Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Investigacin de Operaciones
MDULO AUTOFORMATIVO NO. 17
Autor
Msc. Jos Mara Rodrguez Prez
ndice
Presentacin General del Mdulo Autoformativo No. 17............................................
Objetivos generales del mdulo.......................................................................................
Esquema de contenido del mdulo..................................................................................
Orientacin para el aprendizaje del mdulo.....................................................................
Evaluacin diagnstica.....................................................................................................
Unidad Autoformativa I: Toma de Decisiones Racionales..................................
Presentacin.....................................................................................................................
Objetivos de la Unidad Autoformativa I............................................................................
Esquema de contenido de la Unidad Autoformativa I......................................................
A. Introduccin a la teora de decisiones....................................................................
1. Caractersticas del proceso de decisin..................................................................
2. Fases del proceso de decisin................................................................................
3. Clasificacin y componentes de los problemas de decisin...................................
a. Clasificacin de los problemas de decisin..................................................................
1) Enfrentamiento con estados naturales.....................................................................
2) Enfrentamiento con oponentes racionales...............................................................
b. Componentes de un problema de decisin..................................................................
5. Reglas de decisin..................................................................................................
a. Concepto de la regla de decisin.................................................................................
b. Criterio de decisin en condiciones de riesgo..............................................................
c. Reglas de decisin.......................................................................................................
1) Anlisis previo: dominacin.....................................................................................
2) Criterio del valor monetario esperado: (VME)..........................................................
3) Stock con demanda aleatoria..................................................................................
4) El valor de la informacin y el costo de oportunidad(CO)........................................
a) El valor de la informacin....................................................................................
b) Costo de oportunidad (CO).................................................................................
5) Ganancia con informacin completa (GIC)..............................................................
Graficas de GANT........................................................................................................
PERT............................................................................................................................
CPM.............................................................................................................................
PERT-CPM..................................................................................................................
Estructura de una red: Mtodo de diagrama de flechas...............................................
La ruta critica................................................................................................................
Preguntas claves en todo problema de redes de proyectos.........................................
4. Problema de maximizacin....................................................................................181
Actividades de Auto aprendizaje No. 5..........................................................................183
Resumen final de la Unidad Autoformativa III................................................................185
Hoja de respuestas........................................................................................................187
Glosario..........................................................................................................................189
Bibliografa......................................................................................................................191
11
13
15
El hambre
La contaminacin
La escasez de energa
La guerra, etc.
17
Ciencia de la Administracin
Los Mtodos Cuantitativos pueden aplicarse como gua para el pensamiento, para
proporcionar informacin que ayude a resolver problemas y para automatizarse la toma de
decisiones en algunos casos.
La tcnica de utilizar modelos sencillos para aproximar sistemas complejos no es mala,
siempre y cuando no se pierdan de vista las suposiciones y las limitaciones.
19
21
Evaluacin diagnstica
23
Unidad Autoformativa I:
Toma de Decisiones
Racionales
25
27
Presentacin
El problema de la Decisin, motivado por la existencia de ciertos estados de ambigedad
que constan de proposiciones verdaderas (conocidas o desconocidas), es tan antiguo como
la vida misma. Podemos afirmar que todos los seres vivientes, an los ms simples, se
enfrentan con problemas de decisin.
Conforme aumenta la complejidad del ser vivo, aumenta tambin la complejidad de sus
decisiones y la forma en que stas se toman. As, el ser humano, pasa de una toma de
decisiones guiada instintivamente, a procesos de toma de decisiones que deben estar
guiados por un pensamiento racional.
En esta unidad autoformativa, trabajaremos con La Teora de la Decisin, que tratar, por
tanto, el estudio de los procesos de toma de decisiones desde una perspectiva racional.
Si aspiramos a ser buenos administradores, uno de los talentos que debemos desarrollar es
la toma de decisiones.
La toma de decisiones es algo viejo en nuestro quehacer diario lo hacemos en forma casi
automtica y sus equivocaciones no son de gran trascendencia o sin importancia.
En los negocios es mucho lo que est en juego, ya que la decisin del gerente o
administrador afecta a la empresa y a mucha gente, por esta razn el proceso de tomar
decisiones necesita de mucha ms meditacin.
El administrador no es un idealista, necesita buscar resultados y debe de ser prctico.
En este curso nos limitaremos al estudio de la toma de decisiones racionales o a cmo
debera de hacerse.
Usaremos matemtica sencilla, en vista que es el lenguaje del pensamiento racional, que
permite expresar pensamientos complejos de manera concisa y con frecuencia tienen
aplicaciones prcticas.
El objetivo de una solucin racional a diversos problemas es encontrar el ptimo, lo mejor.
Esta solucin racional puede ser obtener Ganancia mxima o Costo Mnimo, o algn otro
29
31
Existen al menos dos posibles formas de actuar, que llamaremos alternativas o acciones,
excluyentes entre s, de manera que la actuacin segn una de ellas imposibilita
cualquiera de las restantes.
Mediante un proceso de decisin se elige una alternativa, que es la que se lleva a cabo.
33
Pasado
Pasado
Datos
Datos
Presente
Presente
Decisin
Decisin
Accin
Accin
Futuro
Futuro
Resultados
Resultados
Como podemos observar en la figura, el tiempo es uno de los elementos del problema de
decisin, puesto que la decisin que tomamos en el momento presente, da lugar a una
accin, elegida entre las alternativas (Ai), que provocar un resultado en el futuro. Adems
consideremos como las decisiones del presente se alimenta con los datos del pasado.
Para tomar una decisin hay que prever el futuro, o sea debemos predecir y calcular las
consecuencias de cada una de las posibles acciones.
Cada accin (Ai) puede dar lugar no slo a una consecuencia nica, sino a varias posibles
consecuencias (Xij), que estarn condicionadas por la ocurrencia de los distintos futuros (A j)
que pueden presentarse, como observaremos a continuacin:
35
Certidumbre
Enfrentamiento
con estados
naturales
Problema
de decisin
Enfrentamiento
con oponentes
racionales
Riesgo
Incertidumbre
Conflicto
37
Un nico futuro
con p = 1
Teora de juegos
2) El ambiente de riesgo cuando cada decisin puede dar lugar a una serie de
consecuencias a las que puede asignarse una distribucin de probabilidad
conocida.
b. Las alternativas o acciones, que son las diferentes posibles formas de actuar,
39
todos aquellos eventos futuros que escapan al control del decisor y que
influyen en el proceso.
Alternativas
Ejemplo 1:
41
Estados de la naturaleza
F1
F2
......
A1
X11
X12
......
A2
X21
X22
......
......
......
......
......
Am
Xm1
Xm2
......
Fn
X1n
X2n
......
Xmn
Un ama de casa acaba de echar cinco huevos en un tazn con la intencin de hacer una
tortilla. Dispone, adems, de un sexto huevo del que no conoce su estado, aunque es de
esperar que en caso de encontrarse en buen estado y no ser utilizado, se estropear. Al
ama de casa se le presentan tres posibles alternativas:
Romper el huevo dentro del tazn donde se encuentran los cinco anteriores.
Romperlo en otro tazn diferente.
Tirarlo directamente.
Dependiendo del estado del huevo, las consecuencias o resultados que pueden
presentarse para cada posible alternativa se describen en la siguiente tabla:
Alternativas
Malo (e2)
Romperlo dentro
del tazn (a1)
Tortilla de 6 huevos
5 huevos desperdiciados
y no hay tortilla
Romperlo en otro
tazn (a2)
Tortilla de 6 huevos y un
tazn ms que lavar
Tortilla de 5 huevos y un
tazn ms que lavar
Tirarlo (a3)
Tortilla de 5 huevos y un
huevo desperdiciado
Tortilla de 5 huevos
Ejemplo 2:
Observemos el siguiente ejemplo hipottico con dos futuras alternativas y tres posibles
acciones:
Futuras Alternativas:
F1 : Que aumente la demanda de un producto
F2 : Que la demanda no aumente
Posibles acciones:
A1 : Comprar nuevas maquinarias
A2 : Reformar las maquinarias Actuales
A3 : Mantener las maquinarias Actuales
Las consecuencias o resultados que pueden presentarse para cada posible alternativa se
describen en la siguiente tabla:
43
Comportamiento de la Demanda
Alternativas
Aumenta la demanda
(F 1)
No aumenta la demanda
(F 2)
nuevas
Se generan prdidas en
la empresa
Aumento medio de
las utilidades
No se pierde ni se gana
Prdida potencial de
utilidades y mercado
Se mantienen condicin
actual de utilidades
Comprar
mquinas (A1)
E2
A1
10
A2
A3
45
Parcela
en A
Parcela
en B
18
12
31
23
Aeropuerto
en A
Aeropuerto
en B
13
-12
-8
11
AyB
-1
Ninguno
5. Reglas de decisin
e. Concepto de la regla de decisin
La tabla de decisin es un mero instrumento para dar respuesta a la cuestin
fundamental en todo proceso de decisin:
Cul es la mejor alternativa?
Para la eleccin de la alternativa ms conveniente nos basaremos en el concepto de
regla o criterio de decisin, que podemos definir de la siguiente forma:
Una regla o criterio de decisin es una aplicacin que asocia a cada alternativa un
nmero, que expresa las preferencias del decisor por los resultados asociados a dicha
alternativa.
47
g. Reglas de decisin
Los diferentes criterios de decisin en ambiente de riesgo se basan en estadsticos,
asociados a la distribucin de probabilidad de los resultados. Algunos de estos criterios
se aplican sobre la totalidad de las alternativas, mientras que otros slo tienen en cuenta
un subconjunto de ellas, considerando las restantes peores, por lo que no estn
presentes en el proceso de toma de decisiones.
Representaremos por R(ai) los resultados asociados a la alternativa ai, y por P(ai) la
distribucin de probabilidad correspondiente a tales resultados, esto es, el conjunto de
valores que representan las probabilidades de ocurrencia de los diferentes estados de la
naturaleza:
R
P
xi1
p1
xi1
p2
xi1
pn
P2
P3
F1
F2
F3
A1
3,000
6,000
4,000
A2
2,000
3,000
1,000
A3
1,000
7,000
2,000
Es notorio que existe una relacin de dominio de la alternativa A1 sobre A2. Sea cual
fueran las probabilidades asignadas, A1 nos asegura mayor ganancia que A2.
Luego nuestro problema se reduce a elegir entre A1 y A3.
Si fuera una matriz de Costos, la alternativa dominada ser A1.
49
Cualquiera que sea el futuro que ocurra, A2 implica menores costos que A1.
P1=0.2
P2=0.2
P3=0.5
P4=0.1
Alternativas
E1
E2
E3
E4
A1
11
11
A2
25
11
A3
11
10
11
Partiendo del ejemplo ilustrativo de decisin bajo riesgo la siguiente tabla muestra el
resultado esperado para cada una de las alternativas.
Criterio de Valor Esperado
VME (ai)
Estado de la naturaleza
Alternativas
E1
E2
E3
E4
A1
11
11
10.3
A2
25
11
11.7
A3
11
10
11
9.9
Probabilidades
0.2
0.2
0.5
0.1
La alternativa ptima segn el criterio del valor esperado sera A2, pues proporciona el
mximo de los valores esperados.
Ejemplo 6:
Consideremos un comerciante que debe decidir ofrecer a sus clientes del Estadio
Nacional, entre helados y pasteles de carne.
Supongamos que los estados naturales de tiempo son slo tres:
Tiempo Bueno , tiempo Variable y Tiempo lluvioso, con probabilidades de 0.20 , 0.60 y
0.20 respectivamente.
El comerciante conoce las probabilidades ya sea porque es aficionado a las
estadsticas o bien est al tanto de los pronsticos meteorolgicos o las asigna por
experiencia.
51
Conoce tambin las posibles ganancias que pueden reportar los dos productos bajo
los diversos estados del tiempo por experiencias anteriores.
Probabilidades
P1=0.2
P2=0.6
P3=0.2
Alternativas
F1
t: Bueno
F2
t: Variable
F3
t: Lluvioso
A1 (Helados)
7,000
2,000
A2 (Pasteles)
4,000
3,000
1,000
53
A1
A2
P1=0.5
P2=0.5
F1
F2
-450,000
50,000
550,000
VME
P2=0.5
F1
F2
A1
A2
0.55
- 0.45
0.05
VME
55
Observemos el ejemplo 9:
Consideremos el caso de un vendedor de Sandwiches en una cancha de Foot-Ball,
que debe decidir cada domingo que cantidad de ellos debe preparar, pues si la
demanda supera a su stock pierde ventas y por otro lado, si la demanda es inferior a
sus previsiones, pierde los sandwiches sobrantes.
Veamos ahora el ejemplo 10:
Meditemos en el caso de la decisin sobre el nmero de repuestos originales que
deben encargarse al comprar una nueva mquina especial, puesto que el nmero de
piezas falladas durante la vida til de la mquina es una variable aleatoria.
Los costos que deben considerarse en este tipo de problemas son:
Como se realiza un solo pedido, el costo del pedido en s es un costo fijo y por lo tanto
no debe considerarse al evaluarlas acciones alternativas.
En segundo lugar, en este tipo de problemas es fundamental tener en cuenta el costo
de las piezas o artculos que quedan sin ser usados, vale decir, ordenados en exceso.
Cabe destacar por ltimo que en estos problemas se supone conocida la distribucin
de probabilidad de la demanda o del nmero de fallas, lo cual en la prctica es difcil
de determinar.
Ahora ilustraremos el ejemplo 11:
Caso No.1: COMERSA
Un comerciante minorista debe decidir cuantas unidades comprar de una determinada
mercadera. Como sta es perecedera y no puede ser guardada en stock por ms de
un da, el comerciante no desea comprar ms que la provisin para el da.
Cada unidad demandada que deje de satisfacer, como consecuencia de haber
comprado de menos, le representar dejar de ganar $4, sin tomar en cuenta la posible
prdida de prestigio comercial.
Si el comerciante conociera exactamente la cantidad demandada en un da particular,
resulta claro que solicitar exactamente las unidades suficientes para satisfacer esa
demanda, ni ms ni menos.
Infortunadamente, en una situacin concreta, el comerciante no conoce la demanda
real, pero, a pesar de ello, debe decidir que nivel de stock mantener.
Supondremos que en base a su experiencia, el comerciante ha asignado a las
demandas potenciales las probabilidades que se ilustra a continuacin:
Demanda
Probabilidad
0.15
0.25
0.35
0.25
57
S=D
S>D
5S
5S
5D
1S
1S
1S
UTILIDAD
4S
4S
5D - S
4S
si S D
5D - S si S > D
P2=0.25
P3=0.35
P4=0.25
F1
D=0
F2
D=1
F3
D=2
F4
D=3
A1 (S=0)
A2 (S=1)
-1
A3 (S=2)
-2
A4 (S=3)
-3
12
59
Por sencillez usted cree que la demanda de este tipo de guantes es de 100, 150 0 200
unidades a las cuales ha asignado por experiencia de los aos anteriores las
probabilidades de 0.3, 0.4 y 0.3 respectivamente.
Es claro que usted no puede vender ms de lo que almacena. Sin embargo si se
queda corto en las unidades adquiridas hay una prdida de buen nombre que se
estima de $0.50 por cada guante que una persona desee comprar, pero que no puede
hacerlo por no tener en existencia.
Adems, usted debe colocar el pedido ahora, para la estacin de verano venidera y no
puede esperar a observar como vara la demanda de este tipo de artculo antes de
pedir, ni puede colocar varios pedidos.
Se pide:
1) Encontrar la expresin de utilidad
2) Elaborar una matriz de resultados y seleccionar la alternativa que brinde la mayor
ganancia esperada utilizando el criterio del VME.
Solucin:
1) Encontramos la expresin de utilidad:
D>S
D=S
D<S
12S
12S
12D
CiS
CiS
CiS
Valor de recupere
----
----
6(S - D)
0.5(D - S)
----
----
12S - CiS
6D - CiS + 6S
P=0.3
P=0.4
P=0.3
F1
D = 100
F2
D = 150
F3
D = 200
A1(S = 100)
200
175
150
A2(S = 200)
300
600
A3(S = 300)
150
150
450
Prdida de prestigio
UTILIDAD
61
63
Ejemplo 13:
Continuemos con el caso No.1: COMERSA
Habamos encontrado la matriz de resultados (matriz de ganancias).
A partir de dicha matriz y utilizando: CO(ganancia) = Mximo Xij Xij, tenemos la
siguiente matriz de Costos de oportunidad.
Matriz de costos de oportunidad
P = 0.15
P = 0.25
P = 0.35
P = 0.25
F1
D=0
F2
D=1
F3
D=2
F4
D=3
A1(S = 1)
12
A2(S = 2)
A3(S = 3)
A4(S = 4)
Puesto que el objetivo es maximizar las ganancias, es evidente que por ende, debe
tenderse a minimizar los costo de oportunidad.
Por lo tanto, lo que debemos de hacer es obtener el valor esperado de los costos de
oportunidad correspondientes a cada alternativa Ai.
Haciendo el clculo para cada alternativa y construyendo una tabla:
VME(A1) = 0(0.15) + 4(0.25) + 8(0.35) + 12(0.25) = 6.80
VME(A2) = 1(0.15) + 0(0.25) + 4(0.35) + 8(0.25) = 3.55
VME(A3) = 2(0.15) + 1(0.25) + 0(0.35) + 4(0.25) = 1.55
VME(A4) = 3(0.15) + 2(0.25) + 1(0.35) + 0(0.25) = 1.30 **
Alternativa
Nivel del
stock
CO
esperado
A1
6.80
A2
3.55
A3
1.55
A4
1.30
Para la alternativa A4 (comparar con la alternativa A4 de la tabla del VME), vemos que
dicha alternativa vuelve a ser la misma.
Esto es lgico, ya que como habamos visto para la alternativa ptima A 5, la ganancia
esperada es mxima y por lo tanto el CO esperado debe ser mnimo.
A ese valor mnimo del costo de oportunidad se le denomina Costo de Riesgo y
representa la prdida inevitable que implica tomar una decisin en condiciones de
riesgo.
65
67
Actividad de Autoaprendizaje No 1
A continuacin se me presentan una serie de casos, atendiendo a lo que se me solicita, los
resuelvo y luego corroboro mis aciertos y desaciertos en la pgina No. , al final de la unidad
autoformativa I.
1. Caso No. 1: FLORES. S.A. Una floristera vende orqudeas a un costo de $10 cada una,
s la orqudea es del da, y a $7.00 si es del da siguiente.
Cada orqudea cuesta $4.00 para pedidos de hasta 30 unidades y de $3.50 para pedidos
de ms de 30 orqudeas.
Cada orqudea se da al cliente en una caja de lujo que cuesta $2.00
El vendedor recibe una comisin de $1.00 por cada orqudea que venda en el da y $0.50
por las vendidas al da siguiente a precio de recupere
Los costos fijos del negocio ascienden a $30 diarios
Encuentro la expresin de utilidad para dicha situacin.
2. Caso No 2: PROCESA, es una empresa procesadora de alimentos, que cultiva sus
propias cosechas. Basada en la experiencia pasada de la empresa, con la siembra de
tres tipos de cultivos en diferentes zonas del pas, se han obtenido las siguientes
utilidades dadas en la siguiente matriz de resultados, para los tres estados de la
naturaleza: N1: tiempo bueno; N2: tiempo variable y N3: tiempo malo
Estados de la naturaleza
Estrategias
P1=0.25
P2=0.50
P3=0.25
A1
40,000
60,000
10,000
A2
50,000
40,000
15,000
A3
60,000
20,000
12,000
69
80,000
50
130,000
40
200,000
30
Sus estimaciones sobre la posible demanda del producto a fabricar y las respectivas
probabilidades asociadas son las indicadas en la siguiente tabla:
Demanda Anual (unidades) 10,000
0.2
Probabilidad
8,000
6,000
4,000
0.5
0.2
0.1
Se pide:
a) Qu mquina se debe comprar?
b) Cul es el costo de riesgo?
c) Compruebo dicho valor, encontrando la diferencia entre el costo esperado para la
alternativa ptima y el costo esperado con informacin completa (CIC).
5. Caso No 5: PANADERIA SANTA ANA. La panadera Santa Ana prepara todos los das
su famoso pan. Este se vende a un $1.0 la pieza, cuando est recin hecho, y cuesta
$0.50, prepararlo.
El pan que no se vende se lleva a la mesa de descuento en donde se vende a 0.50 $ la
pieza. An a ese precio la mitad del pan de la mesa de descuento no se vende y hay que
regalarlo a un asilo de ancianos.
71
3
0.10
Probabilidad
4
0.40
6
0.10
0.40
73
Estrategias
N1
N2
N3
A1
22,000
15,000
8,000
A2
25,000
17,000
10,000
A3
28,000
19,000
11,000
Si quien toma las decisiones sabe con certeza que ocurrir, supondra que el
estado de la naturaleza N2, podra ser un perodo sin ningn cambio en el PIB,
mientras que N1 sera un perodo de 2.5% de aumento y N3 sera un perodo de
2.5% de disminucin del PIB, entonces escogera la estrategia A3, porque ofrece
las utilidades ms altas.
El criterio de decisin en condiciones de certidumbre consiste en escoger la
estrategia que tenga la mayor utilidad o el menor costo basado en determinado
estado de la naturaleza.
Ejemplo 16:
Si en una fabrica manufacturera, donde existen varias mquinas de diferentes
diseos y para fines distintos, conocemos el tiempo de fabricacin de un artculo
determinado utilizado por cada mquina, entonces, podremos asignar la mquina
apropiada para cierto contrato.
1 Criterio Mximax
Este criterio corresponde a un pensamiento optimista, ya que suponemos que la
naturaleza siempre estar de nuestra parte, por lo que siempre se presentar el
estado ms favorable del cual obtenemos algunas oportunidades afortunadas.
El criterio Mximax consiste en elegir aquella alternativa que proporcione el mayor
nivel de optimismo posible, lo que esta directamente relacionado con el mayor pago
que se puede obtener al elegir una de las alternativas, ese pago se llama a menudo
Mximax (mximo de los mximos) o sea el mayor de los mximos para cada
estrategia.
Ejemplo 17:
Partiendo del ejemplo de la construccin del hotel, la siguiente tabla muestra las
recompensas obtenidas junto con los niveles de optimismo de las diferentes
alternativas:
Alternativas terrenos
comprados
Estados de la Naturaleza
Aeropuerto
en A
Aeropuerto
en B
Mximos
13
-12
13
-8
11
11
AyB
-1
Ninguno
E1
E2
oi
A1
100
-10000
100
A2
99
99
99
77
equivaldra a estar ciento por ciento optimista todo el tiempo, lo que sera estar en un
estado utpico, que naturalmente no existe en el mundo real.
79
Estados de la Naturaleza
Pagos
mnimos
Aeropuerto
en A
Aeropuerto
en B
13
-12
-12
-8
11
-8
AyB
-1
-1
Ninguno
En este caso el mayor de los pagos mnimos es 0, lo que significa que la alternativa
ptima segn el criterio de Wald sera no comprar ninguno de los terrenos, pues
proporciona el mayor de los niveles de seguridad, mientras que los pagos mnimos de
las otras alternativas proporcionaran perdidas.
Crtica
En ocasiones, el criterio de Wald puede conducir a decisiones poco adecuadas.
81
Estados de la Naturaleza
Pagos
mnimos
E1
E2
A1
1000
99
99
A2
100
100
100
0 1
donde (coeficiente de optimismo) es un valor especfico elegido por el decisor y
aplicable a cualquier problema de decisin abordado por l.
Los valores de prximos a 1 corresponden a una pensamiento optimista,
obtenindose en el caso extremo =1 el criterio mximax
Los valores de prximos a 0 corresponden a una pensamiento pesimista,
obtenindose en el caso extremo =0 el criterio de Wald.
Para aplicar este criterio debemos calcular el pago esperado para cada alternativa as.
PE(ai) = pago mximo (ai) + (1-pago mnimo(ai).
El pago esperado para cada alternativa es igual al coeficiente de optimismo
multiplicado por el pago mximo que genera la alternativa ms el coeficiente de
pesimismo multiplicado por el pago mnimo que genera la alternativa
As, la regla de decisin de Hurwicz resulta ser:
Elegir la alternativa k tal que PE(ak) = pago mximo (aik) + (1- pago mnimo(ak)
tenga el mximo pago esperado de todas las alternativas.
83
Eleccin de :
Para la aplicacin de la regla de Hurwicz es preciso determinar el valor de (coeficiente
de optimismo), valor propio de cada decisor. Un valor de >0.5 indica que el tomador de
decisiones es ms optimista que pesimista y entre ms cercano a 1 est ese valor,
mayor ser la tendencia a percibir un resultado optimista, en caso contrario si <0.5,
esto indicar que quien toma las decisiones tiene una mayor tendencia al pesimismo y
entre ms cercano a 0 est este valor ms pesimistas sern las expectativas del
decisor.
Ejemplo No. 20:
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra las
recompensas obtenidas junto con la media ponderada de los niveles de optimismo y
pesimismo de las diferentes alternativas para un valor =0.6:
Estados de la Naturaleza
Alternativas
terrenos
comprados
Aeropuerto
en A
Aeropuerto
en B
13
Pagos
mnimos
Pagos
mximos
PE
-12
-12
13
-8
11
-8
11
3.4
AyB
-1
-1
2.6
Ninguno
E1
E2
...
E50
Pagos
mnimos
Pagos
mximos
PE
A1
...
A2
...
85
En 1951 Savage argumenta que al utilizar los valores xij para realizar la eleccin, el
decisor compara el resultado de una alternativa bajo un estado de la naturaleza con
todos los dems resultados, independientemente del estado de la naturaleza bajo el
que ocurran. Sin embargo, el estado de la naturaleza no es controlable por el decisor,
por lo que el resultado de una alternativa slo debera ser comparado con los
resultados de las dems alternativas bajo el mismo estado de la naturaleza.
Con este propsito Savage define el concepto de prdida relativa o costo de
oportunidad COij asociada a un resultado xij como la diferencia entre el resultado de
la mejor alternativa dado que Ej es el verdadero estado de la naturaleza y el resultado
de la alternativa Ai bajo el estado Ej:
Costos
Ejemplo 21:
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra la matriz de
prdidas relativas y el mnimo de stas para cada una de las alternativas.
Estados de la Naturaleza
Alternativas
terrenos
comprados
Aeropuerto
en A
Aeropuerto
en B
23
23
Mximo
CO
21
21
AyB
12
12
Ninguno
13
11
13
87
Alternativas
E1
E2
A1
A2
Estados de la Naturaleza
Mximo
CO
E1
E2
A1
A2
La alternativa ptima es A1. Supongamos ahora que se aade una alternativa, dando
lugar a la siguiente tabla de resultados:
Estados de la Naturaleza
Alternativas
E1
E2
A1
A2
A3
Estados de la Naturaleza
E1
E2
A1
A2
A3
El criterio de Savage selecciona ahora como alternativa ptima A2, cuando antes
seleccion A1. Este cambio de alternativa resulta un poco paradjico: supongamos que
a una persona se le da a elegir entre peras y manzanas, y prefiere peras. Si
posteriormente se la da a elegir entre peras, manzanas y naranjas, esto equivaldra
a decir que ahora prefiere manzanas!
89
10)Criterio de Laplace
Este criterio data de ms de 2500 aos. Supone que todos los diversos estados de la
naturaleza tienen igual posibilidad de ocurrencia. En nuestro ejemplo, cada P(Ni) = 1/3
"Si no conocemos alguna razn para que las probabilidades sean diferentes,
deberemos considerar que son iguales"
Para encontrar la mejor alternativa, se calcula la cantidad esperada para cada pago y
se escoge la estrategia que tenga el mayor pago esperado (si la matriz es de utilidad).
Si la matriz es de costos, se escoger la cantidad con el menor valor encontrado.
El criterio de Laplace es el nico que no expresa actitud alguna a excepcin del deseo
de ser racional
Este criterio, propuesto por Laplace, en 1825, est basado en el principio de razn
insuficiente: como a priori no existe ninguna razn para suponer que un estado se
puede presentar antes que los dems, podemos considerar que todos los estados
tienen la misma probabilidad de ocurrencia, es decir, la ausencia de conocimiento
sobre el estado de la naturaleza equivale a afirmar que todos los estados son
equiprobables. As, para un problema de decisin con n posibles estados de la
naturaleza, asignaramos probabilidad 1/n a cada uno de ellos.
Una vez realizada esta asignacin de probabilidades, a la alternativa Ai le
corresponder un resultado esperado igual a:
1
xi
n
j 1
n
max
xi j
i j
1 j
j 1 n
j 1 n
Elegir la alternativa AK , tal que
Ejemplo 22:
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra los
resultados esperados para cada una de las alternativas.
Estados de la Naturaleza
Alternativas
Terrenos
Comprados
Aeropuerto
en A
Aeropuerto
en B
13
-12
0.5
-8
11
1.5
AyB
-1
Ninguno
Resultado
esperado
91
Crtica
La objecin que se suele hacer al criterio de Laplace es la siguiente: ante una misma
realidad, pueden tenerse distintas probabilidades, segn los casos que se
consideren. Por ejemplo, una partcula puede moverse o no moverse, por lo que la
probabilidad de no moverse es 1/2. En cambio, tambin puede considerarse de la
siguiente forma: una partcula puede moverse a la derecha, moverse a la izquierda o no
moverse, por lo que la probabilidad de no moverse es 1/3.
Desde un punto de vista prctico, la dificultad de aplicacin de este criterio reside en la
necesidad de elaboracin de una lista exhaustiva y mutuamente excluyente de
todos los posibles estados de la naturaleza.
Por otra parte, al ser un criterio basado en el concepto de valor esperado, su
funcionamiento debe ser correcto tras sucesivas repeticiones del proceso de toma de
decisiones. Sin embargo, en aquellos casos en que la eleccin slo va a realizarse una
vez, puede conducir a decisiones poco acertadas si la distribucin de resultados
presenta una gran dispersin, como se muestra en la siguiente tabla:
Alternativas
Estados de la Naturaleza
Resultado
Esperado
E1
E2
A1
15000
-5000
5000
A2
5000
4000
4500
Este criterio seleccionara la alternativa A1, que puede ser poco conveniente si la toma
de decisiones se realiza una nica vez, ya que podra conducirnos a una prdida
elevada.
Ejemplo 23:
Una empresa proyecta la introduccin de un producto revolucionario con un envase
completamente nuevo para reemplazar otro producto ya existente a un precio ms alto
(A1) o un cambio moderado en los ingredientes del producto ya existente con un nuevo
envase y a un pequeo aumento del precio (A2) o bien un pequeo cambio en los
ingredientes del producto ya existente y un nico cambio en el envase que consistir en
la palabra "nuevo" con un aumento nfimo del precio (A3).
Los tres estados posibles de la naturaleza son:
Expansin de la demanda (N1)
ninguna expansin de la demanda (N2)
contraccin de la demanda (N3)
El Dpto. de mercadeo ha calculado los pagos esperados en trminos de utilidades
anuales.
Estrategias
93
Estados de la Naturaleza
E1
E2
E3
A1
500,000
100,000
-50,000
A2
250,000
300,000
A3
100,000
100,000
100,000
Mximo Pago
posible
A1
500,000
A2
300,00
A3
100,000
Escogemos la alternativa que genere el mximo pago de entre todos los mximos que
puede generar cada alternativa (mximo de los mximos) $ 500,000, esto significa que
segn este criterio la estrategia seleccionada es A1
b. Criterio de decisin de Wald (Maximin)
En nuestro ejemplo, el peor estado de la naturaleza sera una contraccin o receso de
la economa (N3).
Si se escogieran las estrategias uno y dos, los pagos seran una prdida de 50.000 o
cero utilidades respectivamente.
Si se escogiera la estrategia tres, el pago sera de 100.000 para N3, as como para los
otros dos estados de la naturaleza.
Estrategias
Mnimo Pago
posible
A1
-50,000
A2
A3
100,000
Escogemos la alternativa que genere el mximo pago de entre todos los mnimos que
puede generar cada alternativa para los diferentes estados de la naturaleza (mximo de
los mnimos) $ 100,000, esto significa que segn este criterio la estrategia seleccionada
es A3
c. Coeficiente de optimismo
A fin de escoger el pago mayor entre todas esas estrategias, es necesario hacer los
siguientes clculos tomando un = 0.667:
95
Estrategias
=0.667
Pago Mximo
(1 - ) = 0.333
Pago Mnimo
Pago Esperado
A1
500,000
50,000
A2
300,000
A3
100,000
100,000
300,000(0.667) +
(0.333) = 200,000
N1
N2
N3
A1
200,000
150,000
A2
250,000
100,000
A3
400,000
200,000
97
Estrategias
Arrepentimiento
Mximo
A1
200.000
A2
250.000
A3
400.000
Pago
esperado
P=1/3
P=1/3
P=1/3
N1
N2
N3
A1
500,000
100,000
-50,000
183.333
A2
250,000
300,000
183.333
A3
100,000
100,000
100,000
100.000
99
Actividad de Autoaprendizaje No 2
1. Caso no.1: Bisbol. Utilizando los resultados de la matriz de utilidad que aparece en el
Ejemplo 12, Caso No.2 (Bisbol), y eliminado las probabilidades de cada estado de la
naturaleza se pide:
F1
D = 100
F2
D = 150
F3
D = 200
A1(S = 100)
200
175
150
A2(S = 200)
300
600
A3(S = 300)
150
150
450
Paz
Depresin
20
-6
A3: Bonos
N2
N3
N4
N5
S1
-100
160
40
200
S2
60
80
140
40
100
S3
20
60
-60
20
80
S4
-20
-100
-140
-40
400
101
103
B. rboles de decisiones
Iniciemos nuestro segundo tema, definiendo lo que es un rbol de decisin:
Es un recurso grfico para analizar decisiones bajo riesgo, o sea problemas en los que se
han especificado las probabilidades de los estados de la naturaleza. Se crearon para usarse
en problemas en los que hay una secuencia de decisiones, cada una de las cuales conduce
a uno de entre varios resultados inciertos.
El anlisis basado en el rbol de decisin es una herramienta til en la toma de decisiones
referentes a las inversiones, la adquisicin o venta de propiedad fsica, la administracin de
proyectos, personal y estrategias de productos nuevos.
En general un rbol de decisin es una forma sencilla de estructurar un proceso de toma
de decisiones.
A menudo los problemas de decisiones comprenden la toma de una secuencia de decisiones,
esto es que, hay ocasiones en donde el conjunto entero de decisiones en puntos diferentes del
tiempo debe evaluarse simultneamente con la toma de la decisin inicial.
Por ejemplo:
La administracin tendr, talvez, que seleccionar un plan de promocin inicial sabiendo que
dentro de 6 meses ser necesario un segundo plan.
Otro ejemplo sera el de una compaa de bienes races donde tiene que decidir cuantos
condominios construir en la primera fase de un proyecto habitacional, sabiendo que se tendr
que tomar decisiones parecidas para la segunda y tercera etapa.
Estos datos se organizan mediante la estructura de un diagrama de rbol que ilustra las
interacciones posibles entre las decisiones y los eventos.
Un rbol de decisin est formado por nodos de decisin, nodos de probabilidades y ramas.
Veamos en que consiste cada uno:
Los nodos de decisin: se denotan por cuadrados y representan aquellos lugares del
proceso de toma de decisin en los que se toma una decisin. En este punto, el tomador de
decisiones tiene control y decide la accin que debe tomar.
Los nodos de probabilidades: se denotan con crculos e indica aquella parte del proceso de
toma de decisiones en las que ocurre algn estado de la naturaleza. En este punto, el tomador
105
X2
E1/P1
D1
E2/P2
E3/P4
D2
D3
E5/P5
X3
X5
X4
D4
D
E6/P6
X1
D5
D6
E7/P7
X6
E8/P8
E
D7
X7
E6/P6
X8
X9
E9/P9
X10
El anlisis comienza de la extrema derecha del rbol y se mueve a travs de los nodos de
probabilidades y nodos de decisin hasta llegar al 1er. punto de decisin.
Esta forma de retroceso en las ramas hasta el primer punto de decisin, optimizando a medida
que marchamos llevando hacia adelante solamente la mejor opcin, mientras eliminamos todas
las inferiores, se conoce como el proceso de induccin en retroceso.
Lgicamente el valor esperado ptimo es aquel valor que nos brinda la mayor ganancia o el
menor costo.
107
Ejemplo 1:
Para el rbol de decisin estructurado anteriormente y dndole resultados monetarios para
cada evento y las probabilidades respectivas tenemos:
Un rbol de decisin tiene la siguiente estructura:
$ 50,000
P1=0.50
B
D2
D3
P2= 0.50
-$10,000
$10,000
P4=0.10
D4
D5
D
C
P5=0.40
D1
$0
P6=0.50
$ 38,000
D6
E
D7
P6= 0.30
F
$ 40,000
P7= 0.70
$ 30,000
$15,000
$ 50,000
P8= 0.50
P9= 0.50
$ 20,000
109
40000
0.2
-40,000
0.4
Hace poco el director recibi una oferta de una gran cadena hotelera para que dirija un hotel
en el invierno, garantizndoles una ganancia de $ 45,000 durante la estacin. Tambin ha
estado examinando la conveniencia de arrendar el equipo para producir nieve en esa
estacin. Si arrienda el equipo, el hotel podr operar todo el tiempo sin importar la cantidad
de nevadas naturales. Si decide emplear nieve producida por el equipo para complementar
la nieve natural, su utilidad en la temporada ser de $ 120,000 menos el costo de
arrendamiento y operacin del equipo productor de nieve. El costo del arrendamiento ser
aproximadamente de $ 12,000 por estacin, prescindiendo de cunto lo use. El costo de
operacin ser de $ 10,000 si la nieve natural tiene ms de 40 pulgadas, $ 50,000, si flucta
entre 20 y 40 pulgadas, y $ 90,000 si es menor que 20 pulgadas.
En la figura-A se ilustra el problema del director como un rbol de decisin. Las tres ramas
que emanan del nodo de decisin representan tres maneras posibles de operar el hotel este
invierno: 1) alquilarlo a la cadena de hoteles, 2) administrarlo sin el equipo productor de
nieve y 3) dirigirlo por s mismo con el equipo. Las dos ltimas ramas del rbol terminan en
un nodo de probabilidad que representa la cantidad de nieve que caer durante la estacin.
Cada uno de ellos tiene tres ramas que emanan de l, uno para cada valor posible de la
nevada; las probabilidades de esta ltima estn indicadas en cada rama. Advirtase que el
tiempo fluye de izquierda a derecha en el rbol; es decir, los nodos situados a la izquierda
representan acciones o eventos fortuitos que ocurren antes que los nodos que caen ms a
la derecha. Es importante mantener la secuencia correcta del tiempo cuando se construyen
rboles de decisin.
$ 45,000
0.40
>40 de nieve
0.20
20- 40 de nieve
$ 45,000
$ 40,000
0.40
<20 de nieve
0.40
>40 de nieve
0.20
20- 40 de nieve
$ 58,000
0.40
- $ 40,000
$ 98,000
<20 de nieve
$ 18,000
Al final de cada rama situada en el extremo derecho se encuentra la utilidad neta que
lograr el director si se sigue la trayectoria desde la raz del rbol (en el nodo de decisin)
hacia la cumbre. Por ejemplo, si opera el hotel por s mismo con el equipo productor de
nieve y las nevadas fluctan entre 20 y 40 pulgadas, su utilidad ser de $ 58,000 ($ 120,000
menos $ 12,000 para arrendar el equipo y $ 50,000 para operarlo). Las otras utilidades
netas se calculan de manera similar.
111
Ahora podemos empezar a analizar el rbol de decisin del director. (El proceso empieza en
la derecha (en la cima del rbol) y retrocede al a izquierda (hacia la raz del rbol). En este
proceso de rastreo inverso, avanzando de derecha a izquierda, tomamos primero las
decisiones futuras y luego las hacemos retroceder para que se conviertan en parte de las
decisiones anteriores). Hay dos reglas que rigen este procedimiento.
1. Si estamos analizando un nodo de probabilidad (crculo), calculamos el valor esperado
en ese nodo, multiplicando la probabilidad en cada rama que emana del nodo por la
utilidad de esa rama y luego sumamos los productos de todas las que emanan del nodo.
2.- Si estamos analizando un nodo de decisin (cuadro), dejamos que el valor esperado en
ese nodo sea el mximo del valor esperado de todas las ramas que emanan del nodo.
De esa manera, escogemos la accin que tenga el mayor valor esperado y podamos las
ramas correspondientes a las acciones menos rentables. Las otras ramas las marcamos
con una diagonal doble para indicar que han sido podadas.
$ 45,000
0.40
>40 de nieve
0.20
20- 40 de nieve
$ 40,000
$ 120,000
$ 40,000
$ 58,000
0.40
<20 de nieve
0.40
>40 de nieve
0.20
20- 40 de nieve
$ 58,000
$ 58,000
Administrar el hotel por s mismo
con mquina productora de nieve
0.40
$ 40,000
$ 98,000
<20 de nieve
$ 18,000
113
Ejemplo 3:
DISTRI: Supongamos que nuestra empresa tiene que decidir si contina la distribucin regional
de un producto o lo ensancha a una distribucin nacional. Esto representa un punto de decisin
para la empresa.
Los eventos casuales que pueden afectar la decisin de distribucin nacional o regional
consisten en saber si habr una gran demanda nacional para el producto, una demanda
nacional mediana o una limitada.
Si hay una gran demanda podran esperarse utilidades de 4 millones de dlares, mientras que
podran esperarse utilidades de 2 millones de dlares o de 0.5 millones con una demanda
mediana o limitada respectivamente.
Para una distribucin regional pueden pronosticarse las utilidades siguientes:
Si la demanda regional es grande, la empresa puede obtener 2 millones de dlares. Por otra
parte, si la demanda regional es mediana o limitada se calculan las utilidades en 1.8 y 1.5
millones de dlares, respectivamente.
Las probabilidades de ocurrencia de los tres tipos de demanda son 0.5 para una gran
demanda, 0.25 y 0.25 para una mediana demanda y una demanda limitada, respectivamente.
Cul es la mejor alternativa ?
Solucin:
Hacemos el rbol de decisiones y calculamos el VME para cada alternativa.
$4 M
DA/0.5
Distribucin Nacional
DM/0.25
DB/0.25
$0.5 M
$2 M
DA/0.5
Distribucin Regional
$2 M
DM/0.25
$1.8 M
DB/0.25
$1.5 M
115
Ejemplo 4:
ENCO: Supongamos que a una persona le ofrecen un negocio que implica la posibilidad de
ganar $8.000 o de perder $7.000 con una probabilidad de 0.5 para cada una de esas
posibilidades. Al mismo tiempo, supondremos que esa persona tiene cierta restriccin
financiera: Su disponibilidad en caja es de $25.000, por lo que en caso de perder, en ese
primer negocio, dicha disponibilidad se reducira a $18.000
Supondremos tambin que dentro de uno o dos meses tiene la posibilidad de intervenir en un
nuevo negocio en el que puede ganar $9.000 o perder $2.000 tambin con una probabilidad de
0.5 para cada evento, pero este segundo negocio tiene como condicin especial la de que para
poder intervenir en el, la persona involucrada debe tener una disponibilidad mnima en caja de
$20.000 sin el cual no puede tener acceso al mismo.
1. Cul es la mejor alternativa?
2. Si no se tuviera restricciones financieras, cul sera la mejor alternativa ? (*Se deja que lo
resuelva el estudiante)
3. Haga un rbol de decisiones para ambas situaciones.
Solucin:
VME(E) = 9000(0.5) + (-2000)(0.5) = $ 3.500
VME(C) = $ 3.500
VME(A) = (3500 + 8000)(0.5) + (-7000)(0.5) = 5750-3500= $ 2250
VME(D) = 9000(0.5) + (-2000)(0.5) = $ 3500
VME(B) = $ 3500
Luego como el VME en B es mayor que le valor monetario esperado en A, entonces la mejor
alternativa es:
Rechazar el primer negocio y despus aceptar el segundo negocio
0.5
Part. II
0.5
A
- 2,000
No part. II
0.5
- 7,000
a)
0.5
9,000
0.5
Part. II
No part. I
0.5
8,000
Part. I
9,000
- 2,000
B
No part. II
0.5
Part. II
0.5
0.5
8,000
Part. I
b)
0.5
0.5
9,000
0.5
0.5
No part. II
117
Part. II
No part. II
Part. II
- 2,000
9,000
X
No part. I
0.5
No part. II
- 7,000
9,000
- 2,000
- 2,000
VME(C) = $ 3.500
VME(F) = $ 3.500
VME(A) = (3500 + 8000)(0.5) + (3500 - 7000)(0.5) = 5750-1750= $ 4000
VME(D) = 9000(0.5) + (-2000)(0.5) = $ 3500
VME(B) = $ 3500
Luego como el VME en A es mayor que el valor monetario esperado en B, entonces la mejor
alternativa es: Aceptar el primer negocio y despus gane o pierda, aceptar el segundo
negocio
$ 77,600
0.40
<20 de nieve
$ 45,000
119
$ 45,000
$ 120,000
$ 98,000
$ 45,000
$ 40,000
$ 58,000
$ 45,000
$ 40,000
$ 40,000
121
EVENTO
(NEVADAS)
P(EVENTO)
P(PRONOSTICO/
EVENTO)
Mayor que 40
0.4
0.9
0.36/0.60 =0.6
Por encima
20 40
0.2
0.6
0.12/0.60 =0.2
normal
Menor que 40
0.2
0.3
0.12/0.60 =0.2
PRONOSTICO
P(superior al normal)
P(PRONOSTICO
Y EVENTO)
P(EVENTO/
PRONOSTICO)
=0.60
Mayor que 40
0.4
0.1
0.04/0.40 =0.1
20 40
0.2
0.4
0.08/0.04 =0.2
Menor que 40
0.2
0.7
0.28/0.40 =0.7
P(inferior al normal)
=0.40
En resumen, vemos que la decisin ptima del director consiste en comprar el pronstico.
Por tanto, si ste se encuentra por encima de las nevadas normales, el gerente deber
operar el hotel por s mismo pero mejorar al mismo tiempo sus probabilidades de xito
utilizando el equipo productor de nieve. En cambio, si el pronstico est por debajo de las
nevadas normales, le conviene aceptar la oferta de la cadena hotelera y dejar que sean ellos
quienes lo administren. Si opta por esta tctica, espera que su utilidad en la temporada sea
de $ 60,400. Aun despus de pagar $ 2,000 por el pronstico, gana $ 2,400 ms que si
hubiera prescindido de l. Cul es la cantidad mxima que estara dispuesto a pagar por el
pronstico? Dara hasta $ 2,400 ms por l y todava esperara ganar por lo menos lo mismo
que conseguira si no lo comprase. As pues, el valor esperado del pronstico (denominado
algunas veces valor esperado de la informacin muestra) es de $ 4,400 y sta es la cantidad
mxima que el director estar dispuesto a pagar por l.
Seguramente usted habr notado que la figura 16-12 (FIGURA D EN MDULO, NO
APARECE) (el rbol de decisin ampliado del director) se asemeja a la salida de una
computadora. En efecto, construimos el rbol y realizamos los clculos del teorema de
Bayes, lo mismo que el procedimiento de rastreo inverso, empleando un programa de la
hoja electrnica en una computadora personal. (La figura 16-13 proporciona los datos de
entrada y los clculos del teorema de Bayes de nuestra hoja electrnica) (LA FIGURA 16-13,
EN MDULO SERA LA FIGURA E, PERO IGUAL QUE LA D NO APARECE EN NINGUNA
PARTE DEL CONTENIDO). Anlisis semejantes pueden efectuarse con muchos otros
programas de hojas electrnicas1.
Al director le agradan los resultados del anlisis, pero todava no est seguro de que debe
implantar la poltica ptima. Su incertidumbre se debe a que no sabe con seguridad si
arrendar el equipo productor de nieve le costar $12,000 durante la estacin. Esa fue la
cantidad que un amigo pag el ao pasado por el equipo que us en su hotel. Pero hay
muchas diferencias entre ambos hoteles; entre otras, el hecho de que las pendientes de su
lugar de veraneo sean ms largas que las pendientes del lugar de su amigo y que el ao
presente existen ms firmas que alquilan el equipo productor de nieve. El director est
seguro de que el costo de arrendamiento oscilar entre $ 5,000 y $ 20,000.
El director se da cuenta de que no existen ms que tres cursos razonables de accin
(estrategias) de donde elegir:
1. No comprar el pronstico y operar el hotel usando el equipo productor de nieve.
1 Una explicacin de cmo hacer esta clase de anlisis viene en el artculo de J. Morgan Jones "Decision
Analysis Using Spreadsheets", que apareci en la revista The European Journal of Operations Research, XXVI.
Nm. 3 (1968), pp. 385-400. Tambin se cuenta con software de propsito especial, el cual est diseado
especficamente para analizar los rboles de decisin. Vase la resea "Software for Decision Analysis" de Max
Herion en OR/MS today, XII. Nm. 12 (1985) pp.24-29.
123
125
1.
2.
3.
Aplicar los valores apropiados de probabilidad y los datos financieros a las ramas
y sub-ramas del rbol de decisin. Esto permitir distinguir el valor de probabilidad y
el valor monetario condicional asociado a cada resultado.
4.
5.
6.
El anlisis del rbol de decisin es una tcnica a la que recurren los gerentes para
estructurar, mostrar las alternativas y los procesos de decisin. Es de gran uso porque:
Estructura el proceso de decisin, guiando a los gerente para abordar la toma de
decisiones en una forma ordenada y secuencial.
Requiere que el encargado de tomar la decisin examine todos los resultados
posibles, tanto los deseables como los indeseables.
Comunica a otros el proceso de la toma de decisiones; muestra cada suposicin
relativa al futuro.
Permite a un grupo discutir las opciones, pues se centra en cada cifra financiera,
valor de probabilidad y suposicin subyacente (una a la vez). Por tanto, un grupo
puede alcanzar de modo ordenado una decisin unnime en vez de debatirla en su
totalidad.
Puede usarse con una computadora, y de ese modo es posible simular varios conjuntos de
suposiciones junto con sus efectos en el resultado final observado.
127
129
Una planta pequea ser adecuada slo para una demanda baja y la administracin tiene que
considerar la expansin si la demanda resulta ser alta o mediana.
Si la demanda es alta, la administracin puede seleccionar una expansin grande, una
pequea o no expandir.
Si la demanda es moderada, slo se considerar una expansin pequea o no expandir.
El costo de la construccin de una planta pequea es de 6 millones, la expansin grande
costar 5 millones, mientras que una expansin pequea ser de 3 millones.
Desafortunadamente si ocurre una demanda alta, la planta no puede expandirse con la
suficiente rapidez como para aprovechar toda la demanda. Solo se obtendr 19 millones por el
rendimiento operativo, si se opta por una expansin grande.
En consecuencia, la ganancia neta ser de 8 millones. Una expansin pequea dar slo 18
millones, ya que este tamao no ser adecuado para esa demanda potencial. En este caso la
ganancia neta ser de 9 millones.
Si se opta por no expandir, se obtendrn 10 millones de rendimiento, la misma cantidad que si
hubiera nada ms una demanda baja.
Esto dara por resultado una ganancia de 4 millones.
Para una situacin de demanda media, la administracin desea considerar una expansin de
planta pequea o no expandir. La planta expandida generar 18 millones en rendimiento,
mientras que la decisin de no expandir generara solo 10 millones de rendimiento.
La ganancia neta para estas dos situaciones es 9 y 4 millones respectivamente.
a. Elaboro un rbol de decisiones y
b. Encuentro la mejor alternativa de acuerdo al criterio del VME.
CASO No.3:
La empresa agrcola "Gurdin SA" est evaluando la posibilidad de invertir en una mquina
agrcola para trabajo pesado en este invierno. Dicha mquina ser alquilada para reparar
caminos de penetracin a haciendas del sector.
La empresa ha analizado cuidadosamente la situacin y considera que sera una inversin muy
redituable si la precipitacin de lluvia es alta. Se podra lograr incluso una ganancia pequea si
la precipitacin de lluvia es moderada, pero se perdera dinero si la precipitacin es reducida
(mal invierno).
Gurdin SA pronostica una utilidad de $ 7,000 si las lluvias son fuertes y de $ 2,000 si son
moderadas y una perdida de $ 9,000 si la precipitacin es reducida.
Conforme a los pronsticos del servicio meteorolgico se estima que las probabilidades de
buen invierno son: 0.4 , 0.3 y 0.3 respectivamente para lluvias fuertes, moderadas o lluvias
reducidas.
a. Trazo un rbol de decisin para el problema
b. Cul es el Valor Esperado en cada alternativa?
c. Utilizando el VME, recomiendo a Gurdin SA invertir en dicha mquina?
131
CASO No. 4:
Gurdin S.A. No. 2: Con referencia al problema de inversin que tiene Gurdin SA, la
empresa puede adquirir un aditamento instalable en la mquina agrcola y puede servir tambin
para trabajos domiciliares y pequeas empresas.
En este caso la Gurdin SA no estara en posibilidad de generar la misma cantidad de ingresos
que si se dedicara a los caminos de penetracin, pero si mantendra una menor perdida si la
precipitacin de lluvia es ligera.
Con esta alternativa la empresa pronostica una utilidad de $3,500 si la precipitacin es alta,
$1,000 si es moderada y una perdida de $1,500 si la precipitacin es reducida.
a. Trazo un nuevo rbol de decisin que muestre las tres alternativas adicionales
b. Aplicando el criterio del VME, indico cul es la decisin ptima?
c. Cul es el Valor Esperado de la informacin Completa o costo de Riesgo?
CASO No. 5:
MANUFAC: Consideremos una empresa que manufactura partes componentes para una
industria creciente. Actualmente hay 5 mquinas automticas que funcionan a toda capacidad
para la fabricacin de uno de sus productos.
La demanda de dicho producto ha estado aumentando.
El problema a que se enfrenta la administracin consiste en saber si habr que instalar otras
mquinas automticas o pagar tiempo extra a sus empleados.
Despus de un cuidadoso anlisis de las condiciones del mercado, se lleg al acuerdo de que
hay una probabilidad de 0.667 de que las ventas aumenten el 25% dentro de 1 ao y que hay
una probabilidad de 0.333 de que las ventas disminuyan hasta en un 5 %.
Actualmente y debido a su crecimiento, la empresa ha forzado su capacidad de trabajo, lo que
ha dado por resultado una difcil situacin de efectivo.
Un cuidadoso anlisis de los datos demostr que un 25% de aumento en las ventas dara por
resultado un flujo de efectivo de $ 350,000 para el nuevo equipo comprado, con un flujo de
efectivo de $ 325,000 para tiempo extra.
Un anlisis semejante mostr que una disminucin de 5% en las ventas causara un flujo neto
de efectivo de $ 200,000 para nuevo equipo comprado con $ 280,000 para la alternativa de
tiempo extra.
Es evidente que si aumentaran las ventas, la mejor decisin sera la de comprar nuevo equipo.
a. Elaboro un rbol de decisiones
b. Encuentro cul es la mejor alternativa
CASO No.6:
El Sr. Prez tiene un total en efectivo de $ 100,000 para invertir en diversos programas y no
puede obtener ms capital adicional. Se le ofrece la oportunidad de participar en el 1ro. de dos
programas distintos A y B.
133
El programa A tiene una probabilidad igual de producir una utilidad de $ 12,000 o una prdida
de $ 5,000 con una inversin de $ 50,000.
Habiendo o no participado en el programa A y suponiendo que el capital ms la utilidad o
menos la prdida quede a su disposicin dentro de 1 mes, se le ofrece el programa B, el cual
tiene la misma probabilidad de dar una utilidad de $ 18,000 o una prdida de $ 12,000 con una
inversin de $ 48,000.
a. Elaboro un rbol de decisiones para encontrar cual es la mayor utilidad que puede esperar
el Sr. Prez.
b. Si el total disponible en efectivo es ahora de $ 50,000, que debe hacer el Sr. Prez con ese
cambio?
CASO No.7:
Para la matriz de pagos que se me presenta a continuacin y las probabilidades de cada
estado de la naturaleza, elaboro un diagrama de rbol y encuentro la alternativa ptima.
Estados de la
Naturaleza
Alternativa
300
400
700
II
400
500
500
III
200
600
200
IV
400
300
500
CASO No.8:
Contratista: Ernesto Picado es un joven contratista que tiene la oportunidad de elegir entre
construir una casa o hacer dos trabajos de ampliacin en los siguientes dos meses. Si
construye la casa y puede venderla, ganara $ 10,000. Sin embargo, si el mercado inmobiliario
declina debido a aumentos en la tasa de inters hipotecario, no podra venderla y tal vez
perdera $ 5,000. Por otro lado, puede ganar $ 7,000 llevando a cabo los dos trabajos de
ampliacin, sin que importe el comportamiento del mercado.
a. Elaboro una matriz de utilidad.
b. Dibujo un rbol de decisin para este problema.
c. Si Picado ha decidido que la probabilidad de que la tasa hipotecaria aumente es 0.6 y las
cantidades en dlares son una medida adecuada de su utilidad, determino la estrategia
que debe seguir.
CASO No.9:
CAPTUS PETROLEUM, debe decidir si perfora (acto A1) o no perfora (acto A2) un pozo en un
lote dado de propiedad de la compaa en el norte de Nicaragua.
Tiene incertidumbre si el hueco es seco (estado B 1), hmedo (estado B2) o empapado (estado
B3), pero la compaa cree que las probabilidades para estos tres estados son:
P(seco)= 0.5
P(hmedo)= 0.3
135
P(empapado)= 0.2
Si se juzga que el pozo est empapado, los ingresos podran ser de $ 270,000; pero si el pozo
est hmedo, los ingresos seran de $ 120,000.
A un costo de $ 10,000 la compaa. puede tomar ondas ssmicas para que le ayuden a
determinar la estructura geolgica del subsuelo en el sitio. Las ondas sonoras revelarn si el
terreno debajo tiene:
a. Ninguna estructura (NE) - esto es malo, o
b. Estructura abierta (EA) -esto es regular, o estructura cerrada (EC) - esto es, realmente
prometedor.
En el pasado, los pozos petroleros que han estado secos, hmedos o empapados, han tenido
la siguiente distribucin en los resultados de la pruebas ssmicas.
Resultado de la prueba ssmica: P(O|BI)
O1
O2
O3
(NE)
(EA)
(EC)
B1: seco
0.6
0.3
0.1
B2: hmedo
0.3
0.4
0.3
B3: empapado
0.1
0.4
0.5
Tipo de pozo
La compaa debe decidir que hacer: debera perforar o no perforar inmediatamente, o debera
tomar sondeos ssmicos, y si es as, que accionar debera tomar para cada resultado del
ensayo ssmico.
La empresa CAPTUS PETROLEUM, me contrato como analista de decisin para que les
ayude a tomar la decisin en este problema. Que recomendara basndome en el criterio del
VME?
137
139
141
143
145
147
149
151
Presentacin
Toda organizacin alguna vez tiene que enfrentarse con el desarrollo de proyectos grandes
y complejos.
Las compaas constructoras por ejemplo deben trabajar permanentemente con proyectos
que generalmente son nicos.
Estos son retos para los gerentes ya que estn en juego miles de dlares
Cuando no se planifica detalladamente, se corre el riesgo de encarecer la obra por los
incrementos de costos producidos por atrasos innecesarios y falta de coordinacin.
El contenido de esta segunda unidad autoformativa trata de las redes Pert-Cpm importantes
en todo proyecto.
La primera parte presenta las actividades de un proyecto en forma de barras, llamado
Diagrama de GANT, el cual adems de ser de fcil construccin, es de fcil interpretacin.
Enseguida se muestra la forma que se construye un diagrama de flechas denominado
Diagrama Pert-Cpm, donde es importante encontrar la ruta crtica de todo proyecto que
marca la fecha de finalizacin de ste.
La segunda parte se trabaja con redes probabilsticas, donde se encuentra el tiempo
esperado de una red y la estadstica de la ruta crtica, de gran importancia en todo proyecto.
La ltima parte hace nfasis en la actualizacin de una red Pert-Cpm, paso de gran
importancia dentro del control de todo proyecto.
153
155
j. Graficas de GANT
Es una de las herramientas ms antiguas, ms fciles de usar y ms flexibles en la
administracin de proyectos. Tambin se le llama Diagrama de Barras.
El esquema de un diagrama de GANT es el siguiente:
HOY
Actividades
Enero
Febrero
Marzo
Abril
Mayo
A
B
C
157
159
Descripcin
Actividad
precedente
tiempo
-----
-----
A,C
Crear
plan
organizacin
Determinar
personal
Disear local
Construir el interior
H,E,G
financiero
requerimientos
de
de
13
Tiempo en das
5
8 10 12
14
20
23
B
C
D
E
F
G
H
I
J
Cul sera el estado del proyecto al cabo de 13 das si todo marchara de acuerdo a lo
planeado ?
Solucin:
Al treceavo da las actividades A, B, C, D, F, H e I ya han finalizado.
La actividad E lleva 1 da de progreso y le faltan 7 das para finalizar.
La actividad G lleva 3 das de progreso y le falta 1 da para finalizar.
La actividad J no ha iniciado an
Lo que realmente ha sucedido en el proyecto est sombreado:
Diagrama de Gant
Actividades
A
13
Tiempo en das
5
8 10 12
14
20
23
B
C
D
E
F
G
H
I
J
Solucin:
Al treceavo da, las actividades A, B, C, F y I ya han finalizado.
La actividad D lleva 2 das de retrazo, le faltan1 da para finalizar; las actividades E
debera de haber iniciado el da 12, lleva 1 da de retrazo; La actividad G finaliz con un
da de adelanto a la fecha programada; la actividad H debera de haber finalizado el da
12, lleva 2 da de retrazo, le falta un da para finalizar.
La otra actividad (J) an no ha iniciado.
161
Ejemplo 2:
Sean las siguientes actividades de un proyecto, las actividades precedentes y el tiempo
empleado en das:
Actividad
Actividad predecesora
Tiempo (das)
------
------
------
B-C
A-C
D-F
10
D-F
14
Tiempo en das
Actividades
7 8
10 11 12 13
15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
A
B
C
D
E
F
G
H
I
J
K
L
M
163
k. PERT
"Tcnica de evaluacin y revisin de programas".Se desarroll para el proyecto Polaris
en 1958.
La tcnica PERT es un mtodo para minimizar los sitios de problemas, congestiones de
produccin, demoras e interrupciones, determinando las actividades crticas antes de que
ocurran, a fin de poder coordinar varias partes del trabajo en total. Bsicamente es una
tcnica de planeacin y control que utiliza una red de actividades para programar y
presupuestar a fin de lograr un objetivo predeterminado o llevar a cabo un proyecto.
Ayuda a la administracin informando tanto de los acontecimientos favorables como de
los desfavorables que ocurren.
Trata de mantener bien informado a los gerentes de todas las consideraciones y factores
crticos relacionados con sus decisiones.
Desde ese punto de vista, puede ser un valioso instrumento administrativo para la toma
de decisiones.
l. CPM
"Mtodo de la ruta crtica". Fue desarrollado en forma independiente de PERT, pero est
estrechamente relacionado con ste.
Es idntico al PERT en concepto y metodologa. La diferencia principal entre ellos es
simplemente el mtodo por medio del cual se realizan los estimados de tiempo para las
actividades.
Con el CPM, los tiempos de las actividades son determinsticos. Con el PERT, los
tiempos de las actividades son probabilsticos.
El CPM no se ocupa de tiempos inciertos de tareas o actividades como es el caso de
PERT, sino que se refiere a intercambios entre tiempo y costos.
En la actualidad, ha desaparecido en gran medida la distincin de uso entre PERT y
CPM.
m. PERT-CPM
La idea general es mostrar un proyecto en forma grfica y relacionar sus componentes
en tal forma que permita determinar cuales actividades son cruciales para la finalizacin
del proyecto. Para lograr tal fin los proyectos deben tener las siguientes caractersticas:
1) Se deben tener actividades bien definidas, y su completacin debe marcar la
finalizacin del proyecto.
2) Las actividades deben ser independientes en el sentido que pueden comenzar,
detenerse y conducirse separadamente dentro de una secuencia dada.
3) Las actividades deben estar ordenadas en tal forma que una siga a otra en una
secuencia dada.
165
La primera etapa del proceso de PERT-CPM consiste en identificar todas las tareas o
actividades asociadas con el proyecto y sus interrelaciones.
Para aplicar el PERT-CPM a un proyecto, se requiere comprender completamente la
estructura y requisitos del mismo. El esfuerzo que se gaste para identificar la estructura
del proyecto es de gran valor para la comprensin de este.
En particular, se deben contestar cuatro preguntas para empezar el procedimiento de
modelaje:
1) Cules son las actividades que el proyecto requiere?
2) Cules son los requisitos de secuenciacin o restricciones de estas actividades?
3) Qu actividades pueden realizarse simultneamente?
4) Cules son los tiempos estimados para cada actividad?
Ejemplo.3:
Un ejemplo bsico de un proyecto de ajuste general de un motor.
Actividad
Actividad predecesora
Tiempo
------
3h
1h
Rebobinar la armadura
2h
2h
B-C-D
4h
Para este ejemplo slo se requieren 5 actividades; pero es evidente que el nmero de
ellas varan segn el tipo de proyecto.
La construccin de una planta nuclear o una refinera llevar miles de actividades.
En cualquier caso, el punto clave es tener en esta etapa de planeacin, una lista precisa
y exhaustiva de actividades y las relaciones correctas de precedencia entre ellas, puesto
que todos los clculos futuros y los programas finales del proyecto dependen de esas
actividades y sus relaciones.
Adems de las actividades del proyecto, se incluye una columna donde se muestra las
actividades predecesoras (actividades inmediatamente anteriores), las cuales tienen que
terminarse antes de comenzar la actividad presente.
La ltima columna nos mostrar el tiempo esperado de finalizacin de cada actividad.
Continuemos con el ejemplo 3:
Las actividades B, C y D no pueden comenzar sino hasta que la actividad A se haya
terminado; esto indica que antes de limpiar y pintar la base, antes de rebobinar la
armadura y antes de reemplazar los anillos, debe retirarse y desarmarse el motor.
La actividad E no puede comenzar hasta que las actividades B, C y D se hayan
terminado.
167
Esto es evidente; antes de que pueda volverse a armar el motor y antes de que pueda
instalarse en su lugar, las actividades B, C y D deben haberse terminado.
La omisin, as como tambin la inclusin de una actividad precedente puede
distorsionar en gran medida las relaciones generales entre las actividades.
B fic
B=1
A=3
1
C=2
E=4
D fic
D=2
4
No existe procedimiento secretos o especiales para la elaboracin de una red PERTCPM, sin embargo no debe de intentar dibujarse la red sin listar primero todas las
actividades, sin haberlas ordenado en alguna forma lgica y sin haber identificado en la
medida de lo posible las relaciones de precedencia.
Sugerencias para la elaboracin de una red de actividades:
1) Antes de que pueda comenzar una actividad, todas las actividades precedentes
deben haber terminado.
2) Las flechas indican slo precedencia lgica; ni su longitud ni su direccin tienen
significado alguno.
3) Cada flecha (actividad), debe comenzar y terminar en un nodo de evento.
169
4) Ningn par de nodos de la red puede estar directamente conectado por ms de una
flecha.
5) Todas las flechas de la red deben estar dirigidas, ms o menos, de izquierda a
derecha.
6) La clasificacin de las actividades (es decir, el listado de las actividades del proyecto),
no deben ser ms detallado que lo que se requiera para representar un plan de accin
lgico y claramente definido.
Si quitramos las actividades ficticias del ejemplo anterior tendramos la siguiente red:
B
A
Esta red ilustra las misma relaciones entre las actividades que el diagrama anterior, pero
da como resultado unir dos nodos con varias actividades, prctica que debe evitarse al
construir una red. Si la actividad E F y tienen la misma precedencia, no es correcto
graficar:
E
E
F
F fic
L
7
Se debe graficar:
5
E fic
171
Ejemplo 4:
Consideremos la secuencia de tiempos y actividades que ocurriera al pagar una factura:
Actividad
Descripcin de la Actividad
Actividades predecesoras
--------
Poner en el correo
C,D
E
Aunque esta red puede ilustrar la forma en que podran ordenarse las actividades,
equivocadamente seala que "poner la direccin en los sobres" no puede comenzar sino
hasta que "se inserten los cheques en los sobres" haya terminado. Esto por supuesto no
es cierto.
El siguiente diagrama muestra la relacin apropiada entre las actividades.
C
3
B
1
C fic
D fic
D
5
Aqu en este diagrama, no existe restriccin sobre la anotacin de las direcciones en los
sobres (D) o sobre la colocacin de las estampillas (E). El diagrama simplemente dice
que antes de que pueda ponerse la carta en el correo, el cheque debe estar en el sobre y
ste debe tener la direccin y las estampillas.
A partir de este ejemplo simple, resulta muy evidente que las actividades no deben
colocarse en serie a menos que sea absolutamente necesario.
o. La ruta critica
La ruta crtica se define como la ruta ms larga a travs de la red. Esta trayectoria es
importante porque determina la longitud del proyecto.
Estas actividades que determinan la ruta crtica son aquellas sobre las que se debe tener
estricto control, ya que son las que determinan la duracin total del proyecto y si alguna
de ellas se retrasa, todo el proyecto se retrasar.
Toda red tiene por lo menos una ruta crtica; algunas tienen ms de una, si es que existen
empates en tiempo en la ruta ms larga.
173
A=4
B fic
C=3
D=1
175
D fic
E=5
Encontrar:
1) La ruta crtica
2) El tiempo de finalizacin del proyecto
Solucin:
El primer paso es calcular el tiempo ms temprano de realizacin del evento: F1
Para el evento 1 (inicio) el tiempo ser de 0.
Para el evento 2 el tiempo F1 ser de 0 + 4 = 4
F1 para el evento 3 es : 4 + 2 = 6
El evento 4 tiene dos actividades que llegan (3,4) y (2,4).
(3,4): 6 + 0 =6 y (2,4): 4 + 3 = 7
De estos dos escogemos el ms largo para el evento 4: 7
Para la actividad (2,5) F1 es 5, mientras que la actividad (4,6) tiene un F1 de 12, que es el
tiempo ms largo. Este tambin es el tiempo ms prximo para terminar el proyecto.
6
3
B fic
B=2
1
0
A=4
C=3
2
4
7
6
E=5
D fic
D=1
8
12
5
5
177
(2,4) : F2 = 7-3 = 4
(2,5) : F2 = 12-1 = 11
El tiempo F2 para el evento 2 debe ser el ms pequeo posible.
Por ltimo, para el evento 1 se tiene: F2 = 4 - 4 = 0
6
7
3
B fic
B=2
A=4
1
0
C=3
2
4
E=5
D fic
D=1
8
12 12
5
5 12
B fic
B=2
A=4
1
0
C=3
2
4
E=5
D fic
D=1
8
12 12 0
5
5 12 7
179
Actividades predecesoras
Disear el producto
-----
Disear el empaque
-----
Fabricar el producto
Fabricar el empaque
Empacar el producto
G-H
C=3
13 13
E=4
19 19
G=6
8
G fic
A=6
20 20
H=4
B=2
D=3
3
2
F=3
5
5
12
19 19
10
0
11
22 22
7
8
15
Calculamos F1, F2 y H en cada nodo, encontrando que la ruta crtica es: A-C-E-G-I-J
181
El tiempo total requerido desde el principio del proyecto hasta que el producto nuevo se
encuentre en las manos del distribuidor es de 22 semanas.
Las fechas de inicio y terminacin para cada tarea son:
A: finaliza en 6 semanas
B: finaliza en 2 semanas
C: se inicia despus de 6 semanas, luego de finalizar la actividad A y finaliza en la
semana 9
D: se inicia despus de 2 semanas, luego de finalizar la actividad B y finaliza en la
semana 5
E: se inicia despus de 9 semanas, luego de finalizar la actividad C y finaliza en semana
13
F: se inicia despus de 5 semanas, luego de finalizar la actividad D y finaliza en la
semana 8
G: se inicia despus de 13 semanas, luego de finalizar la actividad E y finaliza en la
semana 19
H: se inicia despus de 8 semanas, luego de finalizar la actividad F, y finaliza en la
semana 12
I: se inicia despus de 19 semanas, luego de finalizar las actividades G y H, y finaliza en
la semana 20
J: se inicia despus de 20 semanas, luego de finalizar la actividad I y finaliza en la
semana 22
183
Actividades
predecesoras
Tiempo
(das)
-------
DC
EF
HF
CG
IJF
b)
Actividad
Actividades
predecesoras
Tiempo
(das)
-------
-------
-------
BC
10
DEF
KLJ
Actividad
Actividades
predecesoras
Tiempo
(das)
----
----
CD
FG
HIJ
c)
185
2. Evalo la siguiente red PERT-CPM y encuentro la ruta crtica y el tiempo de finalizacin del
proyecto.
D=6
G=5
A=5
B=4
E=8
H=5
K=5
C=2
10
J=2
F=4
I=3
B=12
A=10
F=7
C=15
E=8
4
D=8
I=5
10
11
H=4
G=10
J=12
187
Actividades
predecesoras
Tiempo
Investigacin bibliogrfica
----
Formulacin de tpicos
----
AD
Reporte de progreso
Investigacin formal
AD
Coleccin de datos
Anlisis de datos
GH
Conclusiones
Borrador
Copia final
JK
Defensa de la tesis
10.
Actividad
Duracin
(das)
Primera actividad
Se inicia despus de A
Se ejecuta despus de B
Se ejecuta despus de D
Se ejecuta despus de C y E
Se ejecuta despus de F y G
Se ejecuta despus de H
Se ejecuta despus de I
Se ejecuta despus de G
Se ejecuta despus de K y H
Observaciones
189
Te
a 4m b
6
Pert requiere que se estime la varianza de cada uno de los tiempos de completacin de
una actividad. Para ello aplicamos la formula:
(b a) 2
36
Para cada una de las actividades de la red
Tiempo optimista
Tiempo ms probable
Tiempo pesimista
5.5
11
1.5
1.5
4.5
1.2
3.2
3.5
1.8
2.8
6.5
4.2
5.2
0.5
0.8
2.3
0.8
2.1
2.8
Tiempo
optimista
Tiempo ms
probable
Tiempo
pesimista
Tiempo
esperado
Varianza
Te
5.5
11
1.78**
1.5
0.44
1.5
4.5
0.25**
1.2
3.2
0.22
3.5
1.00**
1.8
2.8
0.28
6.5
0.44**
4.2
5.2
0.28
0.5
0.8
2.3
0.09**
0.8
2.1
2.8
0.11**
A partir de estos datos puede observarse que la actividad A tiene un mayor grado de
incertidumbre que la J, como se evidencia con una varianza de 1.78 en comparacin con
un valor de 0.11
Esto puede verificarse examinando las columnas correspondientes al tiempo optimista y
el tiempo pesimista. Aqu el intervalo de la actividad A es de 3.0 a 11.0, en tanto que el
intervalo de la actividad J es de 0.8 a 2.8
191
11.
Uno de los principales objetivos del PERT es encontrar el tiempo medio y la desviacin
estndar de la ruta crtica, es decir, de todo el proyecto.
Lo que comnmente se usa es considerar que el tiempo de completacin de un proyecto es
una variable distribuida normalmente.
El tiempo total de finalizacin del proyecto se distribuye normalmente con media y desviacin
estndar (sigma).
Te1 Te 2 ....... Ten para las actividades de la ruta crtica.
La desviacin estndar de la ruta crtica es:
12 22 .... n2
Donde:
: es la desviacin estndar de la ruta crtica y i es la desviacin estndar de cada actividad.
Al calcular el tiempo esperado de terminacin del proyecto, se toma las varianzas de las
actividades que forman la ruta crtica.
Al igual que con una sola actividad, conforme mayor sea la varianza compuesta, ms probable
es que el tiempo real que se requiera para terminar el proyecto difiera del tiempo esperado de
terminacin.
Para el ejemplo anterior:
Para SHARP tenemos la ruta crtica que son las actividades A C E G I J, con un
tiempo esperado de terminacin de 22 semanas. Por tanto la varianza para el proyecto es:
2 = a2 + c2 + e2 + g2 + i2 + j2
= 1.78+0.25+1.00+0.44+0.09+0.11 = 3.67 semanas
La Desviacin estndar para la terminacin del proyecto es:
El hecho de que la Desviacin Estndar para la terminacin del proyecto es 1.92 semanas, con
respecto al tiempo esperado de terminacin de 22 semanas nos seala algo con relacin a la
variabilidad si supiramos algo acerca de la distribucin de probabilidad que describe los
tiempos posibles de duracin del proyecto.
En Estadstica se sabe que los tiempos de terminacin de un proyecto siguen una distribucin
aproximadamente normal o en forma de campana.
193
16
-3
18
-2
20
-1
22
0
24
1
26
2
28
3
Escala X
Escala Z
Puesto que la variacin en el tiempo de duracin del proyecto sigue una distribucin normal,
puede utilizarse lo que se sabe acerca de esta distribucin, para hacer un planteamiento de
probabilidades con respecto a una fecha especfica de terminacin del proyecto.
Dada una fecha objetivo especifica de terminacin, puede calcularse la probabilidad de que el
proyecto se termine en esa fecha , antes o despus.
Si la Vicepresidencia de SHARP Co., ha indicado que sera deseable terminar el proyecto
antes de 26 semanas, y le gustara conocer la probabilidad de que esto ocurriera.
Para determinar este valor de probabilidad, primero se convierte el valor de 26 semanas a un
valor Z (estandarizado).
Se sabe que el valor Z est expresado mediante la funcin:
x
; por tanto si x = 26, = 22 y =1.92
26 22
z
2.08
1.92
tenemos:
Utilizando z = 2.08 y buscando en una tabla de distribucin normal, se encuentra que dicho
valor corresponde a 0.9812
La probabilidad asociada y por ello el porcentaje del rea total que se encuentra bajo la curva y
a la izquierda de x = 26 es del 98.12 o sea que la probabilidad de que el proyecto se termine en
26 semanas o menos es del 98.12%, por lo tanto el Vicepresidente de SHARP puede tener
bastante confianza en que el proyecto pueda terminarse hacia esa fecha.
Respondamos las siguientes preguntas:
a. Cul es la probabilidad de que el proyecto finalice en 25 o menos semanas?
25 22
z 1.92 1.56
Pr [ x 25 ] = Pr
= 0.9406 = 94.06 %
b. Cul es la probabilidad de que el proyecto finalice en ms de 25 semanas?
Pr [ x > 25 ] = 1 - Pr [ x 25 ]
195
25 22
z 1.92
= 1 - Pr
= 1 - Pr [ z 1.56 ]
= 1 - 0.9406 = 0.0594 = 5.94 %
c.
Si se quiere estar 99.25% seguro de finalizar el proyecto, qu fecha hay que estimar?
Buscamos en la tabla el valor que corresponde a tal porcentaje y encontramos el valor
de Z ms prximo a dicho porcentaje. Dicho valor corresponde a: z = 2.43
luego
2.43
x 22
1.92 ; de donde x = 1.92(2.43) + 22
Precedencia
Tiempo
optimista
Tiempo ms
probable
Tiempo
pesimista
-----
10
11
Se pide:
a.
b.
c.
d.
e.
f.
Solucin:
a.
7 15 8
B=2
A=6
0
B fic
C=4
0
0
1
0
3
10 10 0
D=1
4
5 15 10
b. Ruta Crtica: A - C E
197
E=5
D fic
5
15 15 0
c.
15 15
z 1.91
d. Pr(x 15) = Pr
= Pr z 0 = 50%.
16 15
z 1.91
e. Pr (x > 16) = 1 Pr (x 16) = 1 Pr
=
1 - Pr z 0.5236 = 1 0.6985 =
0.3015 = 30.15%
La probabilidad de que el proyecto dure mas de 16 semanas es del 32.28%
f.
2.33
x 15
1.91 despejando x (2.33)(1.91) 15 = 19.45 semanas
Podemos decir con un 99% de seguridad que el proyecto se terminar en 19.45 semanas o
menos.
Ejemplo 8:
La probabilidad que un proyecto finalice es de 125 das con una desviacin estndar de 25
das. Determinemos lo siguiente:
a. La probabilidad que el proyecto finalice en ms de 140 das
b. La probabilidad que el proyecto finalice entre 118 y 145 das
c. Si queremos estar seguros de finalizar el proyecto con un 94.30 % qu estimacin de
tiempo propondramos?
Solucin: = 125 y =25
140 125
25 = 1 - Pr z 0.6 = 1- 0.7257 = 27.43%
145 125
118 125
25 - Pr
25
= Pr
= Pr z 0.8 - Pr z 0.28
1.58
199
x 125
25 despejando x (1.58)( 25) 125 = 164.5 das
podemos decir con un 94.30% de seguridad que el proyecto se terminar en 164.5 das o
menos.
Actividad
Tiempo ms
probable
Tiempo
pesimista
11
20
25
32
51
16
24
14
18
22
18
22
26
10
12
14
18
24
30
12
10
Se pide:
a. Cul es la ruta critica?
b. Encuentro la desviacin estndar para el tiempo de terminacin del proyecto (sugerencia:
si existe ms de una ruta crtica, selecciono la que tenga la mayor desviacin estndar)
c. Cunto durar el proyecto si tiene un 95% de confianza?
2. A continuacin se dan las actividades de un pequeo proyecto y los tiempos optimista, ms
probable y pesimista:
Actividad
201
Precedencia
Tiempo
optimista
Tiempo ms
probable
Tiempo
pesimista
----
----
1.8
2.8
1.2
3.2
AC
6.5
4.2
5.2
3.7
6.2
1.5
2.6
12.1
FG
0.9
1.3
5.9
HI-D
5.6
9.6
Actividad
Precedente
----
B
C
Tiempo
optimista
Tiempo ms
probable
Tiempo
pesimista
12
14
17
BE
DF
10
11
14
IG
19
12
JL
17
203
Actividad
Tiempo
optimista
Tiempo ms
probable
14
12
30
11
17
27
15
19
28
7
15
7
M
Tiempo
pesimista
F
8
G
1
B
C
10
12
K
J
11
12.
El desarrollo del tema que hasta ahora hemos presentado, estaba dirigido hacia la planificacin
de un proyecto antes de haberlo iniciado.
Sin embargo, la red as construida puede ayudar al administrador del proyecto despus que
las actividades han sido iniciadas.
Esta ayuda consiste en la planificacin del resto de actividades una vez que cierta informacin
ha sido actualizada.
En el proceso de la ejecucin de un proyecto es posible que la duracin estimada de una
actividad haya sido errada por sobre estimacin o subestimacin.
Adems, como resultado de experiencias similares, el administrador puede considerar
recomendable re - estimar el tiempo de duracin de actividades que todava no han sido
finalizadas y por supuesto este tipo de situacin podra invalidar el resultado obtenido con
anterioridad. Es eso lo que nos obliga a actualizar la red de nuestro proyecto.
El proceso de actualizacin
Para ilustrar este proceso utilizaremos la red mostrada a continuacin.
Ejemplo 9:
205
5 12 17
19 19 0
12 16 14
D=4
I=6
A=5
32 32 0
F=4
0
C=3
G = 11
3
8
B=8
K=2
J=7
L=6
3
8
6
H=7
26 26 0
----
----
----
----
----
----
----
----
----
----
----
----
----
----
----
----
12
----
----
----
----
----
----
207
6
2
10 10 0
0
D=4
A=6
F=0
C=0
I=12
D=0
G=2
3
22 22 0
2
K=2
5
0
J=7
L=6
B=0
H=0
3
0
6
9 16 7
Obsrvese que originalmente las actividades dentro de la ruta critica eran B, Fic, G, J y L.
El estimado de la duracin del proyecto era de 32 das. La red actualizada indica ahora que las
actividades A, D, I, forman la ruta crtica y el tiempo de duracin del proyecto ser de 22 das a
partir de los 12 das transcurridos, o sea 34 das.
13.
209
6
D=5
A=6
J=5
G=12
C=4
H=8
4
B=7
E=3
I=6
F=2
Ejercicio No. 2:
Se dan las siguientes estimaciones de tiempo en semanas para las actividades de un proyecto
y la red que establece las relaciones de precedencia.
Actividad
Estimaciones de tiempo
Tiempo
Varianza
Te
0.11**
17
10
2.77**
13
1.77
12
1.77
13
2.77
4.00**
15
0.11
10
0.11**
10
13
10
1.00**
E=6
F=4
1
A=3
C=7
5
H=9
D=6
3
211
G=2
I=10
a.
b.
c.
d.
e.
f.
g.
Se pide:
Determinar la ruta crtica y la duracin del proyecto
Determinar la probabilidad de que el proyecto finalice antes de 45 semanas
Determinar la probabilidad de que el proyecto dure ms de 46 semanas
Si se quiere estar 95 % seguro de finalizar el proyecto qu fecha fijara para completarlo?
Determinar la probabilidad de que el proyecto finalice entre 35 y 42 semanas
Determinar la probabilidad de finalizar el proyecto en el tiempo de la ruta crtica
De acuerdo a lo programado cmo sera el estado del proyecto al cabo de 15 semanas?
h. En lugar de las condiciones anteriores, las condiciones reales en que se encuentra el
proyecto despus de 15 semanas son las presentadas en el siguiente informe:
. -Las actividades A y B se realizaron de acuerdo a lo programado.
-La actividad C se ha retrasado y se supone que durar 5 semanas ms a partir de hoy.
-La actividad D se ejecut ms rpidamente tomando solamente 5 semanas.
-La actividad G se inici inmediatamente despus que termin D y se realiz segn lo
programado.
-La actividad E se encuentran en proceso segn lo programado.
-Ninguna otra actividad se ha iniciado.
-El tiempo para la actividad I se revis y se considera que durar 9 semanas.
i. Hacer un cuadro que muestre el detalle de las condiciones reales del proyecto y revalorizar
la red.
Ejercicio No.3:
A continuacin se muestra la red de actividades de un proyecto. Si se ha desarrollado de
acuerdo a lo programado, cual sera el estado del proyecto despus de 12 das?
E=6
2
A=3
5
I=6
D=3
B=7
C=7
4
C=9
I=10
H=5
a.
b.
c.
d.
e.
f.
g.
h.
213
D=8
G=6
10
A=12
B=8
D=5
H=5
K=9
L=4
11
13
C=3
F=10
I=2
J=5
12
G=2
A=11
B=2
E=5
F=4
C=3
215
K=10
10
11
L=6
a.
b.
c.
d.
e.
f.
g.
I=7
F=10
217
219
Hoja de respuestas
221
223
225
227
Presentacin
229
231
A Programacin lineal
La programacin lineal (PL) es una tcnica matemtica de la Investigacin de Operaciones
(IO), eficaz en los problemas de la toma de decisiones en condiciones de certeza.
La PL resulta apropiada para el tratamiento de problemas de optimizacin cuando se supone
que la relacin entre variables es lineal.
Para garantizar el uso de esta eficaz herramienta, elaboramos un modelo que responda con la
mayor fidelidad posible a las condiciones del problema al cual se le quiere dar solucin.
La solucin encontrada del problema ser una buena aproximacin a la solucin ptima. Dicha
aproximacin ser mejor en la medida en que el modelo represente la mejor aproximacin a las
condiciones reales del problema.
Las aplicaciones de la PL son tan diversas que van desde la agricultura hasta lo militar.
1 Modelos matemticos
Ya sea que se trate del sector privado o del pblico, una de las principales funciones de un
administrador es resolver problemas principalmente a travs de la construccin de modelos o
planteamientos de modelos.
La construccin de dichos modelos es un medio que permite a los administradores analizar y
estudiar problemas, as como tambin examinar diferentes alternativas.
La construccin de modelos no es una idea nueva; el proceso se utiliza todos los das, con
frecuencia en forma inconsciente, en situaciones de problemas bsicos.
Por ejemplo:
Examinemos el problema de la redistribucin de los muebles de una sala por una ama de casa
para una fiesta, cuyo objetivo es tener una disposicin apropiada que resulte atractiva pero
tambin funcional para la actividad de la noche.
En este caso tiene que abordar el problema que consiste en visualizar diferentes disposiciones
de los muebles y evaluar cada alternativa. Es decir, la anfitriona puede utilizar un modelo
mental del problema.
Un segundo mtodo sera que ella pidiera a su esposo que moviera los muebles en la sala
hasta encontrar una forma que le satisfaga.
El modelo mental simple no permite suficientes manipulaciones, existen demasiados elementos
que deben tenerse presentes o talvez la anfitriona no sea capaz de visualizar la apariencia de
cada una de las diferentes disposiciones.
Podramos avanzar un poco desarrollando un modelo a escala de la sala y examinar las
diferentes disposiciones. Este ltimo mtodo puede utilizarse slo si la anfitriona acepta que el
modelo a escala es una representacin vlida del problema.
233
s. Modelos descriptivos
Es aquel tipo que representa una relacin pero no indica ningn curso de accin a seguir.
Estos modelos son tiles para pronosticar la conducta del sistema pero no puede
identificar el mejor curso de accin que debe tomarse.
t. Modelos normativos
En ocasiones denominado Modelo de Optimizacin, es prescriptivo porque seala el
curso de accin a tomar que el administrador (quin toma las decisiones), debe seguir
para alcanzar un objetivo definido.
Esto implica que se incorpora un objetivo al modelo y que es posible identificar los
efectos de diferentes cursos de accin tienen sobre el objetivo.
Un modelo normativo puede contener sub - modelos descriptivos pero difiere del modelo
descriptivo porque es posible determinar un curso de accin ptimo o mejor.
Sub - clasificacin de los modelos
Determinismo: Los parmetros se conocen con certidumbre
235
14.
v. Modelo
Un modelo de PL en trminos generales sera:
Variables de decisin (VD): X1, X2, ..., Xn
FO ===> (Max. o Min.) Z = C1X1 + C2X2 +....+ CnXn
sujeto a las restricciones siguientes (s.a)
a11X1 + a12X2 +..... + a1nXn [ , , = ] b1
a21X1 + a22X2 +..... + a2nXn [ , , = ] b2
am1X1 + am2X2 +.....+ amnXn [ , , = ] bm
237
x1 , x2 ,...... xn 0
Donde:
X1 , X2,......,Xn
a11
a12....a1n
a21
a22....a2n
representan los requisitos unitarios para cada variable de decisin.
...........................
am1 am2....amn
representan las contribuciones marginales (aporte que da a la funcin
objetiva (FO), cada unidad de los elementos representados por las
c1, c2 ....cn
variables de decisin).
b1,
b2 ......bn
Cada una de las desigualdades y/o ecuaciones representa una restriccin del problema.
Tienen su origen en las limitaciones de recursos (insumos) o en las exigencias mnimas a
cumplir (normas).
Para una restriccin de limitacin usamos y para una de exigencia se usa .
Los valores bj , donde j = 1,2,3...,m representan, o el lmite mximo de disponibilidad del
i-simo recurso o el mnimo exigido para una cierta norma a cumplir.
Cada uno de los coeficientes aij, se llama requerimiento tcnico del artculo representado
por la variable Xi, y forman la matriz principal del sistema.
El otro conjunto de restricciones (Xi 0), limitan a los valores de las variables de
decisiones (VD) a ser no negativas.
w. Planteamiento de modelos
Lo primero que tenemos que hacer al tener un problema es construir el modelo de PL
Resumamos los pasos para la construccin de un modelo de PL
1)
2)
3)
4)
5)
Ejemplo 1:
La fbrica de muebles Masaya (FMM) es especialista en la produccin de dos clases de
comedores muy de moda en Centro Amrica: Virginiano y Masaya.
La FMM logra una utilidad (precio neto de venta - costos variables de fabricacin) de
$200 y $240 de cada tipo respectivamente.
La FMM ha experimentado una alta demanda de ambos comedores, en consecuencia, el
gerente cree que puede vender todos los comedores que produzca.
239
Virginiano
Masaya
Capacidad (horas)
Construccin
12
120
Pintura
64
200
240
Utilidad unitaria
Ejemplo 2 (Dieta):
Un cierto nutriente para ganado est formado por la mezcla de 3 ingredientes 1, 2 y 3.
Los ingredientes contienen protenas, grasas, vitaminas y minerales, cuyo contenido en
libra est dado en la siguiente tabla:
Contenido/qq
Costo
(lb)
I ngredientes
Protena
(lb)
$12.50
$14.00
$17.50
Grasa Vitaminas y
(lb)
minerales (lb)
241
Ejemplo 3 (TIR):
La tasa interna de retorno (TIR) para cada uno de 4 proyectos de inversin son:
Proyecto
TIR
17%
II
18%
III
12%
IV
14%
Una empresa estatal tiene $12.000.000 para invertir en tales proyectos y desea saber
cunto invertir en cada uno de ellos con el objetivo lgico de maximizar la utilidad
generada por la TIR global.
Por razones de riesgo no se debe invertir ms del 30% del total en los proyectos I y II.
Por razones de carcter social se debe invertir por lo menos el 40% en los proyectos I y
III en conjunto.
Solucin:
VD:
s.a
X1 + X2 + X3 + X4 12.000.000 (total a invertir en $)
X1 + X2
3.600.000 (Inversin proyecto I y II)
X1 + X3
4.800.000 (Inversin proyecto I y III)
X1, X2, X3, X4 0
Ejemplo 4 (COOPERATIVA):
Una cooperativa tiene 200 manzanas de tierra donde planea cultivar frijoles, arroz y maz.
La produccin esperada es de 1800 Kg. por manzana sembrada de frijoles, 2100 Kg. por
manzana sembrada de arroz y 2900 Kg. por manzana sembrada de maz.
Para atender el consumo interno debe plantarse al menos 12 manzanas de frijoles, 16 de
arroz y 20 manzanas de maz.
La cooperativa est en capacidad de almacenar no ms de 700.000 Kg. de los cultivos.
Sabiendo que el frjol, el arroz y el maz dan una utilidad de $1.2, $0.60 y $0.28 por Kg.
respectivamente.
Cuntas manzanas deben sembrarse de cada producto para que sus utilidades sean
mximas ?
Solucin:
VD: Sean
243
8 onzas 16 onzas
100 b/m
40 b/m
60 b/m
75 b/m
X1
X2
X1
8 X 1 16 X 2
Xj 0, j = 1,2,3,4
245
Ejemplo 6 (CARTONISA):
Una fbrica de cajas de cartn cuenta con 1125 m 2 de cartn y 8 h-maquina diarias para
su produccin semanal de 2 tipos de cajas I y II. Se sabe que con cada metro cuadrado
de cartn se producen 2 cajas del tipo I o 5 cajas del tipo II y la maquinaria procesa 5
cajas y media del tipo II o 4 cajas del tipo I por hora.
La fbrica trabaja 5 das por semana y requiere mensualmente de 500 cajas de cualquier
tipo.
Las cajas reportan ganancias de $ 4.5 y $ 5.5 de los tipos de cajas I y II respectivamente.
Encontrar la estrategia ptima de produccin semanal.
Solucin:
VD: Sean Xj: Cantidad de cajas tipo j a producir
j = 1,2
1
2
X 1 X 2 40
4
11
(tiempo en horas / mquina)
X1
X 2 500 (requerimiento mensual)
1
1
X 1 X 2 1,125
2
5
(m2 de cartn)
Xj 0, j = 1,2
247
Producto
Horas de tiempo de
operacin por par de
zapatos
Zapatos Ultra
3.50
3.25
Botas Extra
2.50
4.50
Pantuflas Espuma
2.00
2.00
Existe una oferta ilimitada de piel para el fabricante; sin embargo, se dispone de un
mximo de 1200 horas de produccin durante el siguiente mes.
El tiempo de produccin cuesta $ 10 por hora; por cada unidad de piel el costo es de $ 4.
La empresa hace todas sus ventas a mayoristas que le pagan en efectivo toda la
mercanca; por lo tanto la Compaa. no tiene cuentas por cobrar.
Los precios de venta para cada tipo de calzado a los mayoristas son de $ 60, $ 64 y $ 50
respectivamente para los tres tipos de calzado. Los costos fijos de la Sols para el
siguiente mes de operacin son de $ 3000 y el saldo actual de efectivo de la empresa es
de $ 16.560
El gerente tiene comprometidos los siguientes pedidos para los tres tipos de calzado: 30
zapatos, 55 botas y 32 pantuflas.
Pueden venderse todos los pares que se fabriquen durante el mes que excedan esos
pedidos ya comprometidos.
Plantear el modelo de PL con el objetivo de maximizar las utilidades.
Solucin:
Resumiremos los datos del problema:
Disponibilidad mxima de 1.200 horas de produccin
Costo del tiempo de produccin $ 10 por hora
Costo de cada unidad de piel $ 4 por piel
Precio de venta de cada tipo de calzado:
Zapatos Ultra
(Tipo 1) = $60 par
Botas Extra
(Tipo 2) = $64 par
Pantuflas Espuma
(Tipo 3) = $50 par
Costos fijos de operaciones =$3,000
Saldo actual de efectivo = $16,560
Pedido: 30 pares de Zapatos Ultra
55 pares de Botas Extra
32 pares de Pantuflas
Costos de los zapatos Ultra:
Costo por tiempo de produccin
Costo por unidades de piel
Costo total.
Utilidad
Costo de las Botas Extra:
Costo por tiempo de produccin
Costo por unidades de piel
Costo total.
Utilidad
Costo de las Pantuflas:
Costo por tiempo de produccin
Costo por unidades de piel
Costo total
Utilidad
249
= $35.00
= $13.00
= $48.00
= $25.00
= $18.00
= $43.00
= $20.00
= $ 8.00
= $28.00
Restriccin financiera
Disponibilidad para los costos variables:
$16.560 - $3.000 = $13,560 Disponibles
Podemos ahora formar la funcin objetivo:
F.O (Max) Z = 12 X1 + 21 X2 + 22 X3
Donde: X1 = nmero de pares de zapatos tipo 1 a fabricar
X2 = nmero de pares de zapatos tipo 2 a fabricar
X3 = nmero de pares de zapatos tipo 3 a fabricar
Sujeta a las siguientes restricciones:
3.5 X1 + 2.5 X2 + 2.0 X3 1.200 hr. /mano de obra
48 X1 + 43 X2 + 28 X3 13.560 Capital de trabajo
X1 30 (pedidos comprometidos)
X2 55 (pedidos comprometidos)
X3 32 (pedidos comprometidos)
X1, X2, X3 0
Ejemplo 8: (Caso 2: POTRAC)
POTRAC produce 2 lneas de equipo pesado. Una de estas lneas de productos (llamada
equipo para remocin de escombros) se destina para la construccin. La otra lnea
(llamada equipo forestal) esta limitada a la industria maderera.
El equipo para remover escombros el E-9 y el forestal F-9 se producen en el mismo
departamento y con el mismo equipo.
Haciendo uso de las predicciones econmicas para el prximo mes, el gerente de
mercadotecnia de POTRAC juzga que durante ese perodo ser posible vender todos los
E-9 y F-9 que la empresa pueda producir.
La Administracin debe recomendar cuantos E-9 y F-9 deben producirse.
Para la toma de la decisin deben considerarse:
1) POTRAC tendra una utilidad de $5000 por cada E-9 que se venda y $4000 por cada
F-9
2) Cada producto pasa por operaciones mecnicas tanto en el departamento A como en
el departamento B.
3) Para la produccin del prximo mes, estos 2 departamentos disponen de 150 y 160
horas respectivamente.
4) Cada E-9 consume 10 horas de operaciones mecnicas en el departamento A y 20
horas en el departamento B, mientras que cada F-9 consume 15 horas en el
departamento A y 10 horas en el departamento B.
5) Con el objeto de cumplir un compromiso con el sindicato, el total de horas de trabajo
que se dedicaran a la comprobacin del acabado de los productos terminados del
prximo mes no puede ser menor en 10% a una meta establecida de 150 horas. Esta
comprobacin se realiza en un tercer departamento que no tiene relacin con las
actividades de los departamentos A y B.
6) Cada E-9 requiere 30 horas de comprobacin y cada F-9, 10 horas.
7) Un consumidor principal ha ordenado un total de por lo menos 5 aparatos (en
cualquier combinacin de E-9 y F-9) para el prximo mes, as es que por lo menos
debe producirse esa cantidad.
251
F-9
Disponibilidad/horas
Departamento A
10h
15h
150
Departamento B
20h
10h
160
h/comprobacin
30h
10h
135
Solucin:
Variables de decisin:
Sean: X1 el numero de E-9 a producir (equipo remover escombros)
X2 el numero de F-9 a producir (equipo forestal)
La funcin objetivo:
F.O (Max.) Z = 5.000 X1 + 4.000 X2
s.a
10 X1 + 15 X2 150 Capacidad Dpto. A en horas
20 X1 + 10 X2 160 Capacidad Dpto. B en horas
30 X1 + 10 X2 135 Verificacin o chequeo en horas
X1 + X2 5 Total unidades requeridas
X1, X2 0 No negatividad de las variables
Ejemplo 9: (Caso 3: AGRONICA)
Pedro Prez, gerente de produccin de AGRONICA, necesita planear la combinacin de
fertilizantes para el siguiente mes y no tiene claro como va a proceder para elaborar el
plan.
AGRONICA es una pequea compaa de productos qumicos que fabrica entre otros,
dos tipos de fertilizantes que se elaboran combinando ingredientes que se compran con
proveedores externos.
La situacin es la siguiente:
Los dos fertilizantes que la compaa fabrica son las mezclas denominadas H-25 y H-29
El fertilizante H-25 est elaborado con 5% de Nitrato, 5% de Fosfato y 10% de Potasio.
El fertilizante H-29 contiene 5, 10 y 5 % de Nitrato, Fosfato y Potasio respectivamente.
El mayorista comprar cualquier cantidad de ambos fertilizantes que AGRONICA pueda
producir. Est dispuesto a pagar $71.50 por Tonelada del H-25 y $69 por Tonelada del H29
Este mes, la disponibilidad y costos de materias primas son de 1,100 Toneladas de
Nitrato a $200 la tonelada, 1800 toneladas de Fosfato a $80 la tonelada y 2000 toneladas
de Potasio a $160 la tonelada.
253
H - 29 Disponibilidad
Nitrato
5%
5%
1100 toneladas
Fosfato
5%
10%
1800 toneladas
Potasio
10%
5%
2000 toneladas
200(0.05)
80(0.10)
160(0.05)
10(0.80)
= 69.00 - 49.00
$69.00
= 10.00
= 8.00
= 8.00
= 8.00
= 15.00
=$49.00
= $20.00
255
257
Actividad de autoaprendizaje No 1
Resuelvo cada uno de los siguientes casos que se me presentan y planteo para cada uno de
ellos el modelo de programacin lineal. Encuentro las respuestas a esta actividad en la pgina
No. , y me retroalimento.
1. (ANIMALES DISECADOS S.A).
La empresa Animales Disecados S.A est produciendo palomas y gavilanes disecados. En las
condiciones en que se encuentra el mercado actualmente pueden venderse los gavilanes y las
palomas con utilidades de $10 y $6 respectivamente.
Las pieles para gavilanes es ms dura y toma ms tiempo de trabajo que la de las palomas. La
mquina de pieles puede trabajar 8 pieles de palomas por minuto, pero solamente 4 de
gavilanes. La lnea de relleno puede rellenar 6 gavilanes por minuto o 4 palomas en el mismo
tiempo.
Los gavilanes van a una operacin final en una mquina de afilamiento del pico que tiene una
capacidad de 3.5 gavilanes por minuto.
Cuntos gavilanes y palomas debern prepararse en jornadas de 8 horas para maximizar las
utilidades.
2. (Granja).
Un granjero desea determinar cual es la mejor seleccin de animales para su granja, con el
objeto de maximizar sus utilidades por la venta de dichos animales al final del verano.
Puede elegir entre comprar borregos, reses o cabras.
Cada borrego requiere 1 manzana de pastura y $15 en alimentacin y tratamiento; cada uno
cuesta $25 y puede venderse en $60
Cada res requiere 4 manzanas de pastura, $30 en alimentacin y tratamiento, cuesta $30 y
puede venderse en $100 c/u
Cada cabra necesita 1/2 manzana de pastura, requiere $5 en alimentacin y tratamiento,
cuesta $10 y se vende en $20 c/u
La granja tiene 300 manzanas disponible para pastos y el granjero dispone de $2.500.00 para
invertir en la compra y mantenimiento de los animales.
El granjero desea tener al menos 50 borregos, no ms de 40 reses y exactamente 20 cabras.
Cuntos animales de cada tipo tiene que comprar y despus vender para maximizar sus
utilidades?
3. (ARROLLADORA S.A).
La Arrolladora S.A fabricante de llantas para automviles est tratando de encontrar la mejor
manera de utilizar el exceso de capacidad, en particular de 20.000 horas hombre.
La Ca. est considerando la fabricacin de dos tipos de llantas: Normal y Radial
Cada llanta Normal requiere de 2 horas hombre y contribuye a la utilidad con $16
259
Cada llanta Radial ocupa 2.5 horas hombre y tiene una contribucin a la utilidad de $20
El Dpto. de comercializacin estima que pueden venderse hasta 6000 llantas del tipo Normal y
al menos 3000 llantas del tipo Radial.
Encontrar el nmero de llantas de cada tipo que la compaa debe producir con el objetivo de
maximizar sus utilidades utilizando las horas hombre al mximo.
4. (MAQUINA).
Una fbrica produce dos tipos de piezas que son utilizadas como repuestos de cierta maquina
agrcola. Cada una de las piezas requiere cierto nmero de horas de fundicin, maquinacin y
acabado de acuerdo a lo que muestra la siguiente tabla:
Piezas
Procesos
Fundicin
Maquinacin
Acabado
La fbrica cuenta para la semana siguiente con los recursos en cada proceso: Fundicin:240
h ; Maquinacin:370 h y Acabado:370h
Cada pieza deja una utilidad de $100 y $300 respectivamente de A y B. Si el responsable de la
fbrica est planeando la produccin semanal, cuntas piezas de cada tipo se deben producir
para maximizar la ganancia?
Suponiendo que para el mismo problema, el objetivo principal es la maximizacin de la
produccin, cmo sera el modelo entonces ?
5. (BOMBA).
Una compaa fbrica y vende dos tipos de bombas hidrulicas: (1) Normal y (2) Extra grande.
El proceso de manufactura asociado con la fabricacin de las bombas implica tres actividades:
ensamblado, pintura y pruebas (control de calidad).
Los requerimientos de recursos para ensamble, pintura y pruebas de las bombas se muestran
en la siguiente tabla.
REQUIRIMIENTO DE MANUFACTURA (HORAS):
Tipo
Ensamble Pintado Prueba
Normal
3.6
1.6
0.6
Extra Grande
4.8
1.8
0.6
La contribucin a las utilidades por la venta de una bomba Normal es $50 en tanto que la
utilidad por una bomba extra grande es de $75.
Existen disponibles por semana 4800 horas de tiempo de ensamble, 1980 horas de tiempo
de pintura y 900 horas de tiempo de prueba.
Las experiencias anteriores de venta sealan que la compaa puede esperar vender
cuando menos 300 bombas normales y lo ms 180 de las extra grandes por semana.
A la compaa le gustara determinar la cantidad de cada tipo de bomba que debe fabricar
semanalmente con el objeto de maximizar sus utilidades.
261
6. (AGRICOLA).
Cada saco de un desinfectante agrcola debe contener un mnimo de 600 gr. del ingrediente I;
800 gr. del ingrediente II y 600 gr. del ingrediente III.
El desinfectante se produce con dos materias primas A y B.
Cada Kg. de la materia prima A contiene 200 gr. del ingrediente I; 200 gr. del II y 600 gr. del III;
cada kg. de la materia prima B contiene 200 gr. del ingrediente I; 400 gr. del II y 100 gr. del III.
El costo de la materia prima A es de $ 7 por kg. y de la materia prima B es de $2 por kg.
Calculo las cantidades de las dos materias primas que deben adquirirse para producir cada
saco de desinfectante a un costo mnimo.
7. (MAQ.2).
Los productos 1 y 2 se procesan en tres tipos de mquinas, A y B y C.
Cada unidad del producto 1 requiere 2 horas de la mquina tipo A y 4 horas de la mquina tipo
B y 3 horas en la mquina tipo C. Cada unidad del producto 2 requiere 2 horas en cada una de
las mquinas.
El tiempo disponible en las mquinas est limitado a 800 horas mensuales de la mquina tipo
A, 1200 horas mensuales de la mquina B Y 600 horas mensuales de la mquina tipo C.
Si cada unidad del producto 1 produce una contribucin (precio de venta menos gastos
directos) de 15 pesos y cada unidad del producto 2 produce una contribucin de $24, calculo
cunto debe producirse de cada artculo para maximizar la utilidad?
8. (FINANZAS).
Un gerente de finanzas tiene $ 1 milln de un fondo de pensiones, parte del cual debe
invertirse. El gerente tiene dos inversiones en mente, unos bonos conservadores que producen
un 6% anual y unos bonos hipotecarios ms efectivos que producen un 10% anual.
De acuerdo con las regulaciones del gobierno, no ms del 30 % de la cantidad invertida puede
estar en bonos conservadores y lo mnimo que puede ponerse en bonos hipotecarios es de
$100.000.
Determino las cantidades de las dos inversiones que maximizaran la inversin total.
9. (MINA).
Una Compaa posee dos minas : la mina A produce 1 tonelada de hierro de alta calidad, 3
tonelada de media calidad y 5 de baja calidad diariamente. La mina B produce 2 toneladas de
las tres calidades diariamente.
La Compaa necesita 80 toneladas hierro de alta calidad, 160 de media y 200 de baja calidad
para operar por semana. Cuntos das debe trabajarse en cada mina para minimizar el costo
total de operacin si en cada mina el costo diario de operacin es de $2000?
263
10. (INDUSTRIAL).
Se necesita adquirir cierto tipo de maquinaria industrial con el objeto de llevar a cabo un amplio
programa en el prximo ao.
En el mercado estn disponibles tres tipos de maquinarias adecuada al proyecto con un valor
de C$ 350,000, C$ 250,000 y C$ 275,000.
La maquinaria servir de apoyo en 4 departamentos; las contribuciones diarias de cada
maquinaria en cada departamento estn descritas en la tabla adjunta.
Los Departamentos. A, B, C y D necesitan mantener una produccin de al menos 150, 180,
140 y 200 unidades respectivamente para estabilizar su produccin.
Maquina
30
----
30
----
II
----
20
10
15
III
23
----
20
30
HORAS REQUERIDAS
POR PRODUCTO
A
COSTO DE PROCESO
POR HORA
C$ 0.50
II
10
10
C$ 0.25
13. (VITAMINAS).
Bayer S.A planea producir una cpsula de vitamina barata usando dos ingredientes bsicos: X
yY.
265
Cada unidad de X contiene 0.5 mg. de Vitamina A, 1.0 mg. de Vitamina B1, 0.2 mg. de
Vitamina B2 y 0.5 mg. de Vitamina D.
Cada unidad de Y contiene 0.5, 0.3, 0.6 y 0.2 mg. de Vitaminas A, B1, B2 y D respectivamente.
El costo unitario de X es de $0.30 y el de Y es de $0.50.
Cada cpsula tiene que contener como mnimo 2 mg. de Vitamina A, 3 mg. de vitamina B1, 1.2
mg. de vitamina B2 y 2 mg. de vitamina D.
Construyo un modelo de PL para Bayer S.A con el objetivo de minimizar el costo de
produccin.
14. (QUIMICO).
Se producen dos compuestos qumicos en un sistema de mezclado, el cual requiere que se
llene un total combinado de 100 barriles.
La materia prima de que disponemos ser para un mximo de 55 barriles del compuesto B.
Adems, cada barril de compuesto A contiene 2 lb. de un cierto ingrediente y los de B, 1 lb.;
disponemos de 180 lb. de l.
Encuentro la mezcla ptima de A y B bajo las siguientes condiciones:
Las contribuciones a la utilidad son de $7 por cada barril de A y $2 por cada barril de B
15. (DIETA 2).
Los contenidos de vitaminas, fculas y protenas de dos alimentos as como de los
requerimientos mnimos de cada ingrediente, se dan en la siguiente tabla. El alimento A
cuesta $1.2 la Lb.; el B $1.9. Qu combinacin de A y B proporcionar una dieta adecuada
a un costo mnimo.
Unidades
por lb de A
Unidades por
Requerimientos
libra de B
mnimos unidades
Vitaminas
90
Fculas
100
Protenas
120
16. (HOSPITAL).
El Hospital La Mascota est tratando de determinar el nmero de comidas de pescado y de res
que debe servir durante el mes que viene.
El hospital necesita una comida para cada uno de los 30 das. Las comidas de pescado
cuestan $2 cada una y las de res $2.5 (los costos incluyen vegetales y ensalada). Ambas
comidas cumplen con las necesidades de protenas.
Si se juzga el sabor en una escala de 1 a 10, el pescado obtiene un 5 y la res 9. El hospital
quiere alcanzar en el mes un total, por lo menos de 200 puntos por el sabor.
Los requerimientos totales de vitaminas en el mes deben ser por lo menos 300 unidades. La
comida de pescado proporciona 8 unidades y la de res 12 unidades.
Cuntas comidas de cada tipo debe planear el hospital con el objetivo de minimizar los costos
y cumplir con los requisitos?
267
15.
Para resolver problemas pequeos de PL, es decir problemas con dos productos o variables,
es posible utilizar el mtodo grfico.
Aunque este proceso no sirve para resolver problemas que tengan ms de dos variables,
resulta til para ilustrar tanto el proceso de solucin como las caractersticas de una solucin
ptima o de maximizacin de utilidades o de minimizacin de costos.
Pasos
a. Plantear en forma de un modelo de PL, el problema.
b. Graficar cada una de las restricciones del problema.
c. Ubicar todos los puntos de intersecciones de la grfica y determinar los valores de las
variables en los puntos de interseccin.
d. Encontrar cul de dichos puntos de interseccin arroja el mximo beneficio o el mnimo
costo.
Ejemplo 10: (Problema de produccin de la FMM)
Con relacin al problema de produccin que enfrentaba la FMM (Fbrica de muebles Masaya)
con respecto a decidir el nmero ptimo de los dos tipos de comedores que tiene que fabricar
con el objetivo de maximizar sus utilidades, tenemos lo siguiente:
Paso 1::
VD: Sean
269
6 X1 + 12 X2 = 120
8 X1 + 4 X2 = 64 (-3)
6 X1 + 12 X2 = 120
-24 X1 - 12 X2 = -192
-18 X1 = -72; de donde X1 = 4
El punto C (4,8): producir 4 comedores del tipo Virginiano y 8 del tipo Masaya da la mayor
utilidad, luego es la solucin ptima.
La propiedad de que en un modelo de PL, la mxima utilidad o el menor costo se encuentre en
un vrtice del polgono de soluciones factibles, nos ayuda a encontrar el vrtice ptimo
graficando la funcin objetiva Z, llamando a sta, recta de Isoutilidad.
Asignamos a Z un valor cualesquiera (buscar un mltiplo de C 1 y C2), como por ejemplo
Z=1200, luego graficamos la funcin de utilidad utilizando interceptos.
200 X1 + 240 X2 =1200
Si X1 = 0, X2 = 5 (0,5)
X2 = 0, X1 = 6 (6,0)
Graficando las restricciones y la funcin objetivo tenemos:
Trazamos rectas paralelas a la funcin objetivo, alejndonos del origen hasta que dicha grfica
intercepte a solamente un punto del polgono de soluciones factibles, que lgicamente ser C.
Si la funcin objetivo es paralela a una de las restricciones que forman la regin factible, habr
ms de una solucin ptima. Esta condicin se denomina soluciones ptimas alternativas y
se ilustra:
271
Ejemplo 11:
Sea el siguiente modelo de PL
FO ==> (Min) Z = 10 X1 + 20 X2
X1 + X2
40 (1)
X1
10 (2)
X2
20 (3)
X1, X2 0
Solucin:
Por interceptos:
Para (1)
Para (2)
Para (3)
Si X1 = 0, X2 = 40 (0,40)
X2 = 0, X1 = 40 (40,0)
Si X1 = 10, X2 = 0 (10,0)
Si X2 = 20, X1 = 0 (0,20)
X1 + X2 = 40
X2 = 20 (-1)
X1 + X2 = 40
- X1 = -20
X1 = 20
Si X1 = 20 entonces X2 = 20 C(20,20)
Sustituyamos cada uno de los vrtices en la funcin Obj.
A (10,0)
B (10,20)
C (20,20)
D (40,0)
273
Ejemplo 12:
Con relacin a AGRCOLA, de los ejemplos propuestos, tenemos el siguiente modelo de PL
VD:
2 X1 - X2 0
X1 + 4 X2 80
X1 +0.8X2 40
X1, X2 0
Solucin:. Para 2 X1 - X2 = 0
Si X1 = 0, X2 = 0 (0,0) pasa por el origen
275
2X1 - X2 = 0 (4)
X1 + 4X2 = 80
8X1 - 4X2 = 0
X1 + 4X2 = 80
9X1 = 80; X1 = 8.88
2X1 - X2 = 0 (0.8)
X1 + 0.8X2 = 40
1.6X1 - 0.8X2 = 0
X1 + 0.8X2 = 40
2.6X1 = 40; X1 = 15.38
X1 + 0.8X2 = 40 (-5)
X1 + 4.0X2 = 80
-5X1 - 4.0X2 = -200
X1 + 4.0X2 = 80
-4X1 = -120; X1 = 30
277
Actividad de Autoaprendizaje No 2
A continuacin se me presentan una serie de ejercicios, que luego de resolver podr comparar
mis respuestas con las que se me ofrecen en la pgina No. , al final de esta unidad
autoformativa.
Ejercicio 1: Maximizar: Z = 20X1 + 22X2
Sujeto a:
8X1 + 6X2 48
6X1 + 8X2 48
7X1 + 7X2 = 42
X1 ,X2 0
X1 + X2 = 200
X1 50
X2 80
X1, X2 0
2X1 + 2X2 8
2X1 + 6X1 12
X1, X2 0
Ejercicio 5: Encuentro la solucin ptima para minimizar costo, graficando la solucin del
problema.
Existen dos centrales azucareras en la regin del pacfico que son el ingenio Victoria de Julio y
el Julio Buitrago para los cuales se plantea revincular sus zonas caeras de modo que se
minimice los costos de produccin de azcar y transportacin de caa a las centrales.
El costo de produccin y transportacin de caa por arroba de azcar para cada caso se da en
la tabla I y se ha calculado a partir de determinados rendimientos promedio.
TABLA I
ZONA
279
CENTRAL I
TABLA I I
CENTRAL II
ZONA
CENTRAL I
CENTRAL II
C$ 25
C$ 30
C$ 8.35
C$ 9.1
II
C$ 18
C$ 16
II
C$ 8.00
C$ 7.75
La central Victoria de Julio debe moler entre un mnimo de 20 millones de arrobas de caa y un
mximo de 30 millones y la central Julio Buitrago entre 15 y 25 millones de arrobas de caa.
La zona I tiene una produccin de caa estimada en 22 millones de arrobas y la zona II 26
millones. Se orienta que no debe quedar caa sin cortar. Los factores de conversin de arrobas
de caa necesarias para producir una arroba de azcar se muestran en la tabla II. Todos los
datos corresponden a una zafra.
Ejercicio 6: (REFINERIA)
Una refinera tienen en bodega 100 mil galones de petrleo crudo tipo A, 125 mil galones de
tipo B y 150 mil galones del tipo C. A partir de los diferentes tipos de crudo, la refinera puede
producir cantidades variables de gasolina, diesel y kerosene. En particular la refinera puede
trabajar con los siguientes procesos:
Procesos:
I:
II:
III:
2g de A + 1g de B + 3g de C ----> 2g G + 3g D + 3g K
3g de A + 4g de B + 1g de C ----> 3g G + 3g D + 1g K
2g de A + 3g de B + 4g de C ----> 4g G + 3g D + 1g K
La refinera gana C$ 1.5 por galn de gasolina, C$ 2 por galn de diesel y C$ 1 por galn de
kerosene. Determino la mezcla que proporcione el beneficio mximo.
Ejercicio 7: Fabrica de Muebles Masaya
Observaremos que la FMM tiene una capacidad limitada, es decir, los comedores Virginiano y
Masaya comparten los dos departamentos de produccin y pintura, cada uno de los cuales
tienen capacidades diarias limitadas y por lo tanto tienen que ser considerados como recursos
escasos.
Cada comedor tiene que ser procesado en los departamentos de construccin y Pintura.
Para producir un comedor Virginiano se requiere de 6 horas de construccin y 8 horas de
pintura.
Para producir un comedor tipo Masaya se requiere de 12 horas en construccin y 4 horas en
pintura.
La FMM tiene una capacidad diaria de 120 horas en el departamento de construccin y 64
horas diarias en el departamento de pintura.
Para determinar la mejor u ptima combinacin de ambos tipos de comedores que tiene que
fabricar con el objetivo de maximizar la utilidad, la FMM tiene que asignar sus capacidades
limitadas (recursos escasos) de los departamentos de Construccin y Transporte del modo que
pueda lograr su objetivo.
Una vez planteado el modelo de PL y antes de encontrar el nmero de comedores de ambos
tipos a fabricarse con el objetivo de maximizar las utilidades podemos plantearnos las
siguientes preguntas:
a. Cul es la utilidad diaria esperada de la FMM si produce 5 comedores del tipo Virginiano y
5 comedores del tipo Masaya?
b. Cunto tiempo en construccin por da se utiliza para este plan de produccin?
c. Cunto tiempo en pintura por da se utiliza para este plan de produccin?
281
283
Solucin:
a. Utilidad diaria: Z = 200 X1 + 240 X2 = 200(5) + 240(5) = $2200
b. Capacidad usada en construccin:.6 X1 + 12 X2 = 6(5) + 12(5) = 90 horas
c. Capacidad usada en pintura: 8 X1 + 4 X2 = 8(5) + 4(5) = 60 horas
Este plan de produccin deja un tiempo de 4 horas disponibles por da en el departamento de
pintura y 30 horas en el departamento de Construccin.
Ahora tenemos otras preguntas:
a. Suponga que la FMM fue restringida a producir solamente comedores tipo Virginiano.
Cul es el mximo nmero de comedores de este tipo que puede producir?
b. Suponga que la FMM solamente est produciendo comedores tipo Masaya. Cul es el
mximo nmero de este tipo de comedores que puede producir?
c. Cul es la utilidad rendida en ambos casos?
d. Cul es la mejor solucin para la produccin de solo un tipo de comedor?
Solucin:
a. Mximo nmero de comedores Virginianos que se puede producir.
Para la restriccin del tiempo en construccin:
Como X2 = 0, entonces:
6 X1 + 12 X 2 120
6 X1 + 12 (0) 120, de donde X1 = 20 comedores
Es decir 20 comedores como mximo de produccin sin exceder el tiempo en construccin.
Para la restriccin del tiempo en pintura:
8 X1 + 4 X2 64
8 X1 + 4 (0) 64, de donde X1 = 8 comedores
Es decir 8 comedores como mximo de produccin sin exceder el tiempo de pintura. Por lo
tanto el mayor valor que podemos asignar a X1 es 8 comedores tipo virginiano.
Esta solucin rinde una utilidad de Z = 200(8) = $ 1600
Respondo las pregunta b, c y d.
285
287
C. El mtodo Simplex
Los ejemplos analizados, en el tema anterior, nos muestran que la solucin de un problema
de PL est en el borde o frontera de la regin de soluciones factibles. An ms se plante
que si la solucin es nica, esta se encuentra en un vrtice de la regin.
Para encontrar los vrtices, se fueron resolviendo los sistemas de ecuaciones de cada par
de rectas que se intersecaban, rectas que determinan la frontera de la regin de soluciones
factibles. El procedimiento sugiere la generalizacin para los casos de problemas de PL con
ms de dos variables de decisin. Esta es precisamente la lgica del mtodo Simplex, el
cual analiza nicamente los vrtices de la regin factible, garantizando que el vrtice
analizado es una mejor solucin que el vrtice anterior y as de manera iterativa hasta llegar
al vrtice donde se localiza la solucin ptima.
Es necesario contar entonces en el modelo, con un conjunto de ecuaciones para que el
Simplex las pueda resolver en el proceso de analizar los vrtices de la regin.
s.a
Con esta informacin trabajaremos los pasos a seguir para solucionar un modelo de
programacin lineal a travs del Mtodo Simplex.
289
291
lo que significa que a las restricciones del tipo se le agregaran dos variables
adicionales, una de exigencia y una artificial.
Las variables artificiales deben asumir el valor cero al finalizar el proceso de solucin, si
el problema tiene solucin y si est correctamente resuelto.
Las variables artificiales se incorporan a la FO con coeficientes negativos muy grandes
en comparacin con los otros C j de la FO, lo cual nos garantiza que tales variables sean
poco atractivas par escogerlas en la solucin.
Los problemas de minimizacin pueden ser transformados en problemas de
maximizacin mediante la multiplicacin de la FO por 1.
Al resolver el problema, el valor ptimo resulta con signo negativo y esto debe tomarse
en cuenta a la hora de interpretar el resultado.
Prosiguiendo con el ejemplo 14:
Entonces el modelo de Agronica ya estandarizado es:
FO (Max) Z = 18.50 X1 + 20 X2 +0S1 + 0S2 + 0S3 + 0S4 - MXa (Utilidad)
s.a
2.
3.
4.
293
295
10
m!(m n)! 3!(5 3)!
3
, que es una combinacin lineal de 5 en 2
Por ejemplo si X1 = 0 y X2 = 0 tendremos
0.05 (0) + 0.05 (0) + S1 = 1100
0.05 (0) + 0.10 (0) + S2 = 1800
0.10 (0) + 0.05 (0) + S3 = 2000
de donde S1 = 1100, S2 = 1800, S3 = 2000 es la primera solucin de las 10 a encontrar.
El siguiente cuadro muestra todas las posibles soluciones bsicas.
Solucin
X1
X2
S1
S2
S3
1100
1800
2000
Z
0
22000
-400
900
No factible
18000
200
1100
360000
40000
-900
-2200
No factible
36000
-700
-1600
No factible
20000
100
800
370000
22000
900
-200
No factible
8000
14000
500
428000****
18000
4000
500
413000
10
14666.6
10666.6
-166.6
No factible
297
Un detalle importante es que las soluciones bsicas factibles constituyen los vrtices de
la regin factible. Las soluciones 2, 4, 5, 7 y 10 estn fuera de la regin factible. La
solucin 8 es la ptima.
Constraint
Objective Function
X2
Feasible Area:
OPTIMAL SOLUTION
OBJ = 428,000.00
X1 = 8,000.00
X2 = 14,000.00
40,000 - C3
36,000 32,000 28,000 24,000 20,000 -
C1
16,000 12,000 -
C2
8,000 4,000 0
0
7,200
14,400
21,600
28,800
36,000
X1
y. La tabla Simplex
El algoritmo Simplex hace uso del lgebra matricial para desarrollar la solucin a un
problema de PL.
Para ello necesitamos el uso de una tabla donde se acondicionan los valores
constantes del modelo.
Usaremos una tabla simplificada, la cual permitir mayor agilidad en los clculos.
Dicha tabla tiene el siguiente esquema.
Variables no bsicas
Variables Coeficientes de las variables
Cj de la base bsicas no bsicas en las restricciones
B
(aij)
Coeficientes de las variables
Z
en la FO Cj (indicadores)
Soluci
n (bi)
X1
X2
bi
S1
0.05
0.05
1100
S2
0.05
0.10
1800
S3
0.10
0.05
2000
18.50
20
299
Este valor es el inicio del proceso iterativo. A partir de este momento el algoritmo buscar
otra solucin que mejore (o al menos no desmejore), la solucin inicial.
z. Mejora de la solucin
1 Examen de Optimalidad
Para examinar si la solucin que actualmente se conoce es ptima, basta observar la fila
de indicadores en la tabla Cj 18.5
20
Si existe algn indicador positivo tendremos que la solucin no es la ptima y por lo tanto
habr que mejorarla.
301
X1
X2
bi
S1
0.05
0.05
1100
1100/0.05=22,000
S2
0.05
0.10
1800
1800/0.10=18,000
S3
0.10
0.05
20000
2000/0.05=40,000
18.50
20
303
se obtiene una nueva tabla en la que se puede leer la nueva solucin y el valor
posiblemente mejorado de la FO.
Los cuatro pasos del proceso son:
1. Invertir el elemento pivote (1/pivote).
2. Dividir los otros elementos de la fila pivote entre el pivote.
3. Dividir los otros elementos de la columna pivote entre el pivote cambindole de
signo al cociente.
4. Calcular el resto de los elementos de la tabla mediante la siguiente frmula:
Nuevo Valor
X1
X2
bi
S1
0.05
0.05
1100
1100/0.05=22,000
S2
0.05
0.10
1800
1800/0.10=18,000
S3
0.10
0.05
20000
2000/0.05=40,000
18.50
20
X1
S2
bi
S1
0.025
0.05
200
20
X2
0.5
10
1800
S3
0.075
0.05
1100
8.50
-200
360000
(2,000)(0.10) (0.05)(1,800)
1,100
0.10
(18.50)(0.10) (0.05)( 20)
I1
8.5
0.10
b3
305
Cj
X1
S2
bi
S1
0.025
-0.05
200
200/0.025=8000
20
X2
0.5
10
1800
1800/05=36000
S3
0.075
-0.05
1100
1100/0.075=14666.6
8.50
-200
360000
S1
S2
bi
18.5
X1
40
-20
8000
20
X2
-20
20
14000
S3
-3
500
-340
-30
428000
La nueva tabla representa la solucin ptima al problema pues sus indicadores son todos
negativos, lo que informa que la solucin encontrada no puede ser mejorada.
307
Ejemplo 15:
Encuentre la solucin al siguiente modelo utilizando el mtodo Simplex.
(Max) Z = 3X1 + 2X2 + 5X3
s.a.
X1 + 2X2 + X3 430
X1 + + 5X3 460
X1 + 4X2 420
X1, X2, X3 0
Solucin:
a. Estandarizamos el modelo
(Max) Z = 3X1 + 2X2 + 5X3 + 0S1 + 0S2 + 0S3
s.a.
X1 + 2X2 + X3 + S1
X1 +
+ 5X3 + S2
X1 + 4X2
+ S3
X1, X2, X3, S1, S2, S3
= 430
= 460
= 420
0
Cj
X1
X2
X3
bi
S1
430
430/1=430
S2
460
460/2=230
S3
420
420/0=
Cj
X1
X2
S2
bi
S1
-1/2
-1/2
200
200/2=100
X3
3/2
1/2
230
233/0=
S3
420
420/4= 105
-9/2
-5/2
1,150
309
Segunda Iteracin
Cj
X1
S1
S2
bi
X2
-1/4
1/2
-1/4
100
X3
3/2
1/2
230
S3
-2
20
-4
-1
1,350
El modelo estandarizado es
(Max) Z = 18.5X1 + 20X2 + 0S1 + 0S2 + 0S3 + 0S4 200Xa
s.a.
En este modelo aparece una variable artificial (Xa) que permitir una solucin inicial en
la tabla. Puesto que esas variables no tienen significado alguno en trminos de la
solucin para el problema, debe utilizarse algn procedimiento para asegurar que no
aparezca como solucin en la tabla final.
La tcnica que utilizaremos es conocida como la tcnica M, donde M es el coeficiente
que se le asigna a las variables artificiales que se agregan en la funcin objetivo al
estandarizar el modelo de PL.
Para eso se le asignan coeficientes M negativos muy grandes en la FO cuando el
problema es de maximizacin o coeficientes M positivos muy grandes en la FO cuando
es minimizacin.
311
En el ejemplo 14:
Se incorporo Xa a las utilidades y el coeficiente -200 indica que se ocasiona una
prdida de $200 por cada unidad de Xa en la solucin final.
Una regla prctica, aunque no la nica, para asignar un valor al coeficiente M de las
variables artificiales, es multiplicar por 10 el valor absoluto del coeficiente mayor de las
variables de decisin en la FO original.
As el mayor coeficiente en el ejemplo 14 es 20, por lo tanto se eligi M = -200 como
coeficiente para Xa.
Una vez estandarizado el problema se procede a construir la tabla inicial como hasta
ahora lo hemos hecho, teniendo cuidado de hacer que las variables de excedente (S4)
y las de decisin ( X1 y X2 ) sean VNB (no bsicas).
As las de holgura (S1 , S2 y S3 ) y las artificiales (Xa) sern las VB (bsicas).
As: S4 = 0, X1= 0, X2 = 0, S1=1100, S2 = 1800, S3 = 2000 y Xa = 6,000
Cj
X1
X2
S4
bi
S1
0.05
0.05
1100
S2
0.05
0.10
1800
S3
0.10
0.05
2000
-200
Xa
-1
6000
18.5
20
-1,200,000
Xa
-1
1(200)
+18.5
0(200)
+20
-1(200)
+0
18.5
20
-200
6000
313
X1
X2
S4
bi
S1
0.05
0.05
1100
S2
0.05
0.10
1800
S3
0.10
0.05
2000
-200
Xa
-1
6000
218
20
-200
-1,200,000
Xa
X2
S4
bi
S1
-0.05
0.05
0.05
800
S2
-0.05
0.10
0.05
1500
S3
-0.10
0.05
0.10
1400
18.5
X1
-1
6000
-218.5
20
18.5
111000
Xa
S2
S4
bi
S1
-0.025
-0.5
0.025
800
20
X2
-0.5
10
0.5
1500
S3
-0.075
-0.5
0.075
1400
18.5
X1
-1
6000
-228.5
-200
8.5
411000
Xa
S2
S4
bi
S1
-1
-20
40
2000
20
X2
20
-20
14000
S3
-3
500
18.5
X1
-20
40
8000
-220
-30
-340
428000
2X1 + 4X2 80
8X1 + 6X2 120
X1 + X2 = 25
X1, X2 0
2X1 + 4X2 + S1 = 80
8X1 + 6X2 - S2 + Xa = 120
X1 + X2 + Xb = 25
X1, X2, S1, S2, Xa, Xb 0
X1
X2
S2
bi
S1
430
-300
Xa
460
-300
Xb
420
-30
-10
-43,500
Xa
Xa
8
1
6
1
-1
0
9(300)
-30
7(300)
-10
-1(300)
+0
2670
2090
-300
120
25
Cj
X1
X2
S2
bi
S1
430
-300
Xa
460
-300
Xb
420
2670
2090
-300
-43,500
317
Cj
Xa
X2
S2
bi
S1
-1/4
5/2
1/4
50
-30
X1
1/8
3/4
-1/8
15
-300
Xb
-1/8
1/4
1/8
10
-333.75
87.50
33.75
-3450
2da Iteracin: X2: Variable Entrante, S1: Variable Saliente, 5/2 :Pivote
Cj
Xa
S1
S2
bi
-10
X2
-1/10
2/5
1/10
20
-30
X1
1/5
-3/10
-1/5
-300
Xb
-1/10
-1/10
1/10
-325
-35
25
1700
Xa
S1
Xb
bi
-10
X2
1/2
-1
15
-30
X1
-1/2
-2
10
S2
-1
10
50
-300
-10
-250
-450
Todos los indicadores son negativos por lo tanto esta es la tabla final que nos
proporciona la solucin ptima.
Al interpretarse la solucin, no debemos olvidar que Z fue multiplicada por (-1), por lo
que si Z = -450, entonces Z = 450 y X1 = 10, X2 = 15, S1 = 0 , S2 = 0, Xa y Xb no
tienen ninguna interpretacin.
319
16.
aa. Degeneracin
Cuando en la eleccin de la variable saliente se produce un empate, este se rompe
arbitrariamente, lo que puede generar como consecuencia que, en la siguiente iteracin,
una o ms variables bsicas lleguen a ser cero, en cuyo caso se dice que la solucin es
degenerada. Tal degeneracin puede o no permanecer hasta la solucin ptima.
Ejemplo 17:
(Max) Z = 2X1 + X2
s.a.
4X1 + 3X2 12
4X1 + X2 8
4X1 - X2 8
X1, X2 0
Solucin:
Tabla Inicial
Cj
X1
X2
bi
S1
12
12/4=3
S2
8/4=2
S3
-1
8/4=2
S2
X2
bi
S1
-1
4/2=2
X1
1/4
1/4
2/0.25=8
S3
-1
-2
0/-2= Degeneracin
-1/2
1/2
321
Empate
2da Iteracin
Cj
S2
S1
bi
X2
-1/2
1/2
X1
3/8
-1/8
3/2
S3
-1
-1/4
-1/4
Desaparece la degeneracin
ab.Soluciones no Acotadas
Este caso ocurre cuando el espacio de soluciones factibles (regin factible) no est
acotado, de tal manera que el valor de la FO puede aumentar indefinidamente. Sin
embargo en este caso podra ser que el espacio de soluciones (regin o polgono) fuera
no acotado pero el valor de la FO si lo es.
Cuando se presentan estas situaciones debemos revisar el modelo nuevamente ya que
podemos no haberlo construido correctamente.
Ejemplo 18:
(Max) Z = X1 + 2X2
s.a.
X1 10
X1 - X2 40
X1, X2 0
Solucin:
Tabla Inicial
Cj
X1
X2
bi
S1
10
10/0 No
S2
-1
40
40/-1 No
323
2X1 + 7X2 21
7X1 + 2X2 21
X1, X2 0
Solucin:
Tabla Inicial
Cj
X1
X2
bi
S1
21
21/7=3
S2
21
21/2=10.50
14
X1
S1
bi
14
X2
2/7
1/7
S2
45/7
-2/7
15
-2
42
325
Cj
X1
S1
bi
14
X2
2/7
1/7
3/0.29=10.5
S2
45/7
-2/7
15
15/6,4=2.3
-2
42
S2
S1
bi
14
X2
-2/45
7/45
7/3
X1
7/45
-2/45
7/3
-2
42
X1
X2
S1
S2
S3
Solucin
-40
-10
3,000
S1
-5
-1
200
S2
200
1.6
0.2
60
327
X1
X2
X3
S1
S2
S3
S4
S5
A5
Solucin
-1
-0.5
-10
3425
S1
-0.1
-3
11600
X3
-2.5
0.5
425
S3
0.55
0.25
-1
312.5
S5
0.95
0.25
-1
362.5
X1
-0.55
-0.25
87.5
329
X1
X2
X3
S1
S2
S3
A3
45
3.75
S3
0.5
-1
S2
9.5
0.375
X1
0.5
0.125
X3
-0.25
S4
A4
Solucin
27.5 -27.5
1
-1
900
40
2.75 -2.75
110
0.25 -0.25
50
-1.50 1.50
20
331
S3
S1
bi
X3
-21/16
30/16
252
S2
5/32
-15/16
120
10
X1
30/16
-20/16
540
S4
9/64
-11/32
18
-111/16
-70/16
7668
Contesto:
a. Cul es la solucin optima?______________________________________________
b. Cul es la mxima utilidad que se espera obtener?___________________________
c. Cules son los requerimientos de tiempo en cada uno de los Departamentos para
fabricar una bolsa de lujo?__________________________________________________
d. En cunto aumentara mi utilidad por cada hora disponible en el Departamento de
Terminado?_____________________________________________________________
e. Cunto es lo mximo que usted como Administrador pagara por cada hora extra en
el Departamento de Corte y Teido?_________________________________________
f. Cunto tiempo de costura se utiliz en total? ________________________________
g. Ser necesario pagar horas extras en tiempo de inspeccin y embalaje? S_____
No ____ Explique:________________________________________________________
h. Cunto tiempo de Terminado se utiliz?____________________________________
5. Considere el siguiente Modelo de PL y la solucin ptima del mismo.
VD:
Sean X1: # de unidades ensambladas en la Fbrica 1.
Sean X2: # de unidades ensambladas en la Fbrica 2.
FO (Max) Z = 40X1 + 50X2
s.a.
3X1 + 5X2 500 (Horas en tiempo de ensamble)
X1 200 (Monitor para portable)
8X1 + 5X2 300 (Metros cuadrados en espacio de almacn)
X1, X2 0
Tabla final Simplex Optima
Solucin
Bsica Factible
X1
X2
S1
S2
S3
Solucin
-40
-10
3000
S1
-5
-1
200
S2
200
X2
1.6
0.2
60
333
D. Mtodo de transporte
Una clase especial de problemas de PL lo constituyen los problemas de transporte. La
naturaleza general del problema es la misma; un conjunto de recursos limitados deber
distribuirse entre un nmero de demandas igualmente importantes y todas las decisiones
estarn entrelazadas porque deben hacerse bajo la base comn de lmites fijos. Estos
lmites estn determinados, en parte por la capacidad de las mquinas, la capacidad de la
planta, las disponibilidades de materia prima y de almacenamiento, el capital activo o
cualquiera de los innumerables factores establecidos por las polticas administrativas.
Cuando solamente hay unos pocos cursos de accin posibles (dos plantas deben surtir a 3 o
4 clientes) la respuesta correcta se encuentra rpidamente, sin embargo cuando el nmero
de variables se hace mayor, por ejemplo, una empresa que tiene una docena de fbricas y
200 o 300 clientes, repartidos en todo el pas, a quienes debe surtir, entonces la bsqueda
de la mejor venta de desembarque se encontrar con muchas dificultades y sobre todo con
la incertidumbre de no saber qu tan cerca se est de la mejor solucin en funcin del
objetivo propuesto y dentro de los lmites impuestos. Esto hace necesario el uso de una
tcnica que ayude a tomar la decisin. Para ello se ha desarrollado un mtodo llamado
Mtodo de Transporte el cual se aplica a todas las situaciones que presentan la misma
estructura matemtica del problema de transporte y es ms eficiente que el Mtodo Simplex
para este tipo de problemas.
El modelo de transporte ha sido aplicado a algunos problemas de negocios, tales como el
control y diseo de plantas de fabricacin, determinacin de territorios de ventas, y
localizacin de centros de distribucin y almacenes. Grandes ahorros en costos se han
logrado a travs de la eficiente ruta de envo de mercancas desde los puntos de existencia
hasta los puntos de demanda.
1 El problema de transporte
Utilizaremos el problema de transporte para ilustrar el mtodo de solucin del problema,
entendindose que este mtodo se aplica a cualquier problema que tenga la misma
estructura.
Se tienen m fuentes (orgenes) cada una con una disponibilidad o capacidad asociada.
Diremos que la fuente i tiene Fi artculos disponibles.
Diremos que el destino j requiere Dj artculos.
F D
i
j
Debe cumplirse la condicin
la cual establece un balance entre las
disponibilidades y los requerimientos. Este balance es necesario nicamente para el
tratamiento matemtico del mtodo y no le resta aplicabilidad.
Se deben conocer adems los costos unitarios asociados con el envo de un artculo de la
fuente i al destino j. Lo cual denotaremos por Cij.
Se pide determinar la cantidad de mercanca a transportar desde la fuente i hacia el destino
j, de tal manera que el costo total de transporte sea mnimo.
335
Estas cantidades constituyen las variables del problema y las denotaremos por Xij. La
situacin puede ser representada mediante el siguiente grafo:
F1 1
1 D1
F2 2
2 D2
n Dn
FUENTES FM m
17.
DESTINOS
a. Variables de decisin:
Xij = cantidad de unidades a enviar de la fuente i al destino j.
b. Funcin Objetivo (minimizacin del costo total)
(Min) Z =
c.
Restricciones
Cada fuente debe enviar toda la cantidad que es capaz.
Cada destino debe recibir exactamente toda la cantidad que necesita.
Luego tenemos:
X11+X12+...+X1n=F1
X21+X22+...+X2n=F2
.
.
.
.
.
Xm1+Xm2+...+Xmn=Fm
X11+X21+...+Xm1=D1
X12+X22+...+Xm2=D2
.
.
.
.
.
X1n+X2n+...+Xmn=Dn
337
1
C11
2
C12
X11
C21
X12
C22
X21
.
.
.
Cm1
X22
.
.
.
Cm2
Xm1
Xm2
D1
D2
1
2
.
.
.
M
Recursos requeridos
.......
.......
.......
.......
.......
.......
.......
N
C1n
Recursos disponibles
F1
X1n
C2n
F2
X2n
.
.
.
Cmn
.
.
.
Fm
Xmn
Dn
Ejemplo 20:
En tres fbricas 1, 2 y 3 se dispone de ciertas cantidades de un producto, esas cantidades
son respectivamente 100, 120 y 120 toneladas. El producto se entrega a 5 almacenes 1, 2,
3, 4 y 5 que deben recibir respectivamente 40, 50, 70 y 90 toneladas. El costo de transporte
de una unidad del producto desde cada fbrica a cada almacn se da en la tabla.
Determinar el plan de transporte de tal manera que el costo total sea mnimo.
Almacn
1 2 3 4 5
1 4 1 2 6 9
Fabrica 2 6 5 2 5 7
3 5 2 6 4 8
339
(Min)Z=4X11+X12+2X13+6X14+9X15+6X21+5X22+2X23+5X24+7X25+5X31+2X32+6X33+4X34+8X35
341
c.
Restricciones
X11 + X12 + X13 + X14 + X15
X21 + X22 + X23 + X24 + X25
X31 + X32 + X33 + X34 + X35
X11 + X21 + X31
X12 + X22 + X32
X13 + X23 + X33
X14 + X24 + X34
X15 + X25 + X35
= 100
= 120
= 120
= 40
= 50
= 70
= 90
= 90
Xij 0
2
4
X11
6
X21
5
X31
40
Requerimiento
3
1
X12
5
X22
2
X32
50
4
2
X13
2
X23
6
X33
70
5
6
X14
5
X24
4
X34
90
Disponibilidad
9
100
X15
7
120
X25
8
120
X35
90
Cij
Xij=?
Dj
40
100
50
120
70
120
90
90
Como podemos observar existen muchas combinaciones de envo de los productos desde
las 3 fuentes a los 5 destinos, sin embargo, considerando los costos unitarios de envo
debemos buscar aquella combinacin que genere el menor costo total envo.
343
18.
Utilizaremos el mismo procedimiento de solucin que en el mtodo Simplex, esto es, a partir
de una solucin inicial factible, revisar si es ptima; si no lo es mejorarla, volver a revisar,
etc. Hasta encontrar la ptima.
ad.Solucin inicial
Existen varios mtodos para determinar la solucin inicial, entre ellos estn: el mtodo
de la Esquina Noroeste, el mtodo de los Costos Mnimos y el mtodo de Vogel, unos
ms eficientes que otros de acuerdo a los criterios utilizados en la bsqueda de la
solucin. Nosotros haremos uso de los mtodos de los Costos Mnimos y el mtodo de
la Esquina Noroeste. Estos mtodos son fciles de aplicar y en el caso del mtodo de
los Costos Mnimos es bastante eficiente para proporcionar una solucin prxima a la
ptima.
Paso 2:
Paso 3:
Regla 2.
Regla 3.
Nota: Diremos que se hace una asignacin cuando se le da el valor especfico a una
variable, o sea, dicha variable se convierte en variable bsica y la casilla
correspondiente ser una casilla asignada.
345
Recursos
disponibilidad
40
2
3
Recursos
requeridos
40
50
70
90
100/60
120
120
90
1
4
Recursos
disponibilidad
40/0
50/0
40
2
3
Recursos
requeridos
50
70
90
100/60/10
120
120
90
1
4
40
3
1
50
Recursos
disponibilidad
10
40/0
50/0
70/60
2
3
Recursos
requeridos
90
100/60/10/0
120
120
90
347
2
4
40
3
1
50
6
Recursos
disponibilidad
10
5
60
5
40/0
50/0 70/60/0
90
90
100/60/10/0
120/60
120
1
4
40
3
1
50
40/0
Recursos
disponibilidad
10
60
3
Recursos
requeridos
60
6
100/60/10/0
120/60/0
120
90
1
4
40
3
1
50
6
4
2
Recursos
disponibilidad
5
6
10
2
60
3
Recursos
requeridos
60
6
100/60/10/0
120/60/0
120/90
30
40/0
90
2
4
40
3
1
50
4
2
10
60
60
6
30
40/0
Recursos
disponibilidad
90
100/60/10/0
120/60/0
120/90/0
349
1
4
Recursos
disponibilidad
50
2
3
Recursos
requeridos
40
50/0
70
90
100/50
120
120
90
En la segunda iteracin que se asignan podemos observar que tenemos dos casillas
que tiene el mismo costo unitario 2 en este caso el empate se puede romper
arbitrariamente, en nuestro caso asignaremos 50 unidades al almacn 3 desde la
fbrica 1 con lo que los requerimientos del almacn 3 quedan en 20 y la fabrica 1
disminuye sus recursos disponibles a 0.
Almacn
Fabricas
1
4
3
1
50
2
3
Recursos
requeridos
Recursos
disponibilidad
50
50/0
70/20
40
90
100/0
120
120
90
1
4
Recursos
disponibilidad
50
5
20
5
351
50
Recursos
requeridos
40
50/0 70/20/0
90
90
100/0
120/100
120
1
4
3
1
50
6
4
2
40
Recursos
disponibilidad
5
6
50
2
20
3
Recursos
requeridos
90
6
100/0
120/100/10
120
90
1
4
Recursos
requeridos
3
1
50
6
2
3
4
2
50
5
20
5
Recursos
disponibilidad
90
6
40
40/0
100/0
120/100/10
120/80
90
como podemos observar solamente nos quedan dos casillas disponibles siendo el
menor costo unitario 7 por lo que asignamos las 10 unidades de que disponemos en la
fbrica 2 al almacn 5 y finalmente las 80 unidades restantes en la fabrica 3 tambin al
almacn 5 quedando la asignacin completa.
De esta forma la tabla de transporte despus de la asignacin inicial por el mtodo de
los costos mnimos es:
Almacn
Fabricas
1
4
Recursos
requeridos
3
1
50
6
2
3
4
2
50
5
20
5
90
6
10
4
40
40/0
Recursos
disponibilidad
80
50/0 70/20/0 90/0
100/0
120/100/10/0
120/80/0
90/0
353
En este ejemplo el costo total de transporte obtenido en la asignacin inicial fue menor
aplicando el mtodo de la Esquina Noroeste sin embargo siempre se espera que el
mtodo de los Costos Mnimos proporcione una asignacin inicial de menor costo que
la obtenida por el mtodo de la Esquina Noroeste.
Aunque en estos ejemplos presentamos una tabla de transporte para cada iteracin,
en lo sucesivo todas las iteraciones para una asignacin factible se reflejarn en una
misma tabla de transporte, lo que con la prctica no presenta ninguna dificultad.
Nota: Las asignaciones deben estar en tal posicin que con ellas puedan formarse
rectngulos; en tal caso se dice que estn en posiciones independientes.
Ejemplo 21:
Determine la solucin inicial para la siguiente matriz de transporte, utilizando el mtodo
de la Esquina Noroeste y el mtodo de los costos mnimos.
Almacn
Fabricas
1
2
3
Recursos
requeridos
Recursos
disponibilidad
10
20
11
12
20
14
16
18
15
15
15
25
5
10
Solucin:
Como podemos observar este es un problema balaceado ya que la oferta es igual a la
demanda 45 = 45.
Mtodo de la esquina noroeste
Almacn
Fabricas
1
10
20
11
20
5
0
Recursos
disponibilidad
10
12
Recursos
requeridos
15
14
16
18
5
5
15
15
15
25
5
10
355
4) Menor costo 10 para X11 , aqu lo ms que se puede asignar es cero, este es un
cero asignado diferente a los otros ceros que son variables no bsicas, cancelamos
la primera fila (podra cancelarse tambin la primera columna, pero recordemos que
solamente se cancela una).
5) Al quedar pendiente solamente la segunda fila se hacen los ajustes necesarios que
son: X21 = 0 (asignado); X24 = 10
La solucin es:
VB: X11 = 0, X12 = 15, X21 = 0, X23 = 15, X24 = 10, X31 = 5
VNB: El resto de variables Xij son iguales a cero
Almacn
Fabricas
1
2
3
Recursos
requeridos
10
Recursos
disponibilidad
4
20
11
15
12
15
0
14
16
20
10
18
5
5
15
15
15
25
5
10
357
Estos indicadores nos dan la medida del crecimiento de la funcin objetivo por cada
unidad a la variable no bsica considerada. As pues las variables con indicadores
negativos hacen decrecer la funcin objetivo y las variables con indicadores positivos
la hacen crecer. Por lo tanto si la funcin es (Min), el ptimo se presentar cuando no
haya indicadores negativos.
Consideremos la tabla de transporte del ejemplo 21:
Con la asignacin inicial alternativa obtenida por el mtodo de los costos mnimos,
para determinar si la solucin obtenida es la ptima:
1) Contamos las asignaciones realizadas, nos damos cuenta que tenemos 7 y en
este caso m + n 1 = 7. Por lo tanto podemos pasar al paso 2.
2) El menor costo de la matriz es 1, lo colocamos al margen de la primera fila, es R 1:
como en esa fila hay 3 casillas asignadas, podemos calcular los respectivos K j,
estos son:
K1 : C11 R1 = 4 1 = 3 ; K2 = C12 R1 = 1 1 = 0 ; K5 = C15 R1 = 9 1 = 8
Estos valores de Kj nos permiten calcular los respectivos Ri donde hayan ms
asignaciones, en la columna 5 podemos continuar el clculo para:
R2 = C25 K5 = 7 8 = -1; R3 = C35 K5 = 8 8 = 0
Tenemos pendiente K3 y K4 , la columna 3 tiene asignacin en la segunda fila y la
columna 4 tiene asignacin en la tercera fila, entonces nos valemos de R 2 y R3
para calcular K3 y K4.
K3 = C23 R2 = 2 (-1) = 3; K4 = C34 R3 = 4 0 = 4
Observemos que una vez establecido el primer valor los dems tienen que salir
como consecuencias, para esto es necesario que hayan m + n 1 asignaciones y
en posiciones independientes. Una vez calculados todos los Ri y Kj pasamos a
trabajar con las casillas no asignadas para el clculo de los indicadores.
3) Calcularemos los indicadores Ind = Ind = Cij ( Ri + Kj ) para cada variable no
bsica (casillas vacas), por tanto:
Ind13 =
Ind14 =
Ind21 =
Ind22 =
Ind24 =
Ind31 =
Ind32 =
Ind33 =
C13 ( R1 + K3) = 2 (1 + 3) = -2
C14 ( R1 + K4) = 6 (1 + 4) = +1
C21 ( R2 + K1) = 6 (-1 + 3) = +4
C22 ( R2 + K2) = 5 (-1 + 0) = +6
C24 ( R2 + K4) = 5 (-1 + 4) = +2
C31 ( R3 + K1) = 5 (0 + 3) = +2
C32 ( R3 + K2) = 2 (0 + 0) = +2
C33 ( R3 + K3) = 6 (0 + 3) = +3
359
Almacn
Fabricas
1
2
4
40
50
Ri
100
(1)
120
(-1)
120
(0)
10
70
Recursos
disponibilidad
50
90
30
Recursos
requeridos
40
50
70
90
90
Kj
(3)
(0)
(3)
(4)
(8)
VB
VB
VB
VB
VNB
VB
VB
VB
VB
VNB
VB
VNB
VB
VB
VB
361
que las variables X15, X25, X23 y X13 sern afectadas por la variable entrante y al
menos una de ellas tendr que salir de la solucin. Pero una asignacin cualquiera
que sea su magnitud nos elimina el balanceo que hemos tenido en el problema. Por
lo tanto tendremos que realizar algunas afectaciones de la misma medida a todas
las variables bsicas que se encuentran en la ruta de la variable entrante (ruta de
reasignacin). Tal afectacin ser positiva o negativa segn la posicin.
2) Sealaremos las esquinas sucesivas de la ruta con S, R, S, R (sumar, restar)
partiendo de la variables entrante. El sentido del recorrido es indiferente. En este
proceso de sumar, restar, tenemos una limitacin y es que no se puede restar
cualquier cantidad, ya que ms all de determinado valor, algunas variables podran
tomar valores negativos, lo cual no es factible. Para esto se realiza el siguiente
paso.
3) Seleccionamos la menor asignacin de las casillas a las cuales se va a restar; la
variable correspondiente ser la variable saliente y su valor ser el valor de la
nueva asignacin. Este valor se suma a todas las casillas que tengan S y se resta
de todas las que tengan R. Esta ser la nueva solucin. Se realiza la prueba de
optimalidad y se mejora si es necesario hasta alcanzar la solucin ptima.
Mejoremos la solucin no ptima del ejemplo 21:
Almacn
Fabricas
2
4
40
4
2
50
(-2)
(+4)
(+6)
10
100
(1)
120
(-1)
120
(0)
R
2
70
(+2)
50
S
(+2)
(+2)
(+3)
90
30
Recursos
requeridos
40
50
70
90
90
Kj
(3)
(0)
(3)
(4)
(8)
Ri
(+1)
S
2
Recursos
disponibilidad
1)
2)
3)
4)
5)
2
4
40
50
6
363
60
5
40
50
Recursos
disponibilidad
10
60
6
3
Recursos
requeridos
70
90
30
90
90
100
120
120
C14 ( R1 + K4) = 6 (1 + 2)
C15 ( R1 + K5) = 9 (1 + 6)
C21 ( R2 + K1) = 6 (1 + 3)
C22 ( R2 + K2) = 5 (1 + 0)
C24 ( R2 + K4) = 5 (1 + 2)
C31 ( R3 + K1) = 5 (2 + 3)
C32 ( R3 + K2) = 2 (2 + 0)
C33 ( R3 + K3) = 6 (2 + 1)
= +3
= +2
= +2
= +4
= +2
= 0
= 0
= +3
2
4
40
50
4
2
10
(+2)
(+4)
5
3
(+3)
(+2)
60
(+2)
6
60
(0)
(0)
(+3)
90
30
Recursos
requeridos
40
50
70
90
90
Kj
(3)
(0)
(1)
(2)
(6)
Recursos
disponibilidad
Ri
100
(1)
120
(1)
120
(2)
365
ag.Condicin de balanceo
En el problema planteado la oferta de todos los orgenes debe igualar la demanda de
todos los destinos.
En problemas reales la oferta puede ser menor que la demanda o puede excederla, en
ese caso se dice que el modelo no esta balanceado.
Sin embargo cualquier problema real puede balancearse artificialmente convirtindolo
en un problema con igual oferta y demanda. Si la demanda excede a la oferta se
aumentar un origen ficticio que suministrar la diferencia; las cantidades enviadas
desde un origen ficticio se interpretan como capacidades no utilizadas en el origen.
Los costos de transporte para cada unidad desde el origen ficticio a todos los destinos
son cero ya que esto es equivalente a no transportar desde el origen ficticio. De
manera semejante los costo por unidad desde todas las fuentes a todos los destinos
ficticios son cero.
1
2
3 fic
Recursos
requeridos
2
3
30
367
Recursos
disponibilidad
20
15
40
20
5
3 fic
Recursos
requeridos
Kj
2
3
20
4
20
15
5
(0)
0
Recursos
disponibilidad
(+3)
9
(+1)
(+2)
30
(0)
20
(-1)
15
(-2)
Ri
40
(3)
20
(5)
(0)
Todos los indicadores son positivos y uno de ellos es cero por lo tanto hemos
encontrado la solucin ptima pero no nica del problema.
CT = 5(3) + 20(2) + 15(1) +20(5) + 5(0) = 170 (costo mnimo)
Programa optimo de envo:
Enviar 5 unidades de la Fuente 1 al destino 1
Enviar 20 unidades de la Fuente 1 al destino 2
Enviar 15 unidades de la Fuente 1 al destino 3
Enviar 20 unidades de la Fuente 2 al destino 1
Ejemplo 24:
Tenemos tres tipos de Mquinas que pueden producir dos tipos de artculos a
diferentes costo, deseamos determinar el plan de produccin para las mquinas que
nos permita obtener el menor costo de produccin.
Sea Xij: Cantidad de artculos j a producir por la mquina i
I = 1,2
j = 1,2,3
Costos unitarios de produccin por mquina
Destino
Fuente
Maquina 1
15
Maquina 2
30
18
Maquina 3
24
29
369
Solucin:
En este caso la capacidad de las mquinas es mayor que la demanda Fi = 140 (capacidad)
y Dj = 120 (demandas), es por lo tanto necesario crear un destino ficticio que absorba la
diferencia Dfic = 20.
Almacn
Fabricas
Maquina 1
Maquina 2
Maquina 3
Recursos
requeridos
Recursos
disponibilidad
15
50
70
30
40
70
20
1
8
1
2
30
15
3 fic
Recursos
requeridos
Kj
(+2)
(+16)
(+17)
Recursos
disponibilidad
40
(+11)
0
20
30
20
50
(8)
70
(13)
20
(-16)
Ri
30
(0)
40
(5)
70
(16)
Todos los indicadores son positivos por lo tanto hemos encontrado la solucin ptima.
CP = 30(8) + 40(18) + 20(24) +30(29) + 20(0) = 2310 (costo mnimo)
Programa optimo de produccin:
Producir 30 unidades del artculo 1 en la Mquina 1
Producir 40 unidades del artculo 2 en la Mquina 2
Producir 20 unidades del artculo 1 en la Mquina 3
Producir 30 unidades del artculo 2 en la Mquina 3
La Maquina 3 an tiene capacidad disponible para producir 20 artculos.
371
19.
Problema de maximizacin
Capacidad
Planta
Unid/semana
22
26
20
21
450
21
24
20
21
300
18
20
19
20
250
1000
La demanda que experimenta la Compaa es de 200, 340, 150 y 270 unidades semanales
de los productos A, B, C y D respectivamente. Determinar la estrategia ptima de produccin
con el objetivo de maximizar las ganancias.
373
Solucin:
Sea Xij:
cantidad de productos j a manufacturar en la planta i
I = I, II, III
j = A, B, C, D
Objetivo: Maximizar la Ganancia
Como podemos observar la capacidad de produccin excede la demanda por lo tanto para
balancear el problema debemos crear una demanda ficticia que absorba el excedente de
capacidad.
Solucin inicial
Almacn
Fabricas
B
22
110
26
340
21
30
II
C
20
(-3)
24
(-1)
(-1)
20
(-2)
Efic.
21
270
60
20
(-2)
19
(26)
300
(25)
250
(22)
(-3)
150
20
(+2)
R
Demanda
Kj
450
R
18
III
Ri
(-4)
21
Capacidad
S
200
(-4)
340
(0)
150
(-3)
270
(-4)
40
40
(22)
III
Demanda
Kj
B
22
110
21
90
18
(-4)
200
(-4)
C
26
340
24
(-1)
20
(-2)
340
(0)
D
20
(-1)
20
(0)
19
150
150
(-5)
Efic.
21
(-1)
21
210
20
60
270
(-4)
(-2)
0
(-1)
0
40
40
(-24)
Capacidad
Ri
450
(26)
300
(25)
250
(24)
375
377
379
381
383
Hoja de respuestas
385
387
Glosario
389
391
Bibliografa
393