto
de rectas paralelas, cada una de ellas asociada a una estacin.

En el modelo multiplicativo, el componente estacional acta sobre la ordenada en el origen y sobre la
pendiente.

Figura 2.7. Interpretacin de una serie con modelo aditivo

Prescindiendo de los ciclos, supuesta una tendencia lineal tipo Tt = 0 + 1t y una estacionalidad de
perodo p, para cualquier t = + s; con s = 1, , p, resulta

Yt = Tt Es + Rt = (0 + 1t) Es + Rt,

es decir Yt = (0 Es ) + (1Es ) t + Rt

o sea Yt = 0s + 1s t + Rt

De esta forma, cada una de las p estaciones del perodo configura una recta distinta, tanto en lo que se
refiere a la ordenada en el origen (0s) como a la pendiente (1s).

El conjunto de las p rectas constituye el modelo de comportamiento de la serie (figura 2.8).

Es evidente que esta divisin, en modelo estrictamente aditivo o estrictamente multiplicativo, es bastante
restrictiva, ya que puede darse el caso de que en algunas estaciones cambie slo la pendiente, o slo la
ordenada en el origen. Esto constituira un modelo mixto mucho ms general que los propuestos hasta
ahora, los cuales pasaran a ser meros casos particulares de ste. En la figura 2.9 se presenta una situacin
de este tipo.

35

Figura 2.8.- Interpretacin de una serie con modelo multiplicativo

Figura 2.9. Modelo general
2.2.2 Enfoque Box - Jenkins

La forma de encarar el anlisis de las series temporales a travs de la metodologa de Box Jenkins es
dirigir el esfuerzo a determinar cul es el modelo probabilstico que rige el comportamiento del fenmeno
a lo largo del tiempo. Es decir, partiendo de la premisa de que no siempre va a ser posible identificar los
componentes de la serie, se trata de estudiar el componente aleatorio puro, reflejado en los residuos.

La metodologa estadstica utilizada en el estudio de una serie temporal por este sistema, se basa en los
siguientes pasos:

Identificacin del modelo.
Estimacin de los parmetros.
Validacin de los supuestos admitidos en el anlisis, tambin llamado diagnosis del modelo.

Para poder abordar esta metodologa es imprescindible, en primer lugar, estudiar un conjunto de
modelos de comportamiento que cubran el mayor espectro posible de los procesos estocsticos objeto de
nuestro inters. Entre ellos se pueden destacar los procesos de ruido blanco, medias mviles (MA),
autorregresivos (AR), integrados (I) y sus conjunciones (ARMA y ARIMA). A partir de aqu se podr
identificar la serie de datos con alguno de los modelos estudiados, estimar sus parmetros y validar la
admisibilidad del modelo adoptado.

En general, se suele asumir que el componente aleatorio, el cual se representa por Z, sigue una
distribucin Normal de media cero y variancia
2
. Un proceso estocstico en que todos sus componentes
son independientes y estn constituidos slo por componente aleatorio se denomina proceso de ruido
blanco, es decir, Yt = Zt con Zt NINDEP(0;
2
) para todo t.

Un proceso se denomina de media mvil de orden q, y se representa por MA(q), si su estructura es del
tipo Yt = Zt + t-1 Zt-1 + + t-q Zt-q. En la figura 2.10 se muestra un MA(4).

36

Figura 2.10.- Proceso de media mvil MA(4)

Un proceso es autorregresivo de orden p, y se representa por AR(p), cuando cada componente es funcin
de los anteriores ms el trmino aleatorio; su estructura corresponde a:

Yt = Zt + t-1 Yt-1 + + t-p Yt-p

En la figura 2.11 se muestra un AR(2).

Cuando a las estructuras de autorregresin y media mvil se une una dependencia con el tiempo se llega a
un ARIMA(p, r, q), donde p es el orden del AR, q el del MA y r el del proceso integrado, o, lo que es lo
mismo, el grado del polinomio que representa la funcin del tiempo. En la figura 2.12 se presenta un
proceso ARIMA(2,1,3).

Figura 2.11. Proceso autorregresivo AR(2)

Figura 2.12. Proceso ARIMA(2, 1, 3)

37
2.3 Descomposicin de Una Serie Temporal

Este mtodo, tambin denominado sistema clsico, descompone la serie en tendencia, estacionalidad,
ciclos y residuos Una vez decidida la conjuncin entre ellos, aditiva o multiplicativa, se obtiene el modelo
con el que hacer previsiones.

La tendencia es la componente ms importante de la serie, al definir lo que se podra interpretar como
comportamiento a largo plazo. Cada observacin va ligada a un valor del tiempo, lo que permite plantear
un modelo del tipo

Y= (t)+ e

Donde la funcin (t) puede ser:

Lineal : (t) = 0 + 1t

Polinmica : (t) = 0 + 1t + 2 t
2
+ ...

Exponencial : (t) = 0 t
1

Si la serie no presenta estacionalidad, el mtodo de estimacin mnimo-cuadrtica y todas las pruebas de
hiptesis relativas a la explicacin del modelo y a la significacin de los coeficientes estimados, propios
del modelo lineal ordinario, permiten estimar los coeficientes del modelo de tendencia sobre los datos
directos.

Caso de existir componente estacional, para que sta no enmascare la tendencia, es necesario estabilizar
previamente la serie.

Para desarrollar la metodologa de la descomposicin clsica sobre un ejemplo, se dispone de los datos
relativos a las ventas de material deportivo en una gran superficie comercial, recogidos en el cuadro 2.1 y
representados en la figura 2.1. En este cuadro el tiempo (t) se ha medido tomando como referencia el
inicio del perodo de recogida de datos, y, en este caso, su unidad es el trimestre.

La observacin de la figura 2.1, permite pensar en una tendencia lineal creciente y una estacionalidad
clara, cuyo patrn se repite anualmente, es decir, cada 4 valores del tiempo (trimestres). Esto se puede
interpretar como una tendencia sostenida de un aumento de las ventas en esta superficie comercial, unida
a un comportamiento distinto para cada uno de los cuatro trimestres; debido, posiblemente, a que el
precio del material deportivo es muy distinto segn sea el adecuado para una estacin concreta (material
de esqu frente a entretenimiento de playa, por ejemplo). Por otra parte, el patrn estacional se mantiene
con una amplitud aproximadamente constante, lo que conduce a la utilizacin de un modelo aditivo.

38

Ao Trimestre
Ventas
(Y)
t
2000
1 40.22 1
2 54.89 2
3 63.51 3
4 111.35 4
2001
1 46.95 5
2 51.62 6
3 61.47 7
4 108.58 8
2002
1 41.38 9
2 65.30 10
3 64.25 11
4 113.82 12
2003
1 53.34 13
2 59.37 14
3 66.15 15
4 121.50 16
2004
1 67.38 17
2 56.09 18
3 75.11 19
4 124.39 20
2005
1 55.90 21
2 61.25 22
3 75.44 23
4 126.50 24
Cuadro 2.1. Ventas de material deportivo

Figura 2.13 Evolucin cronolgica de las ventas de material deportivo

En este ejemplo se ha identificado un patrn estacional compuesto por los cuatro trimestres y que se
repite de ao en ao, adems de una tendencia aparentemente lineal. Si se decidiese ajustar el modelo de
tendencia directamente sobre los datos, se obtendran los resultados del Cuadro 2.2.

39

Estadsticas de la regresin
Coeficiente de correlacin mltiple 0.3293794
Coeficiente de determinacin R^2 0.1084908
R
2
ajustado 0.0679676
Error tpico 26.648969
Observaciones 24

ANLISIS DE VARIANZA

Grados de
libertad
Suma de
cuadrados
Promedio
de los
cuadrados F
Valor crtico
de F
Regresin 1 1901.2996 1901.2996 2.677255 0.1160183
Residuos 22 15623.6857 710.16753
Total 23 17524.9853

Coeficientes Error tpico Estadstico t Probabilidad
Intercepcin 57.500725 11.2285559 5.1209368 3.933E-05
Variable X 1 1.2858087 0.78583522 1.636232 0.1160183
Cuadro 2.2 Modelo de tendencia ajustado sobre todos los datos: Y = 0 + 1t + e

El modelo presenta un coeficiente de determinacin (R
2
) tan slo del 10,8% y no resulta estadsticamente
significativo, ya que el nivel de significacin (p-val), tanto del ajuste como de la pendiente de la recta de
tendencia, son claramente superiores a un riesgo de primera especie del 5%. As, se demuestra que este
procedimiento no es vlido ya que incluye en el residuo todo el componente estacional, lo cual produce
una inflacin de la suma de cuadrados residual que desvirta el modelo y cualquier prueba de
significacin de la regresin y de sus coeficientes.

Para evitar esto es necesario estabilizar la serie liberndola de la estacionalidad; esto se podra conseguir
trabajando con los valores medios anuales, que son los del Cuadro 2.3. En el Cuadro 2.4 se detallan los
resultados del clculo del modelo de tendencia, considerado tipo rectilneo.

aos
t
(aos)
Y
promedio
2000
1 67.4925
2001
2 67.1550
2002
3 71.1875
2003
4 75.0900
2004
5 80.7425
2005
6 79.7725
Cuadro 2.3. Medias anuales de ventas de material deportivo

Coeficiente de determinacin R
2
0.9131804
R^2 ajustado 0.8914755

40
Observaciones 6

ANLISIS DE VARIANZA

Grados de
libertad
Suma de
cuadrados
Promedio
de los
cuadrados
F
Valor crtico
de F
Regresin 1 160.7112 160.7112 42.072565 0.0029127
Residuos 4 15.27943 3.8198575
Total 5 175.99063

Intercepcin 62.966833 1.8194898 34.606862 4.16E-06
Variable X 1 3.0304286 0.4672019 6.4863368 0.0029127
Cuadro 2.4. Modelo lineal para las medias anuales

Ahora ya se ha obtenido un modelo de tendencia altamente significativo y con un buen ajuste (R
2
=
91,3%). En la figura 2.14 se han representado las medias anuales junto a la estimacin del modelo de
tendencia; se observa la estabilizacin conseguida en los valores de las medias anuales, ya que mientras
los datos directos oscilaban entre 40 y 130, las medias anuales van desde 67 hasta 81.

Figura 2.14 Evolucin y tendencia de la media anual

Hay que destacar que con esta estabilizacin se ha conseguido un modelo de tendencia significativo; sin
embargo, es aceptable este procedimiento? La respuesta sera no, ya que este sistema tiene el
inconveniente de la gran prdida de informacin, pues de los 24 datos iniciales, se ha acabado estimando
el modelo con slo 6 puntos. Este inconveniente queda paliado desestacionalizando la serie con las
medias mviles.
2.3.1 Medias mviles: tendencia

Con este mtodo se consiguen suavizar tanto las oscilaciones peridicas de una serie como las aleatorias.
Su aplicacin requiere decidir, previamente, el perodo en que se repite cierto patrn de comportamiento,
que pueda atribuirse a variaciones estacionales; la observacin de la evolucin grfica de la serie puede
ayudar a tomar la decisin.

Una vez fijado el perodo p, se calculan las medias de los valores de la serie tomados de p en p,
sucesivamente desde el inicio. Asociando cada una de estas medias al valor del tiempo del punto central
del perodo estudiado, se obtiene una nueva serie de valores mucho ms estables, debido, por una parte, a
la reduccin de la variabilidad ocasionada al promediar y, por otra, a que, si el perodo escogido es el
correcto, al pasar de una media mvil a la siguiente, el nuevo dato incorporado es del mismo
comportamiento que el dato saliente.

41
Si p es impar la asociacin es directa:

Si p es par, el centro del grupo de cada p valores promediados corresponde a un valor no observado del
tiempo; para subsanarlo, la nueva serie queda constituida por los promedios de las medias mviles
tomadas dos a dos. Es decir:

La representacin grfica de las medias mviles, o la regresin de dichos valores frente al tiempo,
permiten evaluar la tendencia de la serie liberada de la componente estacional.

Uno de los inconvenientes de este sistema es la prdida de valores en los dos extremos de la serie, tanto
mayor cuanto mayor es p. En ocasiones, se propone como alternativa a este problema la sustitucin de los
valores extremos de las medias mviles por los resultantes de una extrapolacin lineal de los observados;
sin embargo, si el nmero de datos disponibles es grande, la prdida de informacin es insignificante.

En el caso del ejemplo de las ventas de material deportivo, ya se ha comentado que la estacionalidad se
manifiesta de forma anual, es decir, cada cuatro trimestres; ello conduce al clculo de las medias mviles
tomando p = 4.

En el cuadro 2.5 se detalla el clculo de los primeros valores de la nueva serie, y el cuadro 2.6 resume la
totalidad de los mismos.

t Y Yprom t
1 40.22
2 54.89
3 63.51 67.49250 68.3338 3
4 111.35 69.17500 69.17500 68.7663 4
5 46.95 68.35750 68.35750 68.1025 5
Cuadro 2.5 Detalle del clculo de las medias mviles con p = 4

42

t Yprom
3 68.3338
4 68.7663
5 68.1025
6 67.5013
7 66.4588
8 67.4725
9 69.5300
10 70.5325
11 72.6825
12 73.4363
13 72.9325
14 74.1300
15 76.8450
16 78.1900
17 78.9000
18 80.3813
19 79.3075
20 78.5175
21 79.2038
22 79.5088
Cuadro 2.6 Medias mviles con p = 4

Los resultados del modelo lineal, para el clculo de la tendencia constan en el cuadro
2.7.

Coeficiente de determinacin R^2 0.905456
R^2 ajustado 0.8998946
Observaciones 19

ANLISIS DE VARIANZA

Grados de
libertad
Suma de
cuadrados
Promedio
de los
cuadrados
F
Valor crtico
de F
Regresin 1 393.692486 393.69249 162.81046 3.912E-10
Residuos 17 41.1077523 2.4181031
Total 18 434.800238

Intercepcin 63.006463 0.9188117 68.573858 3.25E-22

43
Variable X 1 0.8310768 0.06513283 12.75972 3.912E-10
Cuadro 2.7 Modelo de tendencia sobre las medias mviles

Trabajando sobre 19 puntos, los 19 valores de las medias mviles, se ha obtenido un buen ajuste, con un
coeficiente de determinacin del 90,5 %. En consecuencia, el modelo de tendencia resultante es

T = 63,0065 + 0,8311 t

Evidentemente, la interpretacin de la ecuacin de la tendencia permite afirmar que las ventas se
incrementan 0,8311 unidades cada trimestre (ya que el tiempo se ha medido en trimestres). En la figura
2.15 puede observarse el suavizado conseguido con las medias mviles junto con el modelo de tendencia
estimado a partir de los citados valores.

Figura 2.15 Evolucin ( ), medias mviles ( ) y tendencia ( ), para p = 4
2.3.2 Estacionalidad

La componente estacional, que provoca una oscilacin sistemtica de perodo corto, generalmente no
superior al ao, puede enmascarar la evolucin a largo plazo, tendencia, si no se asla convenientemente.

Se entiende como componente estacional, en modelos aditivos, la diferencia entre el valor de la estacin y
la media de todas las estaciones componentes del perodo.

El anlisis de la estacionalidad queda ligado al mtodo que se decida emplear para modelizar la
tendencia; as, en este punto estudiaremos la situacin para el caso de trabajar con medias mviles.

Para calcular los valores de los ndices estacionales hay que seguir la siguiente sistemtica:

Calcular las medias mviles, , sobre los datos,Yt, de la serie original, tomando el perodo de
agrupacin, p, que se considere oportuno.

Proponer un modelo de agrupacin de las componentes, aditivo o multiplicativo.

Separar la parte explicada por la tendencia. Supuesto el modelo aditivo, esto equivale a calcular
Wt = Yt - . Si fuese multiplicativo, en lugar de diferencias seran cocientes, es decir, Wt =Yt/ .
Hay que destacar que en Wt estn incluidas las componentes asociadas a la estacionalidad, los
ciclos y los residuos.

Asumiendo que los residuos son variables aleatorias de media nula y que la componente cclica,
caso de existir, es de perodo suficientemente largo como para no ser recogida por los datos, se
procede a evaluar la estacionalidad asociada a cada componente del perodo, a cada trimestre en

44
el caso del ejemplo. Para ello se calculan los promedios de los Wt de la misma estacin
, s = t, , p.
donde s representa el ndice estacional y ns el nmero de valores asociados a este ndice que se
promedian.

Ya que los ndices estacionales miden discrepancias respecto a la media, sta se necesita como
valor de referencia; por tanto es necesario calcular la media general:

Calcular los ndices estacionales en modelo aditivo

Los ndices estacionales son las diferencias entre los promedios de las Wt de cada estacin y la
media general que se acaba de definir, es decir

Es obvio destacar que la suma de estos ndices es cero: .

Calcular los ndices estacionales en modelo multiplicativo.

En este caso, los ndices estacionales son el cociente entre los promedios de las Wt de cada
estacin y la media general, es decir

Ahora, la suma de estos ndices es igual al perodo, . En modelo multiplicativo, no es
extrao que los ndices estacionales se representen en %.

En el cuadro 2.8 se detallan los clculos del caso de modelo aditivo de las ventas de material deportivo.

t Yt Yprom_movil

Wt Estacin: s
1 40.22 1
2 54.89 2
3 63.51 67.49250 68.3338 -4.8238 3
4 111.35 69.17500 68.7663 42.5838 4
5 46.95 68.35750 68.1025 -21.1525 1
6 51.62 67.84750 67.5013 -15.8813 2
7 61.47 67.15500 66.4588 -4.9888 3
8 108.58 65.76250 67.4725 41.1075 4
9 41.38 69.18250 69.5300 -28.1500 1
10 65.30 69.87750 70.5325 -5.2325 2
11 64.25 71.18750 72.6825 -8.4325 3
12 113.82 74.17750 73.4363 40.3838 4
13 53.34 72.69500 72.9325 -19.5925 1
14 59.37 73.17000 74.1300 -14.7600 2
15 66.15 75.09000 76.8450 -10.6950 3

45
16 121.50 78.60000 78.1900 43.3100 4
17 67.38 77.78000 78.9000 -11.5200 1
18 56.09 80.02000 80.3813 -24.2913 2
19 75.11 80.74250 79.3075 -4.1975 3
20 124.39 77.87250 78.5175 45.8725 4
21 55.90 79.16250 79.2038 -23.3038 1
22 61.25 79.24500 79.5088 -18.2588 2
23 75.44 79.77250 3
24 126.50 4
Cuadro 2.8 Evaluacin de la estacionalidad por medias mviles.

Por ejemplo, para el tercer trimestre (s = 3), el promedio de las Wt, cuyos valores del tiempo
correspondiesen al tercer trimestre, por ser mltiplos de 4 ms 3 (t = 3, 7,11, 15, 19), sera:

Anlogamente, para cada trimestre, se obtiene:

Y la media general es:

y los ndices estacionales, resultan

E1 = 20,6426
E2 = 15,5836
E3 = 6,5264
E4 = 42,7526

Los valores de los ndices estacionales recin obtenidos se interpretan de la siguiente forma: respecto a la
media, el primer trimestre tiene una venta inferior en 20,6426 unidades; el segundo est 15,5836
unidades por debajo de la media; el tercero 6,5264; mientras que el cuarto supera a la media en 42,7526
unidades de venta.

Con el modelo de tendencia del cuadro 2.7 y la estacionalidad, se ha obtenido la descomposicin de la
serie original, mostrada en la figura 2.16.

Evidentemente, los residuos se calculan como: R = Y - T - E. La buena modelizacin conseguida queda
confirmada por los residuos, ya que en su mayora estn en el intervalo 5 y slo en 3 puntos se llega a
valores de 10 u 11 unidades.

46
Tal como se ha ido repitiendo, el objetivo de la modelizacin de la serie es poder realizar previsiones para
los prximos valores del tiempo. En el cuadro 2.9 se presentan las previsiones para los 2 aos inmediatos
siguientes. Atendiendo a que el perodo estacional es igual a 4, para realizar la previsin hay que
identificar el tiempo como un mltiplo de 4 ms s (s = 1, 2, 3, 4), para aadir a la tendencia el valor
correcto de la estacionalidad. As, la previsin se calcula como:

La figura 2.17 muestra la evolucin de las previsiones y su buena concordancia con la evolucin histrica
de los datos recogidos en el estudio.

T

E

T+E

R

SERIE CRONOLOGICA (Yt)

Figura 2.16 Descomposicin de la serie de ventas de material deportivo por medias mviles

47

Ao t estacin = s Tendencia
Estacionalidad:
E
Previsin:
Yestim
2006 25 1 83.7834 -20.6426 63.1408
26 2 84.6145 -15.5836 69.0308
27 3 85.4455 -6.5264 78.9192
28 4 86.2766 42.7526 129.0292
2007 29 1 87.1077 -20.6426 66.4651
30 2 87.9388 -15.5836 72.3551
31 3 88.7698 -6.5264 82.2435
32 4 89.6009 42.7526 132.3535
Cuadro 2.9 Previsiones para 2006 y 2007, segn el modelo de descomposicin clsica

Figura 2.17 Evolucin histrica ( ), modelo ( ) y previsiones ( p )
2.3.3 Descomposicin Aditiva: Caso temperaturas

El cuadro 2.10 presenta las temperaturas medias mensuales registradas en una ciudad del hemisferio sur,
en el perodo de tiempo que abarca desde enero de 1996 a diciembre del 2005. Interesa estudiar el
modelo de comportamiento y realizar una previsin de las temperaturas de la dcada siguiente.

Mes 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
I 26,8 27,1 26,9 26,8 26,3 27,1 26,8 27,1 26,3 27,0
II 27,2 27,5 26,3 26,9 27,1 27,1 27,1 27,5 26,7 27,4
III 27,1 27,4 25,7 26,7 26,2 27,4 27,4 26,2 26,6 27,0
IV 26,3 26,4 25,7 26,1 25,7 26,8 26,4 28,2 25,8 26,3
V 25,4 24,8 24,8 26,2 25,5 25,4 25,5 27,1 25,2 25,9
VI 23,9 24,3 24,0 24,7 24,9 24,8 24,7 25,4 25,1 24,6
VII 23,8 23,4 23,4 23,9 24,2 23,6 24,3 25,6 23,3 24,1
VIII 23,6 23,4 23,5 23,7 24,6 23,9 24,4 24,5 23,8 24,3
IX 25,3 24,6 24,8 24,7 25,5 25,0 24,8 24,7 25,2 25,2
X 25,8 25,4 25,6 25,8 25,9 25,9 26,2 26,0 25,5 26,3
XI 26,4 25,8 26,2 26,1 26,4 26,3 26,3 26,5 26,4 26,4
XII 26,9 26,7 26,5 26,5 26,9 26,6 27,0 26,8 26,7 26,7
Cuadro 2.10 Registro de las temperaturas mensuales

La evolucin cronolgica de los datos se muestra en la figura 2.18, en donde se pone de manifiesto que la
tendencia es prcticamente inapreciable, por la aparente horizontalidad del eje virtual de la serie. Por

48
otra parte se observa la existencia de una componente estacional clara que se repite, lgicamente, cada
ao y mantiene la amplitud, dando idea de que es un modelo aditivo. Al ser los datos mensuales, la
longitud del perodo es igual a 12.

El clculo de las medias mviles, con p = 12, y su representacin grfica (figura 2.19) confirman la
estacionalidad, por la estabilizacin conseguida en la serie, pero ponen en entredicho la ausencia de
tendencia.

La observacin del grfico hace recomendable ajustar un modelo de tendencia, que se har
posteriormente y que ya se ha representado en esta figura.

Figura 2.18 Evolucin cronolgica de las temperaturas

Figura 2.19 Temperaturas mensuales ( ), medias mviles ( _ ) y lnea de tendencia ajustada ( - )

Para evaluar la estacionalidad es necesario calcular los ndices estacionales, tal como se ha detallado. Los
resultados obtenidos se encuentran en el cuadro 2.11, y se presentan grficamente en la figura 2.20.

Mes (s) Indices Es Mes (s) Indices Es
I 1 1.08329475 VII 7 -1.88013117
II 2 1.32310957 VIII 8 -1.79309414
III 3 0.98699846 IX 9 -0.77133488
IV 4 0.62959105 X 10 0.06246142
V 5 -0.15050154 XI 11 0.53792438
VI 6 -1.0273534 XII 12 0.99903549
Cuadro 2.11 ndices estacionales

La interpretacin de los ndices es simple: desde octubre (X) a abril (IV), la temperatura est por encima
de la media anual; mientras que de mayo (V) a septiembre (IX) est por debajo de la media. No olvidemos

49
que los datos corresponden a una ciudad del hemisferio sur; por tanto, de octubre a abril son los meses
clidos, y los dems son los fros. Es de destacar que la oscilacin trmica media, del mes ms clido al
ms fro, es relativamente pequea (1,31 + 1,80 = 3,01C). Esto, unido a los valores medios mensuales,
que oscilan entre 23 y 29C permite afirmar que el estudio se est haciendo sobre una ciudad de clima
muy suave y casi permanentemente primaveral.

Figura 2.20 Componente estacional: ndices

La tendencia, aunque dbil, existe y es de tipo lineal. Su evaluacin se efectuar mediante el modelo lineal
aplicado a las medias mviles (cuadro 2.12).

2
0.29618173
R
2
ajustado 0.28954194
Observaciones 108

ANLISIS DE VARIANZA

Grados de
libertad
Suma de
cuadrados
Promedio de
los cuadrados F
Valor crtico
de F
Regresin 1 2.28925319 2.28925319 44.6070595 1.145E-09
Residuos 106 5.43996491 0.05132042
Total 107 7.72921811

Intercepcin 25.4342763 0.05009208 507.750413 2.637E-181
Variable X 1 0.00467004 0.00069923 6.67885166 1.145E-09
Cuadro 2.12 Modelo lineal para la tendencia: Yt = 0 + 1 t + e

A pesar del valor del coeficiente de determinacin del ajuste, (29,62 %), la explicacin del modelo es
significativa. As, se puede deducir que parece existir una tendencia muy ligera a un incremento de la
temperatura, que se ha estimado en un aumento de 0,00467 grados mensuales en promedio.

La evolucin del modelo, junto con los datos reales, se presenta en la figura 2.21 Para su obtencin, hay
que tener en cuenta que, conocidos los ndices estacionales y el modelo de tendencia, la suma mes a mes
de los dichos valores dar lugar al modelo propuesto, es decir:

50

Figura 2.21 Datos ( ) y modelo ajustado ( - )

Solamente hay que destacar la buena concordancia entre ambos, a pesar de que hay algunos puntos que
parecen presentar mayores discrepancias.

Esto ocurre, principalmente, desde abril hasta julio de 2003 que como, puede observarse, ya en los datos
iniciales presentaron unas temperaturas medias bastante superiores a las de los dems aos (es decir
hizo un otoo especialmente clido).

En la figura 2.22, se muestran los residuos resultantes de la descomposicin de esta serie, obtenidos como
. Hay que destacar la buena modelizacin conseguida, pues en la mayora de las 120
observaciones, el error es inferior a un grado, excepto en los meses ya comentados.

Figura 2.22 Residuos del modelo

A partir de la descomposicin, y suponiendo que no cambiase el comportamiento meteorolgico de la
zona, la previsin de la temperatura para los 10 aos siguientes sera la del cuadro 2.13, que se muestra
en la figura 2.23 junto a los datos disponibles. Aqu se observa que, de mantenerse la tendencia, la
temperatura media mensual, poco a poco, se va incrementando.

Comparando los datos reales con las previsiones, se ve en estas ltimas la ausencia del componente
aleatorio. Se est haciendo una previsin de temperaturas medias, pero el azar meteorolgico se unir a
la previsin alterndola en aquellos perodos de tiempo en los que las temperaturas sean distintas a las
de la tnica general: inviernos muy fros o muy suaves, veranos ms extremos, etc.

51
Mes
Ao
2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
I 27.1 27.1 27.2 27.3 27.3 27.4 27.4 27.5 27.5 27.6
II 27.3 27.4 27.4 27.5 27.6 27.6 27.7 27.7 27.8 27.8
III 27.0 27.1 27.1 27.2 27.2 27.3 27.3 27.4 27.4 27.5
IV 26.6 26.7 26.8 26.8 26.9 26.9 27.0 27.0 27.1 27.1
V 25.9 25.9 26.0 26.0 26.1 26.1 26.2 26.3 26.3 26.4
VI 25.0 25.1 25.1 25.2 25.2 25.3 25.3 25.4 25.4 25.5
VII 24.1 24.2 24.3 24.3 24.4 24.4 24.5 24.5 24.6 24.7
VIII 24.2 24.3 24.4 24.4 24.5 24.5 24.6 24.6 24.7 24.7
IX 25.3 25.3 25.4 25.4 25.5 25.5 25.6 25.7 25.7 25.8
X 26.1 26.2 26.2 26.3 26.3 26.4 26.4 26.5 26.6 26.6
XI 26.6 26.6 26.7 26.8 26.8 26.9 26.9 27.0 27.0 27.1
XII 27.0 27.1 27.2 27.2 27.3 27.3 27.4 27.4 27.5 27.6
Cuadro 2.13 Temperatura prevista para los 10 aos siguientes a la recogida de datos

Figura 2.23 Datos desde 1986 a 1995 ( ) y previsiones desde 1996 a 2005 ( - )
2.3.4 Descomposicin Multiplicativa: Caso usuarios transporte pblico
En el cuadro 2.14 se recogen los datos relativos al nmero de usuarios de un determinado transporte
pblico en el perodo que abarca desde 1994 hasta 2005, y la figura 2.24 muestra su evolucin
cronolgica.
Mes 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
I 90 111 127 142 146 164 175 176 208 199 207 219
II 88 115 107 139 155 151 161 194 189 190 198 206
III 109 129 141 145 182 180 179 197 232 228 251 229
IV 103 121 135 162 165 164 195 211 226 220 231 223
V 103 112 133 144 165 184 189 191 222 222 234 231
VI 122 125 154 176 191 206 208 235 245 233 251 266
VII 134 164 175 192 195 198 227 248 252 303 316 290
VIII 132 158 174 190 205 235 249 273 242 253 285 294
IX 115 133 158 160 182 197 224 202 229 253 250 258
X 101 127 139 151 165 163 193 189 202 223 232 214
XI 91 110 112 134 138 148 170 167 192 191 190 206
XII 112 120 140 140 155 163 166 168 198 185 201 199

52
Cuadro 2.14 Usuarios de un transporte pblico.

Figura 2.24 Evolucin cronolgica del nmero de usuarios.

La observacin de la figura 2.24 permite realizar las siguientes consideraciones:

Se detecta una clara tendencia creciente en el tiempo.
Hay una estacionalidad manifiesta que se repite anualmente. Ya que los datos son mensuales, su
perodo ser igual a 12.
El patrn de estacionalidad tiene una forma constante pero presenta una amplificacin continua
en el tiempo. Esta situacin es la que indica que el modelo subyacente es multiplicativo.

Para obtener la descomposicin de la serie cronolgica, es necesario estabilizarla previamente, mediante
medias mviles de p = 12; y despus modelizar la tendencia y calcular los ndices estacionales.

La evolucin de las medias mviles se muestra en la figura 2.25, y se aprecia un crecimiento que no es
proporcional al tiempo, sino que parece sufrir un amortiguamiento al final de la serie; es decir,
probablemente se tratar de un modelo parablico.

Figura 2.25 Tendencia a travs de las medias mviles (p =12)

La estimacin mnimo-cuadrtica conduce al modelo de tendencia, sobre las medias mviles, cuya
estimacin se muestra en el cuadro 2.15. En ella se observa, adems de un muy buen ajuste reflejado por
una R
2
del 99,74%, que el trmino cuadrtico es altamente significativo. El signo negativo de este trmino
da idea de una especie de freno en el crecimiento sostenido del nmero de usuarios, representado por el
coeficiente positivo del tiempo.

53
2
0.99733091
R
2
ajustado 0.99728953
Observaciones 132

ANLISIS DE VARIANZA

Grados de
libertad
Suma de
cuadrados
Promedio de los
cuadrados F
Valor
crtico de F
Regresin 2 195909.374 97954.6869 24101.0675 1.001E-166
Residuos 129 524.298543 4.06432979
Total 131 196433.672

Intercepcin 99.7953224 0.63760786 156.515201 5.433E-149
Variable X 1 1.43266479 0.02012802 71.1776439 2.126E-105
Variable X 2 -0.0029421 0.00013513 -21.7720708 4.9966E-45
Cuadro 2.15 Estimacin del modelo de tendencia: Y= a0 + a1 t + a2 t2 + e

As pues, el modelo de tendencia puede escribirse como:

T = 99.7953 + 1.4326 t 0,00294 t
2

En modelos multiplicativos, como el del actual ejemplo, la componente estacional representa la relacin
entre cada estacin y la media general. Recordemos que, en estos casos, el clculo de la estacionalidad se
realiza de acuerdo con los siguientes pasos:

a. Calcular las medias mviles , a partir de los datos, Yt, de la serie.

b. Separar la tendencia, es decir, calcular

c. Asumiendo que los ciclos, caso de existir, son de perodo suficientemente largo como para no ser
recogidos por los datos, calcular los promedios de las Wt de cada estacin y la media general, s es el
indicador de la estacin (mes, en el ejemplo), y ns el nmero de valores de W que se promedian en la
citada estacin

s = 1, , p y

d. Finalmente, los valores de las componentes estacionales, generalmente expresados en % en modelos
multiplicativos, se obtienen como:

En el cuadro 2.16 se muestran los valores de las componentes estacionales del presente ejemplo, y se
representan grficamente en la figura 2.26.

54
Mes Es Mes Es Mes Es
I 92.40 V 97.07 IX 105.54
II 88.43 VI 109.25 X 94.13
III 101.75 VII 121.94 XI 81.56
IV 99.24 VIII 121.34 XII 87.35
Cuadro 2.16 Componente estacional.

Figura 2.26 ndices estacionales

La interpretacin de los ndices podra ser en el sentido de que, por ejemplo, los usuarios de los meses de
julio y agosto son del orden de un 121% superior a la media, mientras que en noviembre se est en un
81% de la media. Ello podra aconsejar una promocin en los meses de noviembre, diciembre, enero y
febrero, con el fin de conseguir una mayor ocupacin de las plazas disponibles.

La figura 2.26 muestra la concordancia entre los datos y su modelizacin, a partir de la tendencia y
estacionalidad calculadas, de acuerdo con el modelo multiplicativo:

Figura 2.26 Serie cronolgica experimental ( ) y ajustada (-).

Observando la figura 2.26 se puede destacar que hay unos desajustes ms acusados en ciertos meses de
julio o agosto, en concreto, los de los aos 1999, 2000, 2001, 2003 y 2004, por lo que es posible afirmar
que en los casos citados ha habido un comportamiento sustancialmente distinto del esperado en los
mismos meses de otros aos; en principio, sera discutible afirmar la presencia de un cambio en los
hbitos de utilizacin de este transporte, ya que ni el ao 2003 ni el 2005, pertenecientes al perodo en
cuestin, presentan semejantes discrepancias.

A pesar de todo, en este caso, sera prudente tomar con ciertas precauciones las previsiones para aos
venideros, mientras no se confirme la consolidacin en el futuro de un cambio o de una permanencia de

55
comportamiento. Tambin podra ser interesante intentar averiguar qu ocurri en estos meses (quizs
una campaa publicitaria, quizs una disminucin de alternativas de la competencia,...).

La figura 2.27 muestra la evolucin de los residuos entre los datos experimentales y el modelo ajustado,
como . Se observa que, en la mayora de los casos, oscilan entre 16, aunque en algn caso la
discrepancia se aproxima a 30 unidades.

Asumiendo que se mantiene el mismo modelo, la previsin de usuarios hasta el ao 2010 se presenta en
la figura 2.28. Hay que tener en cuenta, para realizar correctamente los clculos, que el ltimo valor de t
para el que se dispone de datos, diciembre de 2005, es 144; por tanto, para las predicciones, que abarcan
el perodo de los prximos 60 meses, los valores de t irn desde 145 hasta 204.

Figura 2.27 Residuos del modelo ajustado

En el grfico de la previsin se puede observar la reduccin de la velocidad de crecimiento inicial de la
serie que se ha comentado en la modelizacin de la tendencia.

Figura 2.28 Serie observada y previsiones hasta el ao 2000
2.4 Modelizacin con Variables Categricas

Tal como se ha comentado en la seccin anterior, si hubiera estacionalidad, estimar el modelo de
tendencia sobre los datos directos, por procedimientos usuales de ajuste mnimo cuadrtico, sera
improcedente. Ello es debido a que se producira una inflacin de los residuos no atribuible a la
aleatoriedad sino a la variabilidad ocasionada por el componente estacional. Para evitarlo, se pueden
modelizar conjuntamente la tendencia y la estacionalidad con variables categricas asociadas a cada
estacin, o bien desestacionalizar previamente la serie y entonces ajustar el modelo de tendencia, como
ya se ha expuesto.

La modelizacin conjunta, con variables categricas, de la tendencia y la estacionalidad presenta como
principal ventaja la generalidad del mtodo. Por este procedimiento no es necesario, a priori, asumir un

56
modelo aditivo o multiplicativo, sino que se plantea un modelo general que incluye todas las
posibilidades.

Sea p el perodo estacional, es decir, el nmero de unidades de tiempo que conforman el patrn de
comportamiento que se repite sistemticamente. Cada uno de los valores del tiempo contenidos en p
corresponde a una estacin, la cual se designar por el subndice s, de forma que s = 1, 2, ..., p.

Cada estacin debe estar ligada biunvocamente a una variable categrica. Dicha variable es un indicador
que toma el valor 1 en la estacin a la que est asociada y 0 en todas las dems, excepto para la primera
estacin, en que todas toman el valor 0. sta es la razn por la cual con p-1 variables categricas es
suficiente para estudiar una serie de perodo p.

Las variables categricas, Q, quedan, pues, definidas como

Con estas variables se plantea un modelo tipo

donde f(t) es una funcin polinmica del tiempo, o sea, , que viene a recoger la
tendencia o evolucin general, a largo plazo, de los datos con el tiempo. Los trminos del grupo
indican los cambios que las distintas estaciones, componentes del perodo estacional, introducen en la
ordenada en el origen del modelo, parte aditiva segn el sistema clsico. Mientras que los del grupo
representa la influencia de la estacionalidad sobre la funcin del tiempo, lo que en el mtodo
clsico se interpreta como parte multiplicativa.

El estudio de la significacin de cada uno de los coeficientes , y , y la consiguiente eliminacin de los
no significativos conducir el modelo que definitivamente explica el comportamiento de la serie.

Para desarrollar la metodologa de las variables categricas sobre un ejemplo, se van a utilizarlos datos
relativos a las ventas de material deportivo estudiados por el mtodo clsico, con el fin de poder
comparar posteriormente los resultados obtenidos. En el cuadro 2.17 se vuelven a reproducir los datos de
la serie cronolgica, junto a los valores de las variables categricas. La representacin grfica de los
mismos ya se present en la figura 2.13, cuya observacin condujo a pensar en una tendencia lineal
creciente y una estacionalidad de perodo p = 4.

A fin de no confundir los dos efectos, procede la creacin de variables categricas que identifiquen cada
una de las cuatro estaciones, que en este ejemplo constituyen el perodo de repeticin del patrn
estacional. Por otra parte, suponiendo que hubiese ciclos, el intervalo de tiempo de recogida de datos es
totalmente insuficiente para tomarlos, por lo que su posible existencia quedar enmascarada en los
residuos.

En el cuadro 2.17 estn las variables categricas Q2, Q3 y Q4, cuya conjuncin representa de forma
unvoca cada trimestre. Se insiste en que no es necesaria una Q1, puesto que el primer trimestre es el que
toma como referencia Q2 = Q3 = Q4 = 0, y son los dems que, a travs del indicador, aportarn la parte del
efecto estacional correspondiente.

57

Ao
Trimestre
(s)
Ventas (Y) Q2 Q3 Q4 t
2000 1 40.22 0 0 0 1
2 54.89 1 0 0 2
3 63.51 0 1 0 3
4 111.35 0 0 1 4
2001 1 46.95 0 0 0 5
2 51.62 1 0 0 6
3 61.47 0 1 0 7
4 108.58 0 0 1 8
2002 1 41.38 0 0 0 9
2 65.30 1 0 0 10
3 64.25 0 1 0 11
4 113.82 0 0 1 12
2003 1 53.34 0 0 0 13
2 59.37 1 0 0 14
3 66.15 0 1 0 15
4 121.50 0 0 1 16
2004 1 67.38 0 0 0 17
2 56.09 1 0 0 18
3 75.11 0 1 0 19
4 124.39 0 0 1 20
2005 1 55.90 0 0 0 21
2 61.25 1 0 0 22
3 75.44 0 1 0 23
4 126.50 0 0 1 24
Cuadro 2.17 Ventas de material deportivo

En este caso, al ser la tendencia rectilnea, se plantea el modelo

Y = 0 + 1t + 2Q2 + 3Q3 + 4Q4 + 2Q2 t + 3Q3 t + 4Q4 t +

La estimacin de sus parmetros conduce a los resultados expuestos en el cuadro 2.18.

Los resultados del modelo lineal general evidencian que todos los trminos del tipo Qjt no son
estadsticamente significativos, (p-val < 0,05), por tanto procede recalcular el modelo prescindiendo de
ellos.

Cabe destacar que este hecho manifiesta que la estacionalidad no modifica la pendiente de la recta del
tiempo, es decir, el incremento de las ventas es el mismo para cada trimestre. Esto simplifica el caso al
corresponder a un modelo aditivo puro, que puede ser, alternativamente, estudiado por la metodologa de
la descomposicin clsica, tal como se ha hecho en la seccin anterior. Si alguno de esos trminos hubiese
resultado significativo, el sistema clsico proporcionara un modelo bastante precario.

58

2
0.97957269
R
2
ajustado 0.97063574
Observaciones 24

ANLISIS DE VARIANZA

Grados de
libertad
Suma de
cuadrados
Promedio de
los cuadrados F
Valor crtico
de F
Regresin 7 17166.997 2452.42815 109.609304 2.5717E-12
Residuos 16 357.988318 22.3742699
Total 23 17524.9853

Intercepcin 38.9463095 3.66031773 10.6401445 1.1507E-08
Q2 15.7735 5.3510502 2.94773912 0.0094549
Q3 19.193619 5.53456782 3.46795264 0.00317106
Q4 65.6576905 5.72616449 11.4662599 3.966E-09
t 1.08321429 0.28268022 3.83194228 0.00147026
tQ2 -0.80264286 0.3997702 -2.0077606 0.06186319
tQ3 -0.35128571 0.3997702 -0.87871911 0.39255913
tQ4 -0.1485 0.3997702 -0.3714634 0.71516553
Cuadro 2.18 Resultados del modelo lineal general

El cuadro 2.19 contiene los resultados del ajuste del modelo definitivo, es decir, de

Y = 0 + 1t + 2Q2 + 3Q3 + 4Q4 +

2
0.97373128
R
2
ajustado 0.96820102
Observaciones 24

ANLISIS DE
VARIANZA

Grados de
libertad
Suma de
cuadrados
Promedio de
los cuadrados F
Valor
crtico de F
Regresin 4 17064.6264 4266.15659 176.07342 9.8949E-15
Residuos 19 460.358954 24.2294186
Total 23 17524.9853

59

Intercepcin 42.5279881 2.57989903 16.4843615 1.0352E-12
Q2 6.46739286 2.84571718 2.2726759 0.03484621
Q3 15.278119 2.85709757 5.34742643 3.6808E-05
Q4 64.5555119 2.8759648 22.4465584 3.8699E-15
t 0.75760714 0.147083 5.1508817 5.682E-05
Cuadro 2.19 Resultados del modelo definitivo

Los grficos de residuos y probabilstico Normal se presentan en la figura 2.29, y no presentan ninguna
peculiaridad especial.

En consecuencia queda validado el modelo obtenido.

Figura 2.29 Grficos de los residuos del modelo

Como resumen de todo lo anterior, el modelo que explica el comportamiento de la serie, y que va a ser
utilizado para hacer previsiones de las ventas futuras, ha resultado ser

42,5280 + 0,7576 t + 6,4674 Q2 + 15,2781 Q3 + 64,5555 Q4

La interpretacin de los coeficientes del modelo permite identificar tendencia y estacionalidad.

En cuanto a la primera, se detecta un incremento de las ventas de 0,7576 unidades cada unidad de tiempo
(trimestre); incremento que se mantiene constante sea cual sea la estacin.

En consecuencia, la estacionalidad slo afecta a la ordenada en el origen de cada una de las cuatro
estaciones (trimestres) que componen el perodo.

60

Tomando como referencia el primer trimestre, en el que Q2 = Q3 = Q4 = 0, se observa que en l las ventas
dependen del tiempo, segn la ecuacin

42,5280 + 0,7576 t con t = 1 +

Para un tiempo correspondiente a un segundo trimestre, las variables categricas toman los valores Q2 =
1 y Q3 = Q4 = 0 y el modelo es

42,5280 + 0,7576 t + 6,4674 = 48,9954 + 0,7576 t con t = 2 +

Para un tiempo de tercer trimestre, las variables categricas toman los valores Q3 = 1 y Q2 = Q4 = 0 y el
modelo es

42,5280 + 0,7576 t + 15,2781 = 57,8061 + 0,7576 t con t = 3 +

Y, en el caso del cuarto trimestre, las variables categricas toman los valores Q4 = 1 y
Q2 = Q3 = 0; el modelo es

42,5280 + 0,7576 t + 64,5555 = 107,0835 + 0,7576 t con t = 4 +

As, para cada trimestre (estacin del perodo), se obtiene un modelo del mismo tipo, rectilneo con igual
pendiente, en este caso, pero con distinta ordenada en el origen.

Esto se puede interpretar como que, tomando siempre como referencia el primer trimestre, en el segundo
el volumen de ventas aade a la funcin del tiempo 6,4674 unidades, en el tercero el incremento es de
15,2782 y en el cuarto de 64,5555 unidades. Estos valores son, evidentemente, los coeficientes de las
variables categricas.

En consecuencia los coeficientes de las variables categricas representan la cantidad en que una estacin,
sistemticamente, supera (o no alcanza, segn sea el signo) el valor de la primera estacin del perodo. Es
decir, estos coeficientes son una forma de medir el componente estacional.

Para evaluar la bondad del modelo, en la figura 2.30 se muestra la comparacin de los valores medidos
con los estimados a partir del modelo ajustado; se observa la buena concordancia entre ambos.

La modelizacin tiene como objetivo principal el poder hacer previsiones para un futuro prximo. En este
caso se procede a calcular las previsiones para los prximos 2 aos, a base de sustituir los valores del
tiempo y de las variables categricas en el modelo obtenido.

Los resultados se muestran en el cuadro 2.20 y en la figura 2.31.

61
Figura 2.30 Datos reales ( ) y modelo ajustado ( _ )

Aqu se detecta la coherencia de la previsin con los datos histricos, siempre que no cambie el modelo de
comportamiento de la serie en el perodo previsto. Esto podra ocurrir, por ejemplo, si hubiese una
recesin econmica, la apertura de otro comercio de similares caractersticas en las inmediaciones, un
cambio de hbitos en la poblacin, una campaa propagandstica con xito de la competencia, etc.

42,5280 + 0,7576 t + 6,4674Q2 + 15,2781Q3 + 64,5555Q4

Ao t Q2 Q3 Q4 Yestim
2006 25 0 0 0 61.46817
26 1 0 0 68.69317
27 0 1 0 78.26150
28 0 0 1 128.29650
2007 29 0 0 0 64.49860
30 1 0 0 71.72360
31 0 1 0 81.29193
32 0 0 1 131.32693
Cuadro 2.20 Previsiones para 2006 y 2007

Figura 2.31 Datos, modelo y previsiones para los dos aos siguientes
2.5 Actividades para el Aprendizaje.


http://ciberconta.unizar.es/LECCION/seriest/060.HTM

http://www.mty.itesm.mx/egap/materias/re-4004/Cap7.ppt

http://www.bccr.fi.cr/ndie/Documentos/DIE-02-2002-NT-
ASPECTOS%20CONCEPTUALES%20SOBRE%20SEATS.pdf

http://www.aaep.org.ar/espa/anales/resumen04/04/Trajtenberg.pdf

Resolver los ejercicios al capitulo correspondiente:
Ctedra de Mtodos Cuantitativos para los Negocios. http://www.unsa.edu.ar/mcneco/mcn_tps.html
Programacin Matemtica
http://www.uv.es/~sala/programacion.htm

62
Bienvenidos a los cursos del rea de Operaciones Descargar ejercicios:
http://ucreanop.org/descarga_ejercicios.php

63

FORMULACION Y OPTIMIZACION DE MODELOS


Plantear y resolver problemas que impliquen toma de decisiones para obtener minimizacin de
costos o maximizacin de utilidades.
Resolver problemas de optimizacin lineal y/o entera por el mtodo grfico y por el mtodo
simplex
Interpretar los resultados de un problema de programacin lineal y/o entera mediante el anlisis
de sensibilidad, para tomar la mejor decisin que optimice la utilizacin de los recursos en una
organizacin industrial o de servicios.
3.0 Introduccin

El desarrollo de los mtodos de optimizacin, segn muchos autores, ha representado uno de los avances
cientficos ms importantes desde mediados del siglo XX. Actualmente son una herramienta utilizada en
muchos campos de la administracin, de la economa y de la ingeniera. Existen muchos libros de texto
sobre el tema y miles de artculos cientficos en revistas especializadas.

Los mtodos de optimizacin tienen como base el mtodo cientfico para investigar y ayudar a tomar
decisiones sobre los problemas complejos de las organizaciones de hoy en da. Bsicamente siguen los
pasos siguientes: (1) la observacin de un problema, (2) la construccin de un modelo matemtico que
contenga los elementos esenciales del problema, (3) la obtencin, en general con la utilizacin de un
ordenador, de las mejores soluciones posibles con la ayuda de algoritmos exactos o heursticos y
finalmente (5), la calibracin y la interpretacin de la solucin y su comparacin con otros mtodos de
toma de decisiones.

Un ejemplo simple, el problema de la asignacin, nos puede servir para ilustrar la dificultad esencial de
los mtodos cuantitativos. Una Empresa tiene 70 empleados con calificaciones diferentes
(Administradores, Ingenieros, personal Auxiliar, etc.) que hemos de asignar a 70 tareas tambin
diferentes. Si pudiramos determinar un valor que reflejase la asignacin de un empleado a una tarea
determinada, tendramos que escoger una entre 70! formas posibles de permutacin de las asignaciones
que maximice el valor total. Cmo que 70! es aproximadamente igual a 10100, necesitaramos un
ordenador que ejecutase 1.000.000 de operaciones por segundo durante aproximadamente 1087 aos,
para examinar todas las permutaciones. Problemas de decisin como ste son muy comunes y se tienen
que desarrollar modelos de programacin matemtica, mtodos matemticos para obtener soluciones a
los modelos, y algoritmos de ordenador muy eficientes.

Los mtodos cuantitativos han tenido un impacto impresionante en la mejora de la eficiencia de
numerosas organizaciones en todo el mundo. Existen inmeras aplicaciones con xito en todos los
campos en donde la toma de decisiones es compleja y que pueden implicar para la organizacin grandes
inversiones o cambios en la organizacin que determinen su futuro.
3.1 Programacin Lineal: Formulacin de Problemas

La programacin lineal es la herramienta bsica ms utilizada dentro de los mtodos cuantitativos,
debido tanto a su inmenso abanico de aplicaciones como a su simplicidad de implementacin.
Efectivamente, el desarrollo de la programacin lineal, segn muchos autores, ha representado uno de los
avances cientficos ms importantes desde mediados del siglo XX. Actualmente es una herramienta
utilizada en muchos campos de la administracin, de la economa y de la ingeniera.

64
La programacin lineal es un caso especial de la programacin matemtica, en donde todas las funciones
que hay en el modelo son lineales: siempre tenemos una funcin objetivo lineal a optimizar (maximizar o
minimizar), sujeta a restricciones lineales individuales. Las variables del modelo, que son continuas,
nicamente pueden coger valores no negativos. Si bien puede parecer que estos supuestos quitan
realismo al problema porque el modelador est limitado al uso de ecuaciones que quizs no son
frecuentes en el mundo real, las tcnicas de programacin lineal se utilizan en un amplsimo espectro de
problemas como, entre otros, de planificacin y gestin de recursos humanos y materiales, de transporte,
de planificacin financiera y de organizacin de la produccin. En definitiva, una extensa gama de
problemas que aparecen en las reas de tipo industrial, econmico, administrativo, militar...

El trmino programacin tiene su origen en la planificacin de las actividades que se realizan en una
organizacin tal como una fbrica, un hospital, una compaa area o un organismo pblico, en dnde hay
un objetivo a optimizar (maximizacin de beneficios, minimizacin de costos, maximizacin de la
cobertura sanitaria, etc.). No tenemos que confundir este trmino con la programacin en referencia a la
preparacin de una serie de rdenes e instrucciones de un lenguaje informtico en un ordenador.
3.1.2 Orgenes de la Programacin Lineal

La programacin lineal, si bien actualmente se utiliza frecuentemente para resolver problemas de
decisin, era casi desconocida antes de 1947. Ninguna investigacin significativa fue realizada antes de
esta fecha, si bien hay que mencionar que, alrededor de 1823, el matemtico francs Jean Baptiste Joseph
Fourier pareca conocer el potencial del tema.

Un matemtico ruso, Leonid Vitalievitx Kantorovitx, que public una extensa monografa en 1939,
Matematitxeskie Metodi Organisatsi i Planirovaniia Proisvodstva (Mtodos matemticos para la
organizacin y planificacin de la produccin) fue el primer investigador en reconocer que una amplia
gama de problemas de produccin y distribucin tenan una estructura matemtica y, que por lo tanto, se
puedan formular con un modelo matemtico. Desgraciadamente sus propuestas fueron desconocidas
tanto en Unin Sovitica como en el occidente durante dos dcadas. Durante este periodo, la
programacin lineal experiment un gran desarrollo tanto en Estados Unidos como en Europa. Despus
de la segunda guerra mundial, funcionarios del gobierno americano consideraron que la coordinacin de
las energas de toda una nacin debido al peligro de una guerra nuclear requerira la utilizacin de
tcnicas cientficas de planificacin. Con la aparicin del ordenador esto se hizo posible. Se crearon
instituciones como la Corporacin RAND en donde ingenieros y matemticos se pusieron a trabajar
intensamente en la formulacin y resolucin de problemas matemticos aplicados a la toma de
decisiones. Entre otros, se propuso un modelo de programacin lineal por su simplicidad y aplicabilidad,
sin dejar de dar un marco lo suficientemente amplio para representar actividades interdependientes que
han de compartir recursos escasos. El sistema (como, por ejemplo, la produccin industrial) se compone
de diversas actividades relacionadas entre ellas (formacin, fabricacin, almacenaje, transporte,
distribucin y venta). Este fue el primer modelo de programacin lineal conocido.

En qu consiste la Programacin Lineal?

La Programacin lineal (PL de ahora en adelante) consiste en encontrar los valores de unas variables que
maximizan o minimizan un nico objetivo sujeto a una serie de restricciones. Las principales
caractersticas de PL son:

1. Un nico objetivo lineal a optimizar (maximizar o minimizar)
2. Unas variables de decisin que siempre son continuas
2
y no negativas
3. Una o ms restricciones lineales
4. Un conocimiento exacto de los parmetros y recursos utilizados en la construccin del modelo.

Si todas estas condiciones se cumplen, existen varios mtodos de obtencin de soluciones que nos dan la
solucin ptima con un costo computacional relativamente reducido. Como veremos ms adelante,

2
Por continuas se entiende que pueden tomar valores fraccionados

65
incluso la ms popular de las Hojas de Clculo, Excel, incorpora una herramienta para resolver programas
lineales.

A continuacin analizaremos con ms detalles estas caractersticas y lo que ocurre si una o varias de ellas
no se cumplen.

En primer lugar, cabe destacar que en la PL todas las funciones utilizadas tanto en el objetivo como en
las restricciones son lineales. Es decir, las restricciones consisten en la suma de variables multiplicadas
por sus respectivos parmetros, siendo esta funcin menor, igual o mayor que un determinado recurso. El
objetivo tambin es lineal, si bien desconocemos a priori su valor. En caso de que tanto el objetivo como
una o ms restricciones no fueran lineales, sera necesario el introducir mtodos de programacin no-
lineal, que son mucho ms complejos de resolver y cuya optimalidad no siempre est garantizada.

En segundo lugar, la PL considera que las variables de decisin son continuas. Desde el punto de vista
matemtico de obtencin de soluciones, esta caracterstica no ofrece problemas. Ahora bien, en muchas
situaciones, la interpretacin econmica de la solucin de un problema de PL no tiene sentido si
obtenemos fracciones en las variables. Por ejemplo, si estamos asignando trabajadores a tareas, no tiene
sentido un resultado que en un momento determinado asigne 3,4 trabajadores a una determinada tarea.
Por otro lado, y como veremos ms adelante, si uno opta por redondear al entero ms prximo se puede
cometer un grave error. Para poder obtener soluciones enteras en problemas que lo requieren, se utiliza
la Programacin lineal Entera, que ser objeto de estudio en el captulo cuarto de este libro.

En tercer lugar, los modelos de PL consideran que hay un nico objetivo a maximizar o minimizar.
Muchas veces podemos tener que resolver problemas que tienen ms de un objetivo. Por ejemplo, por un
lado podemos querer maximizar la cobertura de un determinado servicio sanitario, mientras que por el
otro queremos reducir los costos generales. Ambos objetivos son conflictivos, en el sentido de que
aumentar la cobertura significara un aumento en la necesidad de recursos con el consecuente
incremento de costos en el sistema. Esta conflictividad se resuelve utilizando mtodos de Programacin
Multicriterio o multiobjetiva, presentados en el captulo quinto de este libro.

Finalmente, en la PL se considera que los parmetros utilizados en la construccin del modelo se
conocen con exactitud, o en trminos ms tcnicos, son determinsticos. Sin embargo, existen situaciones
en las que uno o ms parmetros tienen un componente estocstico, o en palabras menos tcnicas, tienen
una variabilidad (que en algunos casos puede ser representada por una distribucin estadstica). Si esto
acontece, la PL ya no es un buen instrumento para la obtencin de soluciones. Es necesario utilizar
tcnicas de Programacin Estocstica, que quedan fuera del alcance de este libro.
3.1.3 Formulacin de Modelos

En esta seccin se presentan algunos ejemplos de los problemas con los cuales se puede encontrar una
organizacin y como la programacin lineal puede expresarlos matemticamente.

Un Problema de asignacin de personal

El hospital ESSalud ha decidido ampliar su servicio de urgencias (abierto las 24 horas) con la consiguiente
necesidad de nuevo personal de enfermera. La gerencia del hospital ha estimado las necesidades
mnimas de personal por tramos horarios para poder cubrir las urgencias que se presenten. Se definieron
6 tramos de 4 horas. La necesidad mnima de personal en cada tramo se indica en el Cuadro 3.1. Por otro
lado, el departamento de recursos humanos ha informado a gerencia que los contratos laborales han de
ser de ocho horas seguidas, segn el Convenio firmado con los sindicatos, independientemente de los
horarios de entrada y salida del personal. El problema es encontrar el nmero mnimo de personal
necesario para cubrir la demanda.

66

Tramos Horarios
J
1 2 3 4 5 6
0:00-4:00 4:00-8:00 8:00-12:00 12:00-16:00 16:00-20:00 20:00-24:00
Personal Nj 9 5 3 7 5 6
Cuadro 3.1: Necesidades de personal por tramos horarios

Formulacin del problema:

En primer lugar, se tienen que definir las variables del modelo que queremos desarrollar. Como hemos de
controlar en nmero de personal en cada turno, definimos Xj como la cantidad de personal que entra a
trabajar en el turno j, en donde j=1,...,6. Es decir, hay una variable para cada turno.
Las restricciones del modelo tienen que reflejar la necesidad de que la cantidad de personal que entren en
el periodo j ms el nmero de personas que entraron a trabajar en el turno j-1 sea suficiente para cubrir
las necesidades del turno j (Nj). Esta situacin queda reflejada en el Cuadro 3.2. En esta tabla, un
trabajador que entra a trabajar, por ejemplo, a las 4:00, trabajar en los turnos 2 y 3, y por tanto,
contribuir a cubrir las necesidades de estos dos turnos. En otras palabras, el turno j estar siendo
atendido por Xj-1 y Xj. En consecuencia, tendremos que Xj-1 + Xj (el personal que trabaja durante el turno j)
tiene que ser, como mnimo, igual a Nj, que es el nmero mnimo de personal de enfermera necesario
para este turno. En trminos matemticos la restriccin es la siguiente:

Xj-1 + Xj Nj

Habr una restriccin para cada horario de entrada.
El objetivo de la gerencia consiste en la minimizacin del nmero total de personal de enfermera
necesario para cubrir las necesidades diarias. Este nmero ser igual a X1 +X2 +X3 +X4 +X5 +X6 que
representa la suma del nmero de personal que entra en cada periodo. Finalmente, el modelo matemtico
es el siguiente:

Tramos Horarios

1 2 3 4 5 6
0:00-4:00 4:00-8:00 8:00-12:00 12:00-16:00 16:00-20:00 20:00-24:00
00:00 X1 X1
04:00 X2 X2
08:00 X3 X3
12:00 X4 X4
16:00 X5 X5
20:00 X6 X6
Personal Nj 9 5 3 7 5 6

67
Cuadro 3.2: Necesidades de personal

Un problema de asignacin de recursos

El gerente del hospital ESSalud ha observado que algunos de sus servicios tienen capacidad ociosa.
Siguiendo una propuesta realizada por el equipo mdico, esta capacidad ociosa podra aprovecharse para
introducir dos tipos nuevos de ciruga, A y B. Tanto los pacientes de tipo A como los de tipo B tienen que
pasar primero por una sala de pre-ciruga y, una vez pasado por el quirfano tienen que estar en
observacin en una sala postoperatoria, que no existe de momento. El equipo mdico ha estimado el
tiempo medio que necesita cada paciente de tipo A y de tipo B en cada uno de los servicios pre-quirrgico
(PQ), quirrgico (QI) y postoperatorio (PO). La experiencia en un hospital similar muestra que por cada
tres pacientes de tipo A que llegan al hospital como mnimo llega uno de tipo B. Por otra parte, se ha
estimado el costo de cada paciente en los diferentes servicios. El Cuadro 3.3 muestra los datos del
problema, teniendo en cuenta que la capacidad ociosa es en horas mensuales y el costo por paciente en
nuevos soles.

Horas Necesarias de Ciruga
Capacidad
Ociosa A B
Sala PQ 1 3 144
Sala QI 3 2 162
Sala PO 4 2
Costo 13 18
Cuadro 3.3: Estimaciones horarias de las cirugas A y B

Como el servicio postoperatorio (PO) an no existe, el gerente argumenta que para justificar su creacin
tiene que utilizarse durante un mnimo de 135 horas al mes. Por otra parte, el presupuesto mensual
asignado a las nuevas cirugas es de S/.982. El gerente quiere saber cual ser el nmero mximo de
pacientes que podrn ser operados al mes.

Formulacin matemtica del problema:

Primero definimos las variables del modelo. Sean X1 y X2 el nmero total de pacientes por mes que
pueden ser tratados con la ciruga A y B respectivamente. A continuacin se presentan las restricciones.

Se ha establecido que en la sala PQ se disponen de 144 horas. En otras palabras, la utilizacin de esta sala
no puede sobrepasar las 144 horas. Como cada uno de los pacientes de tipo A y de tipo B consumen 1
hora y 3 horas en esta sala respectivamente, el nmero total de horas mensuales consumidas en PQ para
los dos tipos ser igual a X1 + 3X2. Este nmero tiene que ser inferior o igual a las 144 horas. La restriccin
ser la siguiente:

X1 + 3X2 144

El mismo razonamiento puede ser utilizado para determinar el nmero lmite de horas en la sala QI.
Como el total de horas consumidas ser igual a 3X1 + 2X2, y hay un mximo de 162 horas disponibles, la
restriccin sobre QI ser:

3X1 + 2X2 162

El gerente ha determinado que, para viabilizar los nuevos tratamientos, se tiene que ocupar la nueva sala
PO durante un mnimo de 135 horas al mes. Como el nmero de horas mensuales que se utilizar en PO es
igual a 4X1 + 2X2, tendremos que:

4X1 + 2X2 135

68
La experiencia en otros hospitales muestra que, por cada 3 pacientes de tipo A, viene como mnimo un
paciente de tipo B. Matemticamente, esto se expresa como:

que es equivalente a:

X1 - 3X2 0

Finalmente, el gasto mensual realizado en las dos cirugas no puede exceder S/.982. Como cada paciente
de tipo A y de tipo B cuesta 13 Nuevos soles y 18 Nuevos soles respectivamente, el gasto total mensual
ser de 13X1 + 18X2, cantidad que no puede exceder S/.982, tendremos que:

13X1 + 18X2 982

Ahora se necesita formular el objetivo. El gerente quiere saber el nmero mximo de enfermos de tipo A y
de tipo B que se puede atender cada mes. Simplemente, tendremos que si Z es este nmero, el objetivo se
expresar como:

Max Z = X1 + X2

En resumen, la formulacin del problema es la siguiente:

Un problema de transporte

El hospital ESSalud tiene un Centro de Asistencia Primaria (CAP) en n pueblos y ciudades de una regin
(un CAP en cada centro urbano). Para obtener un buen funcionamiento global del servicio y poder
planificar el nmero de visitas en funcin del personal previsto en cada CAP y de su dimensin, ESSalud
ha decidido organizar el servicio de tal forma que todos sus asegurados tengan un CAP de referencia
asignado, pero que sea ste el ms cercano posible a su lugar de residencia. En la regin hay m ciudades y
pueblos (siendo m mucho mayor que n) y se sabe cuantos asegurados tiene en cada uno de ellos. Los CAP
tienen una capacidad mxima de pacientes que pueden soportar. El objetivo es asignar a los asegurados a
los CAPs minimizando el costo o la distancia total.

Si no existiera el problema de capacidad, el modelo sera trivial, ya que bastara asignar cada ciudad al
CAP ms cercano, obtenindose el costo de transporte ms barato. Al tener lmites en la capacidad, puede
ser que no todas las ciudades tengan asignado el centro ms cercano, ya que esto implicara una sobre
utilizacin. Entonces, puede ser que alguna ciudad, o parte de ella tenga asignada CAP que no es el ms
cercano, en funcin de la disponibilidad o holgura del sistema. En caso de que queramos asignar un nico
CAP a cada ciudad, se tiene que formular un problema diferente, El Problema de Asignacin.

En primer lugar se definen los parmetros necesarios para formular el modelo. Sea ai el nmero de
asegurados en el centro urbano i, i = 1,...,m. Sea bj el nmero total de asegurados que el CAP j puede tener
asignados como mximo, j = 1,...,n. Se define cij como el costo de desplazamiento entre i y j.

69
Como se necesita conocer cuantas personas del centro urbano i sern asignadas al centro j, se define la
variable Xij como el nmero de personas que provienen del centro urbano i que sern atendidas por el
CAP j.

Una vez definidos los parmetros y las variables, necesitamos definir las restricciones del modelo. En este
problema hay dos tipos de restricciones. La primera viene definida por la capacidad de atencin mxima
de los CAPs. El nmero total de asegurados asignados al CAP j no puede exceder su capacidad bj. Para un
CAP determinado j, no podemos asignar la poblacin que la que determina su capacidad mxima

X1j + X2j + ... + Xij + ... + Xmj < bj

En trminos matemticos:

El segundo grupo de restricciones tiene que considerar que hemos de asignar la totalidad de los
asegurados de ESSalud de cada centro urbano i a los CAPs existentes.

Finalmente, se tiene que formular el objetivo de minimizacin total de la distancia o costo total del
sistema. Este viene definido por:

c11X11 + c12X12 + ... + c1nX1n + ... + cijXij + ... + cm1Xm1 + ... + cmnXmn

que podemos re-escribir en forma compacta como:

En resumen, la formulacin completa del modelo es la siguiente:

Se tiene que observar que este problema presenta una peculiaridad que no est en la formulacin. Para
que el problema tenga una solucin factible, el nmero total de asegurados no puede exceder la capacidad
total de los CAPs. Es decir, existe la siguiente restriccin implcita en el modelo:

70
Si esto no se verificara, el problema no tendra solucin.

Un problema de Programacin Financiera

La compaa de seguros Pacfico SA est preparando su plan de inversiones para los prximos dos aos.
Actualmente, la empresa tiene 1,5 millones de dlares para invertir y espera ingresar, gracias a
inversiones pasadas, un flujo de dinero al final de los meses, 6 12 y 18 prximos. Por otra parte, la
empresa quiere expandirse y tiene dos propuestas sobre la mesa. La primera es asociarse con la empresa
Positiva SA y la segunda con la empresa Rimac SA. En el Cuadro 2.4 es muestra el flujo de caja de Pacfico
SA si entrara con un 100% en cada uno de los proyectos.

Inicial 6 meses 12 meses 18 meses 24 meses
Inversiones Pasadas 500 400 380
Sanimas SA -1 -700 1.8 400 600
Buenavida SA -800 500 -200 -700 2
Cuadro 3.4: Flujo de Caja de Pacfico SA (miles de dlares)

Debido al actual nivel de endeudamiento, a Pacfico SA no se le permite pedir prstamos. Pero si que
puede, a cada seis meses, invertir sus fondos excedentes (es decir, aquellos que no ha invertido en ningn
proyecto) en un fondo que le dara un 7% cada seis meses. Por otro lado, Pacfico SA puede participar en
cada uno de los proyectos con un nivel inferior al 100% y, consecuentemente, el flujo de caja se reducir
en la misma proporcin. Es decir, que si decide entrar por ejemplo con el 50% en el proyecto de Rimac, el
flujo correspondiente tambin se reducir en la misma proporcin. El problema que se plantea Pacfico
SA es cuanto invertir en cada proyecto para maximizar el dinero en efectivo que tendr la empresa en dos
aos.

Formulacin matemtica del problema:

Siguiendo nuestro esquema habitual, una vez el problema ha sido identificado y los parmetros del
modelo han sido definidos, se tienen que definir las variables. Sea X1 el porcentaje de participacin en el
proyecto Positiva y X2 el porcentaje de participacin en el proyecto Rimac SA (0 < X1 < 1; 0 < X2 < 1). Por
otro lado, sean S0, S6, S12 y S18 el dinero que se depositar en el fondo en los periodos 0, 6 12 y 18
respectivamente.

Para formular las restricciones del modelo se utilizar un razonamiento secuencial. La empresa dispone
de 1,5 millones de dlares hoy (periodo 0) y las quiere gastar considerando las opciones siguientes:

1. participar en el proyecto Positiva, que implicara desembolsar 1.000.000X1 dlares en el periodo
0;
2. participar en el proyecto Rimac, teniendo que gastar 800.000X2;
3. depositar el dinero al 7%

Estas opciones no son excluyentes entre ellas. Por lo tanto, se tiene que cumplir la siguiente ecuacin de
equilibrio:

1.500 = 1.000X1 + 800X2 + S0

Al cabo de seis meses, la empresa ingresar 500.000 dlares, gracias a inversiones realizadas
anteriormente. Tambin el dinero depositado en el fondo en el periodo anterior estar a disposicin junto
con los intereses: S0 + 0.07S0. Por otra parte, el proyecto Rimac dar una entrada de dinero igual a
500.000X2. Con este dinero tendr que hacer frente al compromiso adquirido con Positiva, 700.000X1, y
depositar lo que quede al 7% una vez ms. Matemticamente:

500 + 500X2 + 1,07S0 = 700X1 + S6

71

En el periodo 12, la empresa recibir 400.000 dlares. de inversiones anteriores, 1.800.000X1 del
proyecto Positiva y el dinero del fondo junto con los intereses. Con estos ingresos tendr que cubrir el
compromiso del proyecto Rimac, 200.000X2 y depositar S12 dlares, en el fondo. En trminos
matemticos:

400 + 1.800X1 + 1,07S6 = 200X2 + S12

En el periodo 18, los ingresos que tendr la empresa vendrn de inversiones anteriores (380.000), del
proyecto Positiva (400.000X1) y del depsito realizado en el periodo anterior incluyendo los intereses
(1,07 S12). Con este dinero tendr que realizar un gasto de 700.000 X2 en el proyecto Rimac y el resto
puede volver a ponerlo en el fondo (S18). Es decir:

380 + 400X1 + 1,07S12 = 700X2 + S18

Finalmente, al cabo de dos aos (periodo 24), la empresa tendr nicamente ingresos y no tendr ningn
gasto. Los ingresos provienen de los dos proyectos (600.000 X1 + 2.000.000 X2) y del dinero depositado en
el periodo anterior, 1,07 S18. Si se define Z como los ingresos realizados en el periodo 24 en miles de
dlares, tendremos que:

Z = 600X1 + 2.000X2 + 1,07S18

que no es ms que el objetivo del problema: Maximizar los ingresos al cabo de dos aos.

Finalmente, como solo se puede invertir un mximo de 100% en cada proyecto, las variables X1 y X2 no
pueden exceder la unidad. Por lo tanto, hay que aadir las restricciones siguientes:

X1 < 1
X2 < 1

En resumen, reordenando los trminos tendremos que el programa lineal se escribe de la forma
siguiente:

3.2 Programacin Lineal: Mtodos de Resolucin

Hasta ahora hemos formulado matemticamente algunos problemas de gestin y administracin de
recursos y de dinero. Pero un modelo matemtico de decisin, por muy bien formulado que est, no sirve
de nada sino podemos encontrar una solucin satisfactoria. Una de las caractersticas de la programacin
lineal es que, gracias a sus propiedades matemticas, se consigue la solucin ptima sin muchas
dificultades. En esta seccin examinaremos en primer lugar el mtodo grfico, un sistema limitado a
problemas con dos variables, y a continuacin el mtodo Simplex, el algoritmo ms comn para
solucionar problemas lineales con muchas variables y restricciones.
3.2.1 El mtodo grfico

Este mtodo es muy simple de utilizar, pero solo puede ser aplicado a problemas con dos variables. Por
otro lado, es muy til para entender las propiedades matemticas de la programacin lineal.
Consideremos el problema lineal siguiente, correspondiente el problema de asignacin de recursos la

72
seccin anterior, sin la restriccin del los recursos necesarios mnimos en la sala post-operatoria (PO) y
sin la restriccin de la demanda:

En primer lugar, se dibuja en un grfico cartesiano las restricciones del modelo pero con signo de
igualdad. Como se puede observar en la figura 3.1, la recta X
1
+ 3X
2
= 144 separa el plano en dos
semiplanos. Los puntos que corresponden al semiplano S1 cumplen la restriccin 2X1 + 3X2 144. Es
decir, este semiplano contiene todas las combinaciones de X1 y X2 que satisfacen la restriccin. Si
dibujamos todas las restricciones y sus semiplanos correspondientes encontraremos que la regin que
forma la interseccin de todos los semiplanos incluye todas las combinaciones de X1 y X2 que satisfacen
todas las restricciones del modelo. Esta regin se presenta en la figura 3.2 (el rea entre los puntos A, B, C,
D y E) y se conoce como la regin factible o espacio de soluciones y es un conjunto convexo
3
. Cualquier
problema de optimizacin con restricciones lineales tiene una regin factible convexa. Cualquier solucin
de la regin factible es conocida como Solucin factible. Si la regin est vaca no existen soluciones
factibles (ver el ejemplo de la figura 2.4).

Figura 3.1: Visualizacin de una restriccin

Ahora se tiene que escoger la solucin factible que optimice nuestra funcin objetivo, que es Z = X1 + X2.
Obsrvese que normalmente existen infinitas soluciones factibles y ser la funcin objetivo quin escoja
aquella que optimiza su valor. En la programacin lineal la funcin objetivo tambin tiene forma lineal. Se
trata de determinar el valor mximo de Z que cumpla todas las restricciones o, en otras palabras,
encontrar los valores de X1 y X2, puntos dentro de la regin factible, que maximicen Z.

La mecnica para lograr encontrar el punto ptimo se basa en la linealidad del objetivo. En este ejemplo,
el objetivo se puede re-escribir de la forma siguiente:

X2 = -X1 + Z

A medida que Z aumenta, la recta se desplaza paralelamente hacia fuera, ya que la pendiente es constante
(en este caso igual a -1). Se trata de encontrar el valor de Z mximo, pero con la condicin de que tiene
que haber como mnimo un punto de la recta que atraviese la regin factible. En el grfico 2.2 esta recta se
presenta para el valor de Z = 62, valor ptimo del problema, en donde X1 = 34 y X2 = 30. Para cualquier
valor de Z superior a 62, no existir ninguna solucin factible ya que la recta correspondiente a la funcin

3
Para cualquier pareja de puntos dentro del espacio factible, el segmento de lnea que los une tambin
se encuentra dentro del conjunto.

73
objetivo se desplaza hacia el exterior, y consecuentemente no tocara ninguna parte de la regin factible.
Para valores de Z inferiores a 62, existen muchas soluciones factibles, pero ninguna de ellas es ptima.
Intuitivamente se puede ver que la solucin ptima siempre se producir en un punto extremo o vrtice,
que en el grfico no es ms que el punto de interseccin de dos o ms restricciones.

Ms formalmente, un punto de un conjunto convexo es un punto extremo si no hay ningn par de puntos
del conjunto convexo en donde el segmento de lnea que los une pase por el punto en cuestin.

Otra forma de obtener el ptimo es calcular el valor del objetivo en cada uno de los puntos extremos y
escoger aquel punto extremo que da el mejor valor. Este punto dar el valor ptimo.

Figura 3.2: Solucin grfica del ejemplo
Existen situaciones en donde no hay una nica solucin, si no que pueden haber infinitas soluciones, o por
el contrario, no existir solucin alguna. Examinemos el primer caso con la ayuda de la figura 3.3. La recta
correspondiente al objetivo tiene la misma pendiente que una de las restricciones. Es decir, que todas las
combinaciones de las dos variables entre los puntos A y B cumplen las restricciones y maximizan el
beneficio. Por otro lado, la figura 2.4 muestra una situacin en donde no hay soluciones. La
representacin grfica (figura 3.4) corresponde al programa lineal siguiente:

Figura 3.3: Infinitas Soluciones

74

Figura 3.4: Inexistencia de soluciones

El mtodo grfico es sencillo de aplicar para encontrar la solucin ptima de un programa lineal de
optimizacin, pero nicamente cuando ste solo tiene dos variables de decisin. Desgraciadamente, la
gran mayora de problemas lineales aplicados tienen muchas ms variables (algunos llegan a tener
millones de ellas) y por lo tanto se hace inviable su utilizacin. En la seccin siguiente se desarrolla un
mtodo bastante eficiente para encontrar soluciones ptimas de programas lineales con muchas variables
y restricciones.
3.2.2 El Mtodo Simplex

El primer mtodo formal para encontrar soluciones ptimas el mtodo Simplex- fue desarrollado por
Dantzig en 1947 y mejorado por Charnes entre 1948 y 1952. Actualmente es el mtodo ms utilizado en
la bsqueda de soluciones ptimas de programas lineales. En este apartado se examina su
funcionamiento de forma simple e intuitiva.

En primer lugar recordemos como encontrbamos soluciones con el mtodo grfico. Primero
formbamos un conjunto convexo con las restricciones del modelo. Segundo, se dibujaba la funcin
objetivo fuera del conjunto convexo dando un valor arbitrario al propio objetivo y se iba desplazando sta
paralelamente (ya que su pendiente es siempre constante) hasta encontrarse con un punto extremo.
Intuitivamente, podemos ver que sea cual sea la funcin objetivo lineal, la solucin ptima se encontrar
en un punto extremo, como mnimo
4
. Esto reduce bastante el espectro de soluciones del problema,
limitando la bsqueda del ptimo a los puntos extremos. An as, puede haber muchsimos puntos
extremos en un problema. Por ejemplo, un problema grande con 2000 variables y 4000 restricciones
tiene exactamente 2
2000
puntos extremos, es decir, aproximadamente 10
600
. Por lo tanto, tenemos que
encontrar un mtodo para reducir el nmero de soluciones factibles posibles de ser ptimas. Dantzig hizo
estas mismas suposiciones (o eso creemos) y observ primero las caractersticas matemticas siguientes:

1. El conjunto formado por las restricciones es convexo
2. La solucin siempre ocurre en un punto extremo

4
Decimos como mnimo, porque como hemos visto pueden existir (raramente) situaciones en donde
hay ms de una solucin ptima; an as, siempre habr un punto extremo que d el valor ptimo.

75
3. Un punto extremo siempre tiene como mnimo dos puntos extremos adyacentes
5

Y a partir de ellas desarroll el mtodo siguiente:

Encontrar una solucin inicial factible en uno de los puntos extremos del conjunto convexo y
calcular el valor de la funcin objetivo.

Examinar un punto extremo adyacente al encontrado en la etapa 1 y calcular el nuevo valor de la
funcin objetivo. Si este nuevo valor mejora el objetivo, guardar la nueva solucin y repetir la
etapa 2. En caso contrario, ignorar la solucin nueva y volver a examinar otro punto extremo.

Regla de parada: cuando no existe ningn extremo adyacente que mejore la solucin, nos
hallamos en el ptimo

Es decir, que vamos de punto extremo a punto extremo adyacente siempre que podamos mejorar la
solucin, hasta llegar a un punto en donde no existe ningn punto extremo adyacente al que nos
encontramos. Esta solucin es la ptima. Observemos de nuevo el problema lineal presentado y su
correspondiente solucin grfica presentada en la Figura 3.2. Para encontrar una solucin inicial en un
punto extremo podemos fijar X1 = 0 y X2 = 0 y el valor del objetivo Z ser igual a 0, solucin que
corresponde al punto extremo A en la Figura 3.2. Ahora examinamos el punto extremo adyacente B, que
corresponde a los puntos X1 = 0 y X2 = 48 y Z = 48. Como el objetivo ha mejorado, mantenemos esta
solucin y volvemos a examinar los puntos extremos adyacentes a B. Como el punto A ya lo hemos
visitado (y era claramente inferior), nos queda por ver el punto C. En este punto extremo X1 = 17, X2 =
42.3 y Z = 59.3. De nuevo la solucin ha mejorado y la guardamos como la mejor hasta ahora encontrada.
Finalmente, D es el nico punto extremo que nos queda por examinar y como en este punto X1 = 34 y X2 =
30 y Z = 7.8 el algoritmo se para y estamos en el ptimo, ya que no existe ningn punto extremo adyacente
que mejore el objetivo.

Dantzig y ms tarde Charnes desarrollaron un mtodo matemtico para poder efectuar estas operaciones,
es decir, encontrar los valores de los puntos extremos adyacentes. Para poder ver como funciona, es
necesario realizar las consideraciones siguientes:

Como hemos visto, un programa lineal est compuesto por una funcin objetivo que queremos optimizar
(maximizar o minimizar), unas variables que denominaremos estructurales y un conjunto de
restricciones. En general, podemos encontrar tres tipos de restricciones en funcin de la direccin de la
desigualdad: , =. Toda restriccin con los sentidos pueden transformarse en una restriccin
con igualdad aadiendo una variable. Si la desigualdad tiene la direccin , podemos aadir una variable
de holgura. Por ejemplo, la restriccin X1 + 3X2 144 se puede transformar en X1 + 3X2 + X3 = 144. Si en la
solucin final del modelo la restriccin se cumple con igualdad dados unos valores finales de X1 y X2
entonces la variable de holgura asociada a la restriccin es igual a 0. En otras palabras, la variable de
holgura mide la diferencia entre los recursos utilizados realmente y los discursos disponibles.

As mismo, si la restriccin tiene la direccin _, podemos aadir una variable de exceso para obtener una
ecuacin lineal. Por ejemplo, una restriccin de tipo X1 + X2 12 puede transformarse en X1 + X2 X3 =
12. La interpretacin es la misma que en el caso anterior: si en la solucin final X3 = 0, la restriccin se
cumplir con igualdad. En este caso, la variable de exceso mide el consumo adicional que realizamos de
un recurso disponible.

Con estas consideraciones, cualquier programa lineal con restricciones de desigualdad puede
transformarse en un problema lineal con todas las restricciones con forma de igualdad sin alterar la
naturaleza matemtica del problema. Esta transformacin se denomina la forma cannica o forma
aumentada de un programa lineal. Si tenemos n variables y m restricciones con desigualdad, cuando

5
Un punto extremo A es adyacente a un punto extremo B si no existe ningn punto extremo entre ellos.
Por ejemplo, en la figura 3.2. los puntos B y D son adyacentes al punto C.

76
escribimos la forma cannica del problema lineal tendremos m nuevas variables de holgura o exceso, es
decir, un total de m + n variables y m restricciones. En resumen, tendremos que el conjunto de
restricciones forma un conjunto de ecuaciones lineales con ms variables que ecuaciones. En este caso,
existen infinitas soluciones del sistema y nuestro objetivo es escoger entre ellas la que optimice el valor
de la funcin objetivo. Por otro lado, si tenemos un programa lineal con n variables, m restricciones con
desigualdad y r restricciones con igualdad, tendremos m+n variables y m+r restricciones con igualdad en
la forma cannica. En este caso, para que el problema sea factible, se tiene que cumplir lo siguiente: m+n
m+r, el nmero de restricciones no puede superar el nmero de variables.

Si utilizamos el ejemplo de la asignacin de recursos, la forma cannica del problema ser la siguiente:

Los valores de las variables en los puntos extremos se presentan en el Cuadro 3.5.

X1 X2 X3 X4 X5
Nmero de
Variables
Positivas
Valor Del
Objetivo
A 0 0 144 162 982 3 0
B 0 48 0 66 118 3 48
C 16,8 42,4 0 26,8 0 3 59,2
D 34 30 20 0 0 3 64
E 54 0 90 0 280 3 54
A 0 0 144 162 982 3 0
Cuadro 3.5: Puntos extremos del ejemplo

Diremos que una solucin aumentada es una solucin de la forma cannica del programa lineal. Una
solucin bsica factible es una solucin aumentada en un punto extremo. En nuestro ejemplo, los puntos
A, B, C, D, y E son soluciones bsicas factibles.

A continuacin examinaremos las propiedades algebraicas de las soluciones bsicas. Obsrvese que en
nuestro ejemplo tenemos dos variables estructurales X1 y X2 y tres variables de holgura X3, X4 y X5, que
suman un total de cinco variables, y tres restricciones con igualdad o ecuaciones. Tenemos por lo tanto
dos grados de libertad para encontrar soluciones. Para obtener una solucin determinada tenemos que
fijar a priori dos variables para determinar entonces un sistema con tres variables y tres ecuaciones, que
tendr una solucin nica. En el mtodo Simplex, siempre se fija el valor de dos variables en 0. Estas
variables se denominan variables no bsicas y las restantes, variables bsicas. La solucin de este sistema
de ecuaciones es una solucin bsica. Si todas las variables bsicas son no-negativas, tenemos una solucin
bsica factible. En el ejemplo tenemos que en cualquier punto extremo factible siempre tendremos dos
variables iguales a 0 y 3 no-negativas.

La explicacin intuitiva de esta situacin es la siguiente: si observamos un punto extremo en la Figura 3.2
veremos que en l pasan dos rectas correspondientes a dos restricciones con signo igual. Por lo tanto, dos
variables de holgura asociadas a estas restricciones son iguales a 0. Estas son nuestras variables no-
bsicas. Si miramos el Cuadro 3.4, veremos que en cada punto extremo siempre hay tres variables
positivas y dos con valor 0.

El Cuadro 3.4 nos puede ayudar a entender como funciona el algoritmo Simplex y el vocabulario
algebraico definido en este captulo. Escojamos como punto de partida el punto extremo A. Como hemos
mencionado anteriormente, el mtodo Simplex se mueve de punto extremo a punto extremo adyacente

77
siempre que el objetivo mejore. El punto A tiene dos puntos extremos adyacentes. Ambos mejoran el
objetivo. Escogemos arbitrariamente el punto B. En el punto A tenamos una solucin bsica factible (dos
variables con valor 0, X1 y X2, y las otras con valores positivos). Cuando pasamos al punto extremo B,
observamos que una variable estrictamente positiva en A pasa a tener el valor 0 (la variable X3) mientras
que una de las variables con valor 0 pasa a tener un valor estrictamente positivo (la variable X2). Este
proceso se repite cada vez que pasamos de punto extremo a punto extremo adyacente: una de las
variables bsicas (con valor positivo) pasa a ser no-bsica (valor 0) y una variable no-bsica pasa a ser
positiva (variable bsica). En el punto D, dos variables que tenan valor positivo en el punto extremo
adyacente anterior pasan a tener un valor 0. En otras palabras, dos soluciones bsicas son adyacentes si
todas, menos una de sus variables no-bsicas, son las mismas. Entonces, pasar de una solucin bsica
factible a una adyacente implica el cambio del estado bsico de una variable a uno no bsico, y viceversa.

En trminos generales, el nmero de variables no bsicas de una solucin bsica siempre es igual a los
grados de libertad del sistema de ecuaciones de la forma cannica. El nmero de variables bsicas
siempre es igual al nmero de restricciones funcionales.

Propiedades de las soluciones factibles en un punto extremo

Si existe una nica solucin ptima, entonces sta tiene que ser obligatoriamente una solucin
factible en un punto extremo (una solucin bsica factible). Si hay varias soluciones ptimas,
entonces, como mnimo, tiene que haber dos que sean factibles en puntos extremos adyacentes.

Existe un nmero finito de soluciones factibles en los puntos extremos

Si una solucin en un punto extremo es igual o mejor (segn el valor del objetivo Z) que todas las
soluciones de los puntos extremos adyacentes, entonces sta es igual o mejor que todas las otras
soluciones en todos los puntos extremos; es decir, es ptima.

Ahora que ya conocemos los pasos que efecta el mtodo Simplex para buscar una solucin ptima de un
programa lineal, hace falta estudiar cmo se realizan stos. Para entender la mecnica del mtodo,
tenemos que dar respuestas a las preguntas siguientes:

Paso inicial: Cmo seleccionamos la solucin factible inicial en un punto extremo (la solucin bsica
factible inicial)?

Paso Iterativo: Cuando buscamos un traslado a una solucin factible en un punto extremo adyacente
(una solucin bsica factible adyacente):

a. Cmo se selecciona la direccin del traslado? (Qu variable no bsica se escoge para
transformarla en bsica?)
b. Adnde se realiza el traslado? (Qu variable bsica se transforma en no-bsica?)
c. Cmo identificamos la nueva solucin?

Prueba de Optimalidad: Cmo determinamos que la solucin factible en un punto extremo (solucin
bsica factible) no tiene soluciones factibles en un punto extremo adyacente (soluciones bsicas
adyacentes) que mejoren el objetivo?

Para responder a estas preguntas, de momento consideraremos nicamente el caso de un programa lineal
con restricciones de tipo menor o igual ( ). Ms adelante ampliaremos el anlisis cuando el problema
tambin contiene los otros tipos de restricciones.

En primer lugar re-escribimos nuestro ejemplo en la forma cannica equivalente:

78

Obsrvese que ahora la ecuacin (0) del objetivo est incluida dentro del sistema de ecuaciones y que
podemos considerar Z como una variable adicional.

1. Paso Inicial

Este paso inicial consiste en encontrar cualquier solucin bsica factible. Una manera fcil de hacerlo es
igualando las variables estructurales del modelo a 0. Si observamos la forma cannica equivalente
tendremos que igualando X1 y X2 a 0 las variables de holgura automticamente cogen valores no-
negativos (X3 = 144, X4 = 162, X5 = 982) correspondiente al punto extremo A. Por lo tanto, la solucin
factible ser (0, 0, 144, 162, 982).

La razn por la cual la solucin encontrada se deduce rpidamente es debido a que cada ecuacin tiene
una nica variable bsica con un coeficiente asociado a ella igual a +1, y que esta variable bsica no
aparece en ninguna otra ecuacin del sistema. Pronto observaremos que, cuando el conjunto de variables
bsicas cambia, el algoritmo Simplex utiliza un mtodo algebraico llamado eliminacin de Gauss para
poner las ecuaciones en esta forma tan conveniente para obtener las soluciones bsicas factibles
subsecuentes. Esta forma funcional (una variable bsica por ecuacin con coeficiente +1) se denomina
forma apropiada de eliminacin gausiana.

2. Paso iterativo:

En cada iteracin, el mtodo Simplex se mueve desde una solucin bsica factible a una solucin bsica
factible adyacente que mejora el objetivo. Este movimiento consiste en convertir una variable no-bsica
(llamada variable bsica entrante) en una variable bsica y, al mismo tiempo, convertir una variable
bsica (llamada variable bsica saliente) en variable nobsica, y a identificar la nueva solucin bsica
factible.

Pregunta a: Cul es el criterio para seleccionar la variable bsica entrante?

Las candidatas para la variable bsica entrante son las n variables no bsicas actuales. Esta variable, que
escogeremos para pasar de no-bsica a bsica, pasar de tener un valor 0 a tener un valor positivo,
mientras que las restantes seguirn con valor 0. Como el mtodo Simplex requiere que este cambio
implique una mejora en el objetivo, es necesario que la tasa de cambio en Z al aumentar el valor de la
variable bsica entrante, sea positivo. Observemos la ecuacin (0) del sistema. Esta expresin refleja el
valor de Z en funcin de las variables no-bsicas, y por lo tanto el coeficiente asociado a estas variables es
la tasa de cambio del valor del objetivo. Si, por ejemplo, X2 pasa de ser 0 a ser 1, el objetivo aumentar en
una unidad. Como criterio, escogeremos la variable cuyo coeficiente aumente ms el objetivo al pasar a
ser bsica
6
.

En nuestro ejemplo, las dos variables no-bsicas son candidatas a entrar en la base ya que aumentaran el
valor del objetivo. Escogemos arbitrariamente X2 ya que tiene el mismo coeficiente en la ecuacin (0) que
X1.

Pregunta b: Cmo identificamos la variable bsica saliente?

6
Este criterio es subjetivo y no implica que la solucin ptima sea alcanzada ms rpidamente

79
Si ignoramos las variables de holgura, al aumentar el valor de X2 manteniendo X1 igual a 0 nos
desplazamos por el eje de las ordenadas (que corresponden precisamente a los valores de X2). La solucin
adyacente se alcanza en el punto B, que viene determinada por la restriccin X1 + 3X2 144, que se
cumplir con igualdad y por lo tanto acotar en 48 el valor de X2, ya que X1 sigue siendo igual a 0.

Cuando escribimos el problema en forma cannica, las soluciones factibles tienen que cumplir tanto las
restricciones funcionales como las de no-negatividad de todas las variables, incluidas las de holgura.
Cuando vamos aumentando el valor de X2 manteniendo X1 = 0 (variable nobsica), algunas de las
variables en la base actual (X3, X4, X5, X6) tambin van cambiando de valor para mantener vlido el
sistema de ecuaciones. Algunas de estas variables se reducirn al aumentar X2. La solucin bsica
adyacente se alcanza cuando la primera variable bsica que tena valor positivo pasa a ser igual a cero
(recordemos las restricciones de no-negatividad). Esta variable ser la que sale de la base y por lo tanto
se transformar en no-bsica. Por lo tanto, una vez escogida la variable que entrar en la base, la variable
que sale de la base ser aquella que llegue primero a 0. La variable bsica actual con la cota superior ms
pequea junto con la restriccin su no-negatividad ser la escogida.

Examinemos esta cuestin en nuestro ejemplo. Tenemos que las variables bsicas candidatas a salir de la
base (es decir, a ser iguales a 0) son X3, X4, y X5. En el Cuadro 3.5 Se presentan los clculos para identificar
cual es la variable bsica saliente. Recordemos que X1 sigue siendo igual a 0.

Variable
Bsica
Ecuacin Cota Superior Para X2
X3 X3 = 144 - X1 - 3X2 X2 144/3 = 48 mnimo
X4 X4 = 162 - 3X1 - 2X2 X2 162/2 = 81
X5 X5 = 982 - 13X1 - 18X4 X2 982/18 = 54,6
Cuadro 3.5: Clculos para obtener la variable saliente

Como X1 es una variable no-bsica, tendremos que X1 = 0 en la segunda columna del Cuadro 3.5. La
tercera columna indica las cotas superiores para X2 antes de que la variable bsica correspondiente a la
primera columna sea negativa. Por ejemplo, X3 = 0 si X2 = 48 (mientras que X3 > 0 si X2 < 48, y X3 < 0
cuando X2 > 48). Como en este caso X3 (la variable de holgura correspondiente a la restriccin X1 + 3X2
144) impone la cota negativa ms pequea sobre X2, la variable bsica saliente ser X3, de manera que en
la nueva situacin tendremos que X3 = 0 (no-bsica) y X2 = 48 (bsica), que corresponde al punto extremo
B.

Pregunta c: Cmo podemos identificar de manera convincente la nueva solucin bsica factible?

Despus de haber identificado las variables entrantes y salientes de la base (incluyendo el valor de la
variable bsica entrante), necesitamos conocer cual es el valor nuevo del resto de variables bsicas. Para
poder calcular estos valores, el mtodo Simplex utiliza la forma apropiada de eliminacin de Gauss que
tenamos en el paso inicial (aquella en la cual cada ecuacin tiene nicamente una variable bsica con
coeficiente +1, y esta variable bsica aparece en una nica ecuacin). Se trata de encontrar la nueva forma
apropiada despus del cambio de base. Se necesita realizar dos operaciones algebraicas normalmente
utilizadas para resolver sistemas de ecuaciones lineales. Estas operaciones son:

1. Multiplicar (o dividir) una ecuacin por una constante diferente de 0.
2. Sumar (o restar) un mltiple de una ecuacin con otra ecuacin

Estas operaciones son legtimas porque implican nicamente: 1) multiplicar cosas iguales (los dos lados
de la ecuacin) por una constante y 2) sumar cosas iguales con cosas iguales. Por lo tanto, una solucin
que cumple un sistema de ecuaciones determinado tambin lo har despus de la transformacin.

Vamos a ver como funciona en nuestro ejemplo. Consideremos en sistema de ecuaciones originales, en el
cual se muestran las variables bsicas en negrita. El problema se puede escribir de la forma siguiente:

80

Ahora X2 ha substituido a X3 como variable bsica en la ecuacin (1). Entonces tenemos que resolver este
sistema de ecuaciones para encontrar los valores de las variable bsicas X2, X4, X5 (recordemos que ahora
X1 y X3 = 0) y de Z. Como que X2 tiene un coeficiente igual a +3 en la ecuacin (1), necesitamos realizar una
transformacin para que su coeficiente sea 1. Para ello basta multiplicar ambos lados de la ecuacin por
1/3. Una vez realizada la operacin, la nueva ecuacin (1) es la siguiente:

El paso siguiente es eliminar X2 de las otras ecuaciones. Comencemos por la ecuacin (0). Tenemos que
realizar la operacin siguiente:

Ec. (0) nueva = ec. (0) antigua + ec.(2) nueva

Es decir:

Tenemos que realizar el mismo procedimiento para las ecuaciones (2) y (3). Lo haremos a continuacin
para la ecuacin (2). Para eliminar X2 de la ecuacin (2), tenemos que realizar la operacin siguiente:

Ec. (2) nueva = ec. (2) antigua 2 [ec.(1) nueva]

Para la ecuacin (3), tenemos que realizar una operacin similar:

Ec. (3) nueva = ec. (3) antigua 18 [ec.(1) nueva]

Por lo tanto, la nueva forma gausiana del sistema de ecuaciones es la siguiente:

81

En negrita figuran las variables bsicas, que aparecen nicamente en una ecuacin y con un coeficiente
igual a 1. Por lo tanto, si comparamos este nuevo sistema de ecuaciones con el anterior, veremos que
sigue teniendo la forma apropiada de eliminacin de Gauss que permite obtener inmediatamente el valor
de las variables en la solucin (recordemos que X1 = 0 y X3 = 0 ya que son las variables no bsicas). Hay
que observar que en la ecuacin (0) siempre estn nicamente la variables no-bsicas. Ahora tenemos
una nueva solucin bsica factible igual a (0, 48, 0, 96, 114) que corresponde al punto extremo B. El valor
del objetivo es igual a 48.

El siguiente paso es ver si esta nueva solucin es la ptima. Para ello examinamos en la siguiente ecuacin
(que corresponde a la ecuacin (0)) los coeficientes de las variables no bsicas:

Como la variable no-bsica X1 tiene un coeficiente positivo (2/3), si la variable pasa a tener valores
positivos, el objetivo aumentar. Por lo tanto no estamos en la solucin ptima y hay que realizar de
nuevo el proceso, en donde X1 entrar en la base y otra variable bsica dejar de serlo.

Segunda iteracin

Paso 1. Como que la ecuacin (0) actual es , la funcin solo aumentar si X1
aumenta. Ya tenemos la variable que entrar en la base.

Paso 2. El lmite superior sobre X1 antes de que las variables bsicas sean negativas est indicado
en el Cuadro 3.6:

Variable
Bsica
X2 X2 = 48 1/3X1 1/3X3 X1 48*3 = 144
X4 X4 = 66 7/3X1 + 2/3X3 X1 66*(3/7)= 198/7
X5 X5 = 114 7X1 + 6X3 X1 118/7 mnimo

Escogeremos X5 como la variable bsica saliente ya que es la cual que, a medida que aumenta el
valor de X1, X5 alcanza primero el valor 0.

Paso 3. Ahora hay que eliminar X1 de todas las ecuaciones para encontrar la nueva solucin de
todas las variables y del objetivo. Volvemos a realizar la transformacin gausiana.

Primero tenemos que transformar la ecuacin correspondiente a la variable entrante, para que tenga un
coeficiente 1. Para ello tenemos que dividir la ecuacin (3) por 7. El resultado es el siguiente:

Con esta ecuacin, volvemos a transformar las otras en la forma gausiana apropiada:

82
Ec. (0) nueva = ec. (0) antigua + 2/3 [ec.(3) nueva]

Es decir:


Ec. (1) nueva = ec. (1) antigua 1/3 [ec.(3) nueva]




La solucin bsica factible siguiente es (118/7; 890/21; 0; 80/3; 0) y el valor del objetivo es Z =1244/21.

Prueba de Optimalidad.

83
Tenemos que verificar si las variables no-bsicas del objetivo tienen coeficientes que permitan aumentar
el valor del objetivo si stas cogen valores positivos. El nuevo objetivo es:

Como una de las variables no-bsicas tiene un coeficiente positivo, el valor del objetivo puede aumentar si
esta variable pasa a ser bsica. Por lo tanto, an no hemos alcanzado el ptimo, y es preciso realizar una
nueva iteracin del algoritmo Simplex.

Ahora la variable X3 entrar en la base, y tenemos que escoger una variable bsica para salir de la base.

Tercera iteracin

Paso 1. Como que la ecuacin (0) actual es , la funcin solo aumentar si
X3 aumenta. Ya tenemos la variable que entrar en la base.

Paso 2. El lmite superior sobre X3 antes de que las variables bsicas sean negativas est indicado
en el Cuadro 3.7:

Variable
Bsica
X1 X1 = 118/7 + 6/7X3 - 1/7X5 infinita
X2 X2 = 890/21 13/21X3 + 1/21X5 X3 (890/21)*(21/13)= 890/13
X4 X4 = 80/3 - 4/3X3 + 1/3X5 X3 (80/3)*(3/4) = 20 mnimo

Escogeremos X4 como la variable bsica saliente ya que es la cual que, a medida que aumenta el
valor de X3, X4 alcanza primero el valor 0. Por otro lado, al aumentar el valor de X3 el valor de X1
tambin aumenta. De aqu que no exista una cota superior.

Paso 3. Ahora hay que eliminar X3 de todas las ecuaciones para encontrar la nueva solucin de
todas las variables y del objetivo. Volvemos a realizar la transformacin gausiana.

Primero tenemos que transformar la ecuacin correspondiente a la variable entrante, para que tenga un
coeficiente 1. Para ello tenemos que multiplicar la ecuacin (2) por 3/4. El resultado es el siguiente:

Con esta ecuacin, volvemos a transformar las otras en la forma gausiana apropiada:


Es decir:

84





La solucin bsica factible siguiente es (34; 30; 20; 0; 0) y el valor del objetivo es Z = 64.

Prueba de Optimalidad.

Tenemos que verificar si las variables no-bsicas del objetivo tienen coeficientes que permitan aumentar
el valor del objetivo si stas cogen valores positivos. El nuevo objetivo es:

Como ninguna de las variables no-bsicas tiene un coeficiente positivo, el valor del objetivo no puede
aumentar si cualquiera de las variables no bsicas pasa a ser bsica. Por lo tanto, hemos alcanzado el
ptimo, ya que no podemos pasar a un punto extremo adyacente que mejore el valor del objetivo.

En resumen, el mtodo Simplex tiene los pasos siguientes:

1. Introducir las variables de holgura para obtener la forma cannica del programa

85
2. Encontrar una solucin inicial de un punto extremo y realizar la prueba de optimalidad.
3. Si no estamos en el ptimo:

a. Determinar la variable bsica entrante: seleccionar la variable no bsica que, al aumentar su
valor, aumente ms rpidamente el valor del objetivo.
b. Determinar la variable bsica saliente: sta es la que alcanza el valor 0 ms rpidamente a
medida que aumentamos la variable entrante.
c. Una vez que sabemos cual es la variable bsica que sale de la base, se determina la nueva
solucin bsica factible: a partir del conjunto actual de ecuaciones se aslan las variables
bsicas y Z en trminos de las variables no-bsicas utilizando el mtodo de eliminacin de
Gauss. Las variables no-bsicas se igualan a 0; cada variable bsica junto con Z es igual al
nuevo lado derecho de la ecuacin en la cual aparece con coeficiente +1.

4. Examinamos si la nueva solucin encontrada es ptima: nicamente necesitamos examinar los
coeficientes de las variables no bsicas que estn en el objetivo. Si todos los coeficientes son
negativos, estamos en el ptimo. Por otro lado, si como mnimo uno de los coeficientes asociados
a las variables bsicas es positivo, tenemos que repetir los pasos 2 y 3.
3.2.3 Adaptacin a otro tipo de modelos

Hasta ahora hemos estudiado el mtodo Simplex para problemas de maximizacin con restricciones con
la desigualdad . Pero hay otros casos co mo los problemas de minimizacin y la existencia de
restricciones con igualdad o con desigualdad . A continuacin veremos como adaptar la formulacin del
modelo con alguna de estas caractersticas para poder utilizar el mtodo Simplex.

Restricciones con igualdad

El problema bsico con las restricciones de igualdad es la obtencin de una solucin bsica factible inicial.
Supongamos que, en nuestro ejemplo, tenemos una restriccin adicional que se tiene que cumplir con
igualdad (X1 + X2 = 7). En este caso, en principio no hay que introducir una variable de holgura para
formar la forma cannica.

Si procedemos a encontrar una solucin inicial factible igualando X1 y X2 a 0 nos encontramos con el
problema de que esta nueva restriccin no se cumple. Para poder obtener una solucin inicial factible, nos
vemos obligados a introducir una nueva variable no-negativa, denominada artificial, S3 de la siguiente
forma:

X1 + X2 + S3 = 7

Gracias a la introduccin de esta variable artificial S3 ya podemos encontrar una solucin inicial factible
en donde S3 es una variable bsica igual a 7. De hecho, hemos aumentado el nmero de variables
aadiendo una que no tiene ninguna interpretacin econmica, pero que nos sirve para encontrar una
solucin inicial factible. Es meramente un artificio matemtico. Pero, en la solucin final, queremos que S3
tenga el valor 0 (sea no bsica), ya que, si esto no es as, el problema no tendra sentido (la restriccin no
se cumplira con igualdad). Para poder conseguirlo, aadimos esta variable artificial en el objetivo, pero
con un coeficiente negativo de valor muy elevado (respecto a los otros), que llamaremos M:

Z = X1 + X2 - MS3

Como este valor penaliza la variable en el objetivo, el mtodo Simplex escoger esta variable para salir de
la base y nunca ms volver a entrar (es decir, se quedar con el valor 0). Por lo tanto, en la solucin final
S3 tendr el valor 0. Si esto no fuera as, el problema sera infactible.

En la prxima seccin veremos como eliminar esta variable del objetivo.

Restricciones con direccin .

86
Supongamos ahora que aadimos la restriccin (3) del problema de la seccin 2.2.2:

4X1 + 2X2 135

En este caso tenemos que encontrar una solucin inicial de la misma forma que hacamos anteriormente
para poder ejecutar el mtodo Simplex. Ahora bien, en este caso aadimos una variable de exceso no-
negativa, E3, que mide la diferencia entre el valor del lado izquierdo de la ecuacin (4X1 + 2X2) y el lado
derecho (135). Esta variable tendr un signo negativo en la ecuacin:

4X1 + 2X2 - E3 = 135

Ahora bien, al fijar inicialmente X1 y X2 iguales a 0, E3 se igualar a 135, por lo que tendr un valor
negativo, incumpliendo las condiciones de no-negatividad de todas las variables en el mtodo Simplex. De
nuevo, tenemos que recurrir al artificio de introducir una variable artificial que nos permita obtener una
solucin factible inicial S3:

4X1 + 2X2 - E3 + S3 = 135

En este caso escogemos S3 como variable bsica inicial correspondiente a la restriccin (3). Como en el
caso anterior (restricciones con igualdad), aadiremos la variable artificial S3 en el objetivo con un
coeficiente M. Si esta variable continua con valor positivo al final del mtodo Simplex, el problema es
infactible.

El hecho de aadir la variable artificial en el objetivo implica que, al iniciar el mtodo Simplex, el cuadro
inicial no est en la forma apropiada de eliminacin gausiana, ya que esta forma requiere que todas las
variables bsicas tengan un coeficiente 0 en la ecuacin (0) correspondiente al objetivo, y en este caso la
variable bsica S3 tiene un coeficiente igual a -M. Entonces, para poder iniciar el mtodo Simplex, tanto si
tenemos restricciones con igualdad o desigualdad _, tenemos que transformar esta ecuacin (0) en la
forma apropiada de eliminacin de Gauss, para poder as determinar tanto la variable que entrar en la
base como el test de optimalidad. De nuevo, el procedimiento es el de siempre: el mtodo de eliminacin
de Gauss. En este caso, el procedimiento es muy similar al utilizado hasta ahora en el mtodo Simplex.
Tendremos que realizar la operacin siguiente:

Ec. (0) nueva = ec. (0) antigua M * ec.(3)

Es decir:

Ahora ya podemos proceder con el mtodo Simplex ya que todas las variables bsicas en la ecuacin (0)
tienen un coeficiente asociado igual a 0. Ahora tenemos que decidir que variable no-bsica tiene que
entrar en la base. Escogeremos aquella cuyo coeficiente aumente ms el objetivo. En este caso,
escogeramos E3 como variable bsica entrante y procederamos a buscar la variable bsica saliente de la
misma forma que lo hicimos anteriormente. Hemos de observar que cuando E3 entra en la base y otra
variable sale de la base (es decir, nos desplazamos a un nuevo punto extremo adyacente), el coeficiente de
E3 en el objetivo tomar el valor 0. A medida que el procedimiento continua, las variables con el valor M
en el objetivo van entrando en la base y llegar un punto en que M desaparecer del sistema. Si en la
solucin final an tenemos M en la ecuacin (0), el sistema no tiene solucin.

Si tenemos ms de una restriccin con igualdad, el procedimiento es exactamente el mismo. Cada una de
las variables artificiales tendr un coeficiente M en el objetivo y tendremos que encontrar la forma
apropiada de eliminacin de Gauss.

87

Minimizacin

Hasta ahora, hemos examinado el mtodo Simplex cuando estamos maximizando el objetivo. Pero, en
muchos casos, tenemos que minimizar el objetivo (por ejemplo, minimizar costos, minimizar el grado de
contaminacin o minimizar la mortalidad). Lo ms sencillo es multiplicar el objetivo por 1. Por ejemplo:

Min Z = 3X1 + 4X2

es equivalente a:

Max -Z = -3X1 - 4X2

Una vez hecha esta transformacin, podemos aplicar el mtodo Simplex descrito en esta seccin. La causa
de esta equivalencia es que, cuanto menor es Z, mayor es Z.

Otra manera de operar con un objetivo de minimizacin es seleccionar la variable nobsica entrante que
reduzca en mayor grado el valor del objetivo.

Variables no acotadas

Puede ocurrir que en algunas formulaciones las variables puedan coger valores negativos. En este caso,
hay que modificar el modelo para poder utilizar en mtodo Simplex, ya que ste nicamente permite que
las variables tomen valores positivos o cero.

Supongamos que la variable Xi no est acotada inferiormente. Para poder resolver el problema,
tendremos que sustituir esta variable en todas las ecuaciones por dos variables y de la manera
siguiente:

en donde y . Como estas dos variables pueden coger cualquier valor no-negativo, su
diferencia puede ser cualquier valor (positivo o negativo). Ahora ya podemos aplicar el mtodo Simplex.
En la solucin final, debido a las propiedades geomtricas de la solucin factible en un punto extremo,
nunca tendremos las dos variables con valores positivos. O nicamente una de ellas tiene valor
estrictamente positivo y la otra igual a 0 (o viceversa), o las dos son iguales a 0.
3.2.4 Situaciones especiales en el mtodo Simplex

Qu pasa cuando vamos a escoger la variable no-bsica entrante y hay un empate en el criterio? Cmo
detectamos problemas sin solucin? I si la solucin es infinita? A continuacin examinaremos como el
mtodo Simplex lidia con estas situaciones.

Empate en la variable entrante

Si hay dos variables que tienen el coeficiente ms grande (en valor absoluto) igual en la ecuacin (0), se
escoge arbitrariamente una de ellas para entrar en la base.

Empate en la variable saliente

Supongamos que ahora el empate se produce entre dos o ms variables bsicas al examinar el criterio de
salida. Si esto sucede, todas las variables alcanzan el valor 0 al mismo tiempo cuando aumenta el valor de
la variable entrante. Entonces, las variables bsica que no habamos escogido como salientes de la base
tambin tendrn valor 0 en la solucin. Este tipo de soluciones se llaman degeneradas. Incluso, si una de
estas variables continua con el valor 0 hasta que se selecciona como variable saliente en una iteracin
posterior, la variable no-bsica entrante tambin se quedar con valor 0 y el valor del objetivo no
cambiar. Puede pasar que, si Z se queda igual, en vez de mejorar el objetivo en cada iteracin, el mtodo

88
Simplex entre en un ciclo que repite peridicamente las mismas soluciones, en vez de ir cambiando para
aumentar el valor del objetivo. De hecho, se han elaborado programas lineales con ciclos infinitos. Por
suerte, en la prctica esta situacin es casi inexistente y normalmente los empates se rompen
arbitrariamente.

No hay variable bsica saliente: Z no acotado

Qu pasa cuando no hay variables bsicas candidatas a salir en la base? O, en otras palabras, qu
hacemos cuando todos los cocientes calculados para seleccionar la base son de tal manera que no hay
ninguno es positivo? Recordemos que, a medida que aumentbamos el valor de la variable no-bsica
entrante, haba como mnimo variable bsica que iba disminuyendo hasta llegar a tener un valor 0, que
determinaba automticamente el nuevo valor de la variable entrante. Pues bien, puede haber situaciones
en donde a medida que aumento el valor de la variable entrante todas las variables bsicas tambin
aumentan de valor (o no cambian).

Simplemente, el problema tiene una solucin infinita, ya que no hay ninguna restriccin que acote el
objetivo.

Soluciones ptimas mltiples

Como hemos visto, el mtodo Simplex se para cuando encuentra una solucin ptima. Pero, como hemos
visto en el mtodo grfico, puede haber situaciones en las que hay soluciones ptimas mltiples... Siempre
que el problema tiene ms de una solucin ptima factible, como mnimo una variable no-bsica tiene el
coeficiente igual a 0 en la ecuacin (0) final, de manera que si su valor aumenta, Z no cambia. Si esta
situacin aparece, podemos encontrar otra solucin ptima introduciendo esta variable no-bsica en la
base. As podemos encontrar otras soluciones que, sin cambiar el valor del objetivo, nos ayuden a tomar
una decisin en funcin del valor de las variables en el ptimo.
3.2.5 Soluciones con Software

Por ahora hemos visto dos mtodos para encontrar soluciones de programas lineales. Pero todos ellos
son muy ineficientes si se tiene que hacer los clculos con lpiz y papel incluso para problemas pequeos.
Actualmente, existe un sinfn de programas de ordenador que resuelven problemas lineales muy
eficientemente, incluso programas con miles de variables y restricciones. Los programas de hoja de
clculo tambin estn incorporando mtodos para obtener soluciones de programas lineales. En esta
seccin describiremos como programar y solucionar un modelo de programacin lineal en la hoja de
clculo Excel 2007 de Microsoft
7
. Utilizaremos mismo ejemplo de las secciones anteriores. Tambin
supondremos que se tienen conocimientos bsicos de funcionamiento de este programa.

La formulacin del problema de asignacin de recursos de la seccin 2.2.2 es:

En primer lugar reordenamos el conjunto de restricciones en funcin de la direccin del signo ( , =, ). El
sistema queda as:

7
La versin que se utiliza en este apartado corresponde a Office 2007, aunque en versiones anteriores
tambin existe el mdulo de programacin lineal

89

Esto simplificar considerablemente la introduccin de datos en la hoja Excel y en el mdulo Solver.

Obsrvese que el conjunto de restricciones puede representarse de formal matricial solo con los
coeficientes de las variables:

Coeficientes
Recursos
Disponibles X1 X2
1 3 144
3 2 162
1 -3 0
13 18 982
4 2 135
Cuadro 3.8: Coeficientes

La primera columna corresponde a los coeficientes de X1 y la segunda a los coeficientes de X2.
Precisamente vamos a escribir esta matriz en las celdas de la hoja de calculo En la Figura 3.5 hemos
escrito el planteamiento del problema.

En los rangos B12-B16 y C12-C16 hemos escrito los coeficientes de X1 y X2 en las restricciones. En el
rango D12-D16 figuran los valores de los recursos (lado derecho de las restricciones y en las celdas B5 y
C5 los coeficientes de las variables en el objetivo. Ahora tenemos que escribir las frmulas
correspondientes a las restricciones y a la funcin objetivo.

Las celdas B8 y C8 representarn los valores de las variables de decisin X1 y X2. La frmula de la funcin
objetivo est escrita en la celda E2. La frmula es la siguiente:

=B8*$B$5+C8*$C$5. Las formulas del lado izquierdo de las restricciones estn escritas en el rango E12-
E16. Estas son:

=B12*$B$8+C12*$C$8
=B13*$B$8+C13*$C$8
=B14*$B$8+C14*$C$8
=B15*$B$8+C15*$C$8
=B16*$B$8+C16*$C$8

Ahora ya tenemos preparado el modelo. Obsrvese que por el momento las celdas con frmulas tienen el
valor 0. Esto es debido a que por ahora las celdas asociadas a las variables de decisin estn vacas.

El siguiente paso es indicar a la hoja de clculo donde est en problema. Entramos en la opcin
Herramientas y escogemos en el men el Solver. Entonces aparecer un recuadro como el de la Figura 3.6.

90

Figura 3.5: Ejemplo en Excel

Figura 3.6: Cuadro de la Opcin Solver

Ahora tenemos que indicar las celdas en donde estn las frmulas. En la casilla Celda objetivo ponemos
la referencia de la celda en donde est la funcin objetivo ($E$2). Luego indicamos que es un problema de
maximizacin. Las referencias de las variables se indican en el recuadro Cambiando las celdas (B8; C8).
Finalmente tenemos que introducir las restricciones. Para ello entramos en la opcin Agregar y saldr el
recuadro de la Figura 3.7. En l tenemos que indicar donde est el lado izquierdo (la frmula) de cada
restriccin, el signo de la desigualdad y el lado derecho de cada restriccin. Cada vez que entramos una
restriccin adicional escogemos la opcin agregar. Ahora bien, si hemos ordenado las restricciones en
funcin de su direccin, no hace falta entrar una a una en el recuadro. Basta con seleccionar el rango en
funcin de cada una de las agrupaciones realizadas. Despus de haber entrado las restricciones
correspondientes,

Figura 3.7.: Introduccin de las restricciones

Excel tambin exige poner las restricciones de no negatividad. La Figura 3.8 muestra el resultado final de
introducir el problema.

91

Figura 3.8: Resultado final de la programacin

Ahora ya podemos resolver el problema. Escogemos la opcin Resolver y al cabo de unos breves
momentos saldr una pantalla indicando que la solucin ha sido encontrada. La solucin ptima de las
variables de decisin y el valor del objetivo ahora aparecen en las celdas (ver Figura 3.10). La opcin
Solver tambin permite obtener automticamente informes sobre la solucin final.

Figura 3.9: Resultado del Solver

Figura 3.10: Solucin ptima
3.3 Programacin Lineal Entera

Los modelos de programacin lineal consideran que las variables de decisin son continuas, es decir, que
pueden tomar en la solucin final valores fraccionados. Pero, en muchos casos, una solucin ptima de un
programa lineal puede ser inservible si presenta fracciones. Supongamos, por ejemplo, que hemos
construido un modelo para asignar personal mdico a departamentos dentro de un hospital. En este caso,
las variables de decisin (asignar personas a departamentos) tienen que ser enteras en la solucin final.
No tendra sentido una solucin en la cual 2,3 mdicos fuesen asignados a la seccin de dermatologa!

92
Para poder encontrar soluciones de problemas en los cuales algunas o todas las variables tienen que ser
enteras, se utiliza la programacin entera, que no es ms que una extensin de la programacin lineal.

Otro tipo de modelos entran dentro de la programacin entera binaria, que es un caso especial en donde
todas o algunas de las variables representan acciones binarias, es decir, hacer o no hacer. En este caso,
las variables nicamente pueden adoptar los valores 0 1. Este tipo de problemas es muy comn en la
toma de decisiones, en donde muchas veces tenemos que decidir si, por ejemplo, tenemos que construir
un nuevo centro, si tenemos que invertir en un nuevo departamento, o si tenemos que modificar una
estrategia de planificacin de un servicio.

Cuando nos encontramos con este tipo de problemas, la formulacin matemtica no se ve alterada;
nicamente en las restricciones de no-negatividad hay que indicar qu variables tienen que tomar valores
enteros. El problema reside en encontrar soluciones que sean factibles, ya que el algoritmo Simplex no
garantiza una solucin adecuada al problema. En esta parte, examinaremos en primer lugar como
podemos modificar el algoritmo Simplex para poder obtener soluciones ptimas. A continuacin,
examinaremos algunos problemas de programacin entera cuyas variables de decisin son binarias
(decisiones hacer o no hacer).
3.3.1 El algoritmo de bifurcacin y acotamiento

El Algoritmo de Bifurcacin y Acotamiento
8
(ABA) se basa en el algoritmo Simplex para poder obtener
soluciones enteras. En primer lugar, se aplica el algoritmo Simplex para obtener una solucin inicial. Si en
la solucin obtenida al final del algoritmo Simplex todas las variables especificadas como enteras tienen
valores enteros, no hace falta seguir ya que se ha obtenido el ptimo; en caso contrario, es necesario
aplicar el ABA. Bsicamente, en cada iteracin del ABA se escoge una variable que presenta una solucin
no-entera y se divide el problema en dos sub-problemas, aadiendo en cada uno de ellos una nueva
restriccin que acota esta variable por su valor entero superior en un caso, y por el valor su valor inferior
entero por el otro. Cada sub-problema se resuelve con el mtodo Simplex y se verifica si la solucin es
entera. En caso, contrario, se vuelve a bifurcar el sub-problema en otros dos y se sigue procediendo hasta
que se encuentra una solucin entera. El proceso se realiza en todas las ramificaciones del rbol. Aunque
este algoritmo pueda parecer complejo, el proceso es bastante sencillo. A continuacin examinaremos con
un ejemplo el ABA.

Supongamos que tenemos que encontrar la solucin al problema lineal siguiente:

En primer lugar utilizamos el mtodo Simplex para obtener una solucin del programa lineal relajado (sin
considerar las restricciones que fijan las variables como enteras). La solucin obtenida es Z = 8,5; X1 = 2,6
y X2 = 4,2. Tenemos que las dos variables ofrecen soluciones fraccionadas. Hay que aplicar el ABA.

8
En ingls, branch and bound algorithm

93

Figura 3.11: Solucin Solver

Definamos el problema original como P0. Escogemos X1 y creamos dos sub-problemas P1 y P2 a partir del
programa original. El primer sub-problema, P1, consistir en el programa original P0 ms la restriccin X1
> 2. El segundo sub-problema, P2, consistir en el programa original ms la restriccin X1 > 3. Es decir,
estamos diciendo que X1 no puede coger valores entre dos y tres. Solucionamos P1 y P2.

P1 = P0 + X1 > 2. Solucin: Z1 = 8,3; X1 = 2 y X2 = 4,5
P2 = P0 + X1 > 3. Solucin: Z2 = 8,3; X1 = 3 y X2 = 3,8

Los dos sub-problemas obtienen el mismo valor del objetivo que, como era de esperar, es inferior al
objetivo inicial Z. Sin embargo, ambos problemas siguen incumpliendo las condiciones de soluciones
enteras. Tenemos que seguir ramificando. Cogemos el problema P1 y lo subdividimos en dos nuevos sub-
problemas P11 y P12 aadiendo las restriccin X2 > 4 en uno y X2 > 5 (manteniendo todas las
restricciones anteriores, incluida X1 > 2). Los resultados son los siguientes:

P11 = P1 + X2 > 4. Solucin: Z11 = 7,6; X1 = 2 y X2 = 4
P12 = P1 + X2 > 5. Solucin: Z12 = 8,0; X1 = 1 y X2 = 5

En estos dos sub-problemas hemos encontrado soluciones enteras. Como Z11 es inferior a Z12 podemos
descartar P11 como solucin vlida. Por ahora ya hemos encontrado una solucin que tiene valores
enteros con el problema P12, cuyo objetivo es igual a 8,0. Sin embargo, an no hemos acabado el
algoritmo. Recordemos que habamos subdividido el problema original en dos sub-problemas. An no
hemos explorado el segundo sub-problema P2. El valor del objetivo al solucionar P2 era 8,3, aunque la
variable X2 segua sin ofrecer un valor entero. Como estamos maximizando, podra ser que ramificando P2
en dos sub-problemas se encontrara una solucin entera superior a la que hemos encontrado con el sub-
problema P12. La ramificacin es la siguiente:

P21 = P2 + X2 > 3. Solucin: Z21 = 8,0; X1 = 3,8 y X2 = 3
P22 = P2 + X2 > 4. Sin Solucin.

El problema P22 queda descartado por no tener una solucin factible. Los problemas que an estn
activos son P12 y P21 y ambos tienen el mismo valor del objetivo. Pero mientras que P12 tiene soluciones
enteras, P21 sigue con soluciones fraccionadas. Por lo tanto, podemos descartar P21 ya que, si
ramificramos este problema, al aadir una nueva restriccin el valor del objetivo sera inferior (o igual),
pero nunca superior. En otras palabras, nunca podramos encontrar una solucin mejor que la que
tenemos con P12. Como P12 es la nica rama activa, ya tenemos la solucin ptima de nuestro problema.
Si P21 hubiera dado un valor del objetivo superior a 8,0 con alguna solucin fraccionada, tendramos que
seguir bifurcando este subproblema. El flujo del algoritmo se muestra en la Figura 3.12.

94

Figura 3.12: rbol del ABA aplicado al ejemplo

En realidad, con este proceso lo que se est haciendo es seccionar en cada ramificacin el espacio de
soluciones para explorar si existe una solucin entera. Este proceso puede ser observado en la Figura
3.13, en donde, para cada sub-problema, se muestra el segmento del espacio de soluciones explorado.

El algoritmo de bifurcacin y acotamiento tambin se utiliza para resolver los problemas de
programacin entera binaria.. La nica diferencia es que las variables estn acotadas por 0 y 1. Si en un
sub-problema una variable tericamente binaria X es igual a 0,6, ste se subdivide en dos problemas: el
primero aadir la restriccin X = 0 y el segundo la restriccin X = 1.

Figura 3.13: Espacio de soluciones de los sub-problemas
3.3.2 Programacin Entera y Solver

Por suerte, hoy en da cualquier programa de ordenador para resolver problemas de programacin lineal
incluyen un modulo para resolver situaciones en donde una o ms variables tienen que ser enteras o
enteras binarias en la solucin final. Este es el caso del mdulo Solver incluido en la hoja de clculo Excel
de Microsoft.

Supongamos que las variables de ejemplo de la seccin anterior tienen que ser enteras. Cuando se
introducen las restricciones, tenemos que aadir una en donde se escoge las variables en cuestin y se
indica que son enteras, seleccionando int
9
en el men de opciones de la direccin de la restriccin (ver
Figura 3.14). En caso de que tengan que ser binarias, se escoge la opcin Bin.

9
Int vienen de integer, que en ingles quiere decir Entero.

95

Figura 3.14: Soluciones enteras con Excel
3.3.3 Programacin Entera Binaria: El Problema de la Mochila

El problema de la mochila es un clsico de los mtodos cuantitativos. En esencia, el problema consiste en
llenar una mochila con objetos con pesos diferentes y con valores tambin diferentes. El objetivo es la
maximizacin del valor total de la mochila con la restriccin de que el peso de sta no puede sobrepasar
un lmite predeterminado. Este problema ha sido utilizado en muchas aplicaciones diferentes. Una de
ellas consiste en la asignacin de pacientes a una unidad (un ambulatorio, un quirfano, etc.) que tiene
una capacidad lmite. Cada paciente tiene asociado dos parmetros: el primero mide la gravedad del
paciente respecto a los otros en trminos relativos, y el segundo mide el tiempo de utilizacin del servicio.
El problema consiste en encontrar qu pacientes podrn ser atendidos y cuales habr que derivar a otro
centro. Es evidente que en este problema el nmero de pacientes a ser atendidos es ms elevado que la
capacidad del centro. En este tipo de problemas nos encontramos con la disyuntiva de tenemos que, por
un lado, dar prioridades para intentar atender el mximo de pacientes, y por el otro lado atender a
aquellos que presentan ms gravedad.

Formulacin del problema

Supongamos que tenemos m pacientes a ser programados en un centro. Los parmetros que tenemos que
conocer a priori son:

gi = valor cardinal de la gravedad del paciente i
ti = duracin en minutos de la intervencin del paciente i
T = tiempo total disponible en el centro

y las variables de decisin son:

Xi = 1, si se atiende al paciente i; 0, si no se le atiende.

En este caso todas las variables son binarias y tendremos una para cada paciente.

Una vez definidos los parmetros y las variables, podemos construir en modelo. Este modelo tiene una
nica restriccin que, bsicamente, define que el total de minutos que los pacientes atendidos en el centro
consumirn no puede exceder el tiempo total disponible T. Como Xi solo puede ser igual a 0 1, el tiempo
total consumido por el paciente i ser igual a tiXi. Si sumamos tiXi para todos los pacientes, tendremos el
tiempo total consumido por ellos, que no puede ser superior a T. En trminos matemticos:

El objetivo consiste en la maximizacin de la gravedad total del sistema. En otras palabras, queremos
atender a aquellos pacientes ms necesitados. Tenemos que observar que el problema no es tan trivial, ya
que no vale ordenar los pacientes en funcin de la gravedad e ir llenando la mochila del centro hasta
agotar la capacidad, porque un paciente j que presenta un nivel de gravedad gj puede tener asociado un
tiempo de atencin tj muy superior al tiempo conjunto de dos pacientes k y l (tj > tk + tl), que tienen una
menor gravedad, pero cuya gravedad conjunta es superior a la del primero (gj < gk + gl). En este caso, sera
mejor incluir a los dos pacientes k y l y no al paciente j. El objetivo vendr definido por la funcin lineal
siguiente:

96
En definitiva, la formulacin final del modelo ser:

Este problema es fcil de resolver utilizando el algoritmo ABA ya que nicamente tiene una restriccin.

Supongamos ahora que algunos tratamientos son incompatibles con otros. Por ejemplo, si se trata de un
quirfano, podramos tener que si operamos al paciente i tambin podremos operar al paciente j porque
tendremos recursos disponibles (quirfano preparado, personal adecuado), pero si no se opera a ningn
paciente de tipo i entonces no se podr operar al paciente j. Para poder introducir esta consideracin
tendramos que aadir la siguiente restriccin:

Xi Xj

Es decir, si operamos al paciente i, Xi = 1, lo que implica que Xj quedar libre para coger el valor 0 1 (ser
el modelo quien lo decida). Por otro lado, si Xi = 0, la variable Xj ser siempre igual 0, y por lo tanto el
paciente j no podr ser operado.

Supongamos ahora que el paciente j nicamente podr ser operado si tanto el paciente i como el k son
operados. En cualquier otro caso el paciente j no podr ser atendido. Para formular este tipo de
restricciones a veces es muy til la utilizacin de la tabla de la verdad. En esta tabla se introduce las
combinaciones de las X que son factibles. Esta tabla se representa en el Cuadro 3.9.

Xi Xk Xj
0 0 0
1 0 0
0 1 0
1 1 1
Cuadro 3.9: Tabla de la Verdad

La ecuacin de esta restriccin que tendr que aadirse al modelo es:

Xi + Xk 2 Xj

Si Xi y Xk son ambas iguales a 1, Xj podr ser igual a 0 1. En cualquier otro caso, Xj siempre ser igual a 0.

Como hemos visto en este ejemplo, el uso de variables binarias puede ser muy til para modelizar
situaciones en donde la decisin es hacer o no hacer.
3.3.4 El Problema de Asignacin

El problema de asignacin es otro clsico en los modelos de decisin. En esencia, consiste en asignar
recursos a tareas en funcin de un objetivo ligado a la eficiencia del sistema. Un ejemplo tpico es el de
asignacin de personas a turnos horarios. Otro ejemplo es el de asignar personas a mquinas, o el de
asignar regiones a Centros de Atencin Primaria. En este apartado se presenta el Problema de asignacin
como una variante del Problema de Transporte.

Como vimos anteriormente la Compaa de Seguros Pacfico S.A. tiene Centros de Asistencia Primaria
(CAPs) distribuidos en m pueblos y ciudades de una regin (un CAP en cada centro urbano). Para obtener

97
un buen funcionamiento global del servicio y poder planificar el nmero de visitas en funcin del
personal previsto en cada CAP y de su dimensin, Pacfico S.A. ha decidido organizar el servicio de tal
forma que todos sus asegurados tengan un CAP de referencia asignado, pero que sea ste el ms cercano
posible a su lugar de residencia. En la regin hay m ciudades y pueblos (siendo m bastante mayor que n) y
la compaa sabe cuantos asegurados tiene en cada uno de ellos. El objetivo es asignar cada una de las m
ciudades a un nico CAP, minimizando el costo o la distancia total.

La diferencia bsica entre este problema y el Problema de Transporte es que en este caso cada pueblo o
ciudad (con la totalidad de sus habitantes) es asignado a un nico CAP, mientras que en el otro problema
podra darse lugar a que una parte de la poblacin de una ciudad estuviera asignada a un CAP y la otra a
otro diferente. A continuacin examinados los parmetros y variables necesarios para la formulacin.

En primer lugar se definen los parmetros necesarios para formular el modelo. Sea:

ai: nmero de asegurados en el centro urbano i, i = 1,...,m.

bj: nmero total de asegurados que el CAP j puede tener asignados como mximo, j = 1,...,n.
cij: costo de desplazamiento entre i y j.

Las variables que se utilizar son de tipo binario:

Sea Xij =1, si el rea i est asignada al CAP j; y 0 en caso contrario.

Una vez definidos los parmetros y las variables, necesitamos definir las restricciones del modelo. Como
en el Problema de Transporte, en esta formulacin hay dos tipos de restricciones. La primera viene
definida por la capacidad de atencin mxima de los CAPs. El nmero total de asegurados asignados al
CAP j no puede exceder su capacidad bj. Para un CAP determinado j, no podemos asignar las poblacin
que la que determina su capacidad mxima

a1X1j + a2X2j + ... + aiXij + ... + amXmj bj

Para todos los CAPs, tendremos que:

El segundo grupo de restricciones tiene que considerar que hemos de asignar la totalidad de los
asegurados de Todosalud SA de cada centro urbano i a un nico CAP. Para cada rea, tendremos que:

Xi1 + Xi2 + ... + Xij + ... + Xin = 1

Es decir, una nica variable asociada a cada rea i puede ser igual a 1. Para todas las reas:

Finalmente, se tiene que formular el objetivo de minimizacin total de la distancia o costo total del
sistema. Este viene definido por:

c11X11 + c12X12 + ... + c1nX1n + ... + cijXij + ... + cm1Xm1 + ... + cmnXmn

que podemos re-escribir en forma compacta como:

98

En resumen, la formulacin completa del modelo es la siguiente:

Se tiene que observar que este problema presenta la misma peculiaridad que el problema de Transporte.
Para que el problema tenga una solucin factible, el nmero total de asegurados no puede exceder la
capacidad total de los CAPs. Es decir, existe la siguiente restriccin implcita en el modelo:

Si esto no se verificara, el problema no tendra solucin.
3.3.5 Problemas de Localizacin de Servicios

Cuntas ambulancias se necesitan en un rea geogrfica, y dnde deberan ubicarse para asegurar un
buen servicio a las llamadas por urgencias? En dnde deberan localizarse las Centros de atencin
Primaria en una regin para minimizar el tiempo de desplazamiento de los usuarios? En dnde tenemos
que localizar almacenes para optimizar la distribucin de productos farmacuticos en un pas? Estas
cuestiones, relacionadas con el diseo y la operacin de los servicios de atencin y de distribucin, han
sido estudiadas durante los ltimos 25 aos por un gran nmero de investigadores. Los planificadores
tienen que responder a preguntas como stas cuando se enfrentan al diseo o a la reconfiguracin de los
servicios de urgencias mdicas, de ambulatorios, de operaciones de distribucin, o de redes hospitalarias.

Por ejemplo, la velocidad de reaccin de un sistema de emergencia a una llamada es el criterio principal
para juzgar el desempeo de los servicios de emergencia. Otra medida es la habilidad del personal para
lidiar efectivamente con la situacin una vez llegado a la escena. La localizacin inicial de los servidores
(parques de bomberos, garajes de ambulancias, etc.) influencia poderosamente la eficiencia de la
respuesta. Esto se refleja en la gran cantidad de modelos desarrollados para ayudar a los planificadores
de servicios de urgencias.

El problema bsico trata de localizar servicios que van a permanecer en su ubicacin por un largo tiempo
una vez decidida su localizacin. En otras palabras, su ubicacin ser, sino definitiva, constante durante
un largo periodo de tiempo. La localizacin de estos servicios puede ser determinante en la evaluacin de
la eficiencia de su "desempeo" en la oferta del servicio en cuestin.

Efectivamente, el auge de la investigacin operativa en los aos sesenta provoc la aparicin de un campo
especifico dedicado a la localizacin de servicios de en regiones y en zonas urbanas. En general, estos
modelos optimizan uno o varios objetivos en funcin de unos recursos limitados y/o criterios de
cobertura y de atencin. Estos modelos se pueden agrupar en tres categoras en funcin del objetivo
principal. La primera categora corresponde a modelos cuyo objetivo principal es la maximizacin de la
cobertura de la poblacin siguiendo un criterio ``estndar'' (per ejemplo, maximizar la poblacin cubierta
por el servicio de ambulancias en un tiempo mximo de 10 minutos). El segundo grupo corresponde a

99
modelos de localizacin cuyo objetivo es la minimizacin de la distancia o tiempo medio de acceso a la
poblacin. El tercero consiste en la minimizacin los de costos de transporte de mercancas o de personas
y de localizacin de centros.

Entre estos modelos se han realizado diversas variaciones para intentar reflejar algunos aspectos
especficos del problema de localizacin. Por ejemplo, hay modelos que no tan solo localizan ambulancias,
sino que tambin determinan para cada estacin cual es la combinacin ptima de vehculos, materiales y
recursos humanos. Otros modelos estudian el problema de la localizacin teniendo en cuenta el grado de
congestin del servicio, intentando obtener un conjunto de localizaciones que no tan solo optimice la
cobertura, sino que de alguna forma considere la situacin de que un servicio est ocupado atendiendo
una llamada y en su estacin se produzca otra llamada (modelos de ``backup'' o servicios auxiliares). Otra
lnea de trabajo estudia la situacin en donde la demanda de servicio tiene elementos probabilsticos en
funcin
de la hora del da.

En esta seccin formularemos tres modelos bsicos de localizacin de servicios.

Modelos de Cobertura

Los modelos de cobertura suelen fijar una distancia estndar D entre un servicio y la poblacin usuaria.
Esta distancia (o tiempo de desplazamiento) se considera como la distancia mxima entre usuario y
servicio para ofrecer una atencin correcta. Esta distancia estndar se utiliza como criterio bsico para
obtener la ubicacin ptima de servicios.

El Problema de Localizacin de Servicios con Cobertura
10

El Problema de Localizacin de Servicios con Cobertura (PLSC), en palabras, es el siguiente:

Cul es el nmero mnimo de centros y dnde tenemos que localizarlos para que toda la poblacin est
cubierta dentro de la distancia estndar D?

El PLSC puede ser formulado de la siguiente forma. Supongamos una red de transporte en donde existen
m nodos o reas, cada uno con una demanda (o poblacin) determinada del servicio, y conectados entre
ellos por "arcos" (carreteras, calles, etc.), cada uno de ellos con un tiempo de desplazamiento o una
distancia asociados. La localizacin de los servicios se realiza exclusivamente en los nodos. En otras
palabras, nicamente los nodos de la red son candidatos a obtener una localizacin de los servicios, y por
otro lado, los nodos tambin representan los centros de demanda de los servicios. Muchas veces, en
algunas aplicaciones, no todos los nodos de demanda son candidatos a obtener un centro de servicio (a
veces en un nodo se encuentra un edificio de inters cultural, o simplemente no existe terreno disponible
para ubicar un servicio); por ello siempre en la formulacin del modelo se diferencia entre la demanda
(nodos que requieren del servicio) y la oferta (nodos candidatos a recibir el servicio). En la Figura 3.10 se
representa ejemplo de red de 20 nodos con la cual formularemos algunos modelos de localizacin.

10
En ingls: Location Set Covering Problem

100

Figura 3.3.: Red de 20 nodos

En esta Figura, los nodos estn representados por crculos y tambin se indican las distancias entre los
nodos que estn directamente conectados. El Cuadro 3.10 contiene la matriz de distancias dij entre todos
los pares de nodos (i,j) de la red. Esta matriz es fundamental en los modelos de localizacin. En general,
esta matriz se obtiene calculando, para cada par de nodos, el camino ms corto entre ellos, es decir, la
distancias ms corta que los une.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Po
b. 34 65 99 85 95 75 32 34 28 53 52 21 39 98 69 67 22 54 76 90
1 0,0 5,0
12,
5
21,
2
13,
0
18,
2
23,
5 8,0
27,
5 9,0
15,
0
25,
0
21,
5
18,
0
35,
0
28,
5
27,
0
40,
5
37,
0
32,
0
2 5,0 0,0 7,5
16,
2 8,5
13,
7
18,
5 6,0
22,
5
12,
0
13,
0
20,
5
19,
5
21,
0
30,
5
26,
5
27,
5
38,
5
37,
5
35,
0
3
12,
5 7,5 0,0 8,7 6,2
11,
4
11,
0
11,
2
15,
0
17,
2
15,
2
18,
2
21,
7
25,
2
27,
0
27,
2
29,
7
38,
0
39,
4
39,
2
4
21,
2
16,
2 8,7 0,0
14,
9
15,
7 8,2
19,
9
12,
2
25,
9
20,
7
19,
2
27,
2
30,
7
24,
2
28,
2
35,
2
35,
2
40,
4
44,
7
5
13,
0 8,5 6,2
14,
9 0,0 5,2
12,
7 5,0
16,
7
11,
0 9,0
12,
0
15,
5
19,
0
22,
0
21,
0
23,
5
33,
0
33,
2
33,
0
6
18,
2
13,
7
11,
4
15,
7 5,2 0,0 7,5
10,
2
11,
5
13,
0 5,0 6,8
11,
5
15,
0
16,
8
15,
8
19,
5
27,
8
28,
0
29,
0
7
23,
5
18,
5
11,
0 8,2
12,
7 7,5 0,0
17,
7 4,0
20,
5
12,
5
11,
0
19,
0
22,
5
16,
0
20,
0
27,
0
27,
0
32,
2
36,
5
8 8,0 6,0
11,
2
19,
9 5,0
10,
2
17,
7 0,0
21,
7 6,0 7,0
17,
0
13,
5
15,
0
27,
0
20,
5
21,
5
32,
5
31,
5
29,
0
9
27,
5
22,
5
15,
0
12,
2
16,
7
11,
5 4,0
21,
7 0,0
24,
5
16,
5 7,0
18,
0
24,
0
12,
0
16,
0
26,
0
23,
0
28,
2
36,
5
10 9,0
12,
0
17,
2
25,
9
11,
0
13,
0
20,
5 6,0
24,
5 0,0 8,0
23,
0
14,
5 9,0
33,
0
21,
5
18,
0
33,
5
28,
0
23,
0
11
15,
0
13,
0
15,
2
20,
7 9,0 5,0
12,
5 7,0
16,
5 8,0 0,0
11,
8 6,5
10,
0
21,
8
13,
5
14,
5
25,
5
24,
5
24,
0
12
25,
0
20,
5
18,
2
19,
2
12,
0 6,8
11,
0
17,
0 7,0
23,
0
11,
8 0,0
11,
0
17,
0
10,
0 9,0
19,
0
21,
0
21,
2
29,
5
13
21,
5
19,
5
21,
7
27,
2
15,
5
11,
5
19,
0
13,
5
18,
0
14,
5 6,5
11,
0 0,0 6,0
18,
2 7,0 8,0
19,
0
18,
0
18,
5
14
18,
0
21,
0
25,
2
30,
7
19,
0
15,
0
22,
5
15,
0
24,
0 9,0
10,
0
17,
0 6,0 0,0
24,
2
13,
0 9,0
25,
0
19,
0
14,
0
15 35, 30, 27, 24, 22, 16, 16, 27, 12, 33, 21, 10, 18, 24, 0,0 11, 24, 11, 21, 34,

101
0 5 0 2 0 8 0 0 0 0 8 0 2 2 2 2 0 0 5
16
28,
5
26,
5
27,
2
28,
2
21,
0
15,
8
20,
0
20,
5
16,
0
21,
5
13,
5 9,0 7,0
13,
0
11,
2 0,0
13,
0
12,
0
12,
2
23,
5
17
27,
0
27,
5
29,
7
35,
2
23,
5
19,
5
27,
0
21,
5
26,
0
18,
0
14,
5
19,
0 8,0 9,0
24,
2
13,
0 0,0
20,
0
10,
0
10,
5
18
40,
5
38,
5
38,
0
35,
2
33,
0
27,
8
27,
0
32,
5
23,
0
33,
5
25,
5
21,
0
19,
0
25,
0
11,
0
12,
0
20,
0 0,0
10,
0
23,
5
19
37,
0
37,
5
39,
4
40,
4
33,
2
28,
0
32,
2
31,
5
28,
2
28,
0
24,
5
21,
2
18,
0
19,
0
21,
0
12,
2
10,
0
10,
0 0,0
13,
5
20
32,
0
35,
0
39,
2
44,
7
33,
0
29,
0
36,
5
29,
0
36,
5
23,
0
24,
0
29,
5
18,
5
14,
0
34,
5
23,
5
10,
5
23,
5
13,
5 0,0
Cuadro 3.3: Poblacin de cada nodo y distancias entre nodos

Ahora es necesario conocer, para cada nodo de demanda, cules son las ubicaciones potenciales donde, si
se abre un centro en ellas, el nodo de demanda estar cubierto dentro de la distancia estndar D. Por
ejemplo, si D = 10, el centro de demanda 4 tiene, como ubicaciones potenciales de cubrirlo, los nodos 3, 4
y 7. En el Cuadro 3.4, se indican, para cada nodo, las ubicaciones potenciales de cobertura.

Nodo a
Cubrir
Ubicaciones
Potenciales
Nodo a
Cubrir
Ubicaciones
Potenciales
1 1,2,8,10 11 5,6,8,10,11,13,14
2 1,2,3,5,8 12 6,9,12,15,16
3 2,3,4,5 13 11,13,14,16,17
4 3,4,17 14 10,11,13,14,17
5 2,3,5,6,8,11 15 12,15
6 5,6,7,11,12 16 12,13,16
7 4,6,7,9 17 13,14,17,19
8 1,2,5,8,10,11 18 18,19
9 7,9,12 19 17,18,19
10 1,8,10,11,14 20 20
Cuadro 3.4.: Ubicaciones potenciales de cobertura por nodo. D = 10

Por ejemplo, si ubicamos un centro en el nodo 8, los nodos 1, 2, 5, 8, 10 y 11 estarn cubiertos, ya que l
est incluido en el conjunto de ubicaciones potenciales de cada uno de estos nodos de demanda.

Definamos Xj como una variable binaria (0 1) que, si es igual a 1, indicar que estamos abriendo un
centro en el nodo j, y que, en caso contrario (igual a 0), el nodo j estar vaco.

Tendremos tantas variables como ubicaciones potenciales. Podemos utilizar estas variables para
formular el modelo. Por ejemplo, tenemos que, para el nodo 4, podemos escribir la siguiente restriccin:

X3 + X4 + X7 1

que indica que como mnimo una de las tres variables tiene que ser igual a 1, o, en otras palabras, que
para que el nodo 4 est cubierto tenemos que abrir como mnimo un centro en 3, 4, 7.

Si definimos Ni como el conjunto de ubicaciones potenciales que cubrirn el nodo i dentro de la distancia
estndar D, (Ni = {j / dij D}, para cada nodo demanda i podemos escribir la restriccin siguiente:

102

Este conjunto de restricciones forzarn a que cada nodo est cubierto. Ahora falta formular el objetivo.
Como queremos minimizar en nmero de centros a ubicar, cuantas menos Xj sean igual a 1, mejor. Por lo
tanto, el objetivo lo podemos formular de la siguiente forma:

Si definimos m como el nmero total de nodos de demanda y n como el nmero de total de ubicaciones
potenciales, la formulacin final del Problema de Localizacin con Cobertura es:

Se puede utilizar el mdulo Solver de Excel para resolver el problema con distancias estndar diferentes.
En el Cuadro 3.5 se presentan algunos resultados para coberturas diferentes:

Distancia
Estndar D
Nmero
mnimo De
Centros
Ubicaciones Finales
15 3 8,9,19
12 4 3,8,15,17
11 5 3,10,12,18,20
10 6 4,8,12,17,18,20
9 8 4,8,12,15,17,18,19,20
8 9 4,5,8,9,13,15,18,19,20
Cuadro 3.4: Resultados con diferentes coberturas

Este problema suele tener a veces bastantes soluciones ptimas alternativas. El PLSC puede modificarse
para considerar, por ejemplo, la minimizacin del presupuesto. Si cada nodo potencial de obtener un
servicio tiene asociado un costo fijo de apertura fj, podemos reformular el objetivo del problema de la
siguiente forma:

En este caso estamos minimizando el costo total de apertura de centros. Es muy improbable que
aparezcan soluciones alternativas ptimas.

En este problema, la fijacin de la distancia estndar D es determinante de los resultados, por lo que hay
ir con mucho cuidado al determinarla.

Supongamos que, en nuestro ejemplo, la distancia estndar est fijada en 10. Al resolver el PLSC
encontramos que la solucin ptima es igual a 6 centros, ubicados en los nodos 4, 8, 12, 17, 18 y 20. Pero
el sistema no tiene suficiente presupuesto para construir 6 centros. nicamente tiene un presupuesto
para 4 centros. Como el nmero mnimo de centros para cubrir la poblacin es igual a 6, con 4 centros no
podremos cubrirla por completo. En este caso, si fijamos en nmero de centros, podemos intentar

103
encontrar sus ubicaciones de forma a maximizar la cobertura de la poblacin. Este problema es conocido
como el Problema de Localizacin con Cobertura Mxima (PLCM).

El Problema de Localizacin con Cobertura Mxima (PLCM).

Este problema puede ser descrito de la siguiente forma:

Dnde tenemos que localizar p centros para maximizar la cobertura de la poblacin dentro de la
distancia estndar D?

Este problema es una extensin del PLSC. Para formular el modelo tenemos que aadir un nuevo grupo
de variables binarias Yi, que denominaremos de cobertura, que sern igual a 1 si el nodo i est cubierto
por un centro dentro de la distancia estndar D; e igual a 0 si no lo est. Como en la solucin final algunos
nodos de demanda quedarn descubiertos (ya que no tenemos suficientes centros para cubrir toda la
poblacin), algunas de estas variables sern 0. Cojamos de nuevo como ejemplo el nodo 4. Para que el est
cubierto se tiene que localizar como mnimo un centro en uno de los nodos 3, 4 o 7. Ahora tendremos que
escribir la restriccin siguiente:

X3 + X4 + X7 Y4

Si como mnimo una de las variables de localizacin X es igual a 1, la variable Y4 podr ser tambin igual a
1, y por lo tanto el nodo de demanda 4 estar cubierto. Si, en cambio, todas las variables X de la restriccin
son iguales a 0, la variable de cobertura Y4 ser forzosamente igual a 0 y el nodo 4 no estar cubierto.
Para cada nodo de demanda escribiremos la siguiente restriccin:

Otra restriccin es la limitacin del nmero de centros a localizar. En nuestro ejemplo hemos fijado el
nmero de centros en 4. Esto quiere decir que nicamente cuatro variables de ubicacin Xj podrn ser
igual a 1. La restriccin, en trminos matemticos, es:

Finalmente, el objetivo consiste en la maximizacin de la cobertura de la poblacin de la regin en
cuestin. En el modelo PLSC todos los nodos quedaban cubiertos, por lo que no haca falta preocuparse de
la poblacin. En el nuevo modelo, como algunos nodos de demanda quedarn descubiertos, tenemos que
considerar la poblacin de cada uno de ellos. El modelo intentar cubrir, en primer lugar, aquellos nodos
con mayor poblacin (o demanda). El objetivo se formula matemticamente de la forma siguiente:

En donde ai es un parmetro que denota el volumen de demanda (en nuestro ejemplo, poblacin)
asociada al nodo i. Contra ms Yi sean igual a 1, ms cobertura obtendremos. La formulacin final del
problema es:

104

La formulacin del problema de mxima cobertura para nuestro ejemplo, con D = 10 y p = 4. El resultado
final se presenta en el Cuadro 3.6.

Nmero de
Centros 4
Distancia estndar 10
Poblacin Cubierta 88%
Ubicaciones 4,8,12,17
Nodos no
cubiertos 18,20
Cuadro 3.6: Resultados del PLCM en el ejemplo

Vemos que con 4 centros pasamos a cubrir el 88% de la poblacin. En otras palabras, mientras que el
nmero mnimo de centros necesarios para cubrir toda la poblacin era igual a 6, con 4 centros cubrimos
el 88% de ella y nicamente dos nodos no estn cubiertos.

Modelo de Localizacin P-Mediano

El modelo P-Mediano de localizacin (MPML) tiene que objetivo principal la minimizacin de la distancia
media entre los nodos de demanda y los centros. El problema, en palabras, es el siguiente:

Dnde se ubicarn p centros de forma a minimizar la distancia media entre stos y los nodos de
demanda?

Para formular este problema necesitamos conocer, como en el problema anterior, la matriz de distancias
y la demanda que se genera en cada uno de los nodos. En este caso no se utiliza una distancia estndar.
Las variables de modelo sern:

Xij = 1, si el nodo de demanda i es atendido por el centro ubicado en j; 0, en caso contrario
Wj = 1; si ubicamos un centro en j; 0, en caso contrario

A continuacin definimos las restricciones. En primer lugar, un nodo de demanda tiene que estar
asignado a un nico centro. Para forzar esta situacin, para cada nodo de demanda i, la suma de las Xij con
respecto a l ndice j tiene que ser igual a 1. En trminos matemticos:

Ahora bien, el nodo i no podr ser asignado al nodo j si no existe un centro en j. Como la variable Wj indica
si existe un centro en j o no, tendremos que:

105
Si no existe ningn centro en j, Wj = 0, lo que implica que ningn nodo de demanda podr ser asignado a j.
En este caso, todas las variables Xij sern igual a 0.

Finalmente, tenemos que fijar el nmero de centros a abrir. La siguiente restriccin tiene que ser aadida
al modelo:

Finalmente, tenemos que formular el objetivo de distancia media. Tenemos que aidij ser la distancia total
entre la poblacin (o demanda) en i y el centro en j. Si sumamos aidij para todas las i tendremos toda la
demanda asignada a j. Luego tenemos que sumar para todas las j, y tendremos la distancia total del
sistema. El objetivo es:

Una vez obtenido el valor de Z, tenemos que dividirlo por la demanda (o poblacin) total del sistema para
obtener la distancia media entre la demanda y los centros.

En resumen, la formulacin del problema P-mediano es:

Esta formulacin suele tener muchas variables y restricciones. Por ejemplo, si m=n=100 tendremos
10.100 variables y 10.101 restricciones. Existen varias formas de reducir el nmero de variables y
restricciones, pero an as este modelo suele ser bastante grande. Se han desarrollado varios mtodos
heursticos para poder encontrar soluciones del MPML.

El Problema de Localizacin de Plantas con Capacidad

En muchos casos el objetivo principal es encontrar una serie de ubicaciones que minimicen tanto los
costos de transporte como el costo de apertura de los centros. El modelo de Localizacin de Plantas con
Capacidad (MLPC) se describe de la forma siguiente:

Cuntos centros se necesitan y dnde hay que ubicarlos para minimizar los costos totales del
servicio sin exceder su capacidad?

Para poder formular el modelo, necesitamos los siguientes parmetros:

ai = demanda en el nodo i
dij = distancia entre el nodo de demanda i y el nodo de ubicacin potencial j.
fj = costo de apertura de un centro en el nodo j
cij = costo de transporte por unidad de demanda y unidad de distancia

106
Cj = capacidad de un centro si se ubica en j

y las variables que a continuacin se describen:

Xij = demanda del nodo i atendida por el centro en j
Wj = 1, si ubicamos un centro en j; 0, en caso contrario.

Un vez definidos los parmetros y las variables del modelo, se tienen que formular las restricciones. En
primer lugar, no podemos exceder la capacidad de cada centro. Para que esto se cumpla, la demanda
asignada a cada uno de los centros potenciales j no puede exceder su capacidad. En trminos
matemticos:

Por otro lado, la demanda de cada uno de los nodos tiene que ser atendida. Es decir:

Finalmente, un nodo de demanda i no puede ser servido por j si no existe un centro en j.
Matemticamente,

en donde M es un parmetro con un valor muy elevado (por ejemplo, 10
10
). Si Wj es igual a 0,
forzosamente todas las Xij sern igual a 0. En caso contrario, si Wj es igual a 1, las variables Xij podrn
tomar cualquier valor, ya que no tendrn ninguna cota superior.

Ahora falta definir el objetivo. Por un lado tenemos los costos de apertura, o costos fijos. Por otro lado,
tenemos que minimizar los costos de distribucin o transporte. Estos dos tipos de costos juegan un papel
opuesto en relacin al nmero de centros a ubicar. Mientras que, contra ms centros abramos, menor
ser el costo de transporte al reducirse las distancias, por otro lado los costos de apertura aumentarn
considerablemente. El modelo buscar el nmero de centros que minimice los costos totales. El objetivo
se define matemticamente como:

El primer trmino de del lado derecho de la ecuacin refleja los costos de apertura. El segundo trmino
formula los costos totales de transporte.

En resumen, el modelo se formula de la siguiente forma:

107

Este problema es de programacin lineal entera mixta, ya que mientras que algunas de las variables son
enteras (en este caso las Wj son binarias), otras son continuas (las Xij pueden tomar cualquier valor no-
negativo).

Este problema es muy utilizado para ubicar plantas de produccin y depsitos de distribucin. Existe un
sinfn de problemas de localizacin basados en este modelo.
3.3.6 Conclusiones

En este captulo hemos examinado como formular algunos problemas de programacin entera mixta y
binaria y como resolverlos con el algoritmo de bifurcacin y acotamiento. Mientras que algunos
problemas son relativamente fciles de resolver con este algoritmo, otros pueden ser extremadamente
caros en trminos de tiempo de ordenador, ya que la ramificacin es exponencial, y en cada rama del
rbol del algoritmo tenemos que resolver un programa lineal. La mayora de programas lineales
incorporan un modulo de programacin entera por lo que no hay que realizar el algoritmo; el propio
programa se encarga del proceso. En la hoja de clculo Excel, para resolver programas con algunas o
todas las variables enteras, basta declararlas como enteras o binarias (si procede) dentro de la ventana de
restricciones.


Investigacin de operaciones: http://www.investigacion-operaciones.com/contenido.htm

108

109

MODELOS DE INVENTARIOS.


Anlisis de la estructura de los modelos de gestin de inventarios
Procesos de gestin de inventarios.
Polticas de control y seguimiento de inventarios
Utilizacin de software para gestin de stocks
4.0 Introduccin

La Gestin de Inventarios es la tcnica que permite mantener una existencia de productos a un nivel
adecuado, segn sean las necesidades de las Unidades Productivas que estn relacionadas, y en
consecuencia de las Estrategias de Produccin.

Si miramos al Inventario del punto de vista de Anlisis del Valor, este no adiciona valor al Sistema de
Produccin, por lo tanto, lo ideal es que el tamao del inventario que manejemos sea lo ms pequeo
posible. Su tamao, en este caso, es dependiente de consideraciones de variabilidad que se manejan
dentro del Sistema Productivo y de los Niveles de Riesgo que sean aceptables para un determinado
Sistema de Produccin.

Por lo tanto, el principal objetivo de analizar un Sistema de Inventario es encontrar respuestas a
preguntas como las que se presentan a continuacin:

Qu artculos deben mantenerse en inventario?
Qu cantidad de artculos debe ser ordenada o producida?
Cundo deben generarse las Ordenes para que el costo total de manejo de inventarios sea el
mnimo posible?
Qu Sistema de Control de Inventario deber utilizarse para cada caso?

Dentro de la filosofa de produccin JIT, lo ideal es que no existieran inventarios, o que estos sean
mnimos. Por lo tanto, la filosofa JIT trabaja desde la perspectiva de entregar y recibir la cantidad
especificada en el instante preciso.

Pero si analizamos con detenimiento lo que propone la filosofa JIT, podramos decir que es demasiado
idealista, ya que fsicamente es imposible eliminar completamente la existencia del inventario, ya que su
papel bsico es permitir el acoplamiento entre dos unidades productivas de distinta capacidad, lo que no
debemos obviar.
4.1 Definiciones y Funciones.

Inventario: se puede definir inventarios de Materias Primas, Partes en Proceso y de Productos
Terminados, ya que se encuentran en algn lugar y en un determinado tiempo dentro del Sistema de
Produccin.

Objetivo del Inventario: permitir y/o facilitar la produccin entre dos unidades de produccin o dos
etapas de produccin que estn ubicadas secuencialmente.

Por lo tanto, el inventario cumple una funcin de capacitor entre ambas unidades, permitiendo por un
lado, absorber las distintas capacidades y formas de produccin, y por otro, las variaciones que
experimenta cada unidad dentro del Proceso de Produccin.

110

A continuacin, presentaremos dos Sistemas de Produccin, A y B, los cuales funcionan con distinta Tasa
de Produccin y en el que el sistema A alimenta al sistema B.

Sistema Productivo A Sistema Productivo B

Figura 4.1 Sistemas Productivos A y B

De las figuras anteriores se pueden observar dos situaciones bsicas:

a. En la medida que exista un Inventario, es posible "acoplar" dos Unidades Productivas con distinta
"Capacidad de Produccin" (entendiendo por Capacidad de Produccin como la cantidad
producida por unidad de tiempo).

b. En la medida que el Tamao del Inventario es mayor, es posible establecer mayor independencia
entre ambas Unidades de Produccin.

En caso contrario, cuando el Tamao del Inventario es menor, mayor es la dependencia entre ambas
unidades.
4.2 Clasificacin de los sistemas PRODUCTIVOS segn la demanda.

Podemos destacar que desde el punto de vista de la demanda final sobre el producto, se puede inferir que
existen dos esquemas bsicos de administracin de inventarios.
Dependiendo del tipo de Demanda Final que tenga un producto, se puede decir que existen dos Esquemas
Bsicos de Administracin de Inventarios:

a. Con DEMANDA INDEPENDIENTE: cuando se tiene una demanda independiente, la cantidad de
productos en inventario no depende slo de las decisiones internas del Sistema de Produccin,
sino que fundamentalmente de las condiciones del mercado. Estas condiciones del mercado se
ven reflejadas como el consumo de un determinado bien en un determinado momento.

Los Modelos que permiten dimensionar el Volumen del Inventario cuando se tiene una demanda
independiente se llaman MODELOS DE TIPO REACTIVO, y se aplican para dimensionar el
volumen de productos finales a fabricar y a dimensionar el stock de productos que tendremos en
inventario. Los modelos de tipo reactivos tambin son usados, desde una perspectiva tradicional,
para dimensionar los Lotes de Produccin que deben ser manufacturados bajo condiciones de
estructura de costos similares a las que se definen para el caso de compras y almacenamiento.

111
b. Con DEMANDA DEPENDIENTE: en este caso, como su nombre lo indica, la demanda que
experimenta un determinado producto depende de las negociaciones y acuerdos que se tomen
entre el cliente y la empresa, a nivel del Sistema de Planificacin de la Produccin.

Los Modelos que permiten cuantificar el nivel de inventarios bajo este esquema son llamados
MODELOS DE TIPO PROACTIVOS, o de Calculo de Necesidades. (MRP).

Al ver estos dos enfoque, podemos ver que existe una diferencia fundamental con relacin a como se
origina una decisin y cuales son las variables y/o parmetros considerados para tomar una decisin.

As en el caso de los Modelos de tipo Reactivo, la pregunta bsica que se plantea es:

Qu debo hacer cuando se llega a cierto nivel crtico, llamado punto de reorden?

Es decir, un modelo de tipo reactivo nos lleva a definir un cierto punto de reorden, l nos avisa cuando
tenemos que realizar un reaprovisionamiento. Este punto de reorden va a depender de la Poltica de
Reposicin que definamos (tema que tocaremos ms adelante).

En el caso de los Modelos de tipo Proactivos, el problema bsico esta en definir que se va hacer en un
determinado futuro, por lo tanto las preguntas bsicas que se plantean son:

Qu es la que se necesitar a futuro?
Qu cantidad y en qu momento?

Es decir, un modelo de tipo proactivo me lleva a definir un Plan Maestro de Produccin, de acuerdo a la
demanda que se fija a nivel de Sistema de Planificacin de la Produccin.

Ahora si hacemos un anlisis desde una perspectiva histrica, podemos decir que en un principio las
Empresas planificaban las existencias de materiales usando modelos de tipo Reactivo, lo que les traa las
siguientes ventajas y desventajas:

1. Ventajas de la utilizacin de Sistemas de Tipo Reactivo:

La facilidad de controlar los niveles de inventario.
Se pueden llevar, de manera ms sencilla, los Registros tanto de entrada o salida de
productos.

2. Desventajas de la utilizacin de Sistemas de Tipo Reactivo:

El volumen de material almacenado es voluminoso.
El problema (peligro) de obsolescencia de productos que se almacenan.
El deterioro y prdida de productos.

Posteriormente, surgieron los modelos de tipo proactivos o de Calculo de Necesidades, los cuales son
aplicados a Sistemas de Manufactura y, especficamente, cuando existen productos de tipo Estandarizado
o Semiestandarizado.

1. Ventajas de la utilizacin de Sistemas de Tipo Proactivo:

Permiten dimensionar los inventarios de acuerdo a las necesidades del sistema de
produccin.

2. Desventajas de la utilizacin de Sistemas de Tipo Proactivo:

Slo se pueden implementar si en la empresa que utiliza este sistema existe una
infraestructura computacional adecuada.

112

En consecuencia, en este captulo se analizar, preferentemente, lo relacionado con demanda
independiente.
4.3 Estructura de Costos de Inventarios.

Muchos problemas de decisin de inventarios pueden resolverse empleando Criterios Econmicos.

Sin embargo, uno de los prerequisitos ms importantes para aplicar un criterio econmico es tener una
Estructura de Costos adecuada.
Muchas de estas estructuras de costos involucran alguno o todos de los 4 tipos de costos siguientes:

a. Costo Unitario del Articulo (C): es el costo derivado de comprar o producir los artculos
individuales de inventarios. Su unidad de medida es ($/unidad).

b. Costos de Ordenar o Pedir (S): es el costo relacionado a la adquisicin de un grupo o lote de
artculos, tambin se dice que es el costo de las acciones necesaria para realizar una nueva
compra. Este costo de pedir no depende del nmero de artculos que tenga el lote respectivo, sino
que esta asociado a las actividades de hacer el pedido si es desde el punto de vista de comprar, o
de los costos de transformar el sistema (costos de set up) y adecuarlo a la fabricacin de un
nuevo lote o corrida de produccin.Su unidad de medida es ($/orden).

c. Costos de Mantener o Poseer Inventarios (h): este costo est asociado a la permanencia del
artculo durante un perodo de tiempo. Su valoracin se determina en funcin del tiempo
almacenado y del valor del bien involucrado.

Por lo tanto, el costo de mantener, involucra aspectos tales como:

Costo de capital.
Costo de almacenamiento.
Costo de obsolescencia y perdida.

d. Costos de Inexistencia (W): son los costos que reflejan las consecuencias de quedarse sin
material en un determinado momento.

Entre estos costos podemos indicar:

Falta de materia prima (debido a paro de la produccin, mano de obra ociosa, etc...).
Falta de productos terminados (perdida por no ventas, necesidad de subcontratacin,
prdida de prestigio frente a clientes, etc...).
Falta de repuestos.

Su unidad de medida es ($/unidad).
4.3.1 Nomenclatura Asociada a Inventarios.

Para establecer los diferentes modelos de costos asociado a cada sistema de inventario, es necesario en
primer lugar definir una nomenclatura adecuada para entender las ecuaciones respectivas.

Sean las siguientes definiciones:

D = Demanda Anual. (unidades/ao)
C = Costo de Compra (si el artculo es comprado) o Costo Unitario Variable (si el artculo ha sido
producido). ($/unidad)
Q = Cantidad Ordenada por Lote. (unidades / lote)
Q* = Cantidad Lote Econmico. (unidades/lote)
r = Punto de Reorden. (unidades)
tl = Tiempo de espera. (das)

113
S = Costo de Preparacin o Emisin de la Orden. ($/orden)
P = Tasa de Produccin. (unidades/ao)
dl = Demanda durante el Perodo de Espera.(unidades/da)
CT = Costo total ($/ao)
h = Costo de mantener una unidad en trminos % del valor de la unidad y por
unidad de tiempo
T = Longitud del periodo de anlisis. (unidad de tiempo, das o aos)
4.4 Decisiones sobre inventarios

Las decisiones en inventarios son tomadas en funcin de como se espera que sea la demanda futura, la
cual puede ser clasificada en los siguientes trminos:

Figura 4.2 Decisiones en Inventarios

La figura 4.2 da origen a distintos Modelos de Inventarios, en funcin del tipo de demanda:

a. Modelos de Inventarios con Demanda Determinstica Esttica: estos modelos se utilizan cuando
la demanda es conocida y constante para todos los perodos.
b. Modelos de Inventarios con Demanda Probabilstica Esttica: estos modelos se utilizan cuando
demanda es aleatoria y tiene una distribucin de probabilidades, pero es igual para todos los
perodos.

c. Modelos de Inventarios con Demanda Determinstica Dinmica: estos modelos se utilizan cuando
la demanda es conocida y constante, pero vara para cada perodo.
d. Modelo de Inventarios con Demanda Probabilstica Dinmica: estos modelos se utilizan cuando
la demanda es probabilstica con una distribucin de probabilidades, y es variable en cada
perodo.
4.5 Anlisis de la Tasa de Demanda y Tasa de Reposicin.

Desde el punto de vista de su comportamiento o variacin en el tiempo (tasa de cambio), la demanda se
puede clasificar en:

a. Demanda Infinita Uniforme.
b. Demanda Fuente Uniforme.
c. Demanda Exponencial.

Las siguientes figuras nos ayudaran a visualizar de mejor forma lo anteriormente dicho:

114

Figura 4.3 Cantidad de Inventario Q

En general, el nivel del inventario en un momento determinado esta dado por la expresin:

Q0 = Inventario Inicial en el tiempo 0.
X = Tamao de lo demando durante un perodo T
t = tiempo considerado.
n = Indice del exponente de la demanda.
T = Longitud del Perodo.

Para el caso de la Tasa de Reposicin de Inventarios, se pueden postular diversos modelos de
comportamiento:

a. Tasa de Reposicin Uniforme.
b. Tasa de Reposicin Exponencial.
c. Tasa de Reposicin infinita.
d. Tasa de Reposicin en Lotes.

Las siguientes figuras nos ayudaran a visualizar de mejor forma lo anteriormente dicho:

Figura 4.4 Tasa de Reposicin de Inventarios

Tipos de decisiones sobre inventarios.

Con relacin a las decisiones que se deben tomar sobre la gestin de los inventarios, las podemos
clasificar en base a lo siguiente:

a. Polticas de Inventarios, para las cuales se definen diferentes Modelos de Anlisis.
b. Dimensionamiento de las Cantidades a Ordenar, las cuales estn en funcin de las Polticas
definidas.
c. Sistemas de Control a Implementar.
4.6 Polticas de inventario.

115
La Poltica de Inventario se refiere a la Revisin y Disciplina utilizada para ordenar y controlar los
inventarios. La poltica de Inventario trata de responder a las siguientes interrogantes:

Cundo debe ser emitida la orden?
Cunto se debe comprare (tamao del lote)?

Existen dos tipos de Polticas de Revisin de Inventarios: Poltica de Revisin Peridica y Poltica de
Revisin Continua.
4.6.1 Poltica de Revisin Peridica.

Bajo esta poltica, los Niveles de Inventario son monitoreados a intervalos de tiempo T, donde T es la
longitud de tiempo determinada segn sea el criterio ordenado. La cantidad a ordenar est dada en
funcin de como sean las decisiones de reposicin.

a. Revisin peridica con reposicin bajo un punto de quiebre (r). En este sistema, la reposicin del
inventario se realiza siempre que el nivel de existencia en el inventario sea menor que un punto
mnimo aceptable o de quiebre (r).

Figura 4.5 Revisin Peridica

As la cantidad ordenada es: 0 si It > r; Imax It si It < r

b. Revisin Peridica y Emisin de Orden de Compra. En este sistema, toda vez que se cumple
el periodo T, se emite una orden igual a Imax It, por lo tanto, la cantidad ordenada siempre es
variable.
4.6.2 Poltica de Revisin Continua.

Bajo esta poltica, el monitoreo del inventario es permanente y una vez que se alcanza el punto de
reorden r es emitida una orden de compra. El punto r se determina en funcin de un nivel de seguridad
aceptado y en funcin de la cantidad consumida durante el tiempo que demora en obtenerse la reposicin

Figura 4.6 Reposicin Instantnea

La eleccin de un sistema de revisin depender de varios factores:

1. En el caso de Sistemas de Revisin Peridica, estos sistemas estn asociados bsicamente a
modelos de reaprovisionamiento.

116

Como ventajas de estos sistemas de revisin peridicos se pueden mencionar:

Fcil de llevar.
Es bueno para coordinar tems relacionados, ya que aprovecha mejor la infraestructura
de transporte.
Es bueno en el caso de que se quiera manejar artculos baratos.

Como desventajas de los sistemas de revisin peridicos se pueden mencionar:
Es ms caro, del punto de vista de que maneja una mayor cantidad de mercadera en
inventario.
Es susceptible a que ocurran faltas cuando la demanda es variable.

2. En el caso de los Sistemas de Revisin Continua, como ventajas tenemos que:

Optimiza los niveles de recursos involucrados.
El nivel de servicio es mejor, ya que mejora la probabilidad de que el pedido sea
abastecido con el inventario existente.
Es apropiado para artculo caros.

Pero el sistema de revisin continua tiene los siguientes inconvenientes:

Tiene un alto costo por manejos de registro y requiere una constante atencin en el
producto.
4.7 Dimensionamientos de las Cantidades a Ordenar.
4.7.1 Modelo de un nico Producto:

Para este caso, consideramos:

Una tasa de Demanda D.
Una tasa de Produccin P (es decir, una unidad es adicionada al inventario 1 a la vez).
Las Faltas son permitidas, de manera que no se sobrepase un mximo Zmx.

El siguiente diagrama nos permita visualizar de mejor forma el modelo de dimensionamiento de
inventario para un nico producto:

Figura 4.7 Modelo Dimensionamiento de Inventario

117

Por definicin: Tp = Q/P y T = Q/D.

En este modelo, la produccin parte en el punto a, y en ese momento, se inicia el llenado a una tasa de P-
D que primero en un principio sirve para reponer las faltas y posteriormente para acumular inventario,
hasta llegar a un nivel mximo en el punto k.

A partir de este punto, el nivel del inventario empieza a disminuir, llegando a un nivel 0 (cero) o al punto J
y un nivel de falta mximo en el punto a del ciclo siguiente.

El nivel mximo del inventario es:

Composicin del costo para el ciclo dado:

a. Costo de colocar una orden o (set up) este un costo fijo S.

b. El costo de llevar el inventario durante un ciclo, este costo es efectivamente incurrido donde
existen materias T2 y T3.

As corresponde calcular el inventario medio durante el ciclo total.

Recordar que

As el es el rea b, k, j dividida por T

Como Q/D = T y como se conoce T2 y T3, y de (*)

y el costo promedio de mantener por un perodo es igual ,

c. El costo de falta se debe a dos situaciones:

1. Por el hecho de deber material y se mide como Zmax * W, donde W representa el costo por
falta independiente de la duracin.($/unidad).
2. Costos por la falta promedio durante el perodo T.

As: Tiempo para eliminar los atrasos.

118
Tiempo en construir los atrasos

Utilizando el mismo procedimiento que en el caso anterior, se tiene que:

As el costo de falta promedio ser:

donde es el costo de falta por unidad/por unidad de tiempo.

d. El costo de compra finalmente es = C * Q por lo tanto, el Costo Total por Ciclo es el siguiente:

Como nuestro objetivo es el Costo Total Anual, tenemos que:

El nmero de rdenes es D/Q = n

h = i*c, donde i: representa la tasa anual de costo de inventario

Lo anterior es la ecuacin general de costos en funcin de Q, Zmax.

Alternativas de Solucin:

La situacin es derivar con respecto a: Cantidad y a Zmax.:

, e igualar a 0.

Casos Especiales en que No se Permitan Faltas.

Caso A: Tasa de Llenado del inventario es P-D.

119

Figura 4.8 Tasa de Llenado de Inventario: P-D

Caso B: Tasa de llenado P= infinita.

Figura 4.9 Tasa de Llenado Infinito

4.7.2 Modelos con Tiempo de Espera.

Los modelos determinsticos pueden ser fcilmente ajustados cuando los tiempos de espera se conocen
con certeza.

As, el punto de Reorden se calcula como:

r* = Existencia de seguridad + demanda durante el tiempo de espera.

Si las existencias de seguridad son iguales a 0, entonces:

r* = 0 + tiempo de espera * dL = tL * dL

120
Con dL representando la demanda diaria del producto.

Ejemplo:

Una cadena de venta de hamburguesas consume anualmente 750 cajas vacas, el costo de pedir cajas al
proveedor es de 15 US$ por orden y de manejo de las cajas en inventario, es de un 30%.

Si el valor de cada caja es 12 US$ y se sabe que la entrega es en 5 das.

Cul es la doctrina de operacin que debemos seguir?

El valor de cada caja es 12 US$

Figura 4.10 Tiempo de Espera

Supuesto = operacin 365 das al ao.

La Poltica Optima a seguir, es ordenar 78 unidades, cuando la existencia es 10 cajas
4.7.3 Anlisis De Sensibilidad.

Ejemplo:

Una empresa fabricante de insignias tiene un contrato por 50.000 (unidades) de venta anual. La empresa
tiene una poltica de ordenar lotes de 40.000 (unidades) con un costo de colocar la orden de 16.000
($/pedido). Costo de manejo es del 20%. Costo del producto es 60 ($/unidad).

La empresa desea mejorar el error que comete al seguir su actual poltica

Solucin:

Tenemos los siguientes costos:

Costos Relevantes = Costos de Mantencin + Costos de Pedir.

121

El CT segn poltica actual, es el siguiente:

El Costo total de la Poltica Optima:

A continuacin, calcularemos el incremento en el Costo total que acarrea la poltica que actualmente
utiliza la empresa:

El costo total sufri un incremento de 25%, por no seguir la poltica ptima

Alternativamente, podramos haber obtenido el mismo resultado haciendo el siguiente clculo:

Lo importante es considerar los costos relevantes y sensibilizar.

Ejemplo de Tarea:

El restaurante dulce rico para su uso de venta de bebidas, enfrenta una demanda de 120 vasos diarios, y
opera 360 das al ao. Los vasos tienen un Costo de 40 ($/docena). Para enviar una orden de pedido, el
restaurante tiene que pagar 2.000 ($/orden). El mantener inventario le significa un costo de mantencin
del orden del 50% debido a muchas prdidas producidas por su operarios, que diariamente quiebran
muchos vasos o los trisan.

Determine el error que se comete debido a que hace pedidos una vez al mes.?

Solucin:

D = (120 /12) * 360 = 3600 .(docenas de vasos/ao)

S = 2000.($/orden)

i = 0,5

C = 40 ($/docena)

122
Como realiza pedidos anuales:

CT = 2000 * 12 * 0,5 * 40 * 150 = 24000 + 3000 = $27000

Con la poltica ptima el costo total es:

4.7.4 Cantidades Descontinuadas.

Lo anterior sucede cuando existen descuentos por volumen, es decir, el precio vara a medida que el
volumen es mayor. As si:

Cantidad Ordenada Precio Unitario
0 < Q < q1 P1
q1 Q < q2 P2
q2 Q < q3 P3
q3 Q < q4 P4
Cuadro 4.1 Cantidades Descontinuadas

En este caso, el valor de CD es relevante, ya que segn el volumen de compra existe un Cj.

Para el caso anterior el supuesto que se tiene es una reposicin instantnea, tasa infinita de reposicin y
una demanda constante.

Ejercicio:

Suponga que un depsito de equipos electrnicos enfrenta una demanda de 250.000 unidades/ao y el
costo de hacer el pedido es de 100 $/orden. El costo anual es de 0.24%

Las cantidades y precios son los siguientes:

Rango de Cantidades Precio unitario
0 Q < 5.000 $12
5.000 Q < 20.000 $11
20.000 Q < 40.000 $10
40.000 Q $9
Cuadro 4.2 Cantidades Descontinuadas (2)

Cul es el tamao de lote ptimo de equipos electrnicos que conviene comprar?

Solucin:

123
d. Un supuesto razonable es utilizar el mejor precio que en este caso de 9 $/U

Cj = 9 ($/unidad)

Esto quiere decir que si nos ofrecieran vendernos los equipos a 9 $/unidad, nos conviene pedir
en lotes de 4811 (unidades/pedido).

Como esta cantidad Qj = 4811 (unidades/ pedido), es mucho menor que las 40.000
(unidades/pedido), el tamao mnimo de lote por el que el proveedor est dispuesto a pedir un
precio de 9 ($/unidad) es de 40.000 (unidades/pedido).

Costo total de la alternativa para esta situacin es:

(Q*=40.000, C=9) = $2.293.825

d. Si Cj = 10 ($/unidad) el lote optimo en esta nuevas condiciones es:

En este caso el lote ms cercano en esta condicin es 20.000 (unidades/pedido)

e. Para C = 11 ($/unidad)

En consecuencia el lote esta fuera del rango considerado.

Q* = 4352 < 5000 (unidades/pedido)

Costo total de la alternativa:

CT (C=11, Q = 5000) = $ 2.761.600

f. Para C = 12 ($/unidad)

Q* = 4166 < 5000 (unidades/pedido)

124
En este caso el Lote esta dentro del rango considerado.

Costo total de la alternativa:

CT (Q* =4166, C = 12) = $ 3.012.000

As se tiene que:

Q*(unidades/pedido) Cj ($/unidad) CT ($)
40 9 2.493.825 la mejor poltica
20 10 2.525.250
5 11 2.761.600
4.166 12 3.012.000
Cuadro 4.3 Cantidades Descontinuadas (3)

Figura 4.11 Costo Total
4.7.5 Situaciones Con Mltiples Inventarios.

Existen casos donde existen:

Varios tipos de productos.
Varios lotes econmicos ptimos (uno para cada producto a considerar).
Varias restricciones, ya sea de capital para comprar, espacio para almacenar o transportes,
presupuesto, peso, etc...
Cada producto tiene una demanda independiente.

Para el caso anterior, se pueden plantear las dos Polticas de Inventario antes analizadas:

Lote econmico.
Perodo econmico.

Ejercicio:

Sea una fbrica que produce tres tipos de lmparas que presentan demandas distintas. Para conceptos de
fabricacin, la fbrica dispone de un presupuesto de $16.000. El costo de mantener una unidad de
inventario es de 0,18 (18%). En la siguiente tabla, presentamos la demanda, costos de fabricacin y costos
de set-up (costos de echar a andar) para esta fbrica:

125

Lampara
tipo 1
Lampara
tipo 2
Lampara
tipo 3
Demanda Dj (unidades/ao) 1.5 1.5 2.5
Costo de Fabricacin ($/unidad) 60 30 80
Costo de set-up ($/orden) 60 60 60
Cuadro 4.4 Mltiples Inventarios

Solucin:

Como los tres tipos de lmparas son unidades independientes, podemos calcular el lote econmico para
cada una de ellas por separado, entonces:

Los anteriores son los lotes econmicos ptimos a fabricar, pero si calculamos el costo total de fabricacin
en que incurriramos al seguir esta poltica, tendramos:

Costo de Fabricacin totales = (60*129) + (30*183) + (80*144) = 24759 > 16000.

Si observamos, al fabricar los lotes econmicos anteriores, estaramos sobrepasando el presupuesto
lmite del que disponemos.

Por esto debemos disminuir de alguna forma los lotes econmicos de cada una de las lmparas, lo que se
logra al calcular el llamado COEFICIENTE DE LAGRANGE (Le).

Desarrollo: Se debe tomar como supuesto base, el que no existen desfases entre los pedidos de los
productos considerados.

Para optimizar =

Sujeto a: Donde B son restricciones de presupuesto en este caso.

Se calcula y se reemplaza en

126
Si no se cumple lo anterior se plantea el Lagrangiano:

Derivando con respecto a Q y , y finalmente reordenando la ecuacin es posible establecer que:

B: Es de parmetro dado por la restriccin.
E: Es el valor del parmetro de la restriccin en condiciones optimas.
Q*jL = Es el valor optimo del tem considerando la restriccin de Lagrangiano.

Para nuestro ejemplo E = 24750

Considerando que se puede evaluar los Ti.

Nota: El problema se produce al inicio del anlisis, es decir al efectuar en primera compra o el primer
traslado, etc.
4.7.6 Calculo del Periodo Optimo.

Para la situacin anterior puede plantearse el clculo de un tiempo de ciclo fijo para todos los tems sujeto
a la restriccin de presupuesto. Sabiendo que

Derivando con respecto a T y minimizando 0

127
Debido a que existen restricciones de presupuesto y puede existir un T0 que es distinto, entonces nos
interesa: Maximizar T0 , tanto como sea posible.

Por resolucin del Lagrangiano, similar al del caso anterior, puede calcularse un T0 de la siguiente forma:

y el desfase ptimo entre las rdenes est dado por:

Por lo tanto el T ptimo es aquel que minimiza CT que es funcin de: CT que es funcin de: CT (T*c To)

Figura 4.12 T ptimo q minimiza CT

Si aplicamos esto en el ejemplo anterior, tendramos que:

El perodo T0 con restricciones, sera:

= 0,0660 aos = 24 das

Por lo tanto, el min. T{24, 28} = 24 das, y las cantidades ordenadas

128
Qj = Dj*T = Q1 = 1500 x 0,0660 = 99 (unidades)
Q2 = 1500 x 0,0660 = 99 (unidades)
Q3 = 2500 x 0,0660 = 165 (unidades)

Figura 4.13 T que minimiza CT (2)

Ejemplo:

Una maestranza atiende varios centros comerciales en una serie de productos industriales, entre los que
se encuentra la fabricacin de tornillos de banco. La demanda total de este producto es de 30.000
(unidades/ao). La capacidad de produccin de la maestranza en este producto es de 45000 (u/ao). El
costo de elaboracin de una unidad es de $4.000. - y el mantener stock involucra un monto del 15%. El
costo de ajuste de mquinas es del orden de $30.000.

Se desea saber una doctrina de operacin ptima. El tiempo en preparar las mquinas toma cinco das.

a. A qu nivel de Inventario es necesario empezar a preparar la mquina
b. Qu cantidad se debe fabricar.
c. Que cantidad se acumula como mximo.

Respuesta:

a. El nivel r = dxT = 30.000 (u/ao) x 5/365 = 410 unidades

b.

c.
4.8 Modelos con Demanda Probabilstica

En los modelos de inventario se asumi lo siguiente:

Demanda conocida y estable
Tiempo de espera constante

129
La realidad prctica no es as, ya que si pueden ocurrir ambas situaciones como lo indica la figura
siguiente:

Figura 4.14 Demanda Probabilistica

En este caso tenemos que:

a. Existe una demanda variable
b. Existe un tiempo de espera variable

Por lo tanto, la solucin de ese problema es bastante complejo y puede ser logrado en funcin de un
procedimiento de prueba y error de manera dirigido para obtener convergencia, asumiendo un valor de
demanda constante se calcula un punto de reorden, y con este valor se recalcula un nuevo Q para otra
demanda y nuevamente otro r, finalmente convergen a valores en el tiempo de Q y r.
4.8.1 Modelo Simple

Asumir que tL= contante, es decir, el tiempo de espera conocido no as la demanda la cual vara.

En este modelo se desea encontrar la doctrina de operacin que tome en cuenta la posibilidad de falta de
existencias.

As, se desea establecer existencias de seguridad adecuadas que permitan proporcionar un nivel
especificado de proteccin para dar servicio a los clientes cuando se desconoce la demanda.

Definicin de NIVEL DE SERVICIO: Es el porcentaje de demanda del comprador que se satisface con
material proveniente del inventario, as un nivel de 100% representa la satisfaccin de todos los
requerimientos de comprador con material existente en bodega.

El porcentaje de inexistencia es igual a 100% - el nivel de servicio.

Importante existen definiciones diversas de nivel de servicio y que dan valores distintos de puntos de
reorden.

130

Figura 4.15 Modelo Simple
4.8.2 Clculo de Inventario de seguridad para la Poltica de Revisin Continua.

Variables:
m = consumo efectuado durante el tiempo de espera.
Z = factor de seguridad.
s = inventario de seguridad.
tL = desviacin estndar de la demanda durante el tiempo de espera.
dL = demanda diaria promedio.
diario= desviacin estndar diaria de la demanda.
tL = tiempo de espera.

Donde:

S:

Por lo tanto

Resumiendo:

Ejemplo:

La demanda diaria de camotes se encuentra distribuida normalmente con una media d = 50
(unidades/da) una desviacin de diario =5(unidades/da). El abastecimiento tiene un tiempo de espera
de 6 (das). El costo de solicitud la orden es de 8 (US$/orden), el costo unitario de cada camote es de 1.2
(US$/unidad) y los costos de manejo son del 20% del precio unitario. Se desea dar un nivel de servicio de
95%.

Cul sera la Poltica Optima?

Supuesto: 365 das al ao.

D = d x 365 = 50 x 365 = 18250

131
S = 8 $/orden
i = 0,2 %
C= 1.2

De la distribucin normal con un 95%, obtenemos que el rea bajo la curva es 0,5 + 0,45. Con este ltimo
valor se entra a tabla de Z y u = 0. El valor de Z es 4.645.

Luego:

Pero, como conocemos la diario =5(unidades/da), tenemos que:

12.2 (unidades) por el perodo de 5 das.

r* = 300 + 1,645 * 12,2 = 300 + 20 = 320 (unidades)

Resultado:

a. La poltica es ordenar lotes de 1103 unidades
b. El punto de orden es de 320 unidades.
c. El Inv. Seguridad = 20 Unidad.

Figura 4.16 Poltica de Revisin Continua
4.8.3 Calculo de Inventario de Seguridad en Poltica de Revisin Peridica.

A diferencia del modelo EOQ este sistema funciona diferente debido a que:

1. No tiene un punto de reorden sino un objetivo de inventario
2. No tiene una cantidad econmica del pedido sino que la cantidad vara de acuerdo a la demanda.
3. El sistema peridico (T) el intervalo de compra es fijo y no la cantidad.

132

Figura 4.17 Poltica de Revisin Peridica

Sustituyendo T = Q/D en la frmula de EOQ, tenemos que:

Esta ecuacin proporciona un intervalo de revisin T aproximadamente ptimo.

El nivel de inventario objetivo I, puede establecerse de acuerdo a un nivel de servicio especificado.

As el inventario objetivo se fija lo suficientemente alto para cubrir la demanda durante el tiempo de
entrega ms, el perodo de revisin. Este tiempo es el que condiciona el nivel mximo.

Se requiere este tiempo previsin, debido a que el material en almacn no ser restablecido sino hasta el
siguiente perodo de revisin, ms el tiempo que tomar esa segunda entrega.

As, el tiempo total tLT = T + tL

I = m + s

Desde P = nivel de inventario objetivo
m = demanda promedio durante el tiempo de T + tL
s = Inventario de seguridad
s = z * tL
tL+t = La desviacin estndar durante T + tL
Z = Factor de seguridad

Ejemplo:

Sea una demanda d = 200 (cajas/da)
tL = 4 (das)
diario= 150 (cajas/da)
s = 20
i = 20%
c = 10($/caja)

Suponga que el almacn abre 5 das a la semana, 50 semanas, 250 das al ao

I. Poltica de Revisin Permanente:

133

m = 200 x 4 = 800 (unidades)

tL
2
= tL+ t*
2
diario

tL
2
= 4 x(150)
2
= 90.000

tL

= 300 (cajas/durante tL)

Nivel de servicio 95% Z = 1,645

Inventario de Seguridad:

s = z * tL = 495 (unidades)

Pto. de Reorden:

r = (d* tLT)+( z * tL)=200 x 4 + 1,65x300 = 800 + 495 = 1295 (unidades)

II. Para la poltica Revisin Peridica, tenemos que

I= m + s

I = m + Z tL+T

m = d * tL+T = 200 x 9 = 1800 (unidades)

= 9 * 150
2
= 202.500
2
Lt+T = (tL+T)*
2
d= 202500

Lt+T = 450 (unidades)

Inventario de seguridad s:

s = 1.65 * 450 = 742 (unidades)

Por lo tanto:

I = m + s = 1800 + 742 = 2542 (unidades)

La regla de revisin peridica es ordenar para lograr un nivel objetivo de I= 2542 unidades y hacer
revisin cada 5 das.

Si comparamos los inventarios de seguridad para cada una de las polticas, tenemos:

Poltica de Revisin Continua: s = 495 (unidades)

Poltica de Revisin Peridica: s = 742 (unidades)

134

Porqu se produce tal diferencia?

En el Sistema de Revisin Peridica el Inventario de Seguridad sirve para cubrir un perodo de tiempo (T
+ tL), mientras que en el Sistema de Revisin Permanente el Inventario de Seguridad cubre un perodo tL
4.9 Resumen Final de Inventarios.

Los modelos bsicos de inventario son:

Figura 4.18 Modelos Bsicos de Inventarios

1. En el caso de sistema peridico, es ms fcil de llevar ya que slo se verifica una vez cada perodo,
se pide un mximo que es variable.

2. El sistema Q/r debe ser revisado permanentemente y hacer registros cada vez que se hace un
egreso, requiere de mayor esfuerzo.

3. El sistema peridico requiere de ms existencia de seguridad, ya que esta se dimensiona para un
tiempo tL = T + tL.

4. El Sistema de Revisin Peridica puede dar como resultado ms falta, ya que puede trabajar con
una demanda normalmente alta, puede haber falta.

5. En el sistema Q, r la cosa es diferente, ya que existe un monitoreo permanente y se puede
reaccionar ms rpido.
4.9.1 Enfoque Japons.

La filosofa rpida es producir lo que el cliente desea.
Hacer la cantidad exacta, en el tiempo exacto y en las condiciones solicitadas.
Elaborar el producto con la frecuencia que se pide.
Producir con calidad perfecta (especificaciones dadas).
Fabricacin con tiempo de espera mnimo.
Lote econmico EOQ = 1 (teorico)
Produccin sin desperdicio de mano de obra, material, equipo, etc.., de forma que por ningn
motivo exista material o inventario ocioso.

Por lo tanto, como resultado final de esta filosofa, tenemos una drstica cada de inventarios con el
consiguiente aumento de rotacin. El enfoque JIT nace como una filosofa de administracin o gestin de
la produccin y, con su tcnica de Kanban, como herramienta de CONTROL de la produccin.

Ejemplo de un anlisis de produccin:

135
Plantas
Disponibilida
des das de
Inventario
Rotacin
Anual
Toyota 1980 Japn
4 62
Kaeasaki 1981 Japn
3,2 78
Kawasaki (USA) 1982
5,0 50
Compaas Americanas 1982
10 - 41 6 - 25
Cuadro 4.5 Anlisis de Produccin

Rotacin es igual = 250 das de disponibilidad
4.9.2 Sistema de Costeo ABC.

Este sistema se basa en la propuesta de PARETO (1906), donde observa que unos cuantos artculos en
cualquier grupo, controlaran una proporcin significativa del grupo entero. As se observo que:

Unos pocos individuos parecen obtener la mayora de los ingresos.
Unos pocos productos parecen obtener la mayora de los ingresos y as por adelante.

En inventario sucede algo parecido.

Un ejemplo que aclara la situacin, donde un total de 10 artculos de los cuales 2 representan el 73,2% del
costo o uso.

Clase N de
Artculos
Porcentaje Porcentaje
del uso
total en
A 3,6 20 73,2 %
B 2,4,9 30 16,3 %
C 1,5,7,8,10 50 10,5 %
100%
Cuadro 4.6 Sistema de Costeo ABC

Figura 4.19 Costeo ABC

En resumen: este concepto se fundamenta en los pocos significativos en los muchos significativos, lo
bsico es que me permite orientar mis esfuerzos.

136
Consideraciones adicionales

Otros aspectos a considerar en manejo de inventarios es que no son costos son:

Lead time
Obsolescencia
Disponibilidad
Sustitutibilidad
Criticidad

As se deben considerar aspectos de:

no producir por falta.
rapidez de la compra.
cuando un sustituto est disponible.
descuentos segn fecha de compra.

Estos aspectos pueden tener un mayor impacto que lo determinado econmicamente, en determinados
casos.
4.10 Sistemas de Control de Inventarios

Hasta este punto la atencin se ha centrado en las reglas de decisin que pueden usarse para determinar
Cundo y Cunto Ordenar?.

En las operaciones, estas reglas deben enmarcarse dentro de un sistema de control de inventarios, de la
forma como se registra la informacin (transacciones).
Un sistema de control de inventarios puede ser manual o computarizado o una combinacin de ambos.
Sin embargo, hoy en da la gran mayora de los sistemas de control son computarizados, exceptundose
aquellos que tienen un numero pequeo de artculos, donde su costo no justifica que se implemente un
sistema sofisticado.

Independiente de si un sistema de control es o no computarizado, deben ejecutarse las siguientes
funciones:

Conteo de las transacciones. Todo sistema de inventario requiere de un mtodo de registro de las
operaciones de entrada y salidas del sistema con el fin de dar apoyo a las funciones contables y de
administracin de inventarios. Estos registros pueden mantenerse en forma perpetua o solo por un
periodo de tiempo.

Pronsticos. Las decisiones de inventario deben basarse en pronsticos de demanda. En todo sistema es
necesario considerar tcnicas cuantitativas que apoyen lo juicios subjetivos, esto ultimo con el fin de
modificar los pronsticos cuantitativos en caso de que ocurran eventos poco probables.

Informes a la alta administracin. Un sistema de control de inventarios debe generar informes para la alta
administracin, as como para los gerentes de inventarios.

Estos informes deben medir el funcionamiento global del inventario y deben ayudar en la formulacin de
polticas generales para lo inventarios. Tales informes deben incluir el nivel de servicio que se
proporciona, los costos de operacin del inventario, los niveles comparados con otros periodos.
4.10.1 Tipos de Sistemas de Control

Son muchos los tipos de sistemas de control de inventarios que actualmente estn en uso, sin embargo
los 4 de mayor uso son los siguientes:

a. Sistema de Un Solo Dispositivo: Es un sistema de un solo dispositivo el caja o estante se llena en
forma peridica (por ejemplo los estantes de las tiendas minoristas, los cajones para partes

137
pequeas en las fabricas, etc.) . Este sistema donde el tamao es la meta. y el inventario se ajusta
a esta medida en forma peridica, No se mantienen registros de cada una de las entradas y
salidas.

b. Sistemas de Dos Depsitos. La idea bsica es que existen dos compartimentos, el primero es de
donde se saca el material y el segundo es una cantidad tal que es igual al punto de reorden. Una
vez que el primero se ha agotado se inicia el segundo, emitindose una orden por una nueva
cantidad igual al lote Q a ordenar determinado en funcin de un modelo respectivo.

d. Sistema de Cardex. Con este sistema, se lleva un cardex, en el que generalmente se tiene una
tarjeta para cada artculo del inventario. Conforme se venden los artculos, se localizan las
correspondientes tarjetas y se actualizan. Similarmente. las tarjetas son actualizadas cuando llega
material nuevo.

e. Sistema Computarizado. Se conserva un registro para cada artculo en una memoria de
almacenamiento de lectura computarizada. las transacciones se asientan contra este registro
conforme los artculos son despachados o recibidos. Un buen ejemplo de la actualidad son los
supermercados con sus registros de cdigos de barras pueden automticamente saber la
cantidad vendida de un determinado producto, su rotacin, prdidas, etc.


Modelos de Inventario
http://www.inca.inf.utfsm.cl/~Pablo/files/ModeloInventario2006.pdf


138

139

MODELACION DE COLAS.


Identificar el nivel ptimo de capacidad del sistema que minimiza el costo 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 costos y las
cualitativas de servicio.
Prestar atencin al tiempo de permanencia en el sistema o en la cola.
5.0 Introduccin.

En la mayora de las organizaciones existen ejemplos de procesos que generan colas de espera. Estas
colas suelen aparecer cuando un usuario, un empleado, una mquina o una unidad tiene que esperar a ser
servidas debido a que la unidad de servicio, operando a plena capacidad, no puede atender
temporalmente a este servicio. Un tpico ejemplo de colas de espera que ilustra el problema es un viaje en
avin. Primero, para comprar el billete podemos tener que hacer cola en la ventanilla correspondiente.
Una vez obtenido el billete, tendremos que hacer cola para facturar el equipaje y obtener las tarjetas de
embarque. Despus hacemos cola para pasar por el detector de metales y finalmente esperamos en cola
en la sala de embarque. Una vez dentro del avin, tendremos que esperar a que los pasajeros coloquen
sus bolsas de mano para poder llegar a nuestro asiento. Cuando el avin se dirige hacia la pista de
despegue puede encontrar con una cola de aviones esperando su turno para despegar. Cuando llega a su
destino, puede dar unas cuantas vueltas antes de tener permiso para aterrizar. Y finalmente, cuando se
asigna una puerta de desembarque para el avin, tendremos que esperar a que lleguen las maletas. En
este viaje, es posible que hayamos sido miembros de por lo menos diez colas. Y eso sin considerar la
experiencia en colas de la propia compaa area para este mismo viaje. El avin en el cual viajbamos
tiene que esperar en cola para repostar, ser inspeccionado, asignarle una puerta determinada, una
tripulacin, una carga de comidas, una ruta especfica, etc. De ah que las compaas areas se preocupan
de gestionar sus operaciones lo ms eficientemente posible, y tratar de reducir al mnimo el tiempo de
espera en realizar dichas operaciones.

Los sistemas sanitarios tambin se enfrentan a este tipo de problemas. Las listas de espera son muy
comunes en muchos procesos quirrgicos dentro de una red sanitaria, y a nivel ambulatorio es muy
comn la existencia de personas esperando a ser atendidas en un Centro de Asistencia Primaria. Los
sistemas de urgencias muchas veces se ven congestionados siendo el tiempo de espera crucial. Los
modelos de gestin de colas intentan simular el sistema en donde puede existir congestin (y por lo tanto,
colas) y generan una serie de parmetros que veremos en este captulo- que permiten evaluar el sistema
actual y evaluar la realizacin de modificaciones en el servicio en cuestin.
5.1 Descripcin de un sistema de colas

Un sistema de colas tiene dos componentes bsicos: la cola y el mecanismo de servicio. En la figura 5.1 se
presenta un esquema de una cola simple.

140

Figura 5.1: Esquema de Cola Simple

Pueden existir varias configuraciones de colas ms complejas. En la Figura 5.2 se exponen otros tipos de
configuraciones de sistemas de colas.

Figura 5.2: Configuraciones de colas

El proceso bsico en la mayora de los sistemas de colas es el siguiente. Los clientes que vienen a procurar
un determinado servicio se generan a travs del tiempo en una fuente de entrada. Estos clientes entran
dentro del sistema y se unen a una cola. En un determinado momento, se selecciona uno de los clientes
para poder proporcionarle el servicio en cuestin, mediante lo que se denomina la disciplina de servicio.
Esta disciplina es la que rige el mecanismo de atencin. Una vez seleccionado el cliente, este es atendido
por el mecanismo de servicio. Una vez terminado el servicio, el cliente sale del sistema.

En general, un sistema de colas tiene una poblacin potencial infinita. Es decir, que el tamao de la cola es
muy pequeo respecto al potencial de usuarios del sistema. Por ejemplo, un ambulatorio de urgencias en
general cubre una regin con poblacin grande comparado con las posibles urgencias que se puedan
generar. Ahora bien, existen casos en donde la poblacin es finita respecto del tamao de la cola. Esto
puede suceder en la farmacia de un hospital, en donde la poblacin potencial la forma las enfermeras y
ATS. En un momento dado puede formarse una cola considerable. Como los clculos son mucho ms
sencillos para el caso infinito, esta suposicin se emplea casi siempre.

Otro factor a tener en cuenta es el patrn estadstico mediante el cual se generan los clientes a travs del
tiempo. La suposicin normal es que el proceso se genere siguiendo un proceso de Poisson, que veremos
ms adelante. Si el proceso de llegada es Poisson, el tiempo entre cada una de las llegadas sigue una
distribucin exponencial.

Otro factor importante a tener en cuenta en un sistema de colas es la fuga de algn cliente. Al modelizar
la cola hay que considerar si una persona que lleva dentro de la cola un rato, desiste de ser atendida,
cansada de esperar, abandonando la cola.

Como hemos mencionado anteriormente, la disciplina de la cola rige el sistema de entrada en el
mecanismo de servicio. La mayora de los sistemas utiliza el mtodo First In First Out, conocido como

141
FIFO. Otros sistemas pueden ser de tipo aleatorio, o de acuerdo con un sistema de prioridad previamente
establecido.
El mecanismo de servicio consiste en una o ms instalaciones de servicio, con cada una de ellas con uno o
ms canales de servicios, llamados servidores. Los clientes son atendidos en estos servidores. El tiempo
que transcurre desde el inicio del servicio para un cliente hasta su terminacin se llama el tiempo de
servicio (o duracin del servicio). Un modelo de sistema de colas tiene que especificar la distribucin de
probabilidad de los tiempos de servicio de cada servidor (y tal vez para distintos tipos de clientes),
aunque normalmente se supone la misma distribucin para todos los servidores. Una vez ms, la
distribucin exponencial es la ms empleada en los tiempos de servicio.
5.2 Objetivos de la gestin de colas
En los modelos de colas existen dos objetivos: por un lado la minimizacin del tiempo de espera y por el
otro la minimizacin de los costos totales de funcionamiento del sistema. Estos objetivos suelen ser
conflictivos, ya que para reducir el tiempo de espera se necesitan poner ms recursos en el sistema, con el
consiguiente aumento de los costos de produccin. En muchos casos el tiempo de espera es difcil de
determinar, sobretodo cuando se trata de un sistema en donde seres humanos estn implicados. En la
Figura 5.3 podemos ver la disyuntiva entre el costo de espera y el costo de produccin.

Figura 5.3: Costos de un sistema de colas

Si pudiramos sumar ambos costos, el costo total alcanzara su mnimo en el punto H. En este punto el
nivel de servicio es ptimo. Sin embargo, en muchos casos la obtencin objetiva de este resultado puede
ser muy complicada ya que, como se ha indicado anteriormente, la cuantificacin del tiempo de estera en
valores monetarios puede ser harto complicada y subjetiva.

Por lo tanto, en general se intenta llegar a una solucin que sea lgica en funcin de los valores que
adopten los diferentes parmetros del modelo. En la seccin siguiente se examinan estos parmetros.
5.3 Medidas del sistema

Existen dos tipos de medidas para poder valorar un sistema en donde pueden aparecer colas: medidas
duras y medidas blandas. Estas ltimas estn relacionadas con la calidad del servicio. Por ejemplo, no
es lo mismo esperar 15 minutos de pie haciendo cola en un ambulatorio sin refrigeracin y poco ventilado
que esperar el mismo tiempo en una sala de espera con butacas confortables, revistas, aire acondicionado
y msica clsica de fondo. El paciente valorar mucho ms 1 minuto de espera en el primer caso ya que
representa un costo mucho ms elevado en trminos de confort. En otras palabras, seguramente un
minuto de cola en el ambulatorio equivale a muchos minutos de espera en la sala de espera confortable.
La gestin cuantitativa de las colas no se ocupa de estos aspectos cualitativos (que no por ello dejan de ser
importantes) sino que da valores a una serie de medidas fras o duras. Las medidas duras ms
utilizadas en los modelos de gestin de colas y su notacin estndar son las siguientes:

Tasa media de llegada,
Tasa media de servicio,
Tiempo medio de espera en la cola, Wq
Tiempo medio de estancia en el sistema, Ws
Nmero medio de personas en la cola, Lq

142
Nmero medio de personas en el sistema, Ws
Porcentaje de ocupacin de los servidores, Pw
Probabilidad de que hayan x personas en la en el sistema, Px

En los siguientes apartados iremos examinando estos conceptos.
5.4 Un sistema de colas elemental: tasa de llegada y de servicio constantes
Supongamos que tenemos un sistema en donde tanto la tasa de llegada (en personas por unidad de
tiempo) como el tiempo de servicio son constantes. En este caso, podemos tener las tres situaciones
siguientes:
5.4.1 No hay cola, tiempo ocioso del servidor

Supongamos que tenemos un sistema en donde cada 6 minutos, exactamente, llega una persona a un
ambulatorio. O, en otras palabras, la tasa de llegada es exactamente de 10 personas por hora.
Supongamos que la tasa de servicio del mdico (del servidor en trminos tcnicos) es de 12 personas por
hora siempre, ni una ms ni una menos. En esta situacin nunca se formar una cola porque el servidor
puede manejar perfectamente las llegadas. Incluso ya sabemos que el servidor estar ocioso un 16,6% de
su tiempo, ya las llegadas necesitan nicamente de 10/12, o 83,33% de la capacidad de servicio.
5.4.2 No hay cola ni tiempo ocioso del servidor.

Siguiendo el ejemplo anterior, supongamos que la tasa de servicio pasa a ser igual a 10 personas por hora,
es decir, exactamente igual que la tasa de llegada. En esta situacin es imposible que se forme una cola,
pero por otro lado el servidor estar ocupado 100% de su tiempo y trabajar a plena capacidad.
5.4.3 Formacin de cola y sin tiempo ocioso en el servidor

Ahora supongamos que la tasa de servicio pasa a ser igual a 8 personas por hora, mientras que siguen
llegando pacientes cada 6 minutos exactamente. En esta situacin se formar una cola que ir creciendo,
ya que el servidor no puede absorber toda la demanda de servicio y los pacientes se irn acumulando. La
cola de llegadas no servidas inmediatamente ir creciendo a una tasa de 2 personas por hora, el es decir el
exceso de llegadas partido por las personas servidas. Por ejemplo, al cabo de ocho horas, tendramos 16
personas en la cola.

El hecho de que hayamos asumido unas tasas de llegada y de servicio constantes hasta ahora facilita los
clculos para obtener informacin sobre el sistema. Pero la situacin se complica si nos trasladamos a la
situacin ms realista, en donde las tasas de llegada y de servicio no son constantes, sino que siguen una
determinada distribucin probabilstica. Por ejemplo, si las llegadas y los tiempos de servicio estuviesen
distribuidos aleatoriamente a lo largo de la jornada, aunque la capacidad de los servidores sea suficiente
para absorber la demanda, puede pasar que un grupo de pacientes llegue en bloque y formen durante un
tiempo una cola. Y, por otro lado, si durante un tiempo no llegan ms pacientes, la cola puede ser reducida
por el mecanismo de servicio. En las siguientes secciones examinaremos algunos de estos casos.
5.5 Las distribuciones de Poisson y Exponencial
5.5.1 La distribucin de Poisson

Esta distribucin es muy frecuente en los problemas relacionados con la investigacin operativa, sobre
todo en el rea de la gestin de colas. Suele describir, por ejemplo, la llegada de pacientes a un
ambulatorio, las llamadas a una centralita telefnica, la llegada de coches a un tnel de lavado, el nmero
de accidentes en un cruce, etc. Todos estos ejemplos tienen un punto en comn: todos ellos pueden ser
descritos por una variable aleatoria discreta que tiene valores nonegativos enteros (0,1,2,3,4). El
nmero de pacientes que llegan al ambulatorio en un intervalo de 15 minutos puede ser igual, a 0, 1, 2 3

Sigamos con el ejemplo del ambulatorio. La llegada de pacientes se puede caracterizar de la forma
siguiente:

1. El nmero medio de llegadas de los pacientes para cada intervalo de 15 minutos puede ser
obtenido a travs de datos histricos.
2. Si dividimos el intervalo de 15 minutos en intervalos mucho ms pequeos (por ejemplo, 1
segundo), podemos afirmar que:

143
2.1 La probabilidad de que exactamente un nico paciente llegue al ambulatorio por segundo es
tiene un valor muy reducido y es constante para cada intervalo de 1 segundo.
2.2 La probabilidad de que 2 o ms pacientes lleguen dentro del intervalo de 1 segundo es tan
pequea que podemos decir que es igual a 0.
2.3 El nmero de pacientes que llegan durante el intervalo de 1 segundo es independiente de
donde se sita este intervalo dentro del periodo de 15 minutos.
2.4 El nmero de pacientes que llegan en un intervalo de 1 segundo no depende las llegadas que
han sucedido en otro intervalo de 1 segundo

Si al analizar un proceso de llegada este cumple estas condiciones, podemos afirmar que su distribucin
es de Poisson.

La frmula para obtener la probabilidad de que un evento ocurra (que lleguen 3 pacientes, por ejemplo)
es la siguiente:

En donde x representa en nmero de llegadas, la tasa media de llegadas y P(x) la probabilidad de que el
nmero de llegadas sea igual a x.
5.5.2 La distribucin Exponencial

Mientras que la distribucin de Poisson describe las llegadas por unidad de tiempo, la distribucin
exponencial estudia el tiempo entre cada una de estas llegadas. Si las llegadas son de Poisson, el tiempo
entre ellas es exponencial. Mientras que la distribucin de Poisson es discreta, la distribucin exponencial
es continua, porque el tiempo entre llegadas no tiene por qu ser un nmero entero.

Esta distribucin se utiliza mucho para describir el tiempo entre eventos, ms especficamente, la variable
aleatoria que representa el tiempo necesario para servir a la llegada. Ejemplos tpicos de esta situacin
son el tiempo que un mdico dedica a una exploracin, el tiempo de servir una medicina en una farmacia,
o el tiempo de atender a una urgencia.

El uso de la distribucin exponencial supone que los tiempos de servicio son aleatorios, es decir, que un
tiempo de servicio determinado no depende de otro servicio realizado anteriormente, ni de la posible cola
que pueda estar formndose. Otra caracterstica de este tipo de distribuciones es que no tienen edad, o
en otras palabras, memoria. Por ejemplo, supongamos que el tiempo de atencin de un paciente en una
sala quirrgica sigue una distribucin exponencial. Si el paciente ya lleva 5 horas siendo operado, la
probabilidad de que est una hora ms es la misma que si hubiera estado 2 horas, o 10 horas o las que
sea. Esto es debido a que la distribucin exponencial supone que los tiempos de servicio tienen una gran
variabilidad. A lo mejor el prximo paciente operado tarda 1 hora porque su ciruga era mucho ms
simple que la del anterior.

La funcin de densidad de la distribucin exponencial es la siguiente:

En donde t representa el tiempo de servicio y la tasa media de servicio (pacientes servidos por unidad de
tiempo). La densidad exponencial se presenta en Figura 5.4. En general nos interesar encontrar P(T < t),
la probabilidad de que el tiempo de servicio T sea inferior o igual a un valor especfico t. Este valor es
igual al rea por debajo de la funcin de densidad.

144

Figura 5.4: Distribucin Exponencial

Si, por ejemplo, queremos saber cual es la probabilidad de que el tiempo de servicio sea de 2 o menos
horas cuando el tiempo medio es de 3 horas (una tasa de servicio de 1/3), podemos aplicar la frmula
siguiente:

En este caso, P(T 2) = 0,486, casi un 50% de probabilidad.
5.6 Modelo de Colas Simple: Llegadas en Poisson y Tiempos de Servicio Exponencialmente
Distribuidos.

El modelo que presentaremos a continuacin tiene que cumplir las condiciones siguientes:

1. El nmero de legadas por unidad de tiempo sigue una distribucin de Poisson
2. Los tiempos de servicio siguen una distribucin exponencial
3. La disciplina de la cola es de tipo FIFO
4. La poblacin potencial es infinita
5. Existe un nico canal de servicio
6. La tasa media de llegadas es menor que la tasa media del servicio
7. El tamao potencial de la cola es infinito

Si estas condiciones se cumplen y si conocemos la tasa media de llegada , y la tasa media de servicio , las
ecuaciones para obtener valores de las medidas descritas anteriormente son:

Nmero medio en la cola:

Nmero medio en el sistema:

Tiempo medio de espera en la cola:

Tiempo medio en el sistema:

Factor de utilizacin:

Un ejemplo

Consideremos el caso de un gran laboratorio farmacutico que tiene en su almacn un nico
estacionamiento de carga de que sirve a todas las farmacias de una regin, y existe un nico trabajador
para buscar los medicamentos del pedido de cada furgoneta y cargarlos en ella. Se observa que de vez en

145
cuando las furgonetas de transporte se acumulan en el estacionamiento formando cola, y de vez en
cuando el trabajador est ocioso. Despus de un estudio del sistema observamos que ste cumple las
condiciones expuestas anteriormente. Despus de examinar las llegadas de las camionetas durante varias
semanas, se determina que la tasa media de llegada es de 4 camionetas por hora, y que la tasa de servicio
es de 6 camionetas por hora. Los gestores del almacn estn considerando el aadir un trabajador
adicional, o incluso dos de ellos, para aumentar la tasa de servicio. El problema consiste en evaluar estas
opciones diferentes.

Si se aade un trabajador, el sistema seguir siendo de cola simple, porque una nica camioneta puede
cargarse a la vez. Si usamos dos trabajadores, la tasa de servicio ser igual a 12. Si utilizamos tres
trabajadores, la tasa de servicio ser igual a 18.

En el Cuadro 5.1 se han utilizado las ecuaciones expuestas anteriormente para obtener las medidas de
eficiencia del sistema. Hemos supuesto que la capacidad de trabajo es proporcional al nmero de
trabajadores.

Trabajadores
1 2 3
Nmero medio de camionetas en la cola Lq 1,333 0,167 0,063
Nmero medio de camionetas en el sistema Ls 2,000 0,500 0,286
Tiempo medio de la camioneta en cola Wq 0,333 0,042 0,016
Tiempo medio de la camioneta en el sistema Ws 0,500 0,125 0,071
Ocupacin del servicio Pw 0,667 0,333 0,222
Cuadro 5.1: Resultados del modelo simple de colas

Supongamos que los costos de operacin de cada camioneta por hora son de 2000 U.M. y los trabajadores
cobran 1800 U.M. por hora de trabajo y que estos trabajan 8 horas al da. En el Cuadro 5.2 se presentan
los costos asociados. Al interpretar los tiempos, hay que ir con cuidado ya que estos estn en fracciones
de hora.

Trabajadores
Costo de
Camioneta
por dia
Costo de
mano de
obra por
dia
Costo total
Por dia
1 320 144 464
2 80 288 368
3 46 432 478
Cuadro 5.2: Costos de operacin del sistema

Los gestores tendran que aadir un nuevo trabajador al sistema ya que esto representar una reduccin
de los costos totales operacionales, aunque el factor de utilizacin pasar a ser de 33%. Es decir, que los
dos trabajadores tendrn 5 horas y 20 minutos para dedicarse a otras tareas dentro del laboratorio
farmacutico.

Extensin del modelo simple a colas con capacidad limitada

Existen casos en los que el sistema (cola ms servicio) tiene una cierta capacidad. Si un cliente llega
cuando hay M o ms personas en el sistema, el cliente se va inmediatamente y no vuelve. Este tipo de
modelo es caracterstico de los problemas de colas que se pueden encontrar en algunos servicios. Por
ejemplo, un restaurante con un estacionamiento limitado. En este caso, las ecuaciones del modelo son:

Probabilidad de 0 personas en el sistema:

146


Proporcin de clientes perdidos porque el sistema est lleno:



Tiempo medio de espera en el sistema:

Tiempo medio en la cola:
5.7 Modelo mltiple de Colas: Llegadas en Poisson y Tiempos de Servicio Exponencialmente
Distribuidos.

En muchos casos podemos tener situaciones en donde existe ms de un servidor en el sistema. A medida
que van llegando los clientes, los servidores se van ocupando y cada vez que un de ellos acaba su servicio,
el primero de la cola lo vuelve a ocupar. El sistema est representado en la Figura 5.5.

Figura 5.5: Sistema mltiple de colas

En este tipo de modelos la tasa de llegada siempre tiene que ser inferior a la tasa agregada de servicio,
que no es ms que la tasa de servicio individual multiplicada por el nmero de canales. En este modelo se
supone, adems de las condiciones expuestas anteriormente, que la tasa individual de cada canal es la
misma. Las expresiones matemticas para la obtencin de las medidas de eficiencia del sistema dependen
de P0 que es la probabilidad de que no haya nadie en el sistema se pueden calcular los valores de P0 .Los
valores de las medidas de eficiencia son funcin de P0 y se obtienen a partir de las siguientes frmulas:




Tiempo medio de espera en el sistema:

Tiempo medio en la cola:

Tenemos que tener presente que en estas ecuaciones representa la tasa de servicio por canal. En la
pgina web (archivo colas.xls) se pueden calcular estos valores tanto para sistemas mltiples de colas con
capacidad infinita como con capacidad limitada.

147

Un ejemplo

El ambulatorio de una regin tiene dos mdicos de cabecera que atienden a los pacientes que van
llegando. En general los pacientes tienen que esperar a ser atendidos y la gerencia est estudiando la
posibilidad de contratar un nuevo mdico para aligerar el sistema. Como es muy difcil estimar en
trminos monetarios el costo de espera de los pacientes, la gerencia realizar la nueva contratacin si se
consiguen reducir los tiempos totales del servicio (espera ms atencin) a la mitad. Despus de observar
y recoger datos sobre las llegadas y sobre el tiempo de servicio, la gerencia calcula que en media llegan 8
pacientes por hora, y que cada uno de los mdicos puede atender 5 pacientes por hora.

En el cuadro 5.3 se presentan los resultados despus de aplicar las frmulas del modelo con dos y tres
mdicos.

Mdicos
2 3
Probabilidad de que todos los mdicos estn libres P0 0,111 0,190
Probabilidad de que todos los mdicos estn ocupados Pw 0,710 0,278
Nmero medio de pacientes en el sistema Ls 4,442 1,918
Nmero medio de pacientes en cola Lq 2,842 0,318
Tiempo medio de un paciente en el sistema Ws 0,555 0,240
Tiempo medio de un paciente en cola Wq 0,355 0,040
Cuadro 5.3: Resultados del modelo mltiple de colas

En el cuadro podemos observar que si aadimos un mdico adicional el tiempo de espera de cada
paciente en el sistema pasa de 0,555 horas a 0,240 horas. Por lo tanto, el objetivo de la gerencia se cumple
al aadir un nuevo mdico. Tambin se puede observar que con tres mdicos el tiempo de espera en la
cola es insignificante.
5.8 Limitaciones de los modelos de gestin de colas

Los dos modelos que hemos presentado en este captulo son los ms comunes cuando se trata de sistemas
en donde estn implicados seres humanos. Sin embargo, pueden existir casos en donde la poblacin
potencial del sistema es finita, la cola de la disciplina no es FIFO, la tasa de servicio depende de las
personas en la cola, y las distribuciones de las llegadas no son de Poisson. En estos casos estos modelos
son inservibles.

Las distribuciones juegan un papel esencial en estos modelos. Los sistemas en donde las variaciones de
las llegadas en diferentes horarios son muy grandes no pueden ser examinados con las formulaciones
presentadas. Cuando tenemos sistemas ms complejos se utiliza la simulacin como mtodo de anlisis.
En la siguiente seccin simularemos un sistema de colas.
5.9 Ejemplo de simulacin de un sistema de colas.

La farmacia de un hospital tiene dos personas para atender a 10 enfermeras que vienen a buscar
medicamentos para los pacientes. La gerencia observa que de vez en cuando se forman colas para recoger
las medicinas y que el servicio resulta un tanto ineficiente. Por otro lado, la poblacin potencial es
bastante reducida y no puede considerarse como infinita. Por otro lado la distribucin del nmero de
llegadas no es Poisson ni el tiempo de servicio exponencial. Por lo tanto no se puede aplicar el modelo
mltiple de gestin de colas.
5.9.1 Recogida de datos

148
La gerencia observ el funcionamiento de la farmacia durante periodos de 1 hora distribuidos a lo largo
de un mes. Estos periodos de una hora fueron aleatoriamente escogidos durante el da para obtener una
muestra representativa de la actividad.

Los resultados de la observacin se muestran en el Cuadro 5.4.

Duracin del
tiempo de Servicio
(minutos)
Nmero de
Observaciones
8 15
9 30
10 45
11 60
Total de llegadas 150
Cuadro 5.4: Resultados de la muestra

Adems, la gerencia dividi el tiempo de observacin en intervalos de 5 minutos y anot las llegadas de
enfermeras que llegaron durante estos intervalos. Se observ que en promedio llegaba una enfermera
cada 5 minutos. Al final del periodo de observacin, la gerencia present los resultados obtenidos de la
siguiente forma:

Distribucin porcentual de los tiempos de servicio:

15/150 = 10% (8 min)
30/150 = 20% (9 min)
45/150 = 30% (10 min)
60/150 = 40% (11 min)

Media ponderada de los tiempos de servicio:

10% _ 8 min = 0,8 min
20% _ 9 min = 1,8 min
30% _ 10 min = 3,0 min
40% _ 11 min = 4,4 min
Tiempo medio de servicio: 10,0 min
Con esta informacin, la gerencia pudo empezar a realizar la simulacin con la ayuda de nmeros
aleatorios.
5.9.2 Simulacin de llegadas.
En primer lugar la gerencia simula las llegadas de las enfermeras a la farmacia. sta sabe que las llegadas
son aleatorias, aunque en promedio llega una cada cinco minutos. Como los nmeros aleatorios tienen 10
dgitos (0,1,2,3,4,5,6,7,8,9,10), la gerencia escoge (aleatoriamente) el 7 como representativo de una
llegada. Si cogemos al azar un nmero de la tabla, la cantidad de sietes que contenga el nmero indicar la
cantidad de llegadas en un intervalo de 5 minutos. La gerencia simula las llegadas a la farmacia durante
24 periodos de 5 minutos. Quizs no sea una cantidad muy representativa en este caso, pero para efectos
de explicacin de la simulacin es suficiente. En un caso real simularamos el sistema con muchos ms
periodos, pero la mecnica seguira siendo la misma.

Para ilustrar el procedimiento de simulacin de llegadas, hemos escogido los 12 primeros nmeros
aleatorios del apndice (por columna) y contado las veces que sale el nmero 7.

1239650125 0 6749281769 2 0178780337 3
1370937859 2 8912349495 0 9128374452 1
0926561938 0 9172674928 2 4412773934 2
1639438732 1 9916253764 0 0112378549 1

149
En el Cuadro 5.5 se muestran los resultados para los 24 periodos.

Periodo
Cantidad
de
Llegadas
Periodo
Cantidad
de
Llegadas
Periodo
Cantidad
de
Llegadas
1 0 9 3 17 1
2 2 10 1 18 1
3 0 11 2 19 1
4 1 12 1 20 0
5 2 13 0 21 0
6 0 14 0 22 1
7 2 15 1 23 0
8 0 16 4 24 2
Cuadro 5.5: Simulacin del nmero de llegadas en cada intervalo
5.9.3 Simulacin de los tiempos de servicio

Despus de obtener los resultados de la simulacin de las llegadas, la gerencia tiene que realizar la
simulacin de los tiempos de servicio. Recordemos la distribucin de los tiempos de servicios observada
anteriormente:

Minutos Porcentaje
8 10
9 20
10 30
11 40

Como seguimos utilizando los nmeros aleatorios de 10 dgitos, consideraremos que el 0 representa un
tiempo de servicio de 8 minutos, el 1 y el 2 un tiempo de 9 minutos, el 3, 4 y el 5 un tiempo de 10 minutos,
y el 6, 7, 8 y 9 un tiempo de 11 minutos. De esta forma podemos representar exactamente la probabilidad
de los tiempos de llegada. Por ejemplo, observamos en el Cuadro 5.5 que en el segundo periodo hubieron
dos llegadas al servicio. Para simular el tiempo de servicio, escogemos la ltima fila de nmeros aleatorios
de la tabla comenzando por la izquierda. El primer nmero es 9 y el segundo 8. Esto quiere decir que la
primera y la segunda llegada tendrn asociadas un tiempo de atencin de 11 minutos. Este proceso se
repite para todos los periodos en los que hay llegadas. El resultado se presenta en el Cuadro 5.6.

Nmero de
periodo
Nmero de
Llegadas
Tiempo de servicio de cada una
1 0
2 2 (1) 11min, (2) 11 min
3 0
4 1 (3) 10 min
5 2 (4) 11 min, (5) 10 min
6 0
7 2 (6) 9 min, (7) 10 min
8 0
9 3 (8) 10 min, (9) 10 min, (10) 11 min

150
10 1 (11) 11 min
11 2 (12) 10 min, (13) 8 min
12 1 (14) 11 min
13 0
14 0
15 1 (15) 11 min
16 4 (16) 10 min, (17) 11 min, (18) 11 min, (19) 11 min
17 1 (20) 9 min
18 1 (21) 8 min
19 1 (22) 11 min
20 0
21 0
22 1 (23) 11 min
23 0
24 2 (24) 9 min, (25) 11 min
Cuadro 5.6: Resultados de la simulacin de los tiempos de servicio
5.9.4 Simulacin conjunta del sistema

Ahora ya podemos simular el sistema. El objetivo de la gerencia es encontrar el nmero ptimo de
trabajadores en la farmacia de forma a minimizar el costo total del servicio. Se considera que el sistema es
FIFO, es decir, primer en llegar, primero en ser atendido. Ahora se tienen que definir los criterios de cada
llegada dentro de cada periodo. Se definen los criterios siguientes:

1. Si en un periodo llega una nica enfermera, sta lo har al principio del periodo
2. Si en un periodo llegan 2 enfermeras, la primera lo hace al principio y la segunda en el tercer
minuto
3. Si en un periodo llegan 3 enfermeras, la primera llega al principio, la segunda en el minuto 3, y la
tercera en el minuto 5
4. Si en un periodo llegan 4 enfermeras, se asume que llegan en los minutos 2, 3, 4 y 5
respectivamente.

En la Figura 5.6 se presenta el patrn de llegadas de los 24 periodos.

Cada llegada viene indicada por un cuadro conteniendo su correspondiente nmero de orden, y encima
del recuadro se indica el tiempo de espera correspondiente. Por ejemplo, si examinamos el periodo entre
las 10:15 y las 10:20, vemos que se producen 5 llegadas (de la 16 a la 20), y, como veremos ms adelante,
seguramente se producir una cola considerable. El comportamiento del sistema simulado con dos
trabajadores atendiendo a los clientes (nivel de congestin, personas en cola, duracin del tiempo de
espera) puede representarse tal como se muestra en la Figura 5.7. En la Figura 5.8 se representa la
simulacin con tres trabajadores. Si se comparan las dos figuras, visualmente se puede observar que el
tiempo de espera se reduce considerablemente.

Si se examina desde un punto de vista econmico, con dos trabajadores atendiendo a las enfermeras,
stas esperaran un total de 213 minutos, un tiempo medio de espera igual a 8,52 minutos. Para obtener
un valor monetario del tiempo de espera, la gerencia considera que el costo por hora de cada trabajador
es igual a 7 nuevos soles y el costo de cada enfermera es de 12 nuevos soles.

Si recordamos que el tiempo medio entre cada llegada era de 5 minutos, en media las enfermeras
realizaran 96 viajes por da (8 horas diarias por 12 viajes por hora). Y si el tiempo medio de espera es de
8,52 minutos por viaje, el tiempo total de espera es igual a 817,9 minutos (13,63 horas perdidas), lo que
representa un costo total de espera de 163,56 nuevos soles. Si aadimos el costo de los dos trabajadores

151
(112 nuevos soles), el costo diario total es igual a 275,56 nuevos soles. Si realizamos el mismo ejercicio
pero modificando el nmero de trabajadores atendiendo a las enfermeras (Figura 7.6) el tiempo total de
espera es igual a 47 minutos, o 1,88 minutos de espera por llegada. Si tenemos 96 llegadas por da, el
tiempo total perdido es igual a 180,48 minutos (3 horas diarias). El costo de la espera es igual a 36 nuevos
soles y el sueldo de los trabajadores igual a 168 nuevos soles, lo que da un costo total igual a 204 nuevos
soles. Por lo tanto, la operacin con tres trabajadores parece ser ms eficiente en trminos monetarios.
Qu pasara si contratramos un cuarto trabajador que eliminara completamente el tiempo de espera de
las enfermeras? En este caso el nico costo sera el sueldo de los trabajadores, que sera igual a 224
nuevos soles, superior al costo con tres trabajadores.

Figura 5.6: Representacin de las llegadas

152
Figura 5.7: Operacin de la farmacia con dos trabajadores

Figura 5.8: Operacin de la farmacia con tres trabajadores




153

:

ANALISIS DE LA TEORA DE LA DECISIN


Capacitar en la identificacin de criterios a tener en cuenta en un proceso de toma de decisiones,
Desarrollar la capacidad de modelizacin matemtica de problemas empresariales atendiendo a
diversos criterios.
Desarrollar la capacidad de identificar cul es la metodologa matemtica ms adecuada para un
problema concreto dentro de las varias que se estudian.
Estar preparado para la elaboracin, resolucin y posterior refinamiento de un modelo matemtico para
la toma de decisiones empresariales.
6.0 Introduccin

La caracterstica principal de la gestin econmica de la empresa es la del proceso de convertir
informacin en accin, a este proceso lo llamamos toma de decisiones.

Decisin: Es una eleccin entre dos o mas lneas de accin diferentes. El objeto de la teora de la decisin
es racionalizar dicha eleccin. Para ello hay que proceder de modo sistemtico, evaluando todas las
posibilidades de eleccin como las consecuencias que puedan derivarse de cada opcin.

El estudio de la teora de la decisin provee de herramientas para la toma de decisiones importantes. La
teora de la decisin adopta un enfoque cientfico, contrapuesto a la intuicin y experiencia como nicos
criterios que se utilizaban anteriormente.
6.1 Las decisiones en la empresa

El mtodo cientfico utilizado por la teora de la decisin presenta un esquema lgico de actuaciones a la
hora de plantear la solucin de un problema. Este esquema cumple las siguientes fases:

1. Definicin del problema
2. Enumeracin de posibles alternativas (Ai: Alternativas o estrategias)
3. Identificacin de los posibles escenarios o estados de la naturaleza en la que las diferentes
alternativas pueden desarrollarse. Variable o no controlables por el sujeto decisor: temperatura,
actuaciones de la competencia ect. (Ej: Estados de la naturaleza)
4. Obtencin de resultados y valoracin de los mismos: Desenlaces asociados a una alternativa
concreta dado un estado especfico de la naturaleza. (Xij: Resultados)
5. Prediccin de probabilidad sobre la ocurrencia de cada estado de la naturaleza.(Pj: Probabilidad)
6. Fijacin de criterios de decisin que permitan la eleccin de una estrategia o alternativa. Es una
forma de utilizar la informacin para seleccionar una alternativa concreta.
7. Identificacin del tipo de decisin: Para ello clasificamos las decisiones en estticas y en
decisiones secuenciales.

Decisiones estticas Son aquellos problemas de decisin en los que slo se adopta una decisin y
no se analizan las posibles alternativas/decisiones posteriores a una alternativa/decisin previa.

Decisiones secuenciales: Problema de decisin en el que se consideran una secuencia de
decisiones, es decir, decisiones posteriores dependientes de una decisin inicial.

8. Identificacin del contexto en el que se toma la decisin: A su vez, el problema de decisin, tanto
en la perspectiva esttica como secuencial, puede ser de tres tipos, en funcin del grado de

154
conocimiento que se tenga sobre la ocurrencia de los estados de la naturaleza (incertidumbre,
riesgo, certeza)

Certeza: Cuando conocemos con seguridad el estado de la naturaleza que se va a producir. En un
problema esttico se traduce en una matriz de una sola columna con un slo estado de la
naturaleza, en un problema secuencial se refleja en un slo estado de la naturaleza para cada una
de las decisiones adoptadas.

Situaciones de riesgo: cuando no conocemos el estado de la naturaleza que se va a producir,
pero si conocemos las probabilidades de ocurrencia de cada uno de ellos.

Situaciones de incertidumbre: Cuando desconocemos qu estado de la naturaleza se va a
producir y la probabilidad de ocurrencia de cada uno de ellos.
6.2 Problemas de decisin estticos

El proceso de decisin se sintetiza en una matriz de decisin, matriz de consecuencias o matriz de
ganancias.. Es una matriz que consta de tantas filas como alternativas o estrategias se contemplen, y de
tantas columnas como estados de naturaleza sean posibles, siendo sus elementos los resultados
correspondientes a cada alternativa en un estado de naturaleza especfico.

Ai = {a1, a2, .. an}
Ej = {e1, e2, .. em}

Ejemplo: Jhon Prez ha heredado $1.000. El ha decidido invertir su dinero por un ao. Un inversionista le
ha sugerido cinco inversiones posibles: oro, bonos, negocio en desarrollo, certificado de depsito,
acciones. Jhon debe decidir cuanto invertir en cada opcin. La siguiente tabla representa las ganancias
que obtendra para cada escenario posible de comportamiento del mercado.

MATRIZ DE GANANCIAS
ALTERNATIVAS
ESTADOS DE LA NATURALEZA
Gran
alza
pequea
alza
sin
cambios
pequea
baja
gran
baja
Oro -100 100 200 300 0
Bonos 250 200 150 -100 -150
Negocio 500 250 100 -200 -600
Cert. de depsito 60 60 60 60 60
Acciones 200 150 150 -200 -150
Cuadro 6.1 Matriz de Ganancias
6.3 Eleccin del criterio de decisin en condiciones de incertidumbre:

Situacin en la que podemos descubrir los estados posibles de la naturaleza pero desconocemos la
probabilidad de ocurrencia de cada uno de ellos. Los criterios de decisin ms empleados en estos casos
son un reflejo de la actitud hacia el riesgo que tienen los responsables en la toma de decisiones. El criterio
de decisin se toma basndose en la experiencia de quien toma la decisin, este incluye un punto de vista
optimista o pesimista, agresivo o conservador.

Los criterios aplicados son: Maximin o de Wald, Minimax o Savage, Maximax, Principio de razonamiento
insuficiente o criterio de Laplace, Criterio de Hurwics

155
Criterio maximin o de Wald:

Perfil pesimista (el decisor cree que el peor caso ocurrir) o conservador (el decisor quiere asegurar una
ganancia mnima posible). Se llama mximo porque elige el mximo resultado entre los mnimos
resultados. Se elige lo mejor dentro de lo peor. Para encontrar una solucin ptima: se marca la ganancia
mnima de todos los estados de la naturaleza posible y se identifica la decisin que tiene el mximo de las
ganancias mnimas.

EL CRITERIO MAXIMIN
Mnimas
Ganancias ALTERNATIVAS
Gran
alza
pequea
alza
sin
cambios
pequea
baja
gran
baja
Oro -100 100 200 300 0 -100
Bonos 250 200 150 -100 -150 -150
Negocio 500 250 100 -200 -600 -600
Cert. de depsito 60 60 60 60 60 60
Acciones 200 150 150 -200 -150 -200
Cuadro 6.2 Criterio Maximin

La decisin ptima con este criterio sera invertir en certificados de depsito.

Criterio mnimax o Savage:

Este criterio se ajusta tambin a criterio pesimista o conservador. La matriz de ganancias es basada en el
costo de oportunidad. El decisor incurre en una prdida por no escoger la mejor decisin. Para encontrar
la solucin ptima se determina la mejor ganancia de todas las alternativas en cada estado de la
naturaleza (mejor ganancia por columna) y se calcula el costo de oportunidad para cada alternativa de
decisin (como la mejor ganancia por columna menos la ganancia de cada una de las celdas de la
columna), posteriormente se encuentra el mximo costo de oportunidad para todos los estados de la
naturaleza y se selecciona la alternativa de decisin que tiene el mnimo costo de oportunidad.

MATRIZ DE GANANCIAS
ALTERNATIVAS
Gran
alza
pequea
alza
sin
cambios
pequea
baja
gran
baja
Oro -100 100 200 300 0
Bonos 250 200 150 -100 -150
Negocio 500 250 100 -200 -600
Cert. de depsito 60 60 60 60 60
Acciones 200 150 150 -200 -150
Cuadro 6.3 Matriz de Ganancias

MATRIZ DE COSTO DE OPORTUNIDAD
ALTERNATIVAS
ESTADOS DE LA NATURALEZA Mximo
costo de
oportunidad
Gran
alza
pequea
alza
sin
cambios
pequea
baja
gran
baja
Oro 600 150 0 0 60 600
Bonos 250 50 50 400 210 400
Negocio 0 0 100 500 660 660

156
Cert. de depsito 440 190 140 240 0 440
Acciones 300 100 50 500 210 500
Cuadro 6.4 Matriz de Costo de Oportunidad
La decisin ptima con este criterio invertir en bonos por tener el menor costo de oportunidad

El criterio maximax:

Este criterio se basa en el mejor de los casos. Considera los puntos de vista optimista y agresivo. Un
decisor optimista cree que siempre obtendr el mejor resultado sin importar la decisin tomada. Un
decisor agresivo escoge la decisin que le proporcionar una mayor ganancia. Para encontrar la decisin
ptima se marca la mxima ganancia para cada alternativa de decisin y se selecciona la decisin que
tiene la mxima de las mximas ganancias.

EL CRITERIO MAXIMAX
ALTERNATIVAS
Mximas
Ganancias
Gran
alza
pequea
alza
sin
cambios
pequea
baja
gran
baja
Oro -100 100 200 300 0 300
Bonos 250 200 150 -100 -150 250
Negocio 500 250 100 -200 -600 500
Cert. de depsito 60 60 60 60 60 60
Acciones 200 150 150 -200 -150 200
Cuadro 6.5. El Criterio Maximax

La decisin ptima sera invertir en un negocio en desarrollo por presentar la mxima ganancia posible.

Criterio de razonamiento insuficiente o criterio Laplace:

Puede ser tomado por un tomador de decisiones que no sea optimista ni pesimista. El decisor asume que
todos los estados de la naturaleza son equiprobables. Para encontrar la decisin ptima se selecciona la
decisin con el mayor valor esperado.

E(X1) = E(Oro) = 100*0,2 + 100*0,2 + 200*0,2 + 300*0,2 + 0*0,2 = 100
E(X2) = E(Bonos)=250*0, 2 + 200*0,2 + 150*0,2 100*0,2 150*0,2 = 70
E(X3) = E(Negocio) = 500*0,2 + 250*0,2 + 100*0,2 200*0,2 600*0,2 = 10
E(X4) = E(Certif.) = 60*0,2 + 60*0,2 + 60*0,2 + 60*0,2 + 60*0,2 = 60
E(X5) = E(Acciones) = 200*0,2 + 150*0,2 + 150*0,2 200*0,2 150*0,2 = 30

La decisin ptima sera invertir en Oro.

Criterio de Hurwicz:

Es un criterio intermedio entre maximin y el maximax: Supone la combinacin de ponderaciones de
optimismo y pesimismo. Sugiere la definicin del llamado coeficiente de optimismo (), y propone que se

157
utilice como criterio de decisin una media ponderada entre el mximo resultado asociado a cada
alternativa, y el mnimo resultado asociado a la misma.

0 1 cuanto ms cercano a 1 mayor es el optimismo.

Para hallar la solucin ptima se marca el mximo y el mnimo de cada alternativa. Segn el coeficiente de
optimismo del decidor (), se multiplica el mximo por ste y el mnimo se multiplica por (1-). Luego se
suman los dos. Luego elegimos el mximo entre todas las alternativas.

En nuestro ejemplo, si suponemos que el empresario es neutral =0,5

EL CRITERIO HURWICS
ALTERNATIVAS
Maximas
Ganancias
Con =0,5
Gran
alza
pequea
alza
sin
cambios
pequea
baja
gran
baja
Oro -100 100 200 300 0 100
Bonos 250 200 150 -100 -150 50
Negocio 500 250 100 -200 -600 -50
Cert. de deposito 60 60 60 60 60 60
Acciones 200 150 150 -200 -150 0
Cuadro 6.6 El Criterio Hurwics

T(Xi)=T(Oro)=0.5*300 + 0.5*(100)=100 Se elige
6.4 En situacin Riesgo.

Conocemos la lista de estados de la naturaleza y su probabilidad de ocurrencia. Como los eventos son
excluyentes tenemos: La suma de probabilidades de todos los estados de la naturaleza debe ser iguales a
la unidad.

El criterio que se utiliza para comparar los resultados correspondientes a cada lnea de actuacin es la
mayor esperanza matemtica.

EL CRITERIO DE LA GANANCIA ESPERADA
ALTERNATIVAS
Ganancias
Esperada
Gran
alza
pequea
alza
sin
cambios
pequea
baja
gran
baja
Oro -100 100 200 300 0 100
Bonos 250 200 150 -100 -150 130
Negocio 500 250 100 -200 -600 125
Cert. de depsito 60 60 60 60 60 60
Acciones 200 150 150 -200 -150 95
Probabilidad 0,2 0,3 0,3 0,1 0,1
Cuadro 6.7 El Criterio de la Ganancia Esperada

El utilizar como nico criterio de decisin la esperanza matemtica supone asumir ciertas hiptesis:

Que al sujeto decisor no le importe la dispersin del resultado (no tiene en cuenta la desviacin
tpica)

158
Que no exista riesgo de ruina: Es el riesgo que el desenlace de una estrategia pueda suponer un
quebranto econmico tal que no pueda ser superado por la empresa. En dicho caso el decisor
pasara a elegir slo entre aquellas alternativas cuyos resultados ms desfavorables puedan ser
asumidos por la empresa. Tiene que ver con la capacidad de asumir prdidas.

Para solucionar estas limitaciones se construyen unas funciones de utilidad.

a. Consideracin de la variabilidad de los resultados: Penalizar la esperanza econmica por una
medida que d idea de la variabilidad de los datos, considerando la multiplicacin de dicha
medida de variabilidad por un coeficiente indicativo de temor al riesgo (a) del sujeto decisor. La
funcin de utilidad se halla restando al valor esperado de cada alternativa el coeficiente de
aversin por la desviacin tpica.

Si a1 Mayor aversin al riesgo. El inversor presenta un perfila ms conservador
Si a0 Poca aversin al riesgo. El inversor presenta un perfil ms arriesgado.

Funcin de utilidad = U(Xi) = E(Xi) a*X

Observemos que cuando a tiende a 1 la cantidad a restar es mayor, por tanto la utilidad esperada
es menor lo que corresponde a un perfil conservador.

j

En nuestro ejemplo: Si Jhon Prez tiene una aversin al riesgo del 15%: a = 0,15

159

Se elige la alternativa que maximiza la funcin de utilidad: En nuestro ejemplo sera:

X2 = Bonos =71,71 Mximo beneficio teniendo en cuenta la aversin al riesgo

b. Consideracin del riesgo de ruina: La probabilidad de ruina es la probabilidad de que un
resultado Xij sea menor que un cierto ingreso (si la matriz que estamos analizando es de costos) o
beneficio crtico que como mnimo ha de obtener la empresa. Es decir, en el peor de los casos,
cules seran las prdidas que se estara dispuesto a asumir, o beneficio que cmo mnimo se
exige a la inversin.

En nuestro ejemplo, si estamos dispuestos a asumir prdidas hasta 180 unidades monetarias, se
rechazan las inversiones en negocio y en acciones ya que podran generar prdidas que no se podran
asumir (-600; 200). Se tendra que elegir entre el oro, bonos o certificados de depsito a travs de la
esperanza matemtica o bien considerando la funcin de utilidad que penalice la dispersin de
resultados ( a travs de la desviacin tpica).
6.5 Problemas de decisiones estticas

Problema 1:

Un empresario agricultor se plantea escoger entre tres alternativas de cultivo (trigo, remolacha o patata)
con tres estados de la naturaleza (tiempo lluvioso, tiempo normal o tiempo seco) y la probabilidad de
tiempo respectivamente (30% lluvioso, 50% normal y 20% seco). Y una aversin al riesgo del 20% y un
beneficio crtico de 100 u.m. Para el criterio Hurwicz se considera un coeficiente de optimismo del 50%

P1= 0,3 P1= 0,5 P1= 0,2
lluvia normal seco
Trigo 250 290 200
Remolacha -100 450 350
Patata 150 200 250

a. Situacin de riesgo:

E(X1) = E(trigo) = 250*0,3 + 290*0,5 + 200*0,2 = 260

E(X2) = E(remolacha) =100*0,3 + 450*0,5 + 350*0,2 = 265

E(X3) = E(patata) = 150*0,3 + 200*0,5 + 250*0,2 =195

Para solucionar estas limitaciones se construyen unas funciones de utilidad.

Consideracin de la variabilidad de los resultados

En nuestro ejemplo: Si el empresario agricultor tiene una aversin al riesgo del 20%: a=20%:

160

Se elige la alternativa que maximiza la funcin de utilidad: En nuestro ejemplo sera:

X1 = trigo = 253Mximo beneficio teniendo en cuenta la aversin al riesgo

Consideracin del riesgo de ruina:

Si fijamos un ingreso tpico de 100 unidades monetarias: Se rechaza el cultivo de remolacha ya que puede
llegar a presentar un ingreso inferior (-100 u.m.) al ingreso crtico. Se tendra que elegir entre el trigo y la
patata a travs de la esperanza matemtica o bien considerando la funcin de utilidad que penalice la
varianza.

b. En situacin de incertidumbre

b1. Criterio Laplace

T(X1) = 250 + 290 + 200 = 740 Se elige el trigo
T(X2) = -100 + 450 + 350 = 700
T(X3) = 150 + 200 + 250 = 600

b2. Criterio pesimista, de Wald Maximin:

Se elige lo mejor dentro de lo peor.

Trigo = 200 Se elige
Remolacha = -100
Patata = 150

b3. Criterio optimista o maximax:

Se elige el mximo de los mximos.

Trigo = 290
Remolacha = 450 Se elige
Patata = 250

b4. Criterio de Hurwicz:

Es un criterio intermedio entre maximin y el maximax: Supone la combinacin de ponderaciones de
optimismo y pesimismo. Sugiere la definicin del llamado coeficiente de optimismo (), comprendido
entre cero y uno:

0 1 cuanto ms cercano a 1 mayor es el optimismo

T(Xi) = * MaxXij + (1) MinXij

161

En nuestro ejemplo, si suponemos que el empresario es neutral =0,5

T(X1) = 0.5*290 + 0.5*200 = 245
T(X2) = 0.5*450 + 0.5*(-100) = 175
T(X3) = 0.5*250 + 0.5*(150) = 200

b5. Criterio de Savage

Se construye una matriz de perjuicios o de costo de oportunidad

matriz de consecuencias
E1 E2 E3
Trigo 250 290 200
Remolacha -100 450 350
Patata 150 200 250

matriz de arrepentimientos o costo de
oportunidad
E1 E2 E3
Trigo 0 160 150
Remolacha 350 0 0
Patata 100 250 100

Arrepentimiento mximo para la opcin trigo = 160 Se escoge el trigo
Arrepentimiento mximo para la opcin remolacha = 350
Arrepentimiento mximo para la opcin patata = 250
6.6 La Utilizacin de la Informacin Perfecta y el Concepto de Valor Esperado en Contexto de
Riesgo.

Como es lgico, en un contexto de riesgo se debe decidir con el mximo valor esperado.

La Ganancia que se espera obtener al conocer con certeza la ocurrencia de ciertos estados de la
naturaleza se le denomina: Ganancia Esperada de la Informacin Perfecta (GEIP). Este concepto
corresponde al costo de oportunidad de la decisin seleccionada usando el criterio de la ganancia
esperada. Esta decisin es la que genera una menor prdida para quien tiene que tomar la decisin. En
este caso nos aseguran con toda probabilidad la ocurrencia de cierto estado de la naturaleza, por eso la
llamamos informacin perfecta.

El GEIP se calcula como el producto de la mxima ganancia para cada estado de la naturaleza por su
respectiva probabilidad, y a este resultado le restamos el mximo valor esperado.

En nuestro ejemplo de Jhon Prez, podramos calcular, por ejemplo, el valor mximo que podemos pagar
por un estudio donde nos aseguren la ocurrencia de cierto estado de la naturaleza.

Podemos entonces calcular la ganancia esperada de la informacin perfecta (GEIP)

162
EL CRITERIO DE LA GANANCIA ESPERADA
ALTERNATIVAS
Ganancias
Esperada
Gran
alza
pequea
alza
sin
cambios
pequea
baja
gran
baja
Oro -100 100 200 300 0 100
Bonos 250 200 150 -100 -150 130
Negocio 500 250 100 -200 -600 125
Cert. de depsito 60 60 60 60 60 60
Acciones 200 150 150 -200 -150 95
Probabilidad 0,2 0,3 0,3 0,1 0,1
Cuadro 6.7 El Criterio de la Ganancia Esperada

GEIP= (500*0,2 + 0,30*250 + 0,3*200 + 300*0,1 + 60*0,1) 130 = 141

Quiere decir esto, que si puedo obtener informacin, que me asegure la ocurrencia de cierto estado de la
naturaleza, puedo pagar por ella un mximo de 141 unidades monetarias.
6.7 La utilizacin de la informacin imperfecta y el concepto de valor esperado en contexto de
riesgo.

La informacin adicional, no siempre es perfecta, muchas veces los estudios adicionales que se encargan
tienen cierto margen de error. La informacin adicional mejora la probabilidad obtenida de la ocurrencia
de un determinado estado de la naturaleza y ayuda al tomador de decisiones a escoger la mejor opcin. La
estadstica Bayesiana construye un modelo a partir de informacin adicional obtenida a partir de diversas
fuentes. El teorema de Bayes:

donde

= probabilidad revisada

= probabilidad a priori

= probabilidad condicionada

= sumatoria probabilidad conjunta

A partir del teorema de Bayes podemos calcular la Ganancia esperada con la Informacin Adicional
(GECIA):

La expresin matemtica para su clculo es la siguiente:

donde:

= Mximo valor esperado a posteriori

163
= Sumatoria de probabilidades conjuntas

Para su clculo seguimos los siguientes pasos:

1. Clasificamos la informacin adicional obtenida como probabilidad condicionada distinguiendo
cada uno de los escenarios planteados.

2. Calculamos la probabilidad conjunta con la frmula de Bayes para cada alternativa en cada
escenario planteado.

3. Calculamos la sumatoria de probabilidades conjuntas para cada escenario planteado.

4. Calculamos la probabilidad revisada para cada alternativa en cada escenario.

5. Calculamos la ganancia esperada con la probabilidad revisada para cada uno de los escenarios
planteados.

6. Calculamos el GECIA

Tambin podemos calcular el valor esperado de la informacin adicional, es decir, el mayor valor
esperado por contar con una mejor informacin. Se calcula como la diferencia entre el GECIA y el mayor
valor esperado con la informacin a priori.

Ejemplo:

Retomemos el ejemplo de Jhon Prez. Supongamos que hemos contratado un informe adicional que nos
indica la probabilidad de ocurrencia de una gran alza, pequea alza, etc. condicionada a que el
crecimiento econmico sea positivo o negativo. Los resultados se pueden ver en la siguiente tabla.

ALTERNATIVAS
Gran
alza
pequea
alza
sin
cambios
pequea
baja
Gran
baja
Probabilidad
Condicionada
Crec. Positivo 0,800 0,700 0,500 0,400 0,000
Crec, Negat. 0,200 0,300 0,500 0,600 1,000
Cuadro 6.8 Estados de la Naturaleza

Pasos:

1. Clasificamos la informacin adicional obtenida como probabilidad condicionada distinguiendo
cada uno de los escenarios planteados. En este caso viene ya en la tabla.
2. Calculamos la probabilidad conjunta con la frmula de Bayes para cada alternativa en cada
escenario planteado.

En caso de crecimiento positivo la probabilidad conjunta que se produzca una gran alza sera

Probabilidad conjunta = = 0.80*0.20 = 0.16

En caso de crecimiento positivo la probabilidad conjunta que se produzca una pequea alza
sera:

Probabilidad conjunta = = 0.70*0.30 = 0.21

164

Y as vamos completando para cada escenario (crecimiento positivo, crecimiento negativo), la
probabilidad de ocurrencia de cada alternativa. De esta forma vamos completando una tabla que
nos permita recoger toda la informacin de forma ordenada como la que se presenta ms
adelante.

3. Calculamos la sumatoria de probabilidades conjuntas para cada escenario planteado.

Para el caso de crecimiento positivo la sumatoria sera:

Sumatoria Probabilidad Conjunta = = 0.16 + 0.21 + 0.15 + 0.04 + 0 = 0.56

Para el caso de crecimiento negativo la sumatoria sera:

Sumatoria Probabilidad Conjunta = = 0.04 + 0.09 + 0.15 + 0.06 + 0.10 =
0.44
4. Calculamos la probabilidad revisada para cada alternativa en cada escenario.

En caso de crecimiento positivo la probabilidad revisada que se produzca una gran alza sera

5. Calculamos la ganancia esperada con la probabilidad revisada para cada uno de los escenarios
planteados.

En caso de crecimiento positivo la probabilidad revisada que se produzca una gran alza para la
alternativa del oro sera:

= -100*0.286 + 100*0.375 + 200*0.268 + 300*0.071 +
0*0 = 84

6. Calculamos el GECIA: para ello marcamos el mayor valor esperado para cada uno de los
escenarios planteados

= 249*0.56 + 120*0.44 = 193

7. Calculamos GEIA

= 193 130 = 63

EL CRITERIO DE LA GANANCIA ESPERADA CON INFORMACION
ADICIONAL
Ganan
cias
Espera
da a
priori
Ganancias
Esperada Revisada
ALTERNATIVAS
Gran
alza
pequea
alza
sin
cambio
s
pequea
baja
gran
baja
Crec.Pos
itivo
Crec.Neg
ativo
Oro -100 100 200 300 0 100 84 120
Bonos 250 200 150 -100 -150 130 179 67
Negocio 500 250 100 -200 -600 125 249 -33
Cert. de depsito 60 60 60 60 60 60 60 60

165
Acciones 200 150 150 -200 -150 95 139 39
Probabilidad 0.2 0.3 0.3 0.1 0.1 S = 1
Probabili
dad
Condicio
nada
Crecim.
Positivo 0.8 0.7 0.5 0.4 0
Crecim.
Negativo 0.2 0.3 0.5 0.6 1
Probabili
dad
Conjunta
Crecim.
Positivo 0.16 0.21 0.15 0.04 0 0.56
Crecim.
Negativo 0.04 0.09 0.15 0.06 0.1 0.44
Probabili
dad
Revisada
Crecim.
Positivo 0.286 0.375 0.268 0.071 0.000 1.000
Crecim.
Negativo 0.091 0.205 0.341 0.136 0.227 1.000
Cuadro 6.9 El Criterio de la Ganancia Esperada con Informacin Adicional

GECIA=GANANCIA ESPERADA CON LA INFORMACIN ADICIONAL

GECIA = 249*0,56 + 120*0.44 = 193

GEIA=GANANCIA ESPERADA DE LA INFORMACIN ADICIONAL

GEIA = 193 130 = 63

CONCLUSIN: Cantidad mxima que puede pagar por un informe externo es de 63 u.m.
6.8 Decisiones secuenciales y rboles de decisin:

Problema de decisin en el que se consideran una secuencia de decisiones, es decir, decisiones
posteriores dependientes de una decisin inicial. El anlisis del problema de decisin bajo el enfoque
secuencial suele ser preferible al enfoque esttico, dado que es normal que una decisin tomada en el
momento inicial condicione decisiones en los momentos posteriores de tiempo. En este caso, se sintetiza
la representacin del problema a travs de un rbol de decisin dado que su representacin en una
matriz no es viable.

Un rbol de decisin es un grafo o dibujo que explica las secuencias de las decisiones o alternativas a
tomar y los diversos estados de la naturaleza que se pueden presentar o acontecimientos que pueden
suceder.

Es una forma de abordar el problema de decisin cuando hay que adoptar una secuencia de decisiones
excluyentes. Los elementos fundamentales del problema de decisin se representan en un rbol de
decisin de la siguiente forma:

Puntos o nudos de decisin entre alternativas o estrategias:
Nudos aleatorios: Ocurrencia de los posibles estados de la naturaleza:
Resultados esperados:

El primer nudo (1) siempre es decisional: representa la decisin inicial que ha de tomar el decisor. El
rbol toma la siguiente forma:

166

Se supone que la eleccin de una alternativa supone el abandono del resto. El resultado de dicha decisin
depende a su vez de un suceso incierto como es el estado de la naturaleza que se produzca. Una vez
producido un posible estado de la naturaleza, es posible elegir de nuevo entre distintas alternativas,
siendo sus resultados dependientes del estado de la naturaleza que se produzca.

La solucin de un problema de decisin secuencial, consiste en buscar la secuencia de decisiones ptimas
a adoptar. Vamos a resolverlo en un contexto de riesgo.

La tcnica de resolucin consiste en ir determinando los valores monetarios esperados en cada punto de
decisin, hacindolo de derecha a izquierda, empezando por los resultados finales. Distinguimos entre.

El valor de los nudos aleatorios (que son de los que parte los estados de la naturaleza) es la media
ponderada de los resultados posibles.

El valor de los nudos decisionales se obtiene tomando la esperanza matemtica correspondiente a la
mejor decisin posible.

Para la construccin del rbol seguiremos los siguientes pasos:

1. Identificacin clara del problema.
2. Establecer las estrategias o alternativas primarias entre las que debera elegir el momento actual
3. Establecer las diferentes alternativas y los diferentes sucesos que se van a ir produciendo a lo
largo de este horizonte temporal. Hay dos matizaciones:
3.1 Sucesos inciertos: tienen que ser mutuamente excluyentes.
3.2 Sucesos aleatorios: Tienen que ser definidos de manera exhaustiva, es decir, la suma de las
probabilidades de los diferentes sucesos debe ser igual a uno.
4. Representacin completa del rbol de decisin con los diferentes nudos y ramas. Las secuencias
alternativas que hemos representado tienen que reflejar fielmente la informacin con la que
cuenta el sujeto decidor en cada momento para tomar diferentes decisiones en el horizonte
temporal.
5. Valoracin de cada una de las alternativas y sucesos aleatorios que nos lleva al final a una
valoracin de las diferentes ramas de un rbol.
6. Determinar las decisiones optimas, y para ello utilizaremos el mtodo de resolucin de marcha
atrs. Para esto tenemos que valorar todos los nudos del rbol.

Limitaciones del mtodo:

El mtodo es valido si el decisor utiliza como criterio decisor maximizar el valor esperado. Se
puede corregir con la desviacin tpica. En cada nudo aleatorio se calcula la funcin de utilidad de
los resultados posibles. En cada nudo decisional se toma la alternativa con mayor funcin de
utilidad.
El mtodo exige que el decisor pueda soportar el riesgo de ruina.

167
En caso de que los resultados no sean temporalmente homogneos habrn de ser actualizados a
la misma fecha.

Otra situacin puede ser tomar el criterio de eleccin de maximizar la probabilidad de ganancia y no la de
maximizar el valor esperado. Este criterio de eleccin es til cuando existen muchas situaciones de
ganancia nula.

Ejemplo:

Frank Jones es un estudiante de ltimo semestre de la Facultad de Ciencias Econmicas y Administrativas
y quiere empezar a hacer currculo. La Universidad ha convocado unas becas para trabajar en el servicio.
Los solicitantes deben superar dos pruebas: una terica que se realizara y una prctica para quienes
superen la prueba terica. La beca esta dotada de una retribucin mensual de 1.000 nuevos soles libres
de toda carga.

Por otra parte, municipio de la ciudad ha convocado mediante concurso la provisin de un puesto de
Ayudante de Administracin que se dedicara a la formacin tcnica de los empleados. El puesto tiene una
remuneracin mensual de 1500 nuevos soles y habr que superar una entrevista personal con el jefe de
personal y un examen terico practico para quienes superen la prueba terica.

Frank esta nervioso, pues no sabe a que carta jugar. Por un lado se siente seguro de sus conocimientos
tericos y piensa que si solicita la beca tiene un 70% de posibilidades de aprobar la prueba terica y un
40% de aprobar la practica, pero si se decanta por concursar en el municipio considera que con su
nerviosismo las posibilidades de superar la entrevista se reducen al 40% y la probabilidad de superar el
examen terico practico la estima en el 50%.

Dado que la primera prueba para la beca de la Universidad y para el municipio coinciden, decidir:

a. a cual deber asistir si lo que desea Frank es maximizar su ganancia mensual esperada?
b. a cual deber asistir si lo que desea Frank si su objetivo es maximizar la probabilidad de obtener
alguna ganancia?

Solucin:

a) Lo primero es construir el rbol con las alternativas, probabilidades asociadas y resultados

Una vez representados los nudos y las ramas, con sus probabilidades, as como los resultados asociados a
ese cada camino, se procede de derecha a izquierda para determinar el valor asociado a cada vrtice. El
valor asociado a un nudo aleatorio es la esperanza matemtica de los valores situados al final de las ramas
que parten de el:

168

Comenzamos por el nodo 4:

E(4) =1.0000.4 + 00.6 = 400

Tal ser el valor asociado al nodo 4, que se ha de situar junto a el en el rbol. Y del mismo modo se opera
con los dems nodos.

E(2) = 4000.7 + 00.3 = 280

Del mismo modo, procediendo de derecha a izquierda, se calculan los valores asociados a los nodos 5 y 3.

E(5) = 1.500*0.5 + 0*0.5 = 750

E(3) = 750*0.4 + 0*0.6 = 300

El valor asociado a cualquier nudo decisional es igual al mayor de los valores asociados a los nudos en los
que tienen destino las ramas que se desprenden de el.

Si Frank sigue el criterio de elegir la opcin a la que le corresponda la mayor ganancia mensual esperada,
se decidir por asistir a la prueba del municipio con un valor esperado de 300 nuevos soles mensuales.

El rbol queda de la siguiente forma:

b. Si se decide por la Beca, la probabilidad de obtener alguna ganancia mensual, ser la probabilidad de
aprobar las dos pruebas de la misma, es decir superar la primera prueba y luego la segunda:

Del mismo modo se obtienen:

169
Con respecto al concurso convocado por el ayuntamiento

Por consiguiente el rbol de decisin tambin puede representarse de la siguiente forma:

Las distribuciones de probabilidad asociadas a las dos opciones se recogen en la siguiente tabla:

Opciones
Valores
probables
Probabilidades
Valor
esperado
Beca
1000 0,28
280
0 0,72
Ayuntamiento
1500 0,20
300
0 0,80
Cuadro 6.10 Opciones y Probabilidades

Respuestas:

a. a cual deber asistir si lo que desea Frank es maximizar su ganancia mensual esperada? Segn
los valores esperados reflejados en la tabla, se debe elegir Ayuntamiento (300) por presentar
mayor valor esperado frente al Ayuntamiento (280). Los resultados deben corregirse con
medidas de dispersin y medidas que incluyan el riesgo que se quiere asumir.

Correccin de la dispersin de los resultados con la desviacin tpica y construccin de las respectivas
funciones de utilidad si el coeficiente de aversin al riesgo () es del 10%:

170

Dado que para la beca, la esperanza matemtica vale 280 nuevos soles, su desviacin tpica ser:

Por tanto, la dispersin de los valores posibles de la variable ganancia mensual, en relacin a su media,
es mayor en la opcin del Municipio que en la opcin de la Beca.

b) a cual deber asistir si lo que desea Frank si su objetivo es maximizar la probabilidad de obtener
alguna ganancia? Segn los valores esperados reflejados en la tabla, se debe elegir Beca (28%) por
presentar mayor probabilidad de ganancia frente al Ayuntamiento (20%).


Decisin: Herramientas para el Anlisis de Decisin: Anlisis de Decisiones Riesgosas:
http://home.ubalt.edu/ntsbarsh/opre640S/SpanishP.htm


171

ADMINISTRACIN Y GESTIN DE PROYECTOS
CON PERT CPM


Elaborar la lista de actividades de un proyecto.
Representar el proyecto con el uso de una red y/o diagrama.
Calcular el tiempo total requerido para terminar el proyecto.
Calcular cundo debe iniciarse y terminarse las actividades individuales para cumplir con la fecha
de terminacin del proyecto.
Determinar las holguras y las actividades crticas.
Realizar un estudio de costo contra tiempo para un proyecto.
Programar y controlar los costos de un proyecto.
7.0 Introduccin

Grandes proyectos han existido desde el inicio de las civilizaciones en nuestro planeta. Cuando pensamos
en la construccin de las pirmides egipcias o mayas, de los templos romanos o de las catedrales gticas,
en enviar astronautas a la luna, en conocer planetas inexplorados hasta hoy en da, en descubrir el secreto
del genoma humano, etc., nos viene a la cabeza miles de personas trabajando en innumerables tareas y
actividades durante aos, e incluso siglos, coordinando las actividades con un nico fin: el conseguir
acabar una obra maestra.

En general, los proyectos suelen ser grandes y caros. Construir un hospital, desarrollar un nuevo
medicamento, realizar una campaa masiva de vacunacin en frica son proyectos que necesitan una
buena coordinacin y utilizacin de los recursos disponibles para obtener una eficiencia en trminos de
tiempo y de costo. Completar estos proyectos en un periodo determinado y cumpliendo las expectativas
presupuestarias no es tarea fcil. Si, por ejemplo, falla el suministro de un material determinado en una
fecha concreta, el proyecto puede sufrir retrasos que implican un aumento considerable del costo. Una
buena gestin y administracin del proyecto es crucial.

Normalmente los proyectos estn divididos en muchas tareas, dependientes entre ellas. En muchos casos
no podemos empezar una tarea sin haber finalizado otra. Es posible que en grandes proyectos existan
muchsimas actividades interdependientes, por lo que los administradores tienen que encontrar mtodos
y mecanismos para poder gestionar eficientemente ellas. En este captulo examinamos los mtodos
actuales utilizados para la gestin y administracin de proyectos que tienen muchas tareas.
7.1 Definicin de la Gestin y Administracin de Proyectos

Un proyecto puede ser definido como una serie de tareas relacionadas entre ellas con un claro objetivo y
que adems requiere una larga duracin temporal. La Gestin y Administracin de Proyectos consiste
en la planificacin, direccin y control de recursos (personal, equipos, materiales) necesarios para
satisfacer las necesidades tcnicas, econmicas y temporales del proyecto. Un proyecto empieza por lo
que se denomina Declaracin Del Trabajo
11
(DDT). Bsicamente, el DDT es una declaracin escrita de
las intenciones del proyecto en cuestin y la agenda prevista indicando el inicio y la finalizacin de ste. A
veces tambin se especifica datos tcnicos sobre los costos, el presupuesto y las diferentes etapas
12
del
proyecto.

11
En ingls, statement of work
12
En ingls, milestones

172

Una tarea (o actividad) es una subdivisin determinada del proyecto. En general tiene una duracin de
algunos meses y es realizada por un grupo o unidad de trabajo. Una sub-tarea no es ms que una divisin
de una tarea, ya que a veces es necesario dividir las tareas en porciones ms significativas. Normalmente
un proyecto tiene una estructura jerarquizada de tareas y subtareas (ver Cuadro 7.1.)

Las tareas tienen asociados en general una serie de atributos, cuya funcin es la de facilitar la definicin
perfecta de cada tarea en el marco de la planificacin y gestin del proyecto. Estos atributos pueden ser
los siguientes, entre otros:

Atributos de identificacin:

o Cdigo: conjunto de caracteres alfanumricos que permite identificar la actividad.
o Designacin: descripcin breve de la actividad
o Ejecutor: sirve para identificar la entidad o la persona responsable de la tarea.

Atributos temporales:

o Duracin de la tarea: nmero de periodos previstos para llevar a cabo segn una
asignacin previa de recursos.
o Fechas previstas: las ms destacables son las de inicio y finalizacin previstos para la
tarea.
o Fechas reales: El control sobre el proyecto permitir fijar las fechas reales de inicio y
finalizacin de les tareas una vez realizadas; y tambin el grado de realizacin de una
tarea, que puede ser medido en funcin del porcentaje del trabajo realizado sobre el
total previsto.

Atributos de necesidades de recursos:

o Tipo de recurso: atributo cualitativo que determina qu elementos son necesarios en
cada actividad
o Cantidad de recurso: atributo cuantitativo que establece cuantas unidades se necesitan
de cada recurso

Cuadro 7.1: Jerarqua De tareas

Un paquete de trabajo
13
consiste en un grupo de actividades combinadas que pueden asignarse a un
nico grupo o unidad de trabajo u organizacin. En este paquete se determina la descripcin de las tareas
a realizar, cuando se tienen que iniciar y finalizar, el presupuesto, algunas medidas sobre el rendimiento y
eventos o etapas especficas a ser alcanzadas. Algunos ejemplos pueden ser la produccin de un

13
En ingls, work package

173
prototipo, el teste de una mquina en concreto o la puesta en funcionamiento de una campaa de
mercado.

El objetivo principal de la planificacin y gestin de un proyecto consiste en el establecimiento de:

Un calendario de la realizacin de las actividades (tareas), que implica el establecimiento de unas
fechas de inicio y de finalizacin de todas las ellas
Una asignacin de recursos a las actividades, que implica el escoger una modalidad para llevar a
cabo cada actividad en funcin de los recursos disponibles.

Ms concretamente, la gestin y administracin de proyectos pretende contestar a las siguientes
preguntas
14
:

Cul es la fecha de finalizacin de proyecto?
Cul es la variabilidad esperada de esta fecha?
Cules son las fechas programadas del principio y terminacin de cada actividad especfica?
Cules actividades son crticas en el sentido de que deben terminar con exactitud como fueron
programadas para llegar a la meta de la finalizacin de l proyecto?
Cunto se pueden demorar las actividades no crticas antes de provocar un retraso en la fecha de
conclusin del proyecto?
Qu controles se deben ejercer en el flujo de recursos financieros para las diversas actividades
durante el proyecto?

Actualmente existen dos grandes mtodos para poder responder a estas preguntas: el PERT
15
y el CPM
16
.
Ambos mtodos son similares. El primero fue desarrollado a finales de la dcada de los 50 para construir
el misil Polaris, un complejo proyecto con ms de 250 contratistas primarios y 9000 subcontratistas. El
segundo fue diseado tambin a finales de los aos 50 por DuPont y Remington Rand para la gestin de
grandes proyectos.
7.2 Representacin grfica de un Proyecto

La representacin grfica de un proyecto es importante, ya que permite analizarlo de forma eficiente,
identificando las actividades crticas y, por otro lado, simplifica las tareas de control y de actualizacin de
la evolucin del proyecto. La representacin grfica se realiza a travs de una red. Una red es un conjunto
de nodos conectados por arcos. Los arcos vienen representados por los nodos con los cuales est
asociado. Por ejemplo, supongamos la red siguiente:

Figura 7.1 Red

el conjunto de nodos viene representado por N={1,2,3,4,5}, y el conjunto de arcos A es el siguiente:

A={(1,2),(1,3),(2,3),(2,4);(5,4),(5,2),(3,5)}.

Un camino entre dos nodos consiste en una secuencia de arcos conectados, en donde el nodo final de un
arco coincide con el nodo inicial del arco siguiente. Por ejemplo, el camino entre los nodos 1 y 4 es:

14
Ver Eppen y Gould (1999)
15
En ingls, PERT: Program Evaluation and Review Technique
16
En ingls, CPM: Critical Path Method

174
(1,2);(2,3),(3,5),(5,4). Un ciclo (o circuito) es un camino en donde los extremos coinciden. Por ejemplo, la
secuencia (2,3),(3,5),(5,2) es un ciclo.

Existen dos tipos de representaciones de los proyectos: las redes ANA (actividades en los arcos), en donde
las actividades se representan por los arcos de la red, o las redes ANN, en donde las actividades se
representan en los nodos, si bien que las redes ANA son las ms comunes. Ms concretamente, las redes
ANA tienen las caractersticas siguientes:

las actividades se representan en los arcos
las relaciones de precedencia se definen a partir del orden de los arcos
los sucesos se representan en los nodos
el nodo inicial representa el inicio del proyecto
el nodo final representa su finalizacin

Por otro lado, las redes ANN tienen las caractersticas siguientes:

las actividades se representan en los nodos
las relaciones de precedencia vienen definidas por los arcos
los sucesos son actividades con una duracin nula

Redes ANA.
Las redes ANA tienen una serie de convenciones que hay que seguir para su diseo grfico. Estas son:

Las actividades secuenciales son aquellas que estn en el mismo camino (y por tanto, son de
alguna manera dependientes)
Las actividades paralelas son las que se encuentran en caminos diferentes (y por tanto son
independientes).

Figura 7.2 Red ANA

La convencin ANA indica que la red tiene que dibujarse de izquierda a derecha. Consecuentemente, la
numeracin de los sucesos se realizar en el mismo sentido, aumentando a medida que nos desplazamos
hacia la derecha. Cada actividad se representa por un nico arco (no podemos tener actividades que
tengan los mismos sucesos de inicio y finalizacin).

175

Figura 7.3 Red ANA Doble Sentido

La construccin de una red tiene que realizarse por fases, aadiendo las actividades una a una. Para
proyectos grandes, es ms fcil empezar la construccin de la red desde el final e ir retrocediendo. De vez
en cuando, al construir la red, ser necesario introducir actividades ficticias para respetar correctamente
las relaciones de precedencia y tambin para evitar que dos actividades compartan el mismo nodo de
salida y de llegada. Estas actividades ficticias tienen una duracin igual a cero y no consumen ningn
recurso. A continuacin se ilustra el uso de las actividades ficticias.

Caso 1: Representacin correcta de las relaciones de precedencia

Supongamos las siguientes relaciones de precedencia: A C, B C, B E. No se puede representar esta
relacin sin la utilizacin de una actividad ficticia, ya que tendramos la figura siguiente:

Figura 7.4 Relaciones de Precedencia

En la cual se comente el error de relacionar la actividad E con la actividad A, cuando en realidad no hay
ninguna relacin de precedencia entre ellas. Por eso es necesario el introducir una actividad ficticia para
evitar este error.

Figura 7.5 Actividad Ficticia

En este caso, las relaciones de precedencia se mantienen. La actividad ficticia une a las actividades B y C y
a su vez impide que las actividades A y E estn relacionadas.

Caso 2: Evitar que dos actividades tengan el mismo nodo de origen y destino.

En este caso, las actividades B y C tienen los mismos nodos de origen y destino (nodos 3 y 4) y tenemos
que aadir una actividad ficticia para que esto no ocurra. La representacin incorrecta es la siguiente:

176

Figura 7.6 Nodos con Mismo Origen y Destino

Al aadir una actividad ficticia, podemos obtener dos situaciones correctas diferentes:

Figura 7.7 Nodos Corregidos

Ambas situaciones implican el mismo resultado de relacin de precedencia, al no tener las actividades
ficticias ni utilizacin de recursos ni costo temporal. Como veremos ms adelante, el impedir que dos
actividades tengan el mismo nodo de origen y destino es bsico para poder determinar las actividades
que son crticas para la buena ejecucin del proyecto.

Una vez que se ha construido la red, se tiene que verificar si se cumplen las condiciones siguientes:
Se han representado todas las actividades
Todas las relaciones de precedencia tambin estn representadas
La red no tiene relaciones de precedencia inexistentes
Hay unos nicos nodos inicial y final

Finalmente, se han de enumerar los nodos de la red, utilizando el mtodo explicado anteriormente,
asociando un valor que identifique cada suceso.
Ejemplo:

Actividad
Actividad
Precedente
Duracin
de la
actividad
A - 1
B A 1
C A 2
D C 7
E C 4
F B 4
G E,F 3
H D 2
I D 1
J G 1
K H,I 5
L K 3

177
La red ANA correspondiente es la siguiente:

Figura 7.8 Red ANA

Como hemos mencionado anteriormente, la red ANA tambin se puede transformar en red ANN. En este
ejemplo, la configuracin ANN sera la siguiente:

Figura 7.Red ANN
7.3 Planificacin Temporal del Proyectos CPM

El mtodo CPM
17
consiste e una metodologa simple para poder gestionar cada una de las actividades que
componen el proyecto. Para cada actividad, el CPM determina unos tiempos de inicio y de finalizacin y
tambin la posible existencia de holguras temporales que determinen en nivel crtico de su importancia
para la consecucin del proyecto en el menor tiempo posible.

Ms concretamente, los objetivos del CPM son:

Determinar la duracin mnima del proyecto
Determinar las fechas de inicio de cada una de las actividades que lo componen
Identificar las actividades que son crticas
18

Determinar que atrasos posibles pueden sufrir las actividades sin afectar la duracin mima del
proyecto.

El CPM utiliza como base las redes ANA y realiza las siguientes hiptesis:

Las actividades tienen una duracin determinada conocida (determinista)

Se tienen que ejecutar todas las actividades
No hay repeticin de actividades
No hay restricciones significativas de recursos

En principio, el CMP determina el momento ms avanzado y el momento ms retardado de realizar cada
suceso. Estos valores se utilizarn posteriormente para calcular las fechas de inicio, fin, ms avanzadas y
ms retardadas de cada actividad. A continuacin veremos como se obtienen estos parmetros.

17
Critical Path Method
18
Una actividad crtica del proyecto es aquella que se tiene que realizar exactamente en el mismo
intervalo de tiempo igual a su duracin.

178
7.3.1 Primera fase: anlisis temporal de los sucesos

Notacin:

i, j = sucesos (i=1 inicio del proyecto, j=n final del proyecto)
(i,j) = actividad
tij = duracin de la actividad (i,j)
Ei = Momento ms avanzado posible para realizar el suceso i (nodo i), suponiendo que no se han
realizado retrasos en las actividades anteriores.
Li = Momento ms atrasado posible para realizar el suceso i (nodo i), sin que la duracin mnima
se vea afectada.

El proceso se desarrolla de la forma siguiente:

1. Para cada nodo j calcular Ej:

1. E1 = 0;
2. Para j = 2,..., n, Ej = max(i,j) {Ei + tij}
3. En = duracin mnima del proyecto.

2. Para cada nodo j calcular Lj:

o Ln = En ;
4. Para i = n-1, ..., 2, Li = min(i,j) { Lj - tij}
o Notar que Li = 0 y que tij = Lj - Ei

3. Calcular el margen Fi para cada suceso i, es decir el retraso que cada suceso puede sufrir sin
modificar la duracin mnima del proyecto.

Fi = Li - Ei
Notar que los elementos crticos tienen un margen nulo.

Utilizando el ejemplo anterior, y aplicando las frmulas descritas, tenemos que los tiempos de los
sucesos son los siguientes:

Suceso Ej Li Fi
1 0 0 0
2 1 1 0
3 2 4 2
4 3 3 0
5 7 8 1
6 10 10 0
7 10 11 1
8 11 12 1
9 12 12 0
10 17 17 0
11 20 20 0

A veces, un proyecto puede tener una fecha de finalizacin fijada de antemano, que no tiene
porque coincidir necesariamente con la mnima. En este caso el proceso se modifica de la
siguiente forma:

179

Para cada nodo j calcular Lj:

Ln = Fecha de finalizacin;
Para i = n-1, ..., 2, Li = min(i,j) { Lj - tij}

4. Calcular el margen Fi para cada suceso i, es decir el retraso que cada suceso puede sufrir sin
modificar la duracin mnima del proyecto.

Fi = Li - Ei
Notar que los elementos crticos son los que tienen un margen mnimo.

Supongamos que en el ejemplo anterior se fija a priori el tiempo de ejecucin del proyecto en 25 semanas.
En este caso, el anlisis temporal de los sucesos es el siguiente:

Suceso Ej Li Fi
1 0 5 5
2 1 6 5
3 2 9 7
4 3 8 5
5 7 13 6
6 10 15 5
7 10 16 6
8 11 17 6
9 12 17 5
10 17 22 5
11 20 25 5

Los sucesos crticos son los mismos que en el caso anterior.

7.3.2 Segunda fase: anlisis temporal de las actividades

1. Para cada actividad (i,j) calcular las fechas siguientes:

Fecha de inicio ms avanzada (FIA) = Ei
Fecha de inicio ms retardada (FIR) = Lj - tij
Fecha de finalizacin ms avanzada (FFA) = Ei + tij
Fecha de finalizacin ms retardada (FFR) = Lj
Margen total de la actividad (i,j) = Lj - Ei - tij

Las actividades crticas son aquellas que tienen un margen total igual a 0. El camino crtico es el camino
ms largo entre el origen (1) y el nodo final (n); por lo tanto, es el camino con el margen mnimo total (el
camino compuesto por las actividades crticas). En una red puede existir ms de un camino crtico. En
nuestro ejemplo, el anlisis temporal de las actividades es el siguiente:

180
Arco Actividad Duracin FIA FIR FFA FFR Margen
(1,2) A 1 0 0 1 1 0
(2,3) B 1 1 3 2 4 2
(2,4) C 2 1 1 3 3 0
(4,6) D 7 3 3 10 10 0
(4,5) E 4 3 4 7 8 1
(3,5) F 4 2 4 6 8 2
(5,7) G 3 7 7 10 11 1
(6,9) H 2 10 10 12 12 0
(6,8) I 1 10 11 11 12 1
(8,9) Ficticia 0 11 12 11 12 1
(7,9) J 1 10 11 11 12 1
(9,10) K 5 12 12 17 17 0
(10,11) L 3 17 17 20 20 0

El tiempo de ejecucin mnimo del proyecto es de 20 semanas. No se podr nunca realizar en menos
tiempo. Ahora tambin podemos analizar las actividades individualizadamente. Por ejemplo, la actividad
E tiene una duracin de 4 semanas, se puede iniciar en la tercera semana lo ms temprano posible (FIA),
aunque tenemos un margen, ya que si empieza en la cuarta semana (FIR) el proyecto no se ve afectado en
su conjunto, debido al margen total de una semana. Por otro lado, la actividad D no tiene margen, por lo
que se tiene que empezar obligatoriamente en la tercer a semana, ya que si se retrasa, aunque sea un
poco, el conjunto del proyecto se ver afectado y no podr ser realizado en las 20 semanas. Por lo tanto la
actividad D es crtica en el proyecto.

El camino crtico est formado por las actividades con margen nulo. En este caso, el camino es:

A C D H K L

Grficamente, el camino crtico es el siguiente:

Figura 7.8 Camino Crtico

7.3.3 Tercera fase: anlisis ms detallado de los mrgenes

A continuacin examinaremos con ms detalle el margen total de cada una de las actividades (i,j),
desglosndolo en varios apartados.

Margen Total = Lj - Ei - tij

181
Representa el atraso mximo permitido en la duracin de una actividad sin afectar a la duracin total del
proyecto. Se supone que las actividades precedentes empiezan lo ms pronto posible y que las actividades
posteriores se inician lo ms tarde posible.

Margen de seguridad = Lj - Li - tij

Consiste en el atraso mximo permitido en la ejecucin de una actividad sin imponer restricciones
temporales en las actividades precedentes. En este caso las actividades precedentes pueden acabar lo ms
tarde posible y las posteriores empiezan lo ms tarde posible.

Margen libre = Ej - Ei - tij

Representa el atraso mximo permitido en la duracin de una actividad sin imponer restricciones
temporales en las actividades posteriores. Aqu las actividades precedentes finalizan lo ms pronto
posible y las posteriores pueden empezar lo ms pronto posible.

Margen independiente = Ej - Li - tij

Representa el atraso mximo que puede tener una actividad sin afectar a las precedentes y a las
posteriores. En este caso, las actividades precedentes pueden acabar lo ms tarde posible y las
posteriores se pueden iniciar lo ms pronto posible sin que afecte por ello al proyecto.

Ejemplo de aplicacin: Actividad F (arco(3,5))

Margen total = 2. Si esta actividad se retrasa 2 semanas, el proyecto se puede acabar en el tiempo
mnimo previsto si ninguna de las actividades precedentes y posteriores sufre retrasos.
Margen de seguridad = 0. Nos indica que no tenemos margen si las actividades anteriores y
posteriores se ejecutan lo ms tarde posible.
Margen libre = 1. En este caso, si la actividad se retrasa en una semana, el proyecto puede
finalizarse en el tiempo previsto siempre que las actividades precedentes se ejecuten lo ms
pronto posible.
Margen independiente = 0. Nos indica que cualquier retraso de la actividad F tendr efecto en las
otras actividades.

Por lo tanto, la actividad F (5,7) est formada por los sucesos 5 (E=2, L=4) y 7 (E=7, L=8). Si las
actividades precedentes han sufrido retrasos, las actividades posteriores no pueden compensar este
retraso porque su margen es inferior.
7.4 El Grfico Gantt

El diagrama o grfico Gantt es una manera sencilla y sinttica de representacin de las actividades de un
proyecto. Se compone de un eje de abcisas que representa la escala temporal y de un eje de ordenadas
que representa las actividades. En este caso se supone que todas las actividades se inician en su fecha de
inicio ms avanzada, aunque no necesariamente sea esto obligatorio (por ejemplo, podra suponerse que
todas las actividades se inician lo ms tarde posible). El grfico Gantt puede construirse una vez se ha
realizado el CPM (o el PERT, que veremos ms adelante). La duracin de cada actividad y los mrgenes se
presentan en el grfico en forma de barra horizontal, y a medida que avanza la ejecucin del proyecto se
va modificando la configuracin de cada barra (por ejemplo, el color) para indicar su estado.

Ejemplo de grfico Gantt

182

Figura 7.9 Grfico Gantt
7.5 El PERT

El PERT
19
es un mtodo similar al CPM. La gran diferencia estriba en que los tiempos de las actividades no
son determinsticos, sino que tienen un componente aleatorio. La versin original del PERT se basa en el
conocimiento, para cada actividad, de tres estimaciones de su duracin:

La estimacin ms probable (m) que es la estimacin ms realista de la moda de la distribucin de
la probabilidad para el tiempo de la actividad.
La estimacin optimista (a) procura ser el tiempo poco probable pero posible si todo sale bien, o
sea, una estimacin de la cota inferior de la distribucin de probabilidad
La estimacin pesimista (b) se basa en una estimacin poco probable de que todo vaya mal. Es
decir, una estimacin de la cota superior de la distribucin de probabilidad.

Para poder operar y calcular el tiempo total mnimo del proyecto, necesitamos conocer el valor esperado
y la varianza de cada una delas actividades. Se supone en general que la dispersin entre a (el valor ms
optimista) y b (el ms pesimista) es de 6 desviaciones estndar, es decir = b a. Por lo tanto, la
varianza del tiempo de cada actividad es:

Esta suposicin se basa en que las colas de muchas distribuciones de probabilidad estn a 3 desviaciones
estndar de la media, y por lo tanto las colas estn a 6 desviaciones estndar.

Por otro lado, tambin se tiene que conocer qu tipo de distribucin de probabilidad sigue el tiempo de
las actividades. En general, se asume que los tiempos siguen una distribucin Beta. Este tipo de
distribucin tiene un rango entre dos valores a y b determinados y representa la variabilidad dentro de
este rango. La distribucin tiene la forma siguiente:

Figura 7.10 Distribucin de Probabilidad

19
En ingles, Program Evaluation and Review Technique

183

Y el tiempo esperado de cada actividad se obtiene de la siguiente forma:

t = 1/3[2m + 0,5(a + b)]

Para poder calcular el tiempo esperado mnimo del proyecto y la probabilidad de que el proyecto finalice
en una fecha determinada necesitamos que se cumplan las condiciones siguientes:

que los tiempos de las actividades sean variables aleatorias estadsticamente independientes, es
decir, que el punto de distribucin en que ocurra el tiempo de una actividad en particular no
influya en el punto de su distribucin en que los tiempos de otras variables ocurrirn.
que la ruta crtica siempre requiera un tiempo mayor total que cualquier otra trayectoria.
que la distribucin de probabilidad del tiempo del proyecto sea (aproximadamente) una
distribucin normal.

Esta ltima hiptesis se basa en que la distribucin de probabilidad de una suma de muchas variables
aleatorias independientes es aproximadamente normal bajo una amplia variedad de condiciones
20
.

Una vez conocido el tiempo esperado para cada una de las actividades, se utiliza ste en el CPM para
obtener el camino crtico y las actividades crticas. Una vez se saben stas, si sumamos sus tiempos
medios, obtenemos el tiempo medio mnimo esperado del proyecto. Tambin obtenemos la varianza del
tiempo medio mnimo sumando las varianzas de las actividades crticas. En caso de que haya varios
caminos crticos, se escoge aquel con la mayor varianza total.

Para saber que la probabilidad de que un proyecto se realice en la fecha D, tenemos que buscar la media y
desviacin estndar en base a las Tablas (0,1) de la distribucin normal. Si Z es una variable aleatoria
normal (0,1), tenemos que calcular la frmula siguiente:

Y consultar el valor de la probabilidad correspondiente en una Tabla de la normal.

Ejemplo de PERT
Supongamos el proyecto siguiente:

Actividad
Ms
optimista
a
Ms
probable
m
Ms
pesimista
b
Actividades
precedentes
A 1 2 3 -
B 2 2 8 -
C 1 2 3 A
D 1 1,5 11 B
E 0,5 1 7,5 B
F 1 2,5 7 C,D
G 1 2 3 C,D
H 6 7 8 C,D,E
I 3 4 11 C,D,E
J 4 6 8 F,H

20
Esto se conoce como el Teorema del Lmite Central

184
Primer paso: encontrar el tiempo medio esperado y la varianza de cada actividad:

Actividad
Valor
esperado Varianza
A 2 0,11
B 3 1
C 2 0,11
D 3 2,78
E 2 1,36
F 3 1,00
G 2 0,11
H 7 0,11
I 5 1,78
J 6 0,44

Segundo paso: Encontrar el camino crtico. La red del proyecto es la siguiente:

Figura 7.11 Red Camino Crtico

Y el CPM se presenta en la tabla siguiente:

Actividad Duracin FIA FIR FFA FFR Margen
A 2 0 2 2 4 2
B 3 0 3 0 3 0
C 2 2 4 4 6 2
D 3 3 6 3 6 0
E 2 3 5 4 6 1
F 3 6 9 10 13 4
G 2 6 8 17 19 11
H 7 6 13 6 13 0
I 5 6 11 14 19 8
J 6 13 19 13 19 0

El camino crtico del proyecto es B D H J y el tiempo medio esperado es de 19 semanas y su
varianza es igual a 4,33.

185

Supongamos que queremos calcular la probabilidad de que el proyecto finalice en 20 das. Tendremos
que:

Por lo tanto, y despus de consultar una tabla Normal (0,1) hay una probabilidad de 68,44% de que el
proyecto finalice en un periodo de 20 das.
7.6 Planificacin de Recursos: Tiempo-Costo

Como hemos visto hasta ahora, tanto el CPM como el PERT se dedican bsicamente a gestionar el tiempo
relacionado con la ejecucin de cada una de las actividades que componen el proyecto. Sin embargo, a
veces los tiempos de las actividades se ven afectados por la cantidad recursos que empleamos en su
ejecucin. Por lo tanto, existe un intercambio entre el tiempo de ejecucin del proyecto y el costo de
realizarlo. Aqu supondremos que esta relacin es lineal, como muestra la figura siguiente:

Figura 7.12 Costos y Tiempos

En este caso, la pregunta que intentamos resolver es la siguiente: Qu tiempos de actividad conviene
elegir para que se produzca el tiempo deseado de terminacin del proyecto con un costo mnimo? Para
poder responder a esta pregunta, necesitamos conocer la informacin siguiente de cada actividad:

Tiempo de ejecucin normal, Tn
Costo de ejecucin normal, Cn
Tiempo de ejecucin acelerada, Ta
Costo de ejecucin acelerada, Ca

Tenemos que la relacin [Ca Cn]/[Ta - Tn] representa la pendiente de la recta del grfico anterior. En
otras palabras, en cuando se reduce el costo si incrementamos el tiempo de ejecucin en una unidad. Es
decir, el costo marginal del tiempo. Esta relacin es muy til conocerla para las actividades crticas. Esto
es debido a que, como vimos anteriormente, las actividades crticas son las que determinan el tiempo
mnimo de ejecucin del proyecto. Un pequeo retraso en una de ellas provoca inexorablemente un
aumento del tiempo de ejecucin, y al contrario, si ponemos ms recursos en las actividades crticas, su
tiempo de ejecucin puede reducirse y con ello se podra realizar el proyecto en un tiempo menor.

En general, primero se realiza el CPM con los tiempos normales de las actividades para obtener el camino
crtico, la duracin mnima del proyecto y el costo total normal. Una vez se obtienen estos datos, se fija un
objetivo de reduccin del tiempo de ejecucin del proyecto. Si existe un nico camino crtico, se escoge la
actividad del camino crtico que tiene el costo marginal ms pequeo para acelerarla. Cuando hay ms de
un camino crtico, si queremos acelerar el proyecto, para cada camino reducimos la actividad con el
menor costo marginal hasta conseguir el objetivo de reduccin. Al realizar este proceso hay que ir con

186
cuidado ya que la reduccin de la duracin de una actividad puede crear la aparicin de nuevos caminos
crticos. A continuacin ilustraremos el mtodo tiempo-costo con un ejemplo.

Supongamos el proyecto siguiente:

Actividades
Normal Acelerado
Coste
Marginal Duracin Costo Duracin Costo
(1,2) 8 100 6 200 50
(1,3) 4 150 2 350 100
(2,4) 2 50 1 90 40
(2,5) 10 100 5 400 60
(3,4) 5 100 1 200 25
(4,5) 3 80 1 100 10

Suceso Ej Li Fi
1 0 0 0
2 8 8 0
3 4 10 6
4 10 15 5
5 18 18 0

En condiciones normales, el proyecto tiene una duracin de 18 das y un costo de 580. El camino crtico es
(1,2),(2,5). Ahora aplicamos la regla de reduccin de tiempos escogiendo las actividades crticas que
tienen un costo marginal menor.

Reducir la duracin de la actividad (1,2) en 2 unidades: duracin = 16 y costo = 680
Reducir la actividad (2,5) en 4 unidades: duracin = 12 y costo =920

Debido a estas reducciones ha aparecido un camino crtico nuevo (1,3),(3,4),(4,5).

Reducir la duracin de las actividades (2,5) y (4,5) en una unidad: duracin = 11 y costo = 990

En este punto ya no podemos realizar ms reducciones, ya que todas las actividades de los caminos
crticos han llegado a su lmite de reduccin.
7.7 Conclusiones

En este captulo hemos examinado varios mtodos que nos ayudan a gestionar y planificar proyectos
complejos. Los mtodos PERT y CPM son relativamente sencillos de aplicar, pero permiten obtener
mucha informacin importante para la planificacin y control de grandes proyectos. Debido a su
aplicacin en situaciones reales, la gestin de proyectos es una de las reas ms importantes de los

187
mtodos cuantitativos para la toma de decisiones en la industria, en los servicios y en la formacin de
profesionales. Una de las principales razones de su xito es la facilidad de obtener diferentes escenarios
de un proyecto y de actualizarlo a lo largo de su ejecucin.

Existen varios programas de ordenador dedicados a la gestin de proyectos. Entre ellos, destacan el
Microsoft Project y el Superproject.
7.8 Actividades para el Aprendizaje



188

189

INTRODUCCION AL MTODO DE SIMULACIN
MONTE CARLO


Introducir los conceptos e ideas clave de la simulacin Monte Carlo.
Introducirse en las capacidades que ofrece Excel en los campos de modelado y simulacin.
Conocer algunas aplicaciones de la simulacin Monte Carlo.
8.0 Introduccin

Bajo el nombre de Mtodo Monte Carlo o Simulacin Monte Carlo se agrupan una serie de procedimientos
que analizan distribuciones de variables aleatorias usando simulacin de nmeros aleatorios.

El Mtodo de Monte Carlo da solucin a una gran variedad de problemas matemticos haciendo
experimentos con muestreos estadsticos en una computadora. El mtodo es aplicable a cualquier tipo de
problema, ya sea estocstico o determinstico.

Generalmente en estadstica los modelos aleatorios se usan para simular fenmenos que poseen algn
componente aleatorio. Pero en el mtodo Monte Carlo, por otro lado, el objeto de la investigacin es el
objeto en s mismo, un suceso aleatorio o pseudo-aleatorio se usa para estudiar el modelo.

A veces la aplicacin del mtodo Monte Carlo se usa para analizar problemas que no tienen un
componente aleatorio explcito; en estos casos un parmetro determinista del problema se expresa como
una distribucin aleatoria y se simula dicha distribucin. Un ejemplo sera el famoso problema de las
Agujas de Bufn.

La simulacin de Monte Carlo tambin fue creada para resolver integrales que no se pueden resolver por
mtodos analticos, para solucionar estas integrales se usaron nmeros aleatorios. Posteriormente se
utiliz para cualquier esquema que emplee nmeros aleatorios, usando variables aleatorias con
distribuciones de probabilidad conocidas, el cual es usado para resolver ciertos problemas estocsticos y
determinsticos, donde el tiempo no juega un papel importante.

La simulacin de Monte Carlo es una tcnica que combina conceptos estadsticos (muestreo aleatorio)
con la capacidad que tienen los ordenadores para generar nmeros pseudo-aleatorios y automatizar
clculos.
8.1 Inicios del Mtodo de Monte Carlo

El mtodo fue llamado as por el principado de Mnaco por ser ``la capital del juego de azar'', al tomar una
ruleta como un generador simple de nmeros aleatorios. El nombre y el desarrollo sistemtico de los
mtodos de Monte Carlo datan aproximadamente de 1944 con el desarrollo de la computadora. Sin
embargo hay varias instancias (aisladas y no desarrolladas) en muchas ocasiones anteriores a 1944.

El uso real de los mtodos de Monte Carlo como una herramienta de investigacin, proviene del trabajo
de la bomba atmica durante la Segunda Guerra Mundial. Este trabajo involucraba la simulacin directa

190
de problemas probabilsticos de hidrodinmica concernientes a la difusin de neutrones aleatorios en
material de fusin.

An en la primera etapa de estas investigaciones, John von Neumann y Stanislao Ulam refinaron esta
curiosa ``Ruleta rusa'' y los mtodos``de divisin''. Sin embargo, el desarrollo sistemtico de estas ideas
tuvo que esperar el trabajo de Harris y Herman Kahn en 1948. Aproximadamente en el mismo ao, Fermi,
Metropolos y Ulam obtuvieron estimadores para los valores caractersticos de la ecuacin de Schrdinger
para la captura de neutrones a nivel nuclear.

Alrededor de 1970, los desarrollos tericos en complejidad computacional comienzan a proveer mayor
precisin y relacin para el empleo del mtodo Monte Carlo. La teora identifica una clase de problemas
para los cuales el tiempo necesario para evaluar la solucin exacta al problema crece con la clase, al
menos exponencialmente con M. La cuestin a ser resuelta era si MC pudiese o no estimar la solucin al
problema de tipo intratable con una adecuacin estadstica acotada a una complejidad temporal
polinomial en M. Karp(1985) muestra esta propiedad para estimar en una red plana multiterminal con
arcos fallidos aleatorios. Dyer(1989) utiliza MC para estimar el volumen de un convex body en el espacio
Euclidiano M-dimensional. Broder(1986), Jerrum y Sinclair (1988) establecen la propiedad para estimar
la persistencia de una matriz o en forma equivalente, el nmero de matching perfectos en un grafo
bipartito.

Los orgenes de esta tcnica estn ligados al trabajo desarrollado por Stan Ulam y John Von Neumann a
finales de los 40 en el laboratorio de Los Alamos, cuando investigaban el movimiento aleatorio de los
neutrones. En aos posteriores, la simulacin de Monte Carlo se ha venido aplicando a una infinidad de
mbitos como alternativa a los modelos matemticos exactos o incluso como nico medio de estimar
soluciones para problemas complejos. As, en la actualidad es posible encontrar modelos que hacen uso
de simulacin MC en las reas informtica, empresarial, econmica, industrial e incluso social. En otras
palabras, la simulacin de Monte Carlo est presente en todos aquellos mbitos en los que el
comportamiento aleatorio o probabilstico desempea un papel fundamental -precisamente, el nombre
de Monte Carlo proviene de la famosa ciudad de Mnaco, donde abundan los casinos de juego y donde el
azar, la probabilidad y el comportamiento aleatorio conforman todo un estilo de vida.

Son muchos los autores que han apostado por utilizar hojas de clculo para realizar simulacin MC. La
potencia de las hojas de clculo reside en su universalidad, en su facilidad de uso, en su capacidad para
recalcular valores y, sobre todo, en las posibilidades que ofrece con respecto al anlisis de escenarios
(what-if analysis). Las ltimas versiones de Excel incorporan, adems, un lenguaje de programacin
propio, el Visual Basic for Applications, con el cual es posible crear autnticas aplicaciones de simulacin
destinadas al usuario final. En el mercado existen de hecho varios complementos de Excel (Add-Ins)
especficamente diseados para realizar simulacin MC, siendo los ms conocidos: @Risk, Crystall Ball,
Insight.xla, SimTools.xla, etc..
8.2 Simulacin: Mtodo Monte Carlo

Simulacin: es el proceso de disear y desarrollar un modelo computarizado de un sistema o proceso y
conducir experimentos con este modelo con el propsito de entender el comportamiento del sistema o
evaluar varias estrategias con las cuales se puede operar el sistema.

Modelo de simulacin: conjunto de hiptesis acerca del funcionamiento del sistema expresado
como relaciones matemticas y/o lgicas entre los elementos del sistema.

Proceso de simulacin: ejecucin del modelo a travs del tiempo en un ordenador para generar
muestras representativas del comportamiento.
8.2.1 Mtodos de simulacin

Simulacin estadstica o Monte Carlo: Est basada en el muestreo sistemtico de variables
aleatorias.

191
Simulacin continua: Los estados del sistema cambian continuamente su valor. Estas
simulaciones se modelan generalmente con ecuaciones diferenciales.

Simulacin por eventos discretos: Se define el modelo cuyo comportamiento vara en instantes
del tiempo dados. Los momentos en los que se producen los cambios son los que se identifican
como los eventos del sistema o simulacin.

Simulacin por autmatas celulares: Se aplica a casos complejos, en los que se divide al
comportamiento del sistema en subsistemas ms pequeos denominadas clulas. El resultado de
la simulacin est dado por la interaccin de las diversas clulas.
8.2.2 Etapas del proceso de simulacin

Definicin, descripcin del problema. Plan.
Formulacin del modelo.
Programacin.
Verificacin y Validacin del modelo.
Diseo de experimentos y plan de corridas.
Anlisis de resultados
8.2.3 Diagrama de flujo del modelo de simulacin

8.3 Algoritmos

El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la generacin de nmeros
aleatorios por el mtodo de Transformacin Inversa, el cual se basa en las distribuciones acumuladas de
frecuencias:

Determinar la/s Variable Aleatoria y sus distribuciones acumuladas(F)
Iterar tantas veces como muestras necesitamos
o Generar un nmero aleatorio
o Uniforme (0,1).
o Determinar el valor de la V.A. para el nmero aleatorio generado de acuerdo a las clases
que tengamos.
Calcular media, desviacin estndar error y realizar el histograma.
Analizar resultados para distintos tamaos de muestra.

192
Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es directamente el resultado
de la simulacin o tenemos relaciones entre variables es la siguiente:

Disear el modelo lgico de decisin
Especificar distribuciones de probabilidad para las variables aleatorias relevantes.
Incluir posibles dependencias entre variables.
Muestrear valores de las variables aleatorias.
Calcular el resultado del modelo segn los valores del muestreo (iteracin) y registrar el
resultado
Repetir el proceso hasta tener una muestra estadsticamente representativa
Obtener la distribucin de frecuencias del resultado de las iteraciones
Calcular media, desvo.
Analizar los resultados

Las principales caractersticas a tener en cuenta para la implementacin o utilizacin del algoritmo son:
El sistema debe ser descripto por 1 o ms funciones de distribucin de probabilidad (fdp)
Generador de nmeros aleatorios: como se generan los nmeros aleatorios es importante para
evitar que se produzca correlacin entre los valores muestrales.
Establecer lmites y reglas de muestreo para las fdp: conocemos que valores pueden adoptar las
variables.
Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a simular.
Estimacin Error: Con que error trabajamos, cuanto error podemos aceptar para que una corrida
sea vlida?
Tcnicas de reduccin de varianza.
Paralelizacin y vectorizacin: En aplicaciones con muchas variables se estudia trabajar con
varios procesadores paralelos para realizar la simulacin.

Ejemplo
Tenemos la siguiente distribucin de probabilidades para una demanda aleatoria y queremos ver que
sucede con el promedio de la demanda en varias iteraciones:

Utilizando la distribucin acumulada(F(x) es la probabilidad que la variable aleatoria tome valores
menores o iguales a x) podemos determinar cual es el valor obtenido de unidades cuando se genera un
nmero aleatorio a partir de una distribucin continua uniforme. Este mtodo de generacin de variable
aleatoria se llama Transformacin Inversa.

Unidades Frecuencia
Frecuencia
Acumulada
42 0.1 0.1
45 0.2 0.3
48 0.4 0.7

193
51 0.2 0.9
54 0.1 1

Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda para cada da,
interesndonos en este caso como es el orden de aparicin de los valores. Se busca el nmero aleatorio
generado en la tabla de probabilidades acumuladas, una vez encontrado (si no es el valor exacto, ste
debe se menor que el de la fila seleccionada pero mayor que el de la fila anterior), de esa fila tomada como
solucin se toma el valor de las unidades (Cuando trabajamos en Excel debemos tomar el lmite inferior
del intervalo para busca en las acumuladas, para poder emplear la funcin BUSCARV(), para 42 sera 0,
para 43 0,100001 y as sucesivamente). Ejemplo: Supongamos que el nmero aleatorio generado sea 0,52,
a qu valor de unidades corresponde? Nos fijamos en la columna de frecuencias acumuladas, ese valor
exacto no aparece, el siguiente mayor es 0,70 y corresponde a 48 unidades.

Se puede apreciar mejor en el grfico, trazando una recta desde el eje de la frecuencia hasta que interseca
con la lnea de la funcin acumulada, luego se baja a la coordenada de unidades y se obtiene el valor
correspondiente; en este caso 48.

Cuando trabajamos con variables discretas la funcin acumulada tiene un intervalo o salto para cada
variable (para casos prcticos hay que definir los intervalos y luego con una funcin de bsqueda hallar el
valor). Para funciones continuas se puede hallar la inversa de la funcin acumulada.

De esta forma logramos a partir de la distribucin de densidad calcular los valores de la variable aleatoria
dada.

Nmero de
Simulacin
Nmeros
aleatorios
Valor de la
Demanda
1 0.92 54
2 0.71 51
3 0.85 51
... ... ...
n 0.46 48

En la siguiente tabla, vemos como a medida que aumenta el numero de simulaciones, el valor simulado se
acerca al valor original de la media y desviacin estndar, adems de la disminucin del error tpico.

Cantidad de
simulaciones
Media Desvo Error
10 48.6 3.41 1.08
100 48.12 3.16 0.32

194
1000 47.87 3.28 0.1
10000 47.87 3.3 0.03
8.4 Qu es la Simulacin de Monte Carlo?

La simulacin de Monte Carlo es una tcnica cuantitativa que hace uso de la estadstica y los ordenadores
para imitar, mediante modelos matemticos, el comportamiento aleatorio de sistemas reales no
dinmicos (por lo general, cuando se trata de sistemas cuyo estado va cambiando con el paso del tiempo,
se recurre bien a la simulacin de eventos discretos o bien a la simulacin de sistemas continuos).

La clave de la simulacin MC consiste en crear un modelo matemtico del sistema, proceso o actividad
que se quiere analizar, identificando aquellas variables (inputs del modelo) cuyo comportamiento
aleatorio determina el comportamiento global del sistema. Una vez identificados dichos inputs o variables
aleatorias, se lleva a cabo un experimento consistente en (1) generar con ayuda del ordenador-
muestras aleatorias (valores concretos) para dichos inputs, y (2) analizar el comportamiento del sistema
ante los valores generados. Tras repetir n veces este experimento, dispondremos de n observaciones
sobre el comportamiento del sistema, lo cual nos ser de utilidad para entender el funcionamiento del
mismo obviamente, nuestro anlisis ser tanto ms preciso cuanto mayor sea el nmero n de
experimentos que llevemos a cabo.

Veamos un ejemplo sencillo:

En la imagen inferior se muestra un anlisis histrico de 200 das sobre el nmero de consultas diarias
realizadas a un sistema de informacin empresarial (EIS) residente en un servidor central. La tabla
incluye el nmero de consultas diarias (0 a 5) junto con las frecuencias absolutas (nmero de das que se
producen 0, 1, ..., 5 consultas), las frecuencias relativas (10/200 = 0,05, ...), y las frecuencias relativas
acumuladas.

Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso asociado, en este
caso, la probabilidad de un determinado nmero de consultas (as, p.e., la probabilidad de que se den 3
consultas en un da sera de 0,30), por lo que la tabla anterior nos proporciona la distribucin de
probabilidad asociada a una variable aleatoria discreta (la variable aleatoria es el nmero de consultas al
EIS, que slo puede tomar valores enteros entre 0 y 5).

Supongamos que queremos conocer el nmero esperado (o medio) de consultas por da. La respuesta a
esta pregunta es fcil si recurrimos a la teora de la probabilidad.

Denotando por X a la variable aleatoria que representa el nmero diario de consultas al EIS, sabemos que:

195
Por otra parte, tambin podemos usar simulacin de Monte Carlo para estimar el nmero esperado de
consultas diarias (en este caso se ha podido obtener el valor exacto usando teora de probabilidad, pero
ello no siempre ser factible). Veamos cmo:

Cuando se conozca la distribucin de probabilidad asociada a una variable aleatoria discreta, ser posible
usar la columna de frecuencias relativas acumuladas para obtener los llamados intervalos de nmeros
aleatorios asociados a cada suceso. En este caso, los intervalos obtenidos son:

[0.00, 0.05) para el suceso 0

El grfico siguiente nos muestra cada una de las probabilidades sobre el nmero de consultas. En l, se
aprecia claramente la relacin existente entre probabilidad de cada suceso y el rea que ste ocupa.

Esto significa que, al generar un nmero pseudo-aleatorio con el ordenador (proveniente de una
distribucin uniforme entre 0 y 1), estaremos llevando a cabo un experimento cuyo resultado, obtenido
de forma aleatoria y segn la distribucin de probabilidad anterior, estar asociado a un suceso. As por
ejemplo, si el ordenador nos proporciona el nmero pseudo-aleatorio 0,2567, podremos suponer que ese
da se han producido 2 consultas al EIS.

Asignamos pues la funcin ALEATORIO a una casilla (la G1 en el caso de la imagen):

Seleccionando la celda y arrastrando con el ratn desde el borde inferior derecho de la misma podemos
obtener un listado completo de nmeros pseudo-aleatorios:

A continuacin, podemos usar la funcin SI de Excel para asignar un suceso a cada uno de los nmeros
pseudo aleatorios generados (como veremos, otra forma de hacer esta asignacin ser usando la funcin
BUSCARV):

196

Repitiendo el proceso de seleccionar y arrastrar obtendremos algo similar a:

Finalmente, usando la funcin PROMEDIO ser posible calcular la media de los valores de la columna H:

En este caso, hemos obtenido un valor estimado que corresponde exactamente con el valor real
anteriormente calculado va la definicin terica de la media. Sin embargo, debido a la componente
aleatoria intrnseca al modelo, normalmente obtendremos valores cercanos al valor real, siendo dichos
valores diferentes unos de otros (cada simulacin proporcionar sus propios resultados). Se puede
comprobar este hecho pulsando repetidamente sobre la funcin F9 (cada vez que se pulsa dicha tecla,
Excel genera nuevos valores aleatorios y, por tanto, nuevos valores para la columna H y la casilla I1).

Si en lugar de usar una muestra aleatoria formada por 100 observaciones hubisemos usado una formada
por 10, los valores que obtendramos al pulsar repetidamente F9 no seran estimaciones tan buenas al
valor real. Por el contrario, es de esperar que si hubisemos usado 1.000 (o mejor an 10.000)
observaciones, los valores que obtendramos en la casilla I1 estaran todos muy cercanos al valor real.
8.4.1 Simulacin MC con Variables Discretas

Veamos un ejemplo algo ms complejo del uso de Excel para construir modelos de simulacin MC cuando
las variables aleatorias sean discretas:

Supongamos que trabajamos en un gran almacn informtico, y que nos piden consejo para decidir sobre
el nmero de licencias de un determinado sistema operativo que conviene adquirir las licencias se
suministrarn con los ordenadores que se vendan durante el prximo trimestre, y es lgico pensar que en
pocos meses habr un nuevo sistema operativo en el mercado de caractersticas superiores. Cada licencia
de sistema operativo le cuesta al almacn un total de 75 dlares, mientras que el precio al que la vende es
de 100 dlares. Cuando salga al mercado la nueva versin del sistema operativo, el almacn podr
devolver al distribuidor las licencias sobrantes, obteniendo a cambio un total del 25 dlares por cada una.

197
Basndose en los datos histricos de los ltimos meses, los responsables del almacn han sido capaces de
determinar la siguiente distribucin de probabilidades por lo que a las ventas de licencias del nuevo
sistema operativo se refiere:

Construimos nuestro modelo usando las frmulas que se muestran en la figura inferior. En la casilla H2
usaremos la funcin ALEATORIO para generar el valor pseudo-aleatorio que determinar el suceso
resultante; en la celda I2 usamos la funcin BUSCARV para determinar el suceso correspondiente
asociado al valor pseudo-aleatorio obtenido notar que usamos tambin la funcin MIN, ya que en ningn
caso podremos vender ms licencias que las disponibles. El resto de frmulas son bastante claras:

En la imagen anterior se muestra cmo construir el modelo con una observacin (iteracin). A fin de
generar nuevas observaciones, deberemos seleccionar el rango H2:N2 y "arrastrar" hacia abajo (tantas
casillas como iteraciones deseemos realizar):

Finalmente, es posible estimar el valor esperado de la variable aleatoria que proporciona los beneficios
sin ms que hallar la media de las 100 observaciones que acabamos de realizar. Asimismo, usaremos las
funciones DESVEST e INTERVALO.CONFIANZA para hallar, respectivamente, la desviacin estndar de la
muestra obtenida y el intervalo de confianza (a un nivel del 95%) para el valor esperado:

198

La apariencia final de nuestro modelo ser:

A partir del modelo anterior es posible tambin realizar what-if anlisis (anlisis de escenarios o
preguntas del tipo qu pasara si cambiamos tal o cual input?). Para ello es suficiente con ir cambiando
los valores de las celdas C11:C14 (inputs del modelo en este ejemplo). Asimismo, podemos ampliar
fcilmente el nmero de iteraciones (observaciones muestrales) sin ms que repetir los procesos de
seleccionar y arrastrar.

En el caso actual, hemos optado por tomar 1.000 iteraciones para cada una de los posibles inputs
asociados a la cantidad de pedido (estos posibles inputs son: 100, 150, 200, 250, y 300). Si se realizase el
experimento, se obtendran unos resultados similares a los que se muestran a continuacin (ya que 1.000
es un nmero ya bastante considerable para este ejemplo):

Resultados para n=1000 iteraciones
N Licencias Benef.Medio Desv.Est. Intervalo confianza 95%
100 2500 0 2500 2500
150 2569 1743 0 3750
200 2079 3250 -2500 5000
250 333 4154 -5000 6250
300 -1868 4555 -7500 7500

199

A partir de los resultados, parece claro que la decisin ptima es hacer un pedido de 150 unidades, ya que
con ello se consigue el beneficio mximo.
8.4.2 Generacin de Nmeros Aleatorios Provenientes de Otras Distribuciones

Las ltimas versiones de Excel incorporan un Add-In llamado Anlisis de datos. Este complemento
proporciona nuevas funcionalidades estadsticas a la hoja de clculo. Entre ellas, nos interesa destacar la
de Generacin de nmeros aleatorios:

Con esta opcin, es posible generar fcilmente observaciones provenientes de diversas distribuciones de
variable discreta (Bernoulli, Binomial, Poisson, Frecuencia relativa, y Discreta) o de variable continua
(Uniforme y Normal).

Independientemente del complemento Anlisis de datos, es posible usar un resultado muy conocido de la
teora estadstica, llamado mtodo de la transformada inversa, para derivar las frmulas que permiten
obtener valores pseudo-aleatorios provenientes de distribuciones como la Weibull o la Lognormal.

En la tabla siguiente se muestran algunas frmulas que, implementadas en celdas de Excel, nos permiten
obtener valores pseudo-aleatorios de algunas de las distribuciones continuas ms usadas:

200

Distribucin Parmetros Formula Excel
Exponencial
Media = b = -LN(ALEATORIO())*b
Weibull
Escala = b Forma = a = b*(-LN(ALEATORIO())^(1/a)
Normal Media =
Desv. Estandar = = DISTR.NORM.INV(ALEATORIO(), , )
Lognormal Media de Ln(X) =
Desv. Estandar de Ln(X) = = DISTR.LOG.INV(ALEATORIO(), , )
Uniforme entre a y b Extremo inferior = a
Extremo superior = b = a+(b-a)*ALEATORIO()

Aadir, finalmente, que es relativamente sencillo implementar funciones VBA que, haciendo uso del
mtodo de la transformada inversa o de otros mtodos similares, permita la generacin de valores
provenientes de casi cualquier distribucin terica.
8.4.3 Simulacin MC con Variables Continuas

Como hemos comentado, es posible usar las frmulas anteriores para generar, a partir de la funcin
ALEATORIO(), valores pseudo-aleatorios provenientes de otras distribuciones continuas. En las pginas
siguientes, veremos dos ejemplos de modelos que hacen uso de la distribucin normal (la distribucin
estadstica ms importante y utilizada):

Ejemplo: Tiempo de consultas a servidores en paralelo

Supongamos que desde un ordenador cliente se realiza consultas SQL a bases de datos situadas en dos
servidores distintos. Nuestro objetivo ser estimar el tiempo esperado (tiempo medio) que deberemos
esperar para recibir la respuesta de ambos servidores. Dada la complejidad de la consulta que queremos
realizar, y basndonos en experiencias anteriores, se calcula que el tiempo necesario para que cada uno
de los servidores responda a la misma sigue una distribucin normal con los parmetros (media y
desviacin estndar, en minutos) que se indican a continuacin:

Pediremos a Excel que genere valores pseudo-aleatorios provenientes de dichas distribuciones.
Asimismo, usaremos la funcin MAX para obtener el tiempo de respuesta (que ser el mximo de los
tiempos de respuesta de cada servidor), y la funcin SI para determinar qu servidor ha sido el ms
rpido en responder:

Usaremos tambin las funciones CONTAR y CONTAR.SI para contar el nmero de iteraciones y el nmero
de veces que un servidor es ms rpido que el otro:

201

Finalmente, las funciones PROMEDIO, DESVEST, e INTERVALO.CONFIANZA nos servirn para obtener,
respectivamente, el tiempo muestral medio (esperado) de respuesta, la desviacin estndar de la muestra
(observaciones que generaremos), y un intervalo de confianza, a un nivel del 95%, para el tiempo medio
(este intervalo nos permitir saber si nuestra estimacin es buena o si, por el contrario, necesitaremos
ms iteraciones).

Una vez introducidas las frmulas anteriores, bastar con seleccionar y arrastrar hacia abajo el rango de
celdas G3:J3, con lo que se generarn nuevas iteraciones. En la imagen siguiente se muestra el resultado
obtenido al generar 2.077 iteraciones. Observar que el tiempo medio estimado de respuesta es de 22,98
minutos, y podemos asegurar, con un nivel de confianza del 95%, que dicho tiempo medio estar entre
22,88 y 23,08 minutos.

Finalmente, se observa tambin que el servidor 1 ha respondido ms rpido que el servidor 2 en el 68%
de las iteraciones.

Ejemplo: Inversin inicial y flujo de caja

Consideremos ahora un nuevo problema: supongamos que disponemos de un capital inicial de 250
dlares que deseamos invertir en una pequea empresa. Supondremos tambin que los flujos de caja -
tanto los de entrada como los de salida- son aleatorios, siguiendo stos una distribucin normal.

Para el primer mes, el valor esperado del flujo de entrada es de 500 Euros, mientras que el valor esperado
para el flujo de salida es de 400 Euros. En meses posteriores, el valor esperado ser el valor obtenido para
en el mes anterior. Por su parte, las desviaciones estndar valdrn, en todos los casos, un 25% del valor

202
medio (esperado) asociado. En base a lo anterior, podemos construir un modelo como se muestra en las
siguientes imgenes:

Seleccionando y arrastrando hacia abajo el rango G3:O3, hemos obtenido los siguientes resultados para
5.859 iteraciones:

Observamos que el valor esperado para el capital final es de unos 543 dlares, y que podemos afirmar,
con un nivel de confianza del 95%, que dicho valor estar entre 527 y 558 dlares.


Una Aplicacin del Mtodo de Monte Carlo en el Anlisis de Riesgo de Proyectos: Su automatizacin a
travs de una planilla de clculo. http://www.abcbolsa.com/montecarlo_excel_cyta1.htm
El mtodo de Monte Carlo: http://www.monografias.com/trabajos12/carlo/carlo.shtml
Simulacin: Excel Avanzado, Macro, funciones. http://trucosexcel.blogspot.com/

203

1. Alonso Sanz, Ramn. Problemas Tipos des Teora de la Decisin. Universidad Politcnica de
Madrid. 1997.

2. Caballero Fernandez, Rafael. Gonzales Pareja, Alfonso. Mtodos Matemticos para la Economa.
Mc GrawHill. 1992.

3. Castillo, Enrique. Conejo, Antonio J. Pedregal, Pablo. Garca, Ricardo. Alguacil, Natalia.
Formulacin y Resolucin de Modelos de Programacin Matemtica en Ingeniera y Ciencia.
Universidad de Oviedo. 2002.

4. Chiang, Alpha C. Mtodos Fundamentales de Economa Matemtica. McGraw Hill. 3ra Edicin.
1987.

5. Curso: Mtodos Cuantitativos para la Administracin Notas de Ctedra. Facultad de Ciencias
Econmicas y Jurdica. Universidad Nacional de la Pampa. Argentina. 2007.

6. Delurgio, Stephen A. Pronsticos: Principios y Aplicaciones. Irwin McGraw Hill. 2007.
7. Departamento de Informtica. Aprendizaje de rboles de Decisin. Universidad Nacional de San
Luis. Argentina. 2006.

8. Diebold, Francis. Elementos de Pronsticos. Thompson Editores. 1999.

9. Facultad de Ciencias Exactas. Simulacin, Mtodo Monte Carlo. Curso de Investigacin
Operativa I. Universidad Nacional del Centro de la Provincia de Buenos Aires. 2005.

10. Faulin, Javier. Juan, Angel A. Mdulo: Simulacin de Monte Carlo con Excel. Proyecto e-Math.
www.uoc.edu.

11. Font Belaire, Begoa. Programacin Matemtica: Cuaderno de Teora y Ejercicios.
Departamento de Matemticas. Universidad de Valencia. 2004.

12. Garcia Quiles, Sergio. Investigacin Operativa. Notas de Clase.

13. Gupta, Vijay. Anlisis Estadstico con Excel. Excel para Profesionales. VJ books. 2002.

14. Kikut Velarde, Ana Cecilia. Muoz Salas, Evelyn. Quiros Solanoa, Juan Carlos. Aspectos
Conceptuales Sobre Series de Tiempo Nociones Bsicas. Banco Central de Reserva Costa Rica.
2002.

15. Kosciuk, Nicolas H. Sistemas de Informacin Gerencial. Alfa Epsilon. Argentina. 2005.

16. Leroux, Rosa Maria Garcia de. El Conocimiento para la Toma de Decisiones. Gerentia. Ao 8,
n8. Decanato de Investigacin y Desarrollo. Universidad Fermin Toro. Venezuela. 2006.

204
17. Linares, Pedro. Ramos, Andrs. Sanchez, Pedro. Sarabia, Angel. Vitoriano, Begoa. Modelos
Matemticos de Optimizacin. Departamento de Organizacin Industrial. Universidad Comillas,
Madrid. Espaa. 2001.

18. Pea, Daniel. Alonso, Andres M. Sanchez, Ismael. Anlisis de Series de Tiempo. Departamento de
Estadstica. Universidad Carlos III Madrid. Espaa.

19. Pepi Vials, Montserrat. Series Temporales. Aula Politcnica / ETSEIT. Centro de Recursos de
Soporte a la Docencia. Universidad Politcnica de Catalunya. Espaa. 2002.

20. Perez Gorostegui, E. Introduccin a la Teora de la Decisin. Departamento de Economa
Financiera, Contabilidad y Direccin de Operaciones. Universidad de Huelva. 2007.

21. Quesada Ibargue, Victor Manuel. Vergara Schmalbach, Juan Carlos. Anlisis Cuantitativo con
WINQSB. Grupo de Mtodos Cuantitativos de Gestin. Universidad de Cartagena.
http://www.eumed.net/libros/2006c/216/index.htm

22. Serra de la Figueroa, Daniel. Mtodos Cuantitativos para la Toma de Decisiones. Centre de
Recerca en Economia i Salud (CRES). Universidad Pempeu Fabra. 2002.

23. Vergara Schamalbach, Juan Carlos. La Programacin Lineal. Servicio de Optimizacin ON
LINE. www.optimos.usach.cl/PM.htm

24. Yu Chuen Tao, Luis. Aplicaciones Prcticas de PERT y CPM. Gestin Deustuo. 5ta. Reimpresin.
1980.

Metodos Cuantitativos para Los Negocios

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Metodos Cuantitativos para Los Negocios

Cargado por

Copyright:

Formatos disponibles

1

También podría gustarte