INTRODUCCION

El trabajo que a continuacion desarrollamos trata sobre la

teora de colas y las decisiones administrativas; Arboles de decisin
y las probabilidades y las tcnicas grficas con herramientas de
decisin.

La teora de colas, hoy en da, es una herramienta de valor de

negocios

debido

que

ncleos

de

problemas

pueden

caracterizase, como problemas de congestin llegada - partida.

Las tcnicas del anlisis de decisin cuando se debe tomar

una decisin cuando se debe tomar una decisin terminal sencilla
con base del estado actual de informacin del temador de
decisiones, esto es las decisiones secuenciales y las oportunidades
de adquirir informacin adicional no se consideran antes de decidir.

Un rbol de decisin muestra cronolgicamente la secuencia

de acciones uy resultados de medida que se desenvuelven
resultados esperando que el trabajo sirva de ayuda a los
administradores y a todo aquella persona que se intarxe en el tema.

INDICE

Introduccin
CAPITULO I: TEORIAS DE COLAS
1.1

Elementos Bsicos del Modelo de Colas. ......................

1.2

Funciones de las distribuciones de poisson y

Exponencial ...................................................................

1.3

Otras teoras de Colas ................................................... 10

a.

Modelo de Nacimiento puro

1.4

Modelo de Muerte Pura .................................................

11

1.5

Modelo Generalizado de Poisson .................................

11

CAPITULO

II:

TECNICAS

DE

GRAFICAS

COMO

HERRAMIENTAS DE DECISION
Modelo de dos variables y su soluciones grfica ................... 16
Construccin del Modelo Matemtico para el anlisis
De grficos .............................................................................. 18
Solucin grfica de modelos de PL ........................................ 19
Anlisis de Sensibilidad: Presentacin elemental en el
Anlisis de grficos .................................................................. 21
Problema de sensibilidad Qu tanta variacin se permite
Los coeficientes de la funcin objetivo? ..............................

22

Formulaciones en PL en anlisis de grficos ......................

24

Representacin Matemtica ...............................................

25

CAPITULO III : DIAGRAMAS DE ARBOL O ARBOLES DE

DECISION
Arboles de decisin bajo incertidumbre ..............................

28

Criterio de Laplacen ...........................................................

28

Criterio de deploracin minimax de savagen ......................

29

Conclusiones ......................................................................

31

Bibliografa .............................................................................

33

CAPITULO I
TEORIA DE COLAS

1.1

ELEMENTOS BASICOS DEL MODELO DE COLAS

Desde el punto de vista de un modelo de espera, una situacin de
lnea de espera se genera de la manera siguiente: Cuando el cliente
llega a la instalacin se forma en una lnea de espera (cola o fila). El
servidor elige a un cliente de la lnea de espera para comenzar a
prestar el servicio. Al culminarse se repite el proceso de elegir a un
nuevo cliente (en espera). Se supone que no se pierde tiempo entre
el momento en que un cliente ya atendido sale de la instalacin y la
admisin de un nuevo cliente de la lnea de espera.

Los protagonista principales en una situacin de espera son el cliente

ny el servidor. En los modelos de espera, la interaccin entre el cliente
y el servidor solo es de inters en tanto que se relacione con el
periodo que necesita el cliente para completar su servicio. Por lo
tanto, desde el punto de vista de las llegadas
interesan los intervalos de tiempo que separan

de clientes,

nos

llegadas sucesivas.

Asimismo, en el caso del servicio, es el tiempo de servicio por cliente

el que cuenta en el anlisis.

En los modelos de espera, las llegadas y los tiempos de servicio de

clientes se resumen en trminos de distribuciones de probabilidad que
normalmente se conocen como distribuciones de llegada y de tiempo

de servicios.

Estas distribuciones

pueden

representar

situaciones

donde llegan clientes y son atendidos individualmente (por ejemplo en

bancos o supermercados). En otros casos, los clientes pueden llegar
y/o ser atendidos en grupos (por ejemplo, en restaurantes). Este ltimo
caso se conoce normalmente como lneas de espera masivas.

Aunque

los patrones

de llegadas

y salidas

son los factores

principales en el anlisis de las lneas de espera, tambin pueden

figurar otros factores en forma importante en la elaboracin de los
modelos.

El primer

factor es la forma como se elige a los clientes

de la lnea de espera para dar inicio al servicio. Esta se conoce como

la disciplina de servicio. La disciplina ms comn y en apariencia
justa, es la regla FCFS (el primero en llegar es el primero

en ser

atendido). Las reglas LCFS (el ltimo en llegar es el primero en ser

atendido) y SIRO (servicio en orden aleatorio) pueden surgir tambin
en situaciones prcticas. Tambin debemos agregar

que en tanto

que la disciplina de servicio regula la eleccin de clientes

de una

lnea de espera, tambin es posible que los clientes que lleguen a

una instalacin sean colocadas en lneas de espera con prioridad para
que

aquellas personas con mayor

prioridad para que

personas con mayor prioridad reciban preferencia

aquellas

de ser atendidos

en primer trmino. No obstante, la seleccin especfica de clientes de

cada lnea de espera con prioridad puede apegarse a cualquier
disciplina de servicio.

El segundo factor que tiene que ver con el diseo de la instalacin y la

ejecucin del servicio. La instalacin puede incluir ms de un servidor
con lo cual es posible atender a tantos clientes en forma simultanea
como nmero de servidores haya (por ejemplo, en cajeros bancarios).
En este caso,

todos los servidores ofrecen

el mismo servicio y se

dice que la instalacin tiene servidores paralelos. Por otra parte, la

instalacin puede comprender un nmero de estaciones en serie por
las que puede pasar el cliente antes de que se complete
(por ejemplo,

el procesamiento

el servicio

de un producto en una serie

maquinas). Las situaciones resultantes

de

se conocen normalmente

como lneas en espera o lneas de espera sucesivas. El diseo mas

general

de una instalacin

procesamiento

en

serie

de servicio

incluye

y en paralelo. Esto

estaciones de

da origen

a lo que

llamamos lneas de espera en red.

El tercer factor tiene que ver con el tamao de la lnea de espera en

red, ciertos

casos, slo se puede admitir a un nmero limitado de

clientes, posiblemente en virtud de la limitacin del espacio (por

ejemplo, los espacios

de estacionamiento

que se permitan

en un

autobanco). Cuando la lnea de espera se llena a toda su capacidad,

los clientes que llegan no se pueden formar en la lnea de espera.

El cuarto factor,

se relaciona con la naturaleza de la fuente que

genera llamadas solicitando servir (llegadas de clientes). La fuente

de llamadas puede ser capaz de generar un nmero finito de clientes

o (en teora) infinitamente muchos clientes. Existe una fuente finita

cuando una llegada afecta la tasa de llegada de nuevos clientes. En
una oficina con M mquinas, la fuente de llamadas antes de que se
descomponga cualquier mquina consta de M clientes en potencia.
Cuando se descompone una mquina. se convierte en un cuente y, por
lo tanto, no puede generar nuevas llamadas hasta que sea reparada. Se
puede hacer una distincin entre la situacin de la oficina y otros donde
la "causa" para generar llamadas est limitada no obstante que puede
generar un nmero infinito de llegadas. Por ejemplo, en una oficina de
mecanografa, el nmero de usuarios es finito, no obstante que cada
usuario pudiera generar un numero ilimitado de llegadas. ya que en
trminos generales un usuario no necesita esperar a que se termine el
material entregado con anterioridad antes de generar otro nuevo.

Los modelos de espera que representan situaciones en las que los seres
humanos son clientes o servidores, deben estar diseados para tomar
en cuenta el efecto de la conducta del ser humano. Un servidor
"humano" puede cambiarse de una lnea de espera a otra, con la
esperanza de reducir su tiempo de espera (la prxima vez que el lector
est en un banco o en un supermercado pueden "matar" el tiempo de
espera observando estos cambios). Algunos clientes "humanos" pueden
tambin eludir formarse en una lnea de espera en virtud de que
anticipen una demora apreciable, o bien, pueden renunciar despus de
estar,, un momento en la fila debido a que su espera haya sido
demasiado larga. (Ntese que en trmino de la conducta del ser

humano, quiz una espera que es muy larga para una persona no sea
tau larga para otra).

Sin duda alguna, existen otras cualidades o caractersticas presentes en

las situaciones de espera de todos los das. No obstante, desde el punto
de vista del modelo de espera, estas cualidades y/o caractersticas
pueden tomarse en cuenta slo si se pueden cuantificar de manera que
haga posible su inclusin matemtica en el modelo. Asimismo, los
modelos de espera no pueden tomar en cuenta el comportamiento
individual de les clientes. en el sentido de que se espera que todos los
clientes formados en una lnea de espera se "comporten" en la misma
forma mientras permanecen en la instalacin. Por lo tanto, un cliente
'parlanchn" se considera. un caso raro y su conducta es ignorada en el
diseo del sistema. Por otra parte, si sucede que la mayora de los
clientes son excesivamente parlanchines, un diseo realista de Ja
instalacin de servicio deber estar basado en el hecho de que este
hbito, por prdigo que pueda ser, es una parte integral de la operacin.
Una manera lgica de incluir el efecto de este hbito consiste en
aumentar el tiempo de servicio por cliente,

Ahora vemos que los elementos bsicos de un modelo de espera

dependen de los siguientes factores:
1. Distribucin de llegadas ('legadas individuales o masivas en grupo).
2. Distribucin del tiempo de servicio (servicio individual o masivo).
3. Diseo de la instalacin de servicio (estaciones en serie, en paralelo o

en red).
4. Disciplina de servicio (CFS, LCFS, SIRO) y prioridad de servicio.
5. Tamao de la lnea de espera (finito o infinito),
6. Fuente de llamadas finita o infinita).
7. Conducta humana (cambios, elusin y renunda),

Existen tantos modelos de espera como variaciones de los factores

citados. En este captulo consideramos varios modelos que parecen ser
tiles en aplicaciones prcticas. En la seccin que sigue se indica que
las distribuciones de Poisson y exponencial. desempean una funcin
importante en la representacin de las llegadas y tiempos de servicio
en muchas situaciones

de espera. En las secciones posteriores se

presentan los modelos de espera relacionados y sus soluciones.

1.2

FUNCIONES

DE

LAS DISTRIBUCIONES

DE POISSON Y

EXPONENCIAL

Considrese la situacin de espera en la cual el nmero de llegadas

y salida (a las que se da servicio) durante un intervalo de tiempo es
controlado por las siguientes condiciones:

Condicin 1:

la probabilidad de que un evento (llegada o salida)

ocurre entre los tiempos t y t + h depende nicamente de la longitud

de h, lo que significa que la probabilidad

no depende ni del nmero

de eventos que ocurre hasta el tiempo t ni del valor especifico del

periodo

(0, f)

(Matemticamente, decimos que la funcin de

probabilidad tiene incrementos independientes y estacionarios).

Suponga que T es el intervalo de tiempo

desde la ocurrencia del

ltimo

el siguiente anunciado

evento;

entonces

es valido

probabilstico.
P = el tiempo entre eventos
excede a T

= p

no ocurren eventos
durante T

En trminos matemticos esto se expresa como:

f(t) dt = Po (T)
t
Sustituyendo el valor de Po (t) deducido antes, obtenemos:

f(t) dt = e -aT, T 0
t
o bien:
T f(t) dt = 1- e -aT,
o

T 0

Derivando ambos miembros de la ecuacin respecto a T, obtenemos:

F(t) = e

-at

, t 0 (exponencial)

que

es una distribucin exponencial con media E (t) = 1/ unidades

de tiempo.

1.3

OTRAS TEORIAS DE COLAS

A.

MODELO DE NACIMIENTO PURO

Considere la situacin de emitir actas de nacimiento para bebs
recin nacidos. Estas actas se guardan normalmente en una
oficina de Registro Civil.
nacimiento

de bebs

Hay razones

y por ello,

para creer

que el

la emisin de las actas

correspondientes en un proceso completamente aleatorio que se

puede descubrir

por medio de una distribucin de Poisson.

Usando la informacin de la seccin 15.2 y suponiendo que

es la tasa

con que

se

emiten

las actas de nacimiento, el

proceso de nacimiento puro es tener n arribos o llegadas

(actas de nacimientos) durante el proceso de tiempo t se puede
describir con la siguiente distribucin de Poisson.

Dn (t) = (t)ne - t, n = 0, 1, 2, .... (nacimiento puro)

n!
Donde es la tasa de llegada por unidad de tiempo, con el nmero
esperado de llegadas durante t igual a t.

1.4

MODELO DE MUERTE PURA

Considere la situacin de almacenar

N unidades de un artculo al

inicio de la semana, para satisfacer la demanda de los clientes durante

la semana. Si suponemos que la demanda se presenta a una tasa de

unidades por da y que el proceso de demanda es completamente
aleatorio, la probabilidad asociada de tener n artculos en almacn
despus de un tiempo t, la de la siguiente distribucin truncada de
Poisson.

Pn (t) = (
t)N-n e-t, n = 1, 2, ..., N
(N - n)!
N
Po (t) = 1 - p = (t)
n=1
1.5

(muerte pura)

MODELO GENERALIZADO DE POISSON

El modelo generalizado que se desarroll en esta seccin se aplica a
colas de Poisson con tasas de llegadas y salidas

dependientes de

estado. En la seccin 15.5 especializamos los resultados del modelo

desarrollado, a situaciones especificas de colas de Poisson.

Antes de proporcionar

los detalles

del

modelo generalizado

explicaremos que significa tasas de llegada y servicio dependientes del

estado.

Considere

un taller

maquinas. Los ejemplos

de maquinaria

anteriores

con un

total de N

demuestran cmo en el modelo

generalizado de lneas de espera, las tasas de llegada y salidas

pueden ser

funciones del estado del sistema representado

por el

nmero de clientes n. Por esto usamos la notacin y para definir

las tasas de llegadas y salidas como una funcin de n.

La deduccin de una expresin para p n se logra utilizando el as

llamado diagrama de tasas de transicin. De la definicin dada en la
seccin anterior del proceso de Poisson, dado que hay n clientes en el
sistema en cualquier tiempo t, el nmero de clientes en el sistema al
final de un intervalo de tiempo h suficientemente pequeo, ser n-1
o n+1 dependiendo de si una salida o llegada

tiene lugar durante el

intervalo h. Decimos entonces que en un proceso de Poisson el

estado n solo se puede comunicar

en los estados n-1 y n+1. Los

valores asociados en cada flecha representan las tasas de transaccin

entre los estados. Por ejemplo tasa de transicin entre los estados. Por
ejemplo, tasa de transicin del estado n-1 al estado n es la tasa de
llegadas n-1, donde n-1 es una funcin del estado origen n-1.

Bajo condiciones de estado estable,

las tasas esperadas de flujo

entrante y saliente del estado n, deben ser iguales. Como el estado n

se comunica solo con los estados n-1 y n+1 las tasas de transicin
desde todos los otros estados (0,1, 2, ... n -2, n+2, n+3), deben ser
cero. Tenemos entonces:
(tasa esperada de flujo desde el estado n)
= 0(po + .... pn -2) + n-1 Pn-1 + n+1Pn+1 + 0(pn+2+
= n-1 Pn-1 + n+1 Pn+1

Similarmente:

(Tasa esperada de flujo = ( n + n)Pn

desde el estado n)
Igualando las dos tasas, obtenemos la ecuacin de equilibrio:

n-1 Pn-1 + n+1Pn+1 = (n + n) Pn ; n = 1, 2,...

Esta ecuacin es vlida slo para n0. Para determinar la ecuacin

de equilibrio

para n=0, consideremos

el diagrama

de tasas

de

transicin en la figura 15-4. En este caso, el estado 0 se comunica slo

con el estado 1.

Las ecuaciones

de equilibrio

se resuelven en forma

recursiva

comenzando con p1 y procediendo por induccin para determinar p n.

De la ecuacin de equilibrio para n=0, obtenemos:
P1 = o p o
1
A continuacin para n= 1 tenemos:
opo + 2p2 = (1 + 1)p1
sustituyendo p1 = (o/1) Po y simplificando, obtenemos (verifquelo):
P2 = 1 o p o
21

En general podemos demostrar por induccin que:

Pn = n-1 n-x ....o Po

nn-1 .... 1

n = 1, 2

El valor de po se determina con la siguiente ecuacin:

pn = 1
n=0

CAPITULO II
TECNICAS GRAFICAS COMO HERRAMIENTAS DE DECISION

El xito de una tcnica de investigacin de operaciones (IO) se mide

por la difusin de su uso como una herramienta de la toma de decisiones.
Desde su aparicin a finales de la dcada de 1940, la programacin lineal
(PL)

ha demostrado que es una

de las herramientas mas efectivas de la

investigacin de operaciones. Su xito se debe a su flexibilidad para describir

un gran

nmero de situaciones reales en las siguientes reas: militar,

industrial, agrcola de transporte, de la economa, de sistemas de salud, e

incluso en las ciencias sociales y de la conducta. Un factor importante en el
amplio

uso

de esta tcnica

es la disponibilidad de programas

de

computadora muy eficiente para resolver problemas extensos de PL.

La utilidad de la PL va ms all de sus aplicaciones inmediatas. De

hecho la PL debera considrese como una base importante del desarrollo
de otras tcnicas de la IO, incluidas la programacin entera, la escolstica,
la de flujo

de redes

y la cuadrtica.

Desde este punto de vista,

el

conocimiento de la PL es fundamental para implementar

estas tcnicas

adicionales.

El material de este captulo contiene lo esencial de la programacin

considerada como herramienta de la toma de decisiones, tanto desde el
punto de vista de su formulacin como de su solucin. Adems ya que las
computadoras son necesarias para resolver los problemas de cualquier
tamao prctico deben observarse

ciertas convenciones al formular los

problemas de PL, con el fin de reducir los efectos adversos de los errores de
redondeo en la computadora. Estas convenciones se presentan en este
capitulo.

La programacin lineal es una herramienta determinstica, es decir,

todos los parmetros del modelo se suponen

conocidos con certeza. Sin

embargo en la vida real, es raro encontrar un problema donde prevalezca

verdadera certeza respecto a los datos. La tcnica de la PL, compensa esta
"deficiencia" proporcionando anlisis sistemticos posptimos y paramtricos
que permiten al tomador de decisiones probar la sensibilidad de la solucin
ptima "esttica", respecto

a cambios

discretos

o continuos

de los

parmetros del modelo. Bsicamente estas tcnicas adicionales agregan

una dimensin

dinmica a la propiedad de solucin ptima de la PL. En

este captulo se presentan los fundamentos del anlisis de sensibilidad y se

muestra su aplicacin por medio de ejemplos prcticos.

MODELO DE DOS VARIABLES Y SU SOLUCION GRAFICA

En esta

seccin

se presenta

un modelo sencillo de PL con dos

variables de decisin y se muestra como se puede resolver grficamente. Si

bien es cierto que una solucin grfica bidimensional casi no tiene utilidad
en situaciones reales (las cuales normalmente comprenden cientos o miles
de variables

y restricciones), el procedimiento

oportunidad para entender

ofrece una excelente

como funciona el proceso de optimizacin en la

PL. Tambin permite presentar el concepto de anlisis de sensibilidad de

manera lgica y comprensible. De hecho, el siguiente ejemplo se usa en el
capitulo

3 para explicar

el mtodo

algebraico simples

para resolver

programas lineales en general.

Ejemplo:
Reddy

Mikks Company

posee una pequea

fbrica

de pinturas

para

interiores y exteriores de casas para su distribucin al mayoreo. Se utilizan

dos materiales bsicos A y B, para producir las pinturas. La disponibilidad
diaria de materia prima por tonelada de pintura para interiores y exteriores
se resumen en la tabla que sigue:

Toneladas

de materia prima por

tonelada de pintura
Exterior
Materia Prima A

Disponibilidad
mxima

Interior
2

(toneladas)
6

Materia Prima A

Un estudio del mercado ha establecido

que la demanda diaria de pintura

para interiores no puede ser mayor que la de pintura para exteriores en ms

de una tonelada. As mismo el estudio seala que la demanda mxima de
pintura para interiores esta limitada a dos toneladas diarias.

El precio al mayoreo por tonelada es $ 3 000 para la pintura de exteriores y

$ 2 000 para la pintura de interiores.

Cunta pintura para exteriores e interiores debe producir la compaa

todos los das para maximizar el ingreso bruto?

CONSTRUCCION DEL MODELO MATEMTICO PARA EL ANALISIS DE

GRAFICOS
La construccin de un modelo matemtico se puede iniciar respondiendo a
las tres preguntas siguientes:

1.

Qu busca determinar el modelo? Dicho de otra manera, cules

son las variables (incgnitas) del problema?

2.

Qu restricciones deben imponerse a las variables a fin de satisfacer

las limitaciones del sistema representado por el modelo?

3.

Cul es el objetivo (meta que necesita alcanzarse para determinar la

solucin ptima (mejor) de entre todos los valores factibles de las
variables?

Una manera efectiva de responder a estas preguntas consiste en

hacer un resumen verbal del problema. En trminos de ejemplo de
Reddy Mikks la situacin se describe en la forma siguiente:

La compaa

busca determinar

las cantidades

(en toneladas)

de

pintura para exteriores e interiores que se producirn para maximizar

(incrementa hasta donde sea factible) el ingreso bruto total (en miles
de unidades monetarias) a la vez que se satisfacen las estriciones de
la demanda y el uso de materias primas.

SOLUCION GRAFICA DE MODELOS DE PL

En esta

seccin

consideramos la solucin

del modelo

de

programacin lineal (PL) de Reddy Mikks. El modelo se pude resolver en

forma grfica porque solo tiene dos variables. Para modelos con tres o mas
variables, el mtodo

grfico e

es imprctico

o imposible.

No obstante

podremos deducir conclusiones generales de mtodo grfico que servirn

como la base para el desarrollo del mtodo de solucin general en el capitulo
3.

El primer

paso del mtodo

grfico consiste

factibles o el espacio de soluciones (factible)

en graficar

las soluciones

que satisfaga

todas las

restricciones en forma simultanea. La figura 2-1 representa el espacio de

soluciones que se requiere. Las restricciones de no negatividad X 0 y x1
0 confinan todos los valores factibles al primer cuadrante (que esta definido

por el espacio arriba de 0 sobre el eje X y a la derecha de o sobre el eje x1.

El espacio

encerrado

por las restricciones

restantes

se determina

sustituyendo en primer trmino () por (=) para cada restriccin con lo cual
se produce la ecuacin de una lnea recta.

Una manera fcil de determinar la direccin de la flecha es usar el origen

(0,0) como punto de referencia. Aplicando

este procedimiento

a nuestro

ejemplo, especificamos el espacio de soluciones ABCDEF mostrado en la

figura 2-1

Para obtener la solucin optima (mxima) desplazamos la recta del ingreso

"cuesta arriba" hasta el punto donde cualquier incremento adicional en el
ingreso producira una solucin infactible.

1
8

x + 2x1

2x + x1

-x + x1
5

x1

3
1

x
3

x1

2
1
0

Figura 2-1
x + 2x1 = 6
2x + x1 = 8

Cada punto contenido o situado en la frontera del espacio de soluciones

ABCDEF satisface todas las restricciones y por consiguiente representa un
punto factible.

Funcin objetivo:
Maximizar x = 3x + 2x1
X=6

z =9 z = 12 2/3
Solucin ptima
Xg = 31/3 tan
4
3

X1 = 11/3 ton

X = 12 2/3 miles de g
5

2
6

Figura 2-2

ANALISIS

DE SENSIBILIDAD:

PRESENTACION ELEMENTAL EN EL

ANALISIS DE GRAFICOS
El anlisis de sensibilidad se ha diseado para estudiar el efecto de los
cambios en los parmetros del modelo de PL en la solucin ptima. Tal anlisis

se considera como parte integral de la solucin (extendida) de cualquier

problema de PL. Este da al modelo una caracterstica dinmica que permite al
analista estudiar el comportamiento de la solucin ptima, al efectuar cambios
en los parmetros del modelo. El objetivo final del anlisis es tener informacin
acerca de posibles soluciones ptimas nuevas (correspondientes a cambios en
los parmetros), con un mnimo de clculos adicionales.

El anlisis de sensibilidad es muy adecuado para estudiar el efecto en la

solucin ptima de cambios en los coeficientes de costo/ganancia y, en las
cantidades de recursos disponibles. Aunque los clculos del anlisis de
sensibilidad se han automatizado en la mayora del software de 10 (incluido
TORA), es importante tener un conocimiento fundamental de cmo trabaja el
mtodo, para poder implementar con xito 105 resultados. En esta seccin
utilizarnos un procedimiento grfico para explicar los elementos bsicos del
anlisis. Posteriormente, en los captulos 3 y 5 presentaremos un tratamiento
ms riguroso de esta tcnica.

Problema de sensibilidad 1. Qu tanta variacin se permite en los

coeficientes de la funcin objetivo?
Una variacin en los coeficientes de la funcin objetivo. slo puede afectar la
pendiente de la lnea recta que la representa. En la seccin 2.1.1 [ejercicio 2.12 (b)) demostramos que la determinacin del punto de esquina, o punto
extremo ptimo de un espacio de soluciones, depende totalmente de la
pendiente de la funcin objetivo. Nuestra meta. desde el punto de lista del
anlisis de sensibilidad. es determinar el intervalo de variacin de cada uno de

los coeficientes de la funcin objetivo que mantenga invariante aun punto

extremo ptimo. Los detalles del procedimiento se mostrarn por medio del
modelo Reddy Milkks.

Sean ce y c1 las ganancias por tonelada de las pinturas para exterior e

interior. respectivamente. La funcin objetivo puede escribirse entonces:
Z = Ce Xe + C1 X1

In c re m e n to d e C e
o
d is m in u c i n d e C 1

1
1X
+ C
Xe
Ce
Z =

E
F

B
In c re m e n to d e C e
o
d is m in u c i n d e C 1

La figura 2-4 muestra que el efecto de aumentar o disminuir c 1 es una

rotacin, en el sentido de las manecillas del reloj, de la lnea que representa a z
alrededor del punto optimo C. Por otra parte. una disminucin de Ce O un
aumento de c1. har que la recta gire en sentido contrario. Se trata de
determinar los intervalos de variacin de ce y tales que C siga siendo un punzo
ptimo. Si se observa la figura 24 es claro que en tanto la pendiente de

permanezca dentro de las pendientes de las lneas CB y CD, el punto C

seguir siendo ptimo. (Cuando la pendiente coincida con la CE o la de CD, se
tendr una opcin ptima.) Podemos expresar esta condicin algebraicamente:
1
Ce
2
---- ---- ---2
C1
1
La relacin anterior es correcta slo si G1 0 o sea que el intervalo de
pendientes admisible excluye que la funcin objetivo represente con una lnea
vertical. Si c1 0 es posible, podemos usar la razn C1 / Ce nuevamente
slo si ce 0. Si tanto c1 = 0 como Ce = 0 son posibles, el intervalo debe
segmentarse en dos partes (traslapadas).

Las fracciones lmites son directamente iguales a las razones (algebraicas)

respectiva de los coeficientes de Xe y Xi paras las lneas CB y CD.

La

direccin de la desigualdad queda automticamente determinada por los

valores relativos de las fracciones lmite 1/2 y 2/1.

FORMULACIONES DE PL EN ANALISIS DE GRAFICOS

En la seccin 2.2 presentarnos dos formulaciones de programacin lineal (PL)
en las cuales las definiciones de las variables de decisin y tambin la
construccin de las funciones objetivo Y de restricciones son casi directas. En
esta seccin presentamos otras tres formulaciones que se caracterizan por
tener cieno grado de sutileza en la forma en que se definen y utilizan las
variables en el modo. El Objetivo. desde luego, es de exponer al lector nuevas
ideas concenientes a la elaboracin de modelos.

Ejemplo 2.3-4 (Problema de programacin de los autobuses)

Progress City estudia la factibilidad de introducir un sistema de autobuses de

trnsito masivo que aliviar el problema del esmog. reduciendo el trnsito en la
ciudad. El estudio inicial busca determinar el nmero mnimo de autobuses que
pueden manejar las necesidades de transpone. Despus de recolectar
informacin necesaria, el ingeniero municipal advierte que el nmero mnimo
de autobuses que se necesita para cubrir la demanda flucta con la hora del
da. Estudiando los datos ms a fondo, descubri que el nmero necesario de
autobuses se puede suponer constante en intervalos sucesivos de 4 horas
cada uno. La figura 2-II presenta un resumen de los hallazgos del ingeniero. se
decidi que para facilitar la transportacin, cada autobs poda operar slo S

Nmero de autobuses

horas sucesivas al da.

12
8

12

10
8
7
4

12:00
A.M.

4:00

8:00

12:00

4:00

8:00

12:00

Hora del da

Representacin matemtica
Se debe determinar el nmero de autobuses que operarn durante diversos
turnos (variables) que cubrirn la demanda mnima (restricciones) al mismo

tiempo que se minimiza el nmero diario total de autobuses en operacin

(objetivo).
Quiz el lector ya haya notado que la definicin de las variables es ambigua.
Sabemos que cada autobs operar en turnos de 8 horas, pero no sabemos
cundo debe empezar un turno. Si seguimos un programa normal de tres
turnos (8:01 A.M. - 4:00 P.M., 4:01 PM - 12:00 de medianoche y 12:01 A.M.8:00 A.M.) y suponemos que X1 2 Y x3 son el nmero de autobuses que
empiezan a operar en el primero, segundo y tercer turnos. podernos advertir en
la figura 2-11 que Xt > 10, X2 > 12y x3 > a, donde el nmero mnimo
correspondiente es igual a x + x + x3 = 10 + 12 + 8 = 30 autobuses diarios.

Esta solucin es aceptable slo silos turnos deben coincidir con el programa
normal de tres turnos. Sin embargo, quiz sea ventajoso permitir al proceso de
optimizacin elegir la mejor hora de inicio de un turno. Una manera razonable
de lograr esto es hacer que un turno d comienzo cada 4 horas. La figura 2-12
ilustra este concepto donde los turnos (superpuestos) pueden dar inicio a las
12:01 A.M., 4:01 A.M.. 8:01 A.M.. 12;01 P.M., 4:01 P.M. y 8:01 P.M., donde cada
turno dura 8 horas consecutivas. Ahora estamos listos para definir las variables;
X1

nmero de autobuses que empiezan a operar a las 12:01 A.M.

X2

nmero de autobuses que empiezan a operar a las 4:01 A.M.

X3

nmero de autobuses que empiezan a operar a las 8:01 A.M.

X4

nmero de autobuses que empiezan a operar a las 12:01 P.M.

X5

nmero de autobuses que empiezan a operar a las 4:01 P.M.

X6

nmero de autobuses que empiezan a operar a las 8:01 F.M

CAPITULO III
DIAGRAMAS DEL ARBOL O ARBOLES DE DECISION

En la seccin

presentamos criterios de decisin para evaluar lo que se

pueden denominar alternativas "de una sola etapa" en el sentido de que

ninguna decisin a futuro depender de la que se tome ahora. En esta
seccin consideramos un proceso de decisin "de mltiples etapas" en el
cual se toman decisiones dependientes una tras otra. Se puede hacer una
representacin grfica del problema de decisin mediante el uso de un rbol
de decisin.

Una compaa tiene ahora las opciones de construir una planta de tamao
completo

o una pequea

que se pueda

ampliar

despus.

La decisin

depende principalmente de las demandas futuras del producto que producir

la planta.

La construccin de una

planta

de tamao

completo

puede

justificarse en trminos econmicos si el nivel de demanda es alto. En caso

contrario, quiz sea recomendable

construir una planta pequea ahora y

despus decidir en dos aos si sta se debe ampliar.

En la figura

12-1 se presenta un resumen del problema como un rbol de

decisin. Se supone que la demanda puede ser alta o baja. El rbol de

decisin tiene dos tipos de nodos: un cuadro (D) representa

un punto de

decisin y un crculo denota un evento probabilstico. Por lo tanto,

comenzando con el modo 1 (un punto de decisin, debemos tomar una
decisin al tamao de la planta. El nodo 2

D e m a n d a a lta
(0 - 2 5 )

ta
2
la n
al p
r
i
e
tr u n d
0)
n s g ra
o
00
C
0
0
50
(-5
Co
n tr
o
o)
p e la r la
/a l t a
($
q
0
1 0 u e p la
00 a a
n ta
a
00
50 and
2
5)
00
($ e m
0)
-2
D
(0

D e m a n d a b a ja
(0 - 2 9 )

$ 8 000 000 ao

$ 3 000 000 ao
$ 900 000 ao

$1200 000 ao
$250 000 ao

De
ma
nd
a B
(0
-2
a ja
5)

$250 000 ao
$200 000 ao

E m p re 1

E m p re 2

2 aos

8 aos

ARBOLES DE DECISION BAJO INCERTIDUMBRE

Esta parte nos muestra un nmero de criterios para tomar decisiones con
incertidumbre segn la hiptesis de que no se tiene disponible ninguna
distribucin de probabilidad.
La diferencia principal entre estos criterios la refleja cun conservador es el
decisor al tratar con las condiciones de incertidumbre prevalecientes. Por
ejemplo, se mostrar que el criterio de Laplace est basado en condiciones
ms optimistas que el criterio de Hurrwicz puede ajustarse para reflejar
actitudes que varan desde la ms optimista hasta la ms pesimista.

CRITERIO DE LAPLACEN
Este criterio est basado en lo que se conoce como principio de razn
insuficiente Ya que las probabilidades asociadas a la ocurrencia d 1,

2,.... y n se desconocen, no existe informacin suficiente para concluir

que estas probabilidades sern diferentes.

Esto es seleccionar la accin a *1 correspondiente a:

Mx ----- v(a1, 1)
N i=1

Donde 1/n es la probabilidad de que ocurra j U = 1, 2, .... n)

CRITERIO DE DEPLORACION MINIMAX DE SAVAGEN

El criterio mnima de la seccin 12.3.2 es extremadamente conservador, a

un grado

de tensin

que puede

algunas

veces

llevar a conclusiones

ilgicas. Considere la matriz de perdidas siguientes, la cual generalmente

se cita

como un ejemplo clsico para justificar la necesidad del criterio

"menos conservador" de Savage.

CRITERIO DE HURWICZN

Este criterio representa un intervalo de actitudes desde la ms optimista

hasta la ms pesimista. En las condiciones mas optimistas se elegir la
accin que proporcione el max i mx

v (ai, j), representa ganancia o

beneficio. De igual manera en las condiciones mas pesimistas la accin

elegida corresponde a maxi mx

v (aj, j). El criterio de Hurwicz

da un

equilibrio entre el optimismo extremo y el pesimismo extremo ponderado las

dos condiciones anteriores por los pesos respectivos y (1 - ), donde 0
1. Esto es, si v (ai, j)

Max ( mx v(ai, j) + (1 - ) min v (ai, j)

Para el caso donde v(ai, j) representa un costo, el criterio selecciona la

accin que proporciona.

Min min v(ai, j) + (1 - ) max v(ai, j)

El parmetro

se conoce como ndice de optimismo: cuando = 1 el

criterio es demasiado optimista; cuando = 0, es demasiado pesimista. Un

valor de entre cero y uno puede seleccionarse dependiendo de si el
decisor

tiende hacia el pesimismo o al optimismo. En ausencia de una

sensacin fuerte de una circunstancia u otra, un valor de = 1/2 parece ser

una seleccin razonable.

CONCLUSIONES

Una de las reas mas importantes de la direccin de la apariciones es

de conocer las colas de espera y aprender a administrarlos. Es
fundamental para la elaboracin de programa, para el diseo de trabajo,
para los niveles de inventario.

La teora de colas se usa mucho en la industria y es herramienta comn

de la direccin de operaciones en reas como la programacin de
actividades, la carga de Maquinas y otros.

Es importante comprender que el anlisis de decisiones no proporciona

un anlisis completamente objetivo de los problemas complicados.
Muchos aspectos de un anlisis de decisin necesitan el problema,
valorar sea al estructurar el problema, valorar las probabilidades y
asignar utilidades.

El anlisis de decisiones tiene que ver con la mejor eleccin de un

conjunto posible de decisiones, dada la incertidumbre como un evento
que puede existir. Utilizando la maximizacin del valor esperado, como
lograr un mtodo consistente con las creencias y gustos del tomador de
decisiones.

Una contribucin principal es este procedimiento es que enfoca su

atencin de todos los eventos posibles y requiere el calculo de las
consecuencias de cada accin y de cada uno de los posibles estados de
la naturaleza. Aun si el anlisis se detuviera en la estructuracin del
problema en forma de una matriz de decisin, rbol de decisin. O
conjunto de distribucin de probabilidades de toma de decisiones. Pero
por medio del uso de la maximizacin del valor esperado, es posible
avanzar ms. No se justifica que un tomador de decisiones deje de
utilizar criterios no probabisticos por el hecho de que existen tcnicas
para incorporar incertidumbre en el anlisis.

El criterio de la maximizacin del valor esperado implica relaciones de

utilidad medible. Mientras que en el mundo real de los negocios, los
datos de entrada para las decisiones estn en trminos de dlares, no
en medidas de utilidad, es por ello que no es siempre apropiado basar
una decisin en valor monetario esperado.

BIBLIOGRAFIA

Investigacin de Operaciones en la Gerencia Administrativa

EPPEN / GOULD / SCHMID.

Investigacin de Operaciones
HERBERT MOSKOWITZ.