APUNTES DE

INVESTIGACIN DE
OPERACIONES II

Compilado por: Ing. Jorge Octavio Garza Quintanilla

Ing. Jos Guadalupe Navarro Coronado
INDICE

Unidad 1. REDES 4
1.1 El problema de la ruta ms corta
1.2 El problema de rbol de extensin mnima
1.3 El problema de flujo mximo
1.4 Ejercicios

Unidad 2. PROCESOS DE MARKOV 27

2.1 Conceptos de Cadenas de Markov
2.2 Diagrama de Arbol
2.3 Aplicacin de Matriz de Transicin
2.4 Anlisis de Estado Estable
2.5 Ejercicios

Unidad 3. ANALISIS DE DECISIONES 39

3.1 Estructuracin del problema de decisin
3.2 Toma de decisiones sin probabilidad
3.3 Toma de decisiones con probabilidad
3.4 Analisis de Sensibilidad
3.5 Anlisis de decisiones con informacin muestral
3.6 Elaboracin de una estrategia de decisin
3.7 Eficiencia de la informacin
3.8 Ejercicios

Unidad 4. PROCESO ANALITICO DE JERARQUIAS 53

4.1 Desarrollo de la jerarqua
4.2 Establecimiento de prioridades utilizando el PAJ
4.3 Procedimiento para sintetizar juicios
4.4 Obtencin de la relacin de consistencia
4.5 Desarrollo de una jerarqua global de prioridades
4.6 Ejercicios

Unidad 5. PROGRAMACION DINAMICA 68

5.1. Enfoque de programacin dinmica
5.1.1. Programacin Dinmica Determinantica
5.1.2. Programacin Dinmica Probabilstica
5.2. Modelos de Programacin Dinmica
5.2.1. Problema de la Diligencia
5.2.2. La ruta Corta
5.2.3. El problema de la mochila
5.2.4. Los Modelos de inventarios
5.3. Problemario

Unidad 6. SIMULACIN 95
6.1 Introduccin
6.2. Simulaciones empricas
6.2.1. Teora sobre distribuciones continuas y discretas

2
6.2.2. Frecuencia relativa
6.2.3. Teora sobre nmeros aleatorios y generadores de proceso
6.2.4. Simulacin Montecarlo
6.3. Aplicaciones
6.3.1. Utilizacin de la simulacin en una lnea de espera
6.3.2. Mejoramiento del diseo de sistemas
6.3.3. Aplicacin a un sistema de inventarios

Unidad 7. PROMODEL 122

7.1. Conceptos de PROMODEL
7.2. Instrucciones para programar en PROMODEL
7.3. Pasos para programar en PROMODEL
7.4. Reglas de simulacin empleando PROMODEL
7.5. Problemas resueltos empleando PROMODEL
7.6. Problemas para resolver

3
INTRODUCCIN

Uno de los aspectos importantes para el estudiante universitario es la relacin que debe de
existir entre los conceptos y su prctica profesional. El material presente pretende establecer la
vinculacin de la Investigacin de Operaciones II con actividades prcticas que mejoren la
calidad del desarrollo profesional del estudiante. Lo anterior queda manifestado en el material
que se desarroll en forma terica y prctica con ejemplos para poder ver la aplicacin de la
Investigacin de Operaciones.

OBJETIVO GENERAL

Dar a los alumnos los conocimientos necesarios acerca de cmo aplicar las tcnicas de
solucin de investigacin de operaciones, as como su importancia y utilizacin en la solucin
de problemas. Al trmino del curso ser capaz de aplicar mtodos, tcnicas e instrumentos
cuantitativos a problemas que aplican al funcionamiento de un sistema productivo, con la
finalidad de proporcionar soluciones ptimas para alcanzar el control del sistema.

4
UNIDAD 1

OBJETIVO PARTICULAR DE LA UNIDAD

Al trmino de la unidad el estudiante aplicar y conocer los conceptos fundamentales y

diferentes tipos de redes utilizadas en la solucin de problemas.

OBJETIVOS ESPECFICOS

Modelos de Redes
Algoritmo de la ruta ms corta
Arbol de extensin mnimo
Respuesta ptima
Flujo Mximo
Algoritmo de flujo mximo
Casos prcticos

5
UNIDAD 1: MODELOS DE REDES
Se han resuelto exitosamente muchos problemas administrativos en reas como diseo de
sistemas de transporte y de sistemas de informacin, y programacin de proyectos, con ayuda
de modelos de redes y con tcnicas de anlisis de redes. En investigacin de operaciones I se
ha mostrado la forma en que se pueden utilizar las redes, que consisten en diagramas de
nodos y arcos, para ofrecer representaciones grficas de problemas de transporte, asignacin
y transbordo. En esta unidad se exponen tres problemas adicionales de redes. El problema de
la ruta ms corta, el problema del rbol de expansin mnima y el problema del flujo mximo.
En cada caso se muestra la forma en la que puede desarrollarse y resolverse un modelo de
red para obtener una solucin ptima para el problema.

1.1 EL PROBLEMA DE LA RUTA MS CORTA

En esta seccin se revisa una aplicacin de redes en la que el objetivo primordial consiste en
determinar la rula ms corta o el camino ms reducido a travs de la red. Se ilustra el
problema de la ruta ms corta considerando la situacin que enfrenta la Gorman Contruction
Company. La Gorman tiene diversos proyectos de construccin distribuidos en una rea de
tres condados. En ocasiones los sitios de las construcciones se ubican hasta a 50 millas de
distancia de la oficina general de la empresa. Como se efectan varios viajes al da para llevar
personal, equipo y suministros, hacia y desde los lugares de construccin, los costos
relacionados con las actividades de transporte son importantes. Se pueden describir mediante
una red de calles, carreteras y autopistas las alternativas de transporte entre los sitios y la
oficina, para cualquier lugar de construccin determinado. En la red que se muestra en la Fig.
9.1

se describen las alternativas de viaje entre 6 de los lugares de construccin ms recientes de

la Gorman. Los pequeos crculos o nodos de la red corresponden a los lugares. Las calles,
carteleras y autopistas son los arcos de la misma. Sobre los arcos correspondientes se indican
las distancias entre los lugares. Obsrvese que la longitud de los arcos no corresponde
necesariarnente, en forma proporcional, a la distancia que se recorre. La firma Gorman
pretende determinar las rutas o trayectos que minimizarn la distancia total que se viaja desde
la oficina hasta cada sitio.

6
El algoritmo de ruta ms corta

Para resolver el problema es necesario determinar la va ms corta desde sus oficinas (el nodo
1), hasta cada uno de los otros nodos de la red. El algoritmo que se presenta utiliza un
procedimiento de rotulacin para encontrar la distancia ms reducida desde el nodo 1 hasta
cada uno de los dems. Conforme se ejecutan los pasos del procedimiento de rotulacin, se
elabora un rtulo (o etiqueta) para cada nodo, el cual consta de dos nmeros encerrados entre
corchetes. El primer nmero del rtulo de un nodo especifico seala la distancia desde el nodo
1 hasta ese nodo, en tanto que el segundo indica el nodo precedente sobre la ruta, desde el
nodo 1 hasta ese nodo. Se coloca la etiqueta para cada nodo directamente encima o abajo del
nodo. Por ejemplo, un rtulo para un nodo especfico podra ser como se muestra en la Fig.
9.2.

En cualquier etapa del procedimiento de rotulacin, se dice que un nodo est rotulado o no. Un
nodo con rtulo es aqul en que ya se ha identificado un camino desde el nodo 1 hasta ese
nodo, y un nodo no rotulado es obviamente el que no tiene todava un camino marcado. Para
los nodos rotulados, se dice tambin que el nodo ha sido etiquetado en forma permanente o en
forma tentativa. Es decir, cuando el algoritmo ha permitido determinar la distancia ms corta
desde el nodo 1 hasta un nodo especfico, se dice que tal nodo ha sido rotulado en forma
permanente. Sin embargo, si no se ha determinado todava la distancia ms corta desde el
nodo 1 hasta un nodo especfico con rtulo, se dice que el nodo tiene una marcacin tentativa.
Ahora que se tiene ya idea de lo que son los nodos, se proceder a revisar la forma en la que
se determinan las etiquetas y la forma en que se puede utilizar el proceso de etiquetacin para
determinar la ruta ms corta desde el nodo 1 hasta cada uno de los otros nodos de la red.

Se inicia el proceso de rotulacin asociando al nodo 1 la etiqueta permanente [0,I]. La I

simplemente seala que el nodo 1 es el inicial, y el 0, que la distancia entre el nodo 1 y el
mismo nodo 1 es cero. Para diferenciar entre nodos con rtulos tentativos y permanentes, se
sigue la prctica de indicar sombreados todos los nodos con etiqueta permanente en la red.
Adems, se utiliza una flecha para sealar el nodo con etiqueta permanente que se investiga
en cada uno de los pasos del algoritmo de rotulacin. La identificacin inicial de la red para la
empresa Gorman se muestra en la Fig. 9.3. El nico nodo con marcado permanente es el 1.

Para realizar el primer paso o iteracin del procedimiento de rotulado, se debe considerar que
cada nodo puede alcanzarse en forma directa desde el nodo 1; por ello, se observan los nodos
2 y 3. Considrese por el momento el nodo 2. Se observa que la distancia directa desde el
nodo 1 al nodo 2 es de 15 millas. Por tanto, puede asignarse tentativamente la etiqueta [15,1]
al nodo 2. El primer nmero de la etiqueta seala que se puede llegar al nodo 2 recorriendo 15
millas, y el segundo nmero indica que el nodo que precede al nodo 2 sobre la ruta es el nodo
1. Considerando ahora el nodo 3, se encuentra que la distancia directa del nodo 1 al nodo 3 es

7
de 10 millas. Por ello, la etiqueta tentativa del nodo 3 es [10,1]. En la Fig. 9.4 se muestran los
resultados obtenidos hasta este punto. Las etiquetas de los nodos 2 y 3 son tentativas.

En referencia a la Fig. 9.4, se consideran ahora todos los nodos que tienen rtulos tentativos y
se identifica el que tiene el menor valor de distancia; as, se elige el nodo 3. La etiqueta
tentativa correspondiente al nodo 3 seala que se puede llegar a l partiendo del nodo 1,
recorriendo una distancia de 10 millas. Se podra llegar al nodo 3 siguiendo una ruta ms
corta? Como cualquier otra ruta hacia el nodo 3 hara necesario pasar por otros, y como la
distancia desde el nodo 1 a todos los dems nodos es mayor que o igual a 10, no puede
encontrarse ninguna otra va ms corta para que el nodo 3 pase por cualquier otro nodo. As,
ya se ha identificado la ruta ms corta o mejor para llegar al nodo 3 y, por tanto, se

etiqueta en forma permanente tal nodo con una distancia de 10 millas. Sombreando dicho
nodo 3 para sealar que es uno con etiqueta permanente, y aadiendo una flecha para indicar
que se utilizar el nodo 3 para iniciar el siguiente paso del proceso de rotulacin, se obtiene la
red que se muestra en la Fig. 9.5.

8
Se continan considerando todos los nodos que no tienen etiqueta permanente y que pueden
alcanzarse en forma directa desde el nodo 3. Por ello, se evalan los nodos 2 y 5. Obsrvese
que la distancia directa del nodo 3 al nodo 2 es de 3 millas, y la distancia directa del nodo 3 al
nodo 5 es de 4 millas. Como la etiqueta permanente para el nodo 3 indica que ia distancia ms
corta para llegar al nodo 3 es de 10 millas, se observa que se puede llegar al nodo 2 en 10 + 3
= 13 millas, y al nodo 5 en 10 + 4 = 14 millas. Por ello, se modifica la etiqueta tentativa del
nodo 2, y se le asigna [13,3] para indicar que ya se ha encontrado ahora una ruta que va del
nodo 1 al nodo 2, que tiene una distancia de 13 millas y que el nodo que precede al nodo 2 en
la ruta es el 3. De manera similar, la etiqueta tentativa para el nodo 5 es [14,3]. En la Fig. 9.6
se muestran los clculos que se han elaborado sobre la red hasta este punto.

En seguida se consideran todos los nodos con etiquetas tentativas para identificar el que enga
el menor valor de distancia en su etiqueta. Se observa en la Fig. 9.6 que este nodo es el 2, con
un valor de 13 millas de distancia. Se declara ahora al nodo 2 permanentemente etiquetado,
debido a que se puede llegar ahora al 2, desde el nodo 1, con la menor distancia )osible de 13
millas, pasando por el 3.

El siguiente paso o iteracin comienza en el nodo 2, el que se ha etiquetado en forma

permanente ms recientemente. Al igual que antes, se consideran todos los nodos que no
tienen etiquetas permanentes y que se pueden alcanzar en forma directa desde el nodo 2; es

9
decir, los nodos 4 y 7. Comenzando con el valor de la distancia de 13 en la etiqueta
permanente del nodo 2, y sumando la distancia del nodo 2 al nodo 4 y al nodo 7, se observa
que puede llegarse al nodo 4 en 13 + 6 = 19 millas, mientras que, por otro lado, puede legarse
al nodo 7 en 13 + 17 = 30 millas. Por ello, las etiquetas tentativas de los nodos 4 y 7 son las
que se muestran en la Fig. 9.7.

De entre los nodos con rtulos tentativos (nodos 4, 5 y 7), se elige el que tenga la menor
distancia y se le declara permanentemente etiquetado. Por ello, el nodo 5, con una distancia
de 14, se convierte en el nuevo nodo con rtulo permanente. Despus, se consideran todos los
nodos que no tienen etiqueta permanente y a los que se puede llegar en forma directa desde el
nodo 5. As, se modifica la marca tentativa del nodo 4, y se asigna una tentativa al nodo 6. En
la Fig. 9.8 se ilustran estos clculos.

Identificando la menor distancia para los nodos restantes con etiquetas tentativas se observa
que es el nodo 6 al que se asigna una etiqueta permanente. A partir del 6 puede determinarse
una nueva etiqueta tentativa para el nodo 7. Despus de este paso, la red tiene la apariencia
mostrada en la Fig. 9.9.

10
Se tienen ahora slo otros dos nodos sin marcado permanente. Como la distancia sealada en
la etiqueta del nodo 4 es menor que el valor de la distancia en el nodo 7, el nodo 4 se convierte
en el nodo con etiquetado permanente. Como el 7 es el nico nodo con rtulo no permanente
al que se puede llegar directo desde el nodo 4, se compara el valor de la distancia de 22 que
aparece en su etiqueta con la suma de la distancia del nodo 4 y la distancia directa para pasar
del nodo 4 al 7. En este caso, la etiqueta tentativa de [22,6], que es la etiqueta que ya existe en
el nodo 7, tiene el menor valor de distancia; por ello, no se modifica la etiqueta tentativa del
nodo 7. En la Fig. 9.10, se muestra la red en este punto del tiempo.

Como el nodo 7 es el nico que queda con una rotulacin tentativa, se le asigna ahora una
permanente. Cuando ya se han etiquetado en forma permanente todos los nodos, se ha
determinado as la ruta ms corta desde el nodo 1 hasta cada uno de los nodos de la red. En
la Fig. 9.11 se muestra la red final con todos los nodos con etiquetado permanentes.

11
Puede utilizarse la informacin que aparece en las etiquetas permanentes para determinar la
ruta ms corta desde el nodo 1 hasta cada uno de los dems nodos de la red. Por ejemplo, la
etiqueta permanente del nodo 7 indica que la distancia ms corta desde el nodo 1 a! nodo 7 es
de 22 millas. Para encontrar la ruta especfica que permite llegar al nodo 7 en 22 millas, se
observa que la etiqueta del nodo 7 indica que el nodo precedente sobre la ruta ms corta que
viene del nodo 1 es el 6. Volviendo hacia atrs sobre la red, para llegar al nodo 6, se observa
en su etiqueta permanente que se lleg al nodo 6 proviniendo del 5. Continuando este
proceso, se observa que se lleg al nodo 5 partiendo del nodo 3 v finalmente que se lleg a
este nodo 3 partiendo del nodo 1. Por ello, la ruta ms corta desde el nodo 1 al nodo 7 es la 1-
3-5-6-7. Utilizando este procedimiento, se identifican las siguientes rutas ms cortas para la
red de transporte de la compaa Gorman:

Nodo Ruta ms corta desde el nodo 1 Distancia en millas

2 1-3-2 13
3 1-3 10
4 1-3-5-4 18
5 1-3-5 14
6 1-3-5-6 16
7 1-3-5-6-7 22

Es posible que para un problema tan pequeo como el de la Gorman se hubieran podido
encontrar las rutas ms cortas con la misma rapidez, si no es que mayor mediante simple
examen. Sin embargo, cuando se comienzan a investigar problemas con 15, 20 o ms nodos,
encontrar las rutas ms cortas mediante inspeccin se convertira en un intento sumamente
laborioso. De hecho, y debido al mayor nmero de rutas alternas en una red de mayor tamao,
es muy fcil saltarse una o rns rutas y llegar a una respuesta equivocada. Por ello, para los
problemas ms grandes se requiere un procedimiento sistemtico como el de rotulado o
etiquetacin que se describi. Aun con tal mtodo se llega al caso en el que, al crecer el
tamao de las redes, se vuelve necesario implantar el algoritmo en una computadora

Para llegar a un resumen del algoritmo de la ruta ms corta, considrese una red que consta
de N nodos. Se puede utilizar el siguiente procedimiento para encontrar la ruta ms corta que
va del nodo 1 hasta cada uno de los otros nodos de la red:

12
Paso 1. Asignar al nodo 1 al rtulo permanente [O, I]; la I indica que el nodo inicial; y el 0, que
la distancia del nodo 1 hacia s mismo es cero.
Paso 2. Determinar rtulos tentativos para los nodos a los que puede llegarse en forma directa
desde el nodo 1. El primer nmero de cada marcacin es la distancia directa entre el nodo 1 y
el nodo en cuestin; a esta parte de la etiqueta se la denomina valor de distancia. El segundo
nmero de cada rtulo, al que se denomina valor del nodo precedente, seala el nodo que
antecede en la ruta desde el nodo 1 hasta el nodo en cuestin. Por ello, en este paso, el valor
de tal nodo es 1, puesto que slo se consideran los nodos a los que se puede llegar en forma
directa desde el 1.
Paso 3. Identificar el nodo con la etiqueta tentativa que tenga el menor valor de distancia, y
considerarlo como rotulado en forma permanente. Si todos los nudos tienen etiquetas
permanentes, ir al paso 5.
Paso 4. Considrense todos los nodos que no tienen marcacin permanente y a los que se
puede llegar en forma directa desde el nuevo nodo con el rtulo permanente que se estableci
en el paso 3. Calcular para estos nodos las etiquetas tentativas de la siguiente manera:

a) Si el nodo que carece de etiqueta permanente y que se considera, tiene una marcacin
tentativa, obtener la suma del valor de distancia del nuevo nodo etiquetado permanentemente,
y la distancia directa de este ltimo nodo al nodo en cuestin. Si esta suma es inferior al valor
de la distancia del nodo considerado, igualar a esta suma el valor de distancia para este nodo;
adems, hacer que el valor del nodo precedente sea igual al nodo recin marcado como
permanente y que arroj la menor distancia. Continuar con el paso 3.
b) Si el nodo que no tiene etiqueta permanente y que se est evaluando carece de rtulo
tentativo, se crea una con valor de distancia igual a la suma del valor de distancia en el nuevo
nodo etiquetado como permanente y la distancia directa desde este nodo al que recientemente
se le asign la marcacin permanente hasta el nodo en cuestin. El valor del nodo precedente
es igual al nodo recin etiquetado en forma permanente. Ir al paso 3.
Paso 5. Los rtulos permanentes identifican la distancia ms corta desde el nodo 1 hasta cada
uno de los dems nodos, y el nuevo precedente sobre la ruta ms corta. Se puede encontrar la
ruta ms corta hasta un determinado nodo, partiendo de ste, y yendo hacia sus nodos
precedentes. Continuando esta accin hacia atrs en la red se obtiene una ruta ms corta
desde el nodo 1 hasta el nodo en cuestin.

El algoritmo anterior permite determinar la distancia ms corta desde el nodo 1 hasta cada o
de los dems nodos de la red. Obsrvese que se requieren N - 1 iteraciones del algoritmo para
encontrar la ruta ms corta hacia todos los nodos. Si no se requiere la distancia ms corta a
cada nodo, se puede detener el algoritmo cuando ya se han asignado etiquetas permanentes a
los nodos que s interesan. Es fcil tambin modificar el algoritmo para encontrar distancia ms
corta desde cualquier nodo por ejemplo el nodo k a todos los dems dos de la red. Para
ese cambio, simplemente se comienza asignando la etiqueta permanente [0,S] al nodo k.
Despus, aplicando los pasos del algoritmo, puede obtenerse la ruta ms corta desde el nodo
k hasta cada uno de los otros nodos.

NOTAS. Y COMENTARIOS
Muchas aplicaciones del algoritmo de la ruta ms corta implican criterios como tiempo y costo,
en vez de distancia. En estos casos, el algoritmo de la ruta ms corta da corno solucin el
costo mnimo o el tiempo mnimo. Sin embargo, como el algoritmo de la ruta ms corta siempre
identifica una solucin de valor mnimo, no tendra sentido aplicarlo a problemas que se
refieran a criterios de utilidad,
En algunas aplicaciones puede ser negativo el valor correspondiente a algn arco. Por
ejemplo, en situaciones en las que el criterio es el costo, un arco con valor negativo denotara
un costo negativo; en otras palabras, se lograra una utilidad al circular por ese arco. El

13
algoritmo de la ruta ms corta que se present en esta seccin puede aplicarse solamente a
redes con valores no negamos en los arcos.

1.2 EL PROBLEMA DEL RBOL DE EXTENSIN MNIMA

En terminologa de redes, el problema del rbol de extensin (o expansin) mnima se refiere a

utilizar las ramas (arcos) de la red para llegar a todos los nodos de la red, de manera que se
minimice la longitud total de todas las ramas. Para comprender mejor este problema, se
considerar el problema de diseo de un sistema de comunicaciones que afronta un centro
regional de cmputo.

El Centro Regional de Cmputo del Suroeste debe instalar lneas especiales para
comunicacin computacional, a fin de conectar a cinco usuarios satlite con una nueva
computadora central. La compaa telefnica local es la que instalar la nueva red de
comunicaciones. Sin embargo, la instalacin es una operacin costosa. Con el propsito de
reducir los costos. El grupo de administracin del centro desea que la longitud total de estas
nuevas lneas de comunicacin sea lo mas pequea posible. Aunque se podra conectar la
computadora en forma directa a cada usuario, parece que sera ms econmico instalar una
directa hacia algunos usuarios, y permitir que otros se enlacen con el sistema a travs de los
usuarios ya conectados- La determinacin de este diseo de sistema de comunicaciones con
longitud mnima es un ejemplo del rbol de extensin mnima. En la fig 9.13 se muestra la red
para este problema, con las alternativas de conexin posible y las correspondientes
distancias. En seguida se explica un algoritmo que puede utilizarse para resolver este modelo
de red.

Algoritmo para el rbol de extensin mnima

El algoritmo de red que puede utilizarse para resolver el problema del rbol de expansin
mnima es muy sencillo. Los pasos del algoritmo son los siguientes:

Paso 1. Comenzar en forma arbitraria en cualquier nodo y conectarlo con el nodo ms

prximo. A estos dos nodos se les denomina nodos conectados o conexos y a los nodos
restantes se les denomina nodos no conectados o inconexos.

14
Paso 2, Identificar el nodo no conectado que est ms cerca de uno de los conectados.
Deshacer los empates en forma arbitraria si son dos o ms los nodos que califican como nodo
ms cercano. Agregar este nodo al conjunto de nodos conectados. Repetir este paso hasta
que se hayan conectado todos los nodos.

Es fcil implantar este algoritmo de red al tomar las decisiones sobre conexin en forma directa
en ia grfica de la red.

Con referencia a la red de comunicaciones del centro regional de cmputo, y comenzando

arbitrariamente en el nodo 1. se encuentra que el nodo ms prximo es el 2, con distancia 20.
Utilizando lnea gruesa para marcar los enlaces con los nodos 1 y 2, el paso 1 de! algoritmo
arroja el siguiente resultado:

En el paso 2 del algoritmo se encuentra que el nodo inconexo que est ms cerca de uno de
los nodos conexos es el 4, con distancia de 30 millas desde el nodo 1. Aadiendo el nodo 4 al
conjunto de nodos conectados se obtiene el siguiente resultado:

Repitiendo el paso de agregar siempre el nodo no conectado que est ms prximo al conjunto
de nodos conexos de la red se obtiene la solucin del rbol de extensin mnima que se
muestra en la Fig. 9.14. El lector puede seguir los pasos del algoritmo y verificar que se
obtiene esta solucin. La menor longitud del rbol est dada por la suma de las distancias de
los arcos que forman el rbol de extensin mnima. En este caso, la distancia total es 110
millas para la red de comunicaciones del centro de cmputo. Obsrvese que aunque se
midieron los arcos de la red computacional en trminos de distancia, es posible medir otros
modelos de red en trminos de otros criterios como costos, tiempo, etctera. En estos casos,

15
el algoritmo del rbol de extensin mnima permite identificar la solucin ptima (costo mnimo,
tiempo mnimo) para el criterio que se considera.

En la Fig. 9.15 se muestra la solucin computadorizada para el problema del centro regional de
comunicacin. La solucin del rbol de extensin o expansin mnima es de 110 millas.

Se considera que el algoritmo del rbol de extensin mnima es un algoritmo ambicioso. puesto
que se puede ser "ambicioso" en cada etapa, y emprender la mejor accin que est disponible
en tal fase. Siguiendo esta estrategia, en todas las etapas se llega a la solucin ptima global.
Algoritmos ambiciosos, tales como el algoritmo del rbol de extensin mnima, son raros pues
son muy pocos los problemas en los que este mtodo garantiza una solucin ptima.

1.2 EL PROBLEMA DEL FLUJO MXIMO

Considrese una red con un nodo de entrada, o nodo fuente, y uno de salida, o nodo ann-
fuente. El problema del flujo mximo pregunta, cul es la cantidad mxima de flujo (es decir,
vehculos, mensajes, lquidos, etc.) que puede entrar y salir del sistema de red en un periodo
determinado de tiempo? En este problema se intenta transmitir flujo sobre todas las ramas
(arcos) de la red en la forma ms eficiente posible. La cantidad de flujo est limitada debido a
restricciones de capacidad en las diversas ramas de la red. Por ejemplo, los tipos de carreteras
limitan el flujo de vehculos en un sistema de transporte, en tanto que los dimetros de las
tuberas limitan el flujo de petrleo en un sistema de distribucin. Al lmite mximo o superior
sobre el flujo de una rama se le denomina la capacidad de i flujo de la rama. Aunque no se
especifican cantidades para los nodos, se supone que el flujo que sale de un nodo es igual al
flujo que ingresa.
Como ejemplo del problema de flujo mximo, considrese el sistema interestatal de carreteras
norte-sur, que pasa por Cincinnati, Ohio. El flujo de vehculos norte-sur llega a un nivel de 15
000 vehculos per hora en las horas pico. Debido a un programa de mantenimiento de
carreteras en verano, que exige el cierre temporal de carriles y una reduccin en los lmites de
velocidad, un comit de planeacin del transporte ha propuesto una red de rutas alternativas
que pasa por Cincinnati. Las rutas alternativas incluyen otras carreteras, as como tambin
calles de la ciudad. Debido a diferencias de velocidad y a los patrones de trfico, las
capacidades de flujo varan dependiendo de las calles o carreteras especficas que se utilizan.
En la Fig. 9.16 se muestra la red que se propone, incluyendo las capacidades de flujo sobre las
ramas.

16
Las capacidades de flujo se basan en la direccin del flujo. Por ejemplo, la seccin de
carretera, o rama, 1-2 muestra una capacidad de 5 000 vehculos por hora en el sentido 1 -2;
sin embargo, existe una capacidad de O en sentido 2-1. Esto significa que quienes planearon
la red de carreteras no desean que fluyan vehculos del nodo 2 hacia el nodo 1. En trminos
lgicos, como el nodo 1 es la entrada; o fuente, y un sitio potencial de congestionamientos,
sera indeseable permitir que fluya el trfico hacia la interseccin del nodo 1, proviniendo del
nodo 2. Se pueden interpretar tambin las capacidades direccionales de la rama 1-2
suponiendo que indican una calle que tiene un solo sentido y que sale desde la interseccin
del nodo 1. En cualquier caso, este ejemplo muestra que las capacidades de flujo de las ramas
pueden depender de la direccin del flujo. Considera que la red del sistema de carreteras que
se muestra en la Fig. 9.16 puede dar cabida a un flujo mximo, norte-sur, de 15 000 vehculos
por hora? Cul es el flujo mximo de vehculos que permite la red cada hora? Qu tanto
flujo se debe canalizar sobre cada rama?

Un algoritmo de flujo mximo

Como se ver ms adelante, el algoritmo de flujo mximo que se presenta en esta seccin
utilizan el siguiente mtodo de sentido comn:

1) Encontrar cualquier camino del nodo de entrada (fuente) al nodo de salida (antifuente)
que tenga capacidades de flujo, en el sentido del flujo, mayores de cero para todas las
ramas del camino.
2) Incrementar, en la medida de lo posible, el flujo sobre ese camino.
3 ) Continuar buscando caminos que vayan de fuentes a depsitos y que sigan teniendo
capacidades mayores de cero para todas las ramas, en el sentido del flujo, y aumentar
el flujo sobre esos caminos tanto como sea posible.
4) Detenerse cuando ya no sea posible encontrar un camino desde una fuente hasta un
depsito que tenga capacidades de flujo superiores a cero en el sentido del flujo para
todas las ramas del camino.
Antes de presentar los detalles del algoritmo de flujo mximo, se revisa en forma breve un
procedimiento que asegura que las anteriores etapas intuitivas dan como resultado una
solucin ptima para el problema de encontrar el flujo mximo desde un nodo fuente hasta un

17
nodo antifuente. El procedimiento permite que un flujo previamente asignado tome una ruta
alternativa, permitiendo flujos ficticios en el sentido inverso. Por ejemplo, considrese la rama
3-6:

Aqu se observa que la capacidad inicial del flujo en el sentido 3-6 es de 7 000 vehculos por
hora, y que no se permite flujo en el sentido 6.3.
Si se decide permitir que fluyan 6 000 vehculos por hora en el sentido 6-3, se modificara la
capacidad de flujo de la siguiente manera:

Obsrvese que se ha disminuido la capacidad de flujo en el sentido 3-6 en 6 000 vehculos por
hora, y que se ha aumentado simultneamente la capacidad de flujo en el sentido 6-3 en la
misma cantidad. La capacidad de flujo modificada de 1000 vehculos por hora en el sentido 3-6
se interpreta fcilmente como la capacidad restante de flujo en esa rama. Sin embarco,
obsrvese que el seuelo 6-3 que tena una capacidad inicial de flujo cero muestra ahora una
capacidad modificada de flujo de 6000 vehculos por hora. En realidad. esta capacidad
modificado en el sentido 6-3 muestra que se permite un flujo ficticio de hasta 6000 vehculos
por hora en ese sentido. Tal flujo no hara que se enviaran vehculos en el sentido 6-3, sino que
simplemente disminuira la magnitud del flujo que se comprometi originalmente en el sentido
3-6 de la rama. En electo, el flujo ficticio en el sentido 6-3 dara como resultado la desviacin
del flujo que originalmente se haba comprometido en el sentido 3-6, hacia otras ramas de la
red.

El proceso anterior de rastrear las capacidades de flujo es una parte imprtame de! algoritmo
de flujo mximo. Por ejemplo, en algn paso anterior de algoritmo se hubiera podido
comprometer flujo sobre cierta rama. Posteriormente, y debido a flujos identificados en otras
ramas, pudiera ser deseable disminuir el flujo sobre la rama original. El procedimiento que se
acaba de describir permite identificar la medida en la que la decisin original de comprometer
determinado flujo debe modificarse para aumentar el flujo total que pasa por la red.

Se revisan en seguida los pasos del algoritmo de flujo mximo.

Paso 1. Encontrar cualquier camino que vaya del nodo origen al nodo de depsito y que tenga
capacidades de flujo mayores que cero para todas las ramas del camino, en el sentido del
flujo. Si no hay camino disponible, ya se ha llegado a la solucin ptima.

Paso 2. Encontrar la menor capacidad de la rama, Pf sobre el camino que se eligi en el paso
1. Aumentar el flujo sobre la red enviando una cantidad de Pf sobre el camino elegido en el
paso 1.
Paso 3. Para el camino que se seleccion en el paso 1, reducir todas las capacidades de flujo
de las ramas en el sentido del flujo, en Pf y aumentar las capacidades de flujo de las ramas en
el sentido contrario, en la misma cantidad, Pf. Volver al paso 1.

Aunque el procedimiento vara dependiendo de la seleccin que haga el analista para la ruta
del paso 1, el algoritmo proporciona en algn momento dado la solucin del flujo mximo. Los
clculos para la red de flujo en carretera son los siguientes:

18
Iteracin 1
El camino seleccionado es 1-3-6-7; Pf que se determina mediante la rama 1-3, es 6. La red
modificada es la siguiente:

Iteracin 2
El camino seleccionado es 1-2-5-7; Pf que queda determinada por la rama 2-5, es 3. La 1
modificada es la siguiente:

Obsrvese que puede evaluarse el flujo total que pasa por la red sumando los valores de Pf en
cada iteracin. Aunque no se muestra la red modificada despus de cada iteracin, el lector
debe intentar actualizar las capacidades de flujo sobre la red conforme se sigue el anlisis. Por
ejemplo, qu apariencia tendra esta red despus de realizar las siguientes tres iteraciones?

Iteracin 3
El camino seleccionado es 1-2-3-5-7; Pf, que est determinada por la rama 1-2 (o 2-3). es 2.
Iteracin 4
El camino seleccionado es 1-4-6-7; que est determinada por la rama 6-7, es 1.
Iteracin 5
El camino seleccionado es 1-4-6-5-7; Pf, que queda determinada por la rama 6-5, es 1

19
En este punto, se tiene un flujo total de 13,000 vehculos por hora, y las capacidades
modificadas en la red son las siguientes:

Existen cualesquiera otros caminos que vayan del nodo 1 al nodo 7 y que tengan
capacidades de flujo, en el sentido del flujo, superiores a O? Ensayando 1-4-6-3-5-7, con un
flujo de Pr determinado por la rama 3-5, se aumenta el flujo a 14 000 vehculos por hora. Sin
embargo, segn se puede ver en la siguiente red modificada, ya no hay ms caminos del nodo
1 al nodo 7 que tengan capacidades de flujo superiores a O en todas las ramas del camino.
Por ello, el flujo mximo para esta red es de 14 000 vehculos por hora.

Ntese que se permiti un flujo de I,000 vehculos por hora en el sentido 6-3 en la iteracin 6.
Sin embargo, a partir de la red inicial se sabe que la capacidad de flujo en el sentido 6-3 es de
cero; por ello, las 1,000 unidades de flujo en el sentido 6-3 representan un flujo ficticio. F.1
efecto real de este flujo es desviar 1,000 unidades del flujo que originalmente se haba
comprometido a la rama 3-6 en la iteracin 1, hacia la rama 3-5, para poder lograr el 000
unidades mas de flujo sobre la red. Se determina ahora la cantidad y el sentido del flujo en
cada rama, de manera que se pueden lograr los 14,000 vehculos de flujo total por hora.
Se pueden encontrar los flujos sobre las ramas para la solucin del flujo mximo comparando
las capacidades finales del flujo sobre las ramas con sus capacidades iniciales. Si la capacidad
final de flujo es inferior a la capacidad inicial de flujo, se presenta un flujo sobre la rama en una
cantidad igual a la diferencia entre las capacidades inicial y final de flujo. Por ejemplo,
considrese la rama 3-6, con las capacidades de flujo final e inicial que se muestran en
seguida:

20
Capacidades iniciales:

Como la capacidad de flujo en el sentido 6-3 es menor que la capacidad inicial, la rama tiene
un flujo de 7 - 2 = 5 en el sentido 6-3. En seguida se resume el flujo de esta rama:

Comparando las capacidades final e inicial de flujo para todas las ramas de la red se puede
determinar el patrn final de flujo que se muestra en la Fig. 9.17.

Los resultados del anlisis de flujo mximo muestran que el sistema que se planea de red de
carreteras no puede manejar el flujo pico de 15,000 vehculos por hora. Las personas que
estn planeando el transporte tendrn que ampliar la red de carreteras, aumentar las
capacidades actuales del flujo en las ramas, o prepararse para enfrentar severos problemas de
embotellamiento de vehculos. Si se ampla o modifica la red, otro anlisis de flujo mximo
permitir determinar la magnitud de cualquier aumento en el flujo.

NOTAS Y COMENTARIOS
Se pueden utilizar los modelos de redes para describir diversos problemas de ciencia de la
administracin. Por desgracia, no existe ningn algoritmo o programa de computacin para
solucin de redes que pueda utilizarse para resolver todos los problemas de redes. Es
importante reconocer el tipo especfico de problema que se modela para poder elegir los
algoritmos y programas de computacin especializados que estn disponibles para llegar a
una solucin ptima.

1.4 EJERCICIOS

1) Halle la ruta ms corta entre los nodos 1 y 10 de la siguiente red,

21
2. La Morgan Trucking Company opera un servicio especial de entregas y recoleccin rpidas
entre Chicago y otras 10 ciudades ubicadas en una rea de cuatro estados! Cuando la Morgan
recibe una solicitud de servicio, enva un camin desde Chicago hasta la ciudad en la que se
solicita el servicio, tan pronto como sea posible. Tanto el servicio rpido como los costos
mnimos del viaje son objetivos para la Morgan.1 es importante que los camiones que se
envan se vayan por la ruta ms corta desde Chicago hasta la ciudad especificada. Supngase
que la siguiente red (que no est trazada a escala), con distancias dadas en millas, representa
la red de carreteras para el problema:

a)Cul es la ruta ms corta a la ciudad 7? y a la ciudad 9?:

2) La City Cab Company ha identificado 10 lugares principales para pasajeros que abordan y
descienden de los taxis en la ciudad de Nueva York. En un esfuerzo para minimizar el tiempo
de viaje, mejorar el servicio a los clientes, y mejorar la utilizacin de la flota de taxis de la
compaa, a los administradores les gustara que los conductores de los taxis tomaran la ruta
ms corta entre estos diversos lugares, cuando sea posible. Aplicando la red de caminos y
calles que se muestra en seguida, cul es la ruta que debera tomar un conductor que sale
del lugar 1 y debe llegar al lugar 10? En los arcos Je la red se muestran los tiempos de viaje en
minutos.

22
3) La Wisman Candy Company fabrica diversas golosinas. Se utilizan camiones de la
compaa para entregar en forma directa los pedidos a los expendios. Cuando el negocio era
pequeo, los conductores de los camiones tenan libertad para elegir las rutas al realizar sus
rondas de entrega a los expendios. Sin embargo, al progresar el negocio, los costos de
transporte y de entrega se han vuelto considerables. En un esfuerzo por mejorar la eficiencia
de la operacin de entregas, a los administradores de la Wisman les gustara determinar las
rutas ms cortas de entrega entre los expendios. Por ejemplo, en la red que se muestra en
seguida aparecen los caminos que se pueden tomar entre un expendio que se encuentra en el
nodo 1 y otro expendio que se encuentra en el nodo 11. Determine la ruta ms corta para un
camin que debe hacer entregas en ambos expendios.

4) En una fbrica grande de productos de jabn, los inspectores de control de calidad

muestrean diversos productos, en diversas reas de produccin, y despus entregan las
muestras para su anlisis en el laboratorio. El proceso de inspeccin es lento, y los inspectores
invierten una cantidad considerable de tiempo transportando las muestras desde las reas de
produccin hasta el laboratorio. La compaa est evaluando la instalacin de un sistema
conductor mediante tubos neumticos que se podra utilizar para transportar las muestras
entre las reas de produccin y el laboratorio. La red que aparece en seguida muestra las
ubicaciones del laboratorio y las reas de produccin (nodos) en donde se recolectan las
muestras. Las ramas son las alternativas que se estn considerando para el sistema
conductor. Cul es la longitud total mnima del diseo del sistema de conduccin que
permitira que todas las reas de produccin sus muestras al laboratorio?

23
5) La Midwest University est instalando un sistema de correo electrnico computadorizado
que permitir transmitir mensajes en forma instantnea entre las oficinas de las ocho
facultades. Se muestra en seguida la red con las posibles conexiones electrnicas entre las
oficinas. Se muestran en millares de pies las distancias entre las oficinas. Desarrollar un
diseo para el sistema de comunicaciones entre oficinas que permita que todas las oficinas
tengan acceso al servicio de correo electrnico. Proporcionare que minimiza la longitud total de
las conexiones entre las ocho oficinas.

6) La Metrovision Cable Company acaba de obtener la aprobacin para comenzar a ofrecer

servicio de televisin por cable en un suburbio de Memphis, Tennesee. Los nodos de la red
que aparece en seguida representan los puntos de distribucin a los que deben llegar las
lneas primarias de cable de la compaa. Los arcos de la red muestran el nmero de millas
que hay entre los puntos de distribucin. Determine la solucin que le permitir a la compaa
llegar a todos los puntos de distribucin con una longitud mnima de la lnea de cable primario.

24
7) El sistema de carreteras norte-sur que pasa por Albany, Nueva York, tiene las capacidades
que se muestran en seguida.

Considera que el sistema de carreteras puede dar cabida a un flujo norte-sur de 10 000
vehculos por hora?

8) Si el problema del sistema de carreteras de Albany tiene las capacidades modificadas de

flujo que se muestran en la siguiente red, cul es el flujo mximo de vehculos que puede
pasar por hora en el sistema?

Cuntos vehculos por hora deben viajar sobre cada camino (rama) con el objeto de lograr
este flujo mximo?

9) Una compaa de telfonos de larga distancia utiliza una red de lneas subterrneas de
comunicacin para ofrecer servicio de audio de alta calidad entre dos ciudades importantes.
Las llamadas se conducen mediante diversas lneas de cable y diversos nodos de conexin en
la red, segn se muestra en seguida. Se muestran tambin el nmero de llamadas telefnicas
(en miles) que pueden ocurrir de manera simultnea en cualquier punto del tiempo. Cul es el
nmero mximo de llamadas telefnicas que pueden transmitir simultneamente entre las dos
ciudades? Cules son los nodos de conexin y los flujos sobre los cables cuando el sistema
opera a toda su capacidad?

25
26
UNIDAD 2

OBJETIVO PARTICULAR DE LA UNIDAD

Al trmino de la unidad el estudiante aplicar la programacin dinmica a la solucin de un

proceso de decisin.

OBJETIVOS ESPECFICOS

Estado de transicin
Matrices
Forma estndar de la matriz
Estado estable
Condiciones de equilibrio
Relacin entre mercado y estado estable
Estado absorbente
Casos Prcticos

27
UNIDAD 2: PROCESOS DE MARKOV
Los modelos de procesos de Markov son tiles al estudiar la evolucin de ciertos sistemas en
ensayos repetidos. Los ensayos son frecuentemente periodos sucesivos en los que no se
puede determinar con certidumbre el estado o resultado del sistema en cualquier lapso o
intervalo de tiempo determinado. Ms bien, se utilizan probabilidades de transicin para
describir la forma en que el-sistema hace transiciones de un periodo al siguiente. Por ello se
habla de la probabilidad de que el sistema se encuentre en un estado especfico en un periodo
dado.

Se han utilizado los procesos de Markov para describir la probabilidad de que una mquina
que est funcionando en un periodo, contine funcionando o se avere en el periodo siguiente.
Se les ha utilizado tambin para describir la probabilidad de que a un cliente que compre la
marca A en un lapso, compre la marca B en el siguiente. En esta unidad se estudia una
aplicacin de mercadotecnia que se refiere a un anlisis del comportamiento en cambios de
tiendas en clientes de supermercado.

El estudio de los procesos de Markov se restringe a casos en los que existe un nmero finito
de estados, en los que las probabilidades de transicin permanecen constantes en el tiempo, y
en los que la probabilidad de encontrarse en un estado determinado en cualquier lapso
depende slo del estado del proceso en el periodo inmediatamente anterior. A los procesos de
Markov que tienen estas caractersticas se les denomina cadenas de Markov con
probabilidades de transicin estacionarias.

2.1 CONCEPTOS DE CADENAS DE MARKOV

Supngase que interesa analizar la participacin de mercado y la lealtad de los clientes para
los establecimientos Murphy's Foodliner y Ashley's Supermarket, las nicas dos tiendas de
comestibles de un pueblo pequeo. Se concentra la atencin en la secuencia de visitas de
compra de un cliente. Se supone que ste hace una visita de compras cada semana alguna de
las dos tiendas, pero no a ambas.

Utilizando la terminologa de los procesos de Markov, a los periodos semanales, o visitas de

compra, se les denomina ensayos del proceso. Por tanto, en cada ensayo el cliente compra en
Murphy's o en Ashley's. La tienda especfica que se elige en una semana determinada se
denomina estado del sistema en ese periodo. Como el cliente tiene dos alternativas para
comprar en cada ensayo, se dice que el sistema tiene 2 estados. Puesto que el nmero de
estados es finito, puede listarse e identificarse en detalle cada estado. Los dos posibles son:

Estado 1 El cliente compra en Murphy's

Estado 2 El cliente compra en Ashley's

Si se dice que en f! ensayo 3 el sistema est en el estado 1, simplemente se est indicando 1

que el cliente compra en Murphy's en el tercer periodo semanal de compra. Al continuar el
proceso de visitas de compra para el futuro, no se puede decir con seguridad en dnde
comprar el cliente en una semana o ensayo especficos. De hecho, es importante advertir que
durante cualquier semana, el comprador puede ser un cliente de Murphy's o un cliente
Ashley's. Sin embargo, utilizando un modelo de proceso de Markov se est en posibilidades de
evaluar las probabilidades de que el cliente compra en cada una de las tiendas durante
cualquier periodo. Por ejemplo, se podra encontrar que hay una probabilidad de 0.6 de que el

28
cliente compre en Ashley's en una cierta semana, y una probabilidad de 0.4 de que el cliente
compre en Murphy's.

Con objeto de determinar las probabilidades de ocurrencia de diversos estados en ensayos

sucesivos del proceso de Markov, se requiere informacin sobre la probabilidad de que un
cliente permanezca en la misma tienda, o cambie a una competidora, al avanzar el proceso de
un ensayo a otro o de una semana a otra.

Supngase que, como parte de un estudio de investigacin de mercado, se recopilan datos de

cien compradores para un periodo de 10 semanas. Supngase, adems, que tales datos
muestran el patrn semanal de visitas de compra de cada cliente en trminos de la secuencia
de visitas a Murphy's y a Ashley's. En el desarrollo de un modelo de proceso de Markov para la
secuencia de viajes semanales de compras, es necesario expresar la probabilidad de elegir
cada tienda (esta.do) en determinado periodo, slo en trminos de la tienda (estado) elegida
durante el lapso anterior. Al revisar los datos, supngase que se encuentra que de todos los
clientes que compraron en Murphy's en una semana determinada, 90% compraron en esa
misma tienda (Murphy's) a la siguiente semana, mientras que 10% cambiaron a Ashley's.
Supngase que datos similares para los clientes que compraron en Ashley's en una cierta
semana muestran que 80% compraron en Ashley's en la semana siguiente, en tanto que 20%
cambiaron a Murphy's. En la Tabla 17.1 se muestran las probabilidades con base en estos
datos. Como son las probabilidades de que un cliente cambie, o haga una transicin, de un
estado en un periodo determinado, a un estado en el periodo siguiente, a dichas
probabilidades se les denomina probabilidades de transicin.

TABLA 17.1 Probabilidades de transicin para las tiendas Murphy's y Ashley's. %

periodo de compra semanal siguiente

Una propiedad importante de la tabla de probabilidades de transicin es que la suma de los

elementos de cada rengln es igual a 1; esto indica que cada rengln de la tabla contiene una
distribucin de probabilidad. Por ejemplo, un cliente que compra en Murphy's una semana
debe comprar en la siguiente semana, ya sea en Murphy's o en Ashley's. Los elementos del
rengln 1 dan las probabilidades correspondientes a cada evento. Las probabilidades de 0.9 y
0.8 de la Tabla 17.1 pueden interpretarse como medidas de la lealtad a las tiendas, ya que
indican la probabilidad de una visita repetida a la misma tienda. De manera similar, las
probabilidades de 0.1 y 0.2 son medidas de las caractersticas de cambio de tienda de los
clientes.

Es importante advertir que al desarrollar un modelo de proceso de Markov para el problema se

est suponiendo que las probabilidades de transicin sern las mismas para cualquier cliente,
y que tales probabilidades no cambian en el tiempo.

Obsrvese que la tabla de probabilidades de transicin, la Tabla 17.1, tiene un rengln y una
columna para cada estado del sistema. Se utiliza el smbolo pij para representar las

29
probabilidades de transicin individuales, y el smbolo P para representar la matriz de las
probabilidades de transicin; es decir,

Utilizando la matriz de probabilidades de transicin puede ahora determinarse la probabilidad

de que un cliente compre en Murphy's o en Ashley's en algn periodo en el futuro. Se
comienza por suponer que se tiene un cliente cuya visita de compras de la ltima semana fue
en Murphy's. Cul es la probabilidad de que este cliente compre en Murphy's en el viaje de
compras de la siguiente semana, el periodo 1 ? En otras palabras, cul es la probabilidad de
que el sistema se encuentre en el estado 1 despus de la primera transicin? La matriz de
probabilidades de transicin indica que esta probabilidad es p11 = 0.9.
Se considera ahora el estado del sistema en el periodo 2. Una forma til de ilustrar lo que
puede suceder en la visita de compras en la segunda semana es trazar un diagrama de rbol
con los posibles resultados (Fig. 17.1). Utilizando este arborigrama, se observa que la
probabilidad de que el cliente haga sus compras en Murphy's durante la primera y segunda
semanas es (0.9)(0.9) = 0.81. Obsrvese tambin que la probabilidad de que el cliente cambie
a la tienda Ashley's en la primera visita y despus vuelva a Murphy's en la segunda es (0.1)
(0.2) = 0.02. Corno stas son las nicas dos situaciones en las que se puede encontrar el
cliente en el estado 1 (compra en Murphy's) durante el segundo periodo, la probabilidad de que
el sistema se encuentre en el estado 1 durante el segundo lapso es 0.81 + 0.02 = 0.83. De
manera similar la probabilidad de que el sistema se encuentre en el estado 2 durante el
segundo periodo es 0.09 + 0.08 = 0.17.

Aun cuando el mtodo del arborigrama o diagrama de rbol puede ser muy deseable desde un
punto de vista intuitivo, este procedimiento se vuelve muy laborioso cuando se desea ampliar
el anlisis a tres, cuatro o ms periodos en el futuro. Afortunadamente, existe una forma ms
sencilla de calcular las probabilidades de que el sistema se encuentre en el estado 1 o en el
estado 2 para cualquier periodo subsecuente. En primer lugar, se introduce una notacin que
permitir representar la probabilidad de que el sistema se encuentre en el estado 1 o en el
estado 2 para cualquier intervalo de tiempo.

Por ejemplo, (1) representara la probabilidad de que el sistema se encuentre en el estado 1

en el periodo 1 (es decir, despus de una transicin), en tanto que (2) denota la probabilidad
de que el sistema se encuentre en el estado 2 despus de una transicin. Como i(n) es la
probabilidad de que el sistema se encuentre en el estado i en el periodo n, a esta probabilidad
se la denomina probabilidad de estado.

30
1(0) y 2(0) denotarn la probabilidad de que el sistema se encuentre en el estado 1 o en el
estado 2 en algn periodo inicial o de comienzo. El periodo (o semana) 0 representa el lapso
ms reciente cuando se estn iniciando los anlisis de un proceso de Markov. Si se fija 1(0) =
1 y 2(0) = 0, se expresa que, como condicin inicial, el cliente hizo sus compras en la ltima
semana en Murphy's; alternativamente, si se fija 1(0) = 1 y 2(0) = 2, se estara iniciando el
sistema con un cliente que hizo sus compras en la ltima semana en Ashley's.

2.2 DIAGRAMA DE ARBOL

En el rbol de la Fig. 17.1 se considera la situacin en la que el cliente compr por ltima vez
en Murphy's.

Por ello, [1(0), 2(0)] = [1, 0] es un vector que representa las probabilidades iniciales para el
estado del sistema. Utilizando esta notacin, pueden evaluarse las probabilidades de estado
para el periodo n + 1 simplemente multiplicando las probabilidades de estado que ya se
conocen para el periodo n por la matriz de probabilidades de transicin. Utilizando el vector de
probabilidades de estado y la matriz de probabilidades de transicin, se puede expresar de la
siguiente manera la multiplicacin:

31
2.3 APLICACION DE MATRIZ DE TRANSICION
Se observa que la probabilidad de que se realicen las compras en Murphy's durante la segn- :
da semana es 0.83, al tiempo que la probabilidad de que se realicen en Ashley's durante la
segunda semana es 0.17. Se obtuvieron antes estos mismos resultados utilizando el rbol de
la Fig. 17.1. Continuando con la aplicacin de la ecuacin (17.1), se pueden calcular las
probabilidades de estado para cualquier periodo futuro es decir,

En la Tabla 17.2 'se muestra el resultado obtenido al realizar estos clculos para diversos
periodos hacia el futuro.

32
Los vectores (1), (2), (3).. . . contienen las probabilidades de que un cliente que empez
siendo de Murphy's se encuentre en el estado 1 o en el estado 2 en el primer periodo, el
segundo periodo, el tercer periodo, y as sucesivamente. Se observa en la Tabla 17.2 que,
despus de un nmero grande de periodos, estas probabilidades no cambian mucho de un
lapso al siguiente. De hecho, la probabilidad de que el sistema se encuentre en el estado 1 o
en el estado 2 tiende a 2/3 y 1 /3 despus de un nmero grande de periodos de compra.
Si se hubiera comenzado con 1000 clientes de Murphy's (es decir, 1000 clientes que
compraron la ltima vez en Murphy's), el anlsis indica que durante el quinto periodo
subsecuente de compra semanal, 723 seran clientes de Murphy's, y 277 seran clientes de
Ashley's. Adems, despus de un nmero grande de periodos de compra, aproximadamente
667 seran clientes de Murphy's y 333 seran de Ashley's.

Se repite ahora el anlisis, pero esta vez se comienza el proceso con un cliente que compr
por ltima vez en Ashley's. Por ello,

Procediendo igual que antes, pueden calcularse las subsecuentes probabilidades de estado. Al
hacerlo, se obtienen los resultados que se muestran en la Tabla 17.3.

En el quinto periodo de compras, la probabilidad de que un cliente est comprando en

Murphy's es de 0.555, y la probabilidad de que el cliente est comprando en Ashley's es de
0.445. Despus de un nmero grande de periodos de compra, la probabilidad de que el
sistema se encuentre en el estado 1 se acerca a 2/3, y la de que se encuentre en el estado 2
se aproxima a 1/3. Estas son las mismas probabilidades que se obtuvieron despus de un
nmero grande de transiciones cuando el sistema arranc en el estado 1. Por ello, se observa
que la probabilidad de que el sistema se encuentre en un estado determinado despus de un
nmero grande de periodos es independiente del estado inicial del sistema.

2.4 ANLISIS DE ESTADO ESTABLE

Las probabilidades a las que se tiende despus de un nmero grande de transiciones se les
denomina probabilidades de estado estable. Se denotan la probabilidad de estado estable para
el estado 1 con el smbolo 1, y a la probabilidad de estado estable para el estado 2 con el

33
smbolo 2 En otras palabras, en el caso del estado estable simplemente se omite la
designacin del periodo en i(n) puesto que ya no es necesario.

Por ello, si se tienen 1000 clientes en el sistema, el modelo de proceso de Markov, indica que,
a largo plazo, con probabilidades de estado estable, habr TT, = 2/3 y ir2 = 1/3, 2/3(1000) =
667 clientes en Murphy's y 1/3(1000) = 333 clientes en Ashley's. Se pueden interpretar las
probabilidades de estado estable como las participaciones de mercado para las dos tiendas. El
anlisis de las Tablas 17.2 y 17.3 muestra que, al aumentar n, la diferencia entre las
probabilidades de estado entre el -simo periodo de compras y el (n + l)-simo periodo, se
vuelve cada vez menor. Esto conduce a la conclusin de que, conforme n se vuelve
extremadamente grande, las probabilidades de estado en el (n + l)-simo periodo son muy
cercanas a las del -simo periodo. Esta observacin fundamenta un mtodo simple para
calcular probabilidades de estado estable sin tener que realizar en la prctica un nmero
grande de clculos.

En general, de la Ecuacin (17.1) se sabe que,

Despus, aplicando la ecuacin (17.4) puede concluirse que TT2 = 1 TT1, = 1/3.
Por ello, empleando las ecuaciones (17.2) y (17.4), pueden despejarse en forma directa las
probabilidades de estado estable. El lector puede verificar por s mismo que se podran haber
obtenido los mismos resultados utilizando las ecuaciones (17.3) y (17. 4).

34
Con frecuencia la informacin sobre participacin de mercados es muy valiosa en los casos de
toma de decisiones. Por ejemplo, supngase que el Ashley's Supermarket est considerando
una campaa de publicidad para atraer a una mayor cantidad de los clientes de Murphy's.
Supngase, adems, que Ashley's considera que su estrategia promocional aumentara la
probabilidad de que los clientes de Murphy's cambien a Ashley's, para pasar de 0.10 a 0.15.
Las nuevas probabilidades de transicin que resultaran de este cambio son las que se dan en
la Tabla 17.4

Con las nuevas probabilidades de transicin, pueden utilizarse las ecuaciones (17.2) y (17.4)
para encontrar las nuevas probabilidades de estado estable, o participaciones de mercado.
As, se obtiene

Por tanto, se observa que la estrategia promocional que se propone aumentara la

participacin de mercado de Ashley's de TT1= 0.33 a TT2= 0.43. Supngase que el mercado
total consta de 6,000 clientes por semana. La nueva estrategia promocional aumentara el
nmero de clientes que realizan sus compras semanales en Ashley's, de 2,000 a 2,580. Si la
utilidad semanal promedio por cliente es de $10, se puede esperar que la estrategia
promocional que se propone aumente las utilidades de Ashley's en $5,800 por semana.
Resulta entonces evidente que si el costo de la campaa promocional es inferior a $5800 por
semana, Ashley's debe considerar realizar esa estrategia.

Este es un ejemplo de la forma en que un anlisis de Markov de la participacin de mercado

de una empresa puede resultar til en un caso de toma de decisiones. Supngase que en vez
de intentar atraer clientes de Murphy's Foodliner, la Ashley's dirigiera sus esfuerzos de
promocin a aumentar la lealtad de sus propios clientes. En este caso, aumentara p22, y p2
disminuira. Una vez que se supiera la magnitud del cambio, se podran calcular nuevas
probabilidades de estado constante, junto con el impacto sobre las utilidades.

NOTAS Y COMENTARIOS

35
1) Los procesos de Markov que se presentaron en esta seccin tienen lo que se denomina
propiedad de carecer de memoria: el estado actual del sistema, junto con las probabilidades de
transicin, contienen toda la informacin necesaria para pronosticar el comportamiento futuro
del sistema. No es necesario considerar los estados previos o anteriores. Este tipo de
procesos de Markov se considera como procesos de primer orden. Los procesos de Markov de
orden ms elevado son aqullos en los que los estados futuros del sistema dependen de dos o
ms estados anteriores.
2) No se pretende que el anlisis de un modelo de procesos de Markov permita optimizar
ningn aspecto especfico de un sistema. Ms bien, el anlisis permite pronosticar o describir
el futuro y el comportamiento de estado estable del sistema. Por ejemplo, en el ejemplo de las
tiendas de comestibles, el anlisis del comportamiento de estado estable proporcion un
pronstico o proyeccin de las participaciones de mercado de los dos competidores. En otras
aplicaciones, los cientficos de administracin han ampliado el estudio de los procesos de
Markov a lo que se denomina procesos decisorios de Markov. En estos modelos, se pueden
tomar decisiones que afecten las probabilidades de transicin en cada periodo, y por tanto,
influir en el comportamiento futuro del sistema. Se han utilizado procesos de decisin
Markovsinos para analizar descomposturas de mquinas y operaciones de mantenimiento,
planeacin de movimiento de pacientes en hospitales, desarrollo de estrategias de inspeccin,
determinacin de la duracin de suscripciones a peridicos, y anlisis de reemplazo de equipo.

En esta unidad se presentaron modelos de procesos de Markov, as como tambin ejemplos

de su aplicacin. Se vio que un anlisis de Markov puede ofrecer informacin til para la toma
de decisiones con respecto a procesos o situaciones que implican una secuencia de ensayos
repetidos con una cantidad determinada de posibles resultados o estados en cada ensayo. Un
objetivo primordial era obtener informacin respecto a la probabilidad de ocurrencia de cada
estado en cierto nmero de transiciones o periodos en el futuro. Una aplicacin de
participacin de mercado mostr el procedimiento de clculo para determinar las
probabilidades de estado estable, las cuales pueden interpretarse como participaciones de
mercado para dos supermercados que compiten entre s.

2.5 EJERCICIOS

1) En el anlisis de participacin de mercado de la Secc. 17.1, considrese que estn

evaluando los procesos de Markov correspondientes a las visitas de compras de un cliente
pero que no se sabe en donde compr en la ltima semana. Por ello, se podra suponer que
existe una probabilidad de 0.5 de que un cliente haya comprado en Murphy's, y una
probabilidad de 0.5 de que el cliente haya comprado en Ashley's en el periodo 0; es decir,
TT1(0) = 0.5 y TT2 (0) = 0.5. Dadas estas probabilidades de estado iniciales, elabore una tabla
similar a la Tabla 17.2 que muestre la probabilidad de cada estado en periodos futuros. Qu
se observa respecto a las probabilidades a largo plazo de cada estado?
2) Los administradores de la empresa New Fangled Softdrink Company consideran que la
probabilidad de que un cliente compre la bebida Red-Rot Pop, o el principal produc to de la
competencia, Super Cola, se basa en la compra ms reciente del cliente. Supn que son
apropiadas las siguientes probabilidades de transicin:

36
a) Trace el diagrama de rbol de dos periodos para un cliente que compr la ltima vez Red-
Rot Pop. Cul es la probabilidad de que este cliente compre Red-Rot Pop en una segunda
compra?
b) Cul es la participacin de mercado a largo plazo para cada uno de estos dos productos?
c) Se est planeando una campaa importante de publicidad para aumentar la probabilidad de
atraer a los clientes de Super Cola. Los administradores consideran que la nueva campaa
aumentara a 0.15 la probabilidad de que un cliente cambie de Super Cola a Red-Rot Pop.
Cul es el efecto proyectado de la campaa de publicidad sobre las participaciones de
mercado?

3) El centro de computacin de la Universidad Rockbottom ha estado experimentando periodos

considerables de tiempo muerto en sus computadoras. Supngase que se definen los ensayos
de un proceso correspondiente de Markov como periodos de una hora y que la probabilidad de
que el sistema est en estado de operacin o en estado inactivo se basa en el estado del
sistema en el periodo anterior. Los datos histricos muestran las siguientes probabilidades de
transicin:

a) Si el sistema est inicialmente operando, cul es la probabilidad de que se caiga

el sistema en la siguiente hora de operacin?
b) Cules son las probabilidades de estado estable de que el sistema se encuentre en
estado operante y en estado inoperante?

4) Un problema importante en el rea principal de Cincinnati implica el trfico automovilstico

que intenta cruzar el ro Ohio, proviniendo de Cincinnati, y en direccin a Kentucky, utilizando
la Carretera Interestatal 1-75. Suponga que es 0.85 la probabilidad de que no haya demoras
por el trfico en un periodo, dado que no hubo demoras de tal clase en el periodo anterior, y
que es 0.75 la probabilidad de encontrar una demora debido al trfico de un periodo, dado que
hubo demoras en el periodo anterior. El trfico se clasifica como estados en los que se tiene
demora o no, y se considera que el periodo es de 30 min.

a) Suponiendo que es un automovilista que ingresa al sistema vial o de trnsito y recibe un

reporte de radio de que hay demoras en el trfico, cul es la probabilidad de que, para los
siguientes 180 min. el sistema se encuentre en el estado de demoras? Obsrvese que tal es la
probabilidad de que se encuentre en el estado de demora para 6 periodos consecutivos.
b) Cul es la probabilidad de que el trnsito se encuentre a largo plazo en el estado de
carencia de demoras?
c) Una suposicin importante de los modelos de procesos de Markov que se presentaron en
este captulo han sido las probabilidades de transicin constantes o estacionarias durante la
operacin del sistema en el futuro'. Considera que este supuesto es apropiado en el
problema anterior sobre el trfico? Explique.

5. Se pueden expresar como procesos de Markov los patrones de compra de dos marcas de
dentfrico, con las siguientes probabilidades de transicin:

37
A) Qu marca parece tener la mayor cantidad de clientes leales? Explique.
B) Cules son las participaciones de mercado que se proyectan para las dos marcas?
C) Supngase que entra en el mercado una nueva marca de crema dental de manera que se
tienen las siguientes probabilidades de transicin:

C) Cmo se afectan las participaciones de mercado de las marcas conocidas?

38
UNIDAD 3

OBJETIVO PARTICULAR DE LA UNIDAD

Al trmino de la unidad el estudiante aplicar y desarrollar mediante el anlisis de alternativas

la seleccin de la mejor alternativa.

OBJETIVOS ESPECFICOS

Modelos de decisin
Decisiones bajo certidumbre
Decisiones bajo riesgo
Anlisis de sensibilidad
Valor esperado de la informacin muestral
Decisiones secuenciales
Casos prcticos

39
Unidad 3: ANALISIS DE DECISIONES
Se puede utilizar el anlisis de decisiones para determinar estrategias ptimas cuando un
decisor afrenta diversas alternativas de decisin, y un patrn de eventos futuros incierto o muy
riesgoso. Por ejemplo, el fabricante de un nuevo estilo o lnea de ropa de temporada deseara
fabricar grandes cantidades del producto si la aceptacin de los consumidores y, en
consecuencia, la demanda del producto fueran a ser elevados. Sin embargo, el industrial
pretendera producir cantidades mucho menores si la aceptacin de los clientes y la demanda
del producto fueran a ser bajas. Por desgracia la ropa de temporada exige que el fabricante
tome las decisiones sobre la cantidad a producir antes de conocer la demanda. No se
determina la aceptacin real de los consumidores del nuevo producto sino hasta que se han
colocado los artculos en las tiendas y los compradores han tenido oportunidad de comprarlos.

La seleccin de las mejores decisiones sobre volmenes de produccin de entre diversos

volmenes alternativos, cuando quien toma las decisiones afrenta incertidumbre en la
demanda futura, es un problema apropiado para el anlisis de decisiones.

Se comienza el estudio analtico analizando problemas en los que se tienen cantidades

razonables de alternativas de decisin y de eventos futuros posibles. Se presentan los
conceptos de tablas de pagos y de rboles de decisin para tener una estructura para, este
tipo de casos de decisin, e ilustrar los conceptos bsicos del anlisis decisorio y del mtodo
del valor esperado para la toma de decisiones. Despus se extender el anlisis para mostrar
el modo en que puede combinarse informacin adicional que se obtiene mediante
experimentaciones con la informacin preliminar del decisor, con objeto de desarrollar una
estrategia ptima de decisin.

3.1 ESTRUCTURACIN DEL PROBLEMA DE DECISIN

Para ilustrar el mtodo del anlisis decisorio, se considerar el caso de la empresa Political
Systems, Inc. (PSI), una compaa recin establecida de servicios computacionales que se
especializa en servicios de informacin, como anlisis de encuestas y datos para personas que
dirigen organizaciones polticas. La PSI est en las etapas finales de la seleccin de un
sistema de computadora para su sucursal del Oeste Medio, que se ubica en Chicago. Aunque
la empresa ya ha tomado la decisin respecto a un fabricante de computadoras, en estos
momentos intenta determinar el tamao del sistema de computacin que le resultara ms
econmico arrendar. Se procede a utilizar el anlisis de decisiones para ayudar a la PSI a
adoptar su determinacin sobre arrendamiento de una computadora.

El primer paso en el mtodo del anlisis de decisiones consiste en identificar las opciones. que
ha de evaluar el decisor: Para la PSI, la decisin final consistir en arrendar uno de tres
sistemas de cmputo, que difieren en tamao y capacidad. Las tres opciones de decisin, que
se denotan mediante d1, d2 y d3 son las siguientes:

Como es evidente, la eleccin de cul es la mejor alternativa de decisin depender de lo que

los administradores de la PSI consideren como la posible aceptacin de mercado para sus
servicios y, en consecuencia, de la posible demanda o carga para el sistema de cmputo de la

40
PSI. Con frecuencia son inciertos los eventos futuros asociados a una situacin de decisiones.
Es decir, aunque un decisor puede tener alguna idea sobre la diversidad ce los posibles
eventos futuros, con frecuencia no estar seguro respecto a cul evento especfico escurrir.
Por ello, el segundo paso en un anlisis de decisiones consiste en identificar los eventos
futuros que pueden presentarse. A estos eventos, que no estn bajo el control de quien loma
las decisiones, se les denomina estados de la naturaleza. Se supone que la lista de posibles
estados de la naturaleza incluye todo lo que puede ocurrir, y que dichos estados no se
traslapan; es decir, se definen los estados de la naturaleza de manera que slo ocurre uno y
slo uno, de los estados que comprende la lista.

Cuando se les pregunt respecto a los estados mencionados para el problema de decisiones
de la PSI, los administradores consideraron que la posible aceptacin del servicio de la PSI
consista en un caso con dos alternativas. Es decir, consideraban que el nivel global de
aceptacin de la empresa en el mercado se podra categorizar en una de dos posibilidades:
aceptacin elevada y aceptacin baja. De modo que los estados de la naturaleza de la PSI, a
los que se denota s1 y s2 son los siguientes:

Dadas las tres alternativas de decisin y los dos estados de la naturaleza, que sistema de
computacin debe arrendar la PSl? Para estar en posibilidades de responder esta pregunta se
requiere informacin respecto a las utilidades correspondientes a cada combinacin de
alternativa de decisin y de estado de la naturaleza. Por ejemplo, qu utilidad obtendra la
PSI si la empresa decidiera arrendar el sistema grande de cmputo? (d1) y la aceptacin de
mercado fuera elevada (s1) qu utilidad obtendra la PSI si la empresa decidiera arrendar el
sistema computacional grande (d1) y la aceptacin de mercado fuera reducida (s2)?

En terminologa de anlisis de decisiones, lo que se produce al tomar cierta decisin,

combinado con la ocurrencia de un estado de la naturaleza especfico, se le denomina
resultado (o consecuencia). Utilizando la mejor informacin disponible, los administradores han
estimado los resultados o consecuencias para el problema de arrendamiento de computadoras
de la PSI. Estas estimaciones se presentan en la Tabla 14.1.

A una tabla de esta forma se le denomina tabla de resultados. En general, los elementos de tal
tabla pueden plantearse en trminos de utilidades, costos, o cualquier otra medida de las
consecuencias que sea apropiada para el caso especfico que se analiza. La notacin para los
elementos de una tabla de resultados es V(di,sj), que denota el pago correspondiente a la
alternativa de decisin di y al estado de la naturaleza Sj. Utilizando esta notacin, se observa
que V(d3,s1) = $100,000.

41
Arboles de decisin
Un rbol de decisin (o arborigrama decisorio) ofrece una representacin grfica del proceso
de toma de decisiones. En la Fig. 14.1 se muestra un rbol de decisin para el problema de
arrendamiento de computadoras de la PSI. Obsrvese que se muestra en tal diagrama la
progresin natural o lgica que ocurrira con el transcurso del tiempo. En primer lugar la
empresa debe tomar su decisin (d1, d2 y d3); despus, una vez que se pone en prctica la
decisin, se presenta el estado de la naturaleza (s1 o s2). El nmero que se encuentra en cada
uno de los puntos finales del rbol representa el resultado correspondiente a una cadena
especfica de eventos. Por ejemplo, el resultado de la parte superior, 200 000, ocurre cuando
los administradores toman la decisin de arrendar un sistema grande (d1) y se tiene que la
aceptacin de los clientes es alta (s1). Se llega al punto terminal que est inmediatamente
abajo, -20 000, cuando los administradores toman la decisin de arrendar un sistema grande
(d1) y el estado de la naturaleza es un grado reducido de aceptacin por parte de los clientes
(s2) Se observa entonces que estn representadas en el rbol de decisin todas las posibles
secuencias de eventos para el problema de la PSI.
/Utilizando la terminologa general para los rboles de decisin, a las intersecciones o cruces
del rbol se les llama nodos, y a los arcos o enlaces entre los nodos se les denomina ramas.
En la Fig. 14.1 se muestra el rbol de decisin de la PSI en el que se han numerado los nodos
del 1 al 4.

Cuando las ramas que salen de un nodo determinado son ramas de decisin, al cruce
correspondiente se le denomina nodo de decisin. Los nodos de decisin se identifican
mediante cuadros. De manera similar, cuando las ramas que salen de un nodo corresponden a
estados de la naturaleza, al nodo se le denomina nodo de estado de la naturaleza. Estos
nodos se les simboliza mediante crculos. Utilizando esta nomenclatura, el nodo 1 es un nodo
de decisin, en tanto que los nodos 2, 3 y 4 son nodos de estados de la naturaleza.
Los tres primeros pasos de un proceso de anlisis de decisiones son la identificacin de las
alternativas de decisin, la identificacin de los estados de la naturaleza y la determinacin del
resultado correspondiente a cada combinacin de alternativa de decisin y estado de la
naturaleza. La cuestin que se abordar ahora es la siguiente: cmo puede un tomador de
decisiones utilizar de mejor manera la informacin que se presenta en la tabla de
consecuencias o en el rbol de decisin para tomar su propia decisin? Tal como se ver, es
posible emplear varios mtodos.

3.2 TOMA DE DECISIONES SIN PROBABILIDADES

42
Aqu se consideran mtodos para la toma de decisiones en los que no se requiere
conocimiento de las probabilidades de los estados de la naturaleza. Tales mtodos son
apropiados en los casos en que el tomador de decisiones tiene poca confianza en su actitud
para evaluar las probabilidades de los diversos estados de la naturaleza, o en lo que es
deseable considerar anlisis del mejor o peor de los casos, y que son independientes de los
estados de la naturaleza. Como los planteamientos distintos en ocasiones conducen a
diferentes recomendaciones sobre la decisin, es importante que el decisor comprenda los
mtodos disponibles para que, despus, elija el mtodo especfico que a su juicio, resulte ser
el ms apropiado.

El mtodo optimista
En el mtodo optimista se evala cada alternativa de decisin en trminos del mejor resultado
que puede ocurrir. La alternativa de decisin que se recomienda es la que ofrece la mejor
consecuencia posible. Para un problema en el que se desea maximizar utilidades, como es el
caso del problema de arrendamiento de la PSI, el mtodo optimista conducira al decisor a
elegir la alternativa que corresponde a las utilidades ms altas. En problemas de Minimizacin,
el procedimiento conduce a elegir la alternativa que cause el menor resultado.
Para ilustrar el uso del mtodo optimista, se muestra la forma en que puede ser utilizado para
desarrollar una recomendacin para el problema del arrendamiento de la PSI. En primer lugar,
se determina el mximo resultado posible para cada una de las alternativas de decisin;
despus, se elige la alternativa que produce la mayor utilidad global. Esto es simplemente una
forma sistemtica de Identificar la alternativa decisoria que proporciona las mayores utilidades
posibles. En la tabla 14.2 se ilustran estos clculos para el problema de la PSI.

Como $200,000, valor que corresponde a d1, da el mximo de los mximos resultados, la
alternativa decisoria que se recomienda utilizando el mtodo optimista es la decisin de
arrendar un sistema grande. Es fcil ver por qu a este mtodo se le denomina optimista.
Simplemente recomienda la alternativa de decisin que produzca la mejor de todas las
consecuencias, $200,000.

El mtodo conservador
En el mtodo conservador se evala cada alternativa de decisin en trminos del peor
resultado que pueda ocurrir. La alternativa decisoria que se recomienda es la mejor de las
peores consecuencias posibles. Para un problema en el que la medida de los resultados es
utilidades, como en el caso del problema del arrendamiento de la PSI, el mtodo conservador
conducira al decisor a elegir la opcin que maximiza el valor mnimo posible de utilidades que
pudieran obtenerse. En problemas que implican minimizacin, segn este mtodo se identifica
la alternativa que minimiza el resultado mximo.
Para ilustrar el uso del mtodo conservador, se indicar la forma en que se puede utilizar para
desarrollar una recomendacin para el problema de arrendamiento de la PSI. En primer lugar,
el tomador de decisiones identificara el resultado mnimo para cada una de las alternativas
decisorias; despus elegira la que maximiza el resultado mnimo. En la Tabla 14.3 se ilustra
este mtodo para el problema de la PSI.

43
Como $60,000, que corresponde a d3, produce el mximo de los resultados mnimos, se
recomienda la alternativa decisoria de arrendar un sistema pequeo. Se considera que este
mtodo para tomar decisiones es conservador porque se concentra en el peor de los
resultados posibles y despus recomienda la alternativa decisoria que evita la posibilidad de
llegar a consecuencias extremadamente "malas". Al utilizar el mtodo conservador se
garantiza ala PSI una utilidad de cuando menos $60,000. Aunque esta firma podra obtener
utilidades mayores, no es posible que obtenga menos de $60,000.

Mtodo de la deploracn minimax

La deploracin minimax es otro procedimiento para la toma de decisiones sin probabilidades.
Este mtodo no es puramente optimista ni puramente conservador. Se ilustra su aplicacin
mostrando la forma en que se puede utilizar para elegir una alternativa de decisin para el
problema de arrendamiento de la PSI. Supngase que se toma la decisin de arrendar el
sistema pequeo (d3) y que despus se sabe que la aceptacin de los clientes del servicio de
la PSI es alta (s1). En la Tabla 14.1 se muestra que las utilidades resultantes son $100,000.
Sin embargo, ahora que se conoce que ha ocurrido el estado de la naturaleza s1, se observa
que la decisin ptima hubiera sido arrendar e| sistema grande (d1), con utilidades de
$200,000. A la diferencia entre el resultado ptimo ($200,000) y el que se obtiene ($100,000)
se le denomina prdida de oportunidad o deploracin correspondiente a la decisin d3 cuando
ocurre el estado de la naturaleza s1 ($200,000 - $100,000 = $100,000). Si se hubiera tomado
la decisin d2, y hubiera ocurrido el estado de la naturaleza s1, la prdida de oportunidad
hubiera sido $200.000 - $I50,000 = $50,000.
En problemas de maximizacin, la expresin general para la prdida de oportunidad o
deploracin est dada por

44
Utilizando la ecuacin (14.1) y los resultados de la Tabla 14.1 se puede calcular la deplo-racin
correspondiente a todas las combinaciones de alternativas de decisin d y estados de la
naturaleza Sj. Simplemente se reemplaza cada elemento de la tabla con el valor que se
encuentra restando ese elemento del mayor elemento de su columna. En la Tabla 14.4 se
muestra la tabla de deploraciones o prdidas de oportunidad para el problema de la PSI.
El siguiente paso al aplicar el mtodo de la deploracin minimax exige que el decisor
identifique la prdida mxima para cada alternativa de decisin. Estos datos son los que se
muestran en la Tabla 14.5.

Se elige la mejor decisin seleccionando la alternativa que corresponde al mnimo de los

valores de la deploracin mxima, y de ah el nombre de deploracin minimax. Para el
problema de la PSI, la decisin que se recomienda de acuerdo con la deploracin minimax es
la de arrendar un sistema de computacin de tamao mediano, con la deploracin
correspondiente de $50,000.
Obsrvese que los tres mtodos que se analizaron en esta seccin dieron como resultado
recomendaciones distintas. Esto no es nocivo en s; simplemente reeja la diferencia en las
filosofas de toma de decisiones que subyacen a los diferentes mtodos. En ltima instancia, la
persona que toma las decisiones tendr que elegir el mtodo ms apropiado para despus
adoptar la decisin final. Las principales crticas que se hacen a los mtodos que se analizaron
en esta seccin es que no consideran la informacin existente respecto a las probabilidades de
los diversos estados de la naturaleza. En la siguiente seccin se analiza un mtodo en el que
se utiliza informacin probabilstica para elegir una alternativa de decisin.

3.3 Toma de decisiones con probabilidad

En muchos casos es posible obtener estimados de la probabilidad de casa uno de los estados
de la naturaleza. Cuando se dispone de esas probabilidades, es posible utilizar el mtodo del
valor esperado para identificar la mejor alternativa de decisin. En este mtodo se evala cada
alternativa de decisin en trminos de su valor esperado. La que se recomienda es la que
produce el mejor de tales valores. En primer lugar se define el valor esperado de una
alternativa de decisin y despus se muestra la forma en que puede utilizarse para el problema
de decisin de la PSI.

45
Sean
N = nmero de posibles estados de la naturaleza
P(sj) = probabilidad del estado de la naturaleza sj;

Como slo puede ocurrir uno de los N estados de la naturaleza, las probabilidades
correspondientes deben satisfacer las siguientes dos condiciones:

En palabras, el valor esperado de una alternativa de decisin es la suma de los resultados

ponderados para esa alternativa. La ponderacin para un resultado es la probabilidad del
correspondiente estado de la naturaleza y, por tanto, la probabilidad de que ocurra esa
consecuencia. Se vuelve ahora al problema de la PSI para observar la forma en que se puede
aplicar el mtodo del valor esperado.

Supngase que los administradores de la PSI consideran que s1 el estado de la naturaleza de

una aceptacin elevada, tiene una probabilidad de ocurrencia de 0.3, y que s2 el estado de la
naturaleza de una aceptacin baja, tiene una probabilidad de 0.7. Por tanto P(s1) = 0.3 y P(s2)
= 0.1. Utilizando los valores de los resultados V(di,sj) que se muestran en la Tabla 14.1 y la
ecuacin (14.4), pueden calcularse los valores esperados para las tres alternativas de
decisin:

VE(d1) = .3(200,000) + .7(-$20,000) = $46,000

VE(d2) = .3(150,000) + .7($20,000) = $59,000
VE(d3) = .3(100,000) + .7($60,000) = $72,000

As que de acuerdo con el mtodo del valor esperado, como d1, tiene el valor esperado ms
alto, ($72,000) d3 es la decisin a recomendar.
Se pueden realizar de manera conveniente segn un rbol de decisiones los clculos
requeridos para identificar la alternativa de decisin que tiene el mejor valor esperado. En la
Fig. 14.2 se muestra el rbol de decisin para el problema de la PSI, en donde se han anotado
en las ramas las probabilidades de los estados de la naturaleza. Se utilizan ahora las
probabilidades de las ramas y el mtodo del valor esperado para llegar a la decisin ptima
para la PSI.

46
Como el decisor controla la rama que sale del nodo de decisin 1 y se est tratando de
maximizar las utilidades esperadas, la mejor rama de decisin en el nodo 1 es d3. De modo
que el anlisis segn el rbol de decisin conduce a recomendar d3 con un valor esperado de
$72,000. Obsrvese que sta es la misma recomendacin que se obtuvo utilizando el mtodo
del valor esperado con la tabla de resultados.

3.4 ANLISIS DE SENSIBILIDAD

|
Para el problema de la PSI, los administradores proporcionaron una probabilidad de 0.3 para
s1, el estado de la naturaleza de aceptacin alta, y una probabilidad de 0.7 para s2, el estado
de la naturaleza de aceptacin baja. Utilizando estas probabilidades se encontr que la
alternativa de decisin d3 tena el mayor valor esperado y fue la decisin recomendada. En
esta seccin se considera la forma en la que cambios en las estimaciones de las
probabilidades para los estados de la naturaleza pueden afectar o alterar la decisin que se
recomienda. Al estudio del efecto de estos cambios se le denomina anlisis de sensibilidad. Un
enfoque para el anlisis de sensibilidad consiste en considerar probabilidades diferentes para
los estados de la naturaleza, y despus volver a calcular el valor esperado de cada alternativa
de decisin. Repitiendo varias veces este proceso puede comenzarse a observar la forma en
que los cambios en las probabilidades de los estados de la naturaleza afectan a la decisin
que se recomienda. Por ejemplo, supngase que se considera un cambio en las
probabilidades para los estados de la naturaleza de manera que P(s1) = 0.6 y P(s2) = 0.4.

47
Utilizando estas probabilidades y repitiendo los clculos del valor esperado, se encuentra lo
siguiente:

Por ello, con estas probabilidades la alternativa de decisin que se recomienda es d2, con un
valor esperado de $112,000. Evidentemente, podra continuarse modificando las
probabilidades de los estados de la naturaleza para comenzar a entender mejor la forma en
que esos cambios afectan la decisin recomendada. La nica desventaja de este mtodo es
que se requieren numerosos clculos para evaluar el efecto de varios cambios posibles en las
probabilidades de los estados de la naturaleza. Para el caso especial de anlisis de decisiones
con dos estados de la naturaleza, pueden simplificarse en forma considerable los clculos del
anlisis de sensibilidad utilizando un procedimiento grfico. Se ilustra este procedimiento
analizando con mayor detalle el problema de la PSI. Se comienza denotando mediante p la
probabilidad del estado de la naturaleza s1. Es decir,

Repitiendo el clculo del valor esperado para las alternativas de decisin d2 y d3, se obtienen
las siguientes expresiones para el valor esperado como funcin de p:

Por consiguiente, se han desarrollado tres ecuaciones lineales que expresan el valor esperado
de las tres alternativas decisorias como funcin de la probabilidad del estado de la naturaleza
s1.

Se contina desarrollando una grfica, indicando los valores de p en el eje horizontal, y en el

eje vertical los correspondientes valores esperados. Como las expresiones (14.5), (14.6) y
(14.7) son todas ellas ecuaciones lineales, puede graficarse cada ecuacin determinando
cualesquiera dos puntos de la recta y trazando la recta correspondiente por los pun-tos.
Utilizando VE(dj) de (14.5) como ejemplo, primero se fija p = 0 y se encuentra que VE(d1) =
-20,000. Despus, fijando p = 1, se encuentra que VE(d1) = 200,000. Uniendo estos dos
puntos, (0, - 20,000) y (1, 200,000) se obtiene la recta identificada como VE(d1) en la Fig. 14.4.
En tal figura se indica tambin una recta identificada como VE(d2) y otra como VE(d3); stas
ltimas son las grficas de (14.6) y (14.7), respectivamente.

48
Es posible ahora utilizar la Fig. 14.4 para llevar a cabo el anlisis de sensibilidad. Recurdese
que la PSI est buscando maximizar las utilidades. Ntese que, para valores pequeos de p, la
alternativa de decisin d3 ofrece el mayor valor esperado y es, por tanto, la decisin que se
recomienda. De manera similar, para valores grandes de p, se observa que la alternativa de
decisin d1, arroja el mayor valor esperado y es, por ello, la decisin que se recomienda.
Ntese, adems, que no hay ninguna parte de la grfica para la que la alternativa de decisin
d2 proporcione un mayor valor esperado. As que con excepcin del
punto en donde se cruzan las tres rectas de valor esperado, y donde los tres valores
esperados son iguales, la alternativa de decisin d2 no puede ser nunca la alternativa
recomendada mediante el mtodo del valor esperado.

Con referencia de nuevo a la Fig. 14.4, se observa que las tres rectas se cortan en un valor de
p que est entre 0.4 y 0.5. En otras palabras, en un punto entre 0.4 y 0.5, las tres alternativas
de decisin dan el mismo valor esperado. Cuando dos o ms rectas se cortan en una grfica
de anlisis de sensibilidad pueden igualarse las ecuaciones de las dos rectas que se cortan
para encontrar el valor de p. Utilizando las ecuaciones correspondientes a las alternativas de
decisin d1 y d3, se obtiene

Por tanto, cuando p = 0.44, todas las alternativas de decisin arrojan el mismo valor esperado.
Utilizando este valor de p en la Fig. 14.4 puede ahora concluirse que para p < 0.44, la
alternativa de decisin d3 ofrece el mayor valor esperado, y que para p > 0.44 la alternativa de

49
decisin d1 da el mayor valor esperado. Como p es simplemente la probabilidad del estado s1
y (1 p) es la probabilidad del estado s2, se tiene ahora la informacin del anlisis de
sensibilidad que muestra la forma en la que los cambios en las probabilidades de los estados
de la naturaleza afectan la alternativa de decisin que se recomienda.
El beneficio que se obtiene al realizar el anlisis de sensibilidad es que puede ofrecer una
mejor perspectiva sobre la evaluacin original de los administradores respecto a las
probabilidades de los estados de la naturaleza. Originalmente, los administradores estimaron
que la probabilidad de una aceptacin alta de los clientes era de P(s,) = 0.3. Como resultado,
se recomend la alternativa de decisin d3. Despus de realizar el anlisis de sensibilidad,
puede indicarse ahora a los administradores que la estimacin original de P(s1) no es
demasiado crtica para considerar que d3 es la decisin recomendable. De hecho, mientras
P(s1) < 0.44, la alternativa de decisin d3 sigue siendo la ptima.
Obsrvese que en el problema de la PSI, las tres rectas de las tres alternativas de decisin
que se graficaron en la Fig. 14.4 se cortan en el mismo punto (p = 0.44). No debe esperarse
que clculos similares de anlisis de sensibilidad para otros problemas de anlisis decisorios
con dos estados de la naturaleza y tres alternativas de decisin den como resultado el mismo
tipo de grfica.
El procedimiento grfico para el anlisis de sensibilidad que se describi aqu para el problema
de la PSI se aplica slo a problemas de anlisis decisorio con dos estados de la naturaleza.

3.5 ANLISIS DE DECISIONES CON INFORMACIN MUESTRAL

Al aplicar el mtodo del valor esperado, se observ la forma en que la informacin acerca de
las probabilidades de los estados de la naturaleza afecta los clculos del valor esperado y, por
ello, la decisin que es de recomendar. Con frecuencia, los decisores tienen estimaciones
preliminares o previas de las probabilidades de los estados de la naturaleza que son,
inicialmente, las mejores estimaciones de probabilidad disponibles. Sin embargo, a fin de
adoptar la mejor decisin, es posible que el decisor pretenda obtener informacin adicional
sobre los estados de la naturaleza. Se puede emplear esta nueva informacin para modificar o
actualizar las probabilidades previas, de manera que la decisin final se base en estimaciones
de probabilidad ms precisas para los estados de la naturaleza.

La mayor parte de las veces se busca la informacin adicional mediante experimentos

diseados para obtener informacin muestral o datos ms actuales respecto a los estados de
la naturaleza. El muestreo de materias primas, las pruebas de productos y las investigaciones
de mercados de prueba son ejemplos de experimentos que pueden permitir una modificacin o
actualizacin de las probabilidades de los estados de la naturaleza. En el anlisis que sigue se
reconsidera el problema de, arrendamiento de computadora de la PSI, y se muestra la forma
en que se puede usar informacin muestral para modificar las probabilidades de los estados de
la naturaleza. Se indica despus el modo en que pueden utilizarse las probabilidades
modificadas para desarrollar una estrategia de decisiones ptimas para la PSI.
Recurdese que los administradores haban asignado una probabilidad de P(s1) = 0.3 al
estado de la naturaleza s1 y una probabilidad de P(s2) = 0.7 al estado s2. En este momento se
denominar a estas estimaciones iniciales de probabilidad, P(sl) y P(s2), probabilidades
previas para los estados de la naturaleza. Utilizando estos valores se encontr que la decisin
ptima era d3, la decisin de arrendar el sistema pequeo, lo cual daba como resultado un
valor esperado de $72,000. Tiene que recordarse tambin que, en potencia, el valor esperado
de la informacin nueva respecto a los estados de la naturaleza podra valer hasta VEIP =
$30,000.
Supngase que la PSI decide considerar la posible contratacin de una empresa de
investigacin de mercados para estudiar la aceptacin potencial del servicio que ofrece la PSI.
El estudio mercadolgico ofrecera informacin nueva que podra combinarse con las

50
probabilidades previas, con un procedimiento bayesiano, para obtener estimaciones de
probabilidad actualizadas o modificadas, para los estados de la naturaleza. A estas
probabilidades modificadas se las denomina pro habilidades posteriores. En la Fig. 14.6 se
ilustra el proceso de modificacin de las probabilidades.
A la nueva informacin que se obtiene mediante investigacin o experimentacin se la
denomina indicador. Como en muchos casos el experimento realizado para obtener
informacin adicional consiste en obtener una muestra estadstica; tambin a menudo a la
nueva informacin se la llama informacin muestral.
Utilizando la terminologa de indicador, pueden identificarse de la siguiente manera los
resultados del estudio de investigacin mercadotcnica para la PSI:

I1 = reporte favorable de la investigacin de mercado (es decir, en el estudio de las personas

que se entrevistaron expresaron en general inters en los servicios de la PSI)
I2 = reportes desfavorables de la investigacin de mercado (es decir, en el estudio las
personas a las que se entrevist expresaron en general poco inters en los servicios de la PSI)
Dado uno de estos posibles indicadores, el objetivo consiste en ofrecer estimaciones
mejoradas de las probabilidades de los dos estados de la naturaleza. El resultado final del
proceso de modificacin bayesiana que se ilustra en la Fig. 14.6 es un conjunto de
probabilidades

posteriores de la forma P(sj/k), en donde P(sj/Ik) representa la probabilidad condicional de que

ocurra el estado de la naturaleza Sj, dado que el resultado del estudio de investigacin de
mercado fue el indicador Ik.
Para utilizar de manera efectiva esta informacin del indicador se debe saber algo respecto a
las relaciones de probabilidad entre los indicadores y los estados de la naturaleza Por ejemplo,
en el problema de la PSI, dado que el estado de la naturaleza resulta ser en ltimo anlisis una
aceptacin alta entre los clientes, cul es la probabilidad de que el estudio de investigacin
mercadotcnica origine un reporte favorable? En este caso se pide la probabilidad condicional
del indicador I1, dado el estado de la naturaleza s1 que se expresa como P(I1\s1). Para llevar
a cabo el anlisis, se requieren probabilidades condicionales para todos los indicadores, dados
todos los estados de la naturaleza.
En el ejemplo de la PSI, el historial de investigacin mercadotcnica de la empresa sobre
estudios similares ha conducido a las siguientes estimaciones de las probabilidades
condicionales pertinentes.

3.6 VALOR ESPERADO DE LA INFORMACIN MUESTRAL

51
En el problema de la PSI, los administradores tienen ahora una estrategia de decisin que
consiste en arrendar un sistema grande de computacin si el reporte de la investigacin!
mercadotcnica es favorable, y arrendar un sistema pequeo si el reporte es desfavorable.
Como la informacin adicional obtenida de la empresa mercadolgica ocasiona un costo!
adicional para la PSI en trminos de los honorarios que se pagan a la empresa, los
administradores de la PSI pueden cuestionar el valor de esta informacin sobre la
investigacin de mercado.
Con frecuencia se mide el valor de la investigacin muestral calculando lo que se denomina
valor esperado de la informacin muestral (VEIM) Para problemas de maximizacin,

Para la PSI se considera que la informacin proveniente de la investigacin de mercado es la

informacin "muestral". Los clculos del rbol de decisin indican que el valor esperado de la
decisin ptima teniendo la informacin mercadolgica era de $90,402, mientras que el valor
esperado de la decisin ptima sin tal informacin era de $72,000. Con la ecuacin (14.17), el
valor esperado del reporte de la investigacin de mercado es VEIM = $90,402 - $72,000 =
518,402

Por ello, la PSI debe estar dispuesta a pagar hasta $18,402 para obtener la informacin de
dicha investigacin.

Eficiencia de la informacin muestral

Teniendo la informacin perfecta una calificacin de eficiencia del 100%, la calificacin de
eficiencia E, para la informacin muestral se calcula de la siguiente manera:

En otras palabras, la informacin que se obtiene de la empresa de investigacin de mercados

es 61.3% "eficiente", en comparacin con la informacin perfecta.
Unas evaluaciones de eficiencia bajas para la informacin muestral, pueden hacer que el
decisor busque otros tipos de informacin. Por otro lado, las evaluaciones altas de eficiencia
indican que la informacin muestral es casi tan buena como la informacin perfecta, y que no
debieran considerarse como necesarias otras fuentes adicionales de informacin.

52
3.7 EJERCICIOS

1.- La firma Condominiums de Florida, adquiri recientemente terrenos cerca del Golfo de
Mxico y pretende determinar el tamao del complejo de condominios que debe construir. Se
consideran tres tamaos para el complejo. Pequeo, d1, mediano, d2 y grande d3. Al mismo
tiempo, una economa incierta hace que resulte difcil determinar la demanda para los nuevos
inmuebles. Los administradores advierten que un complejo grande con una demanda baja
podra resultar muy gravoso para la compaa. Sin embargo, si se toma una decisin
conservadora, construir un complejo pequeo, y despus se encuentra con que hay una
demanda alta, las utilidades (ganancias) de la empresa seran menores de lo que hubieran
podido ser. Teniendo tres niveles de demanda (bajo, medio y alto), los administradores han
preparado el siguiente cuadro de resultados:

a) Trace un rbol de decisiones para este problema.

b) Si nada se sabe respecto a las probabilidades de la demanda, cules son las
recomendaciones para la decisin aplicando los mtodos optimista, conservador y de la
deploracin minimax?

2.- La compaa Milford ubicada en Chicago, tiene solicitudes para transportar dos remesas,
una a St. Louis, y otra a Detroit. Debido a un problema de programacin Milford puede aceptar
solamente uno de esos trabajos. El cliente de St. Louis garantizado un envo de regreso, pero
el de Detroit no. Por tanto, si Milford el embarque de Detroit y no puede encontrar un embarque
de regreso de Detroit a Chicago, el camin regresara vaco a este ltimo lugar. La tabla que
muestra las utilidades es la siguiente:

a) Si la probabilidad de lograr un envo de regreso de Detroit es 0.4, qu debe hacer

Milford?
b) Aplique un anlisis de sensibilidad grfico para determinar los valores de probabilidad del
estado de la naturaleza s1 para que d1, tenga el mayor valor esperado.

53
UNIDAD 4

OBJETIVO PARTICULAR DE LA UNIDAD

Al trmino de la unidad el estudiante conocer la utilidad de los criterios mltiples para toma de
decisiones y aplicar algoritmos para la solucin de problemas industriales.

OBJETIVOS ESPECFICOS

Matriz de comparaciones pareadas

Criterio de prioridad
Sintetizar juicios
Relacin de consistencia
Prioridad global
Casos prcticos

54
Unidad 4: PROCESO ANALITICO DE JERARQUIAS
El Proceso Analtico de Jerarquas (PAJ) est diseado para resolver problemas complejos que
tienen criterios mltiples. El proceso requiere que quien toma las decisiones proporcione
evaluaciones subjetivas respecto a la importancia relativa de cada uno de los criterios y que,
despus, especifique su preferencia con respecto a cada una de las alternativas de decisin y
para cada criterio. El resultado del PAJ es una jerarquizacin con prioridades que muestra la
preferencia global para cada una de las alternativas de decisin.
Para describir el PAJ, se considera el problema que enfrenta David Payne, quien est
planeando adquirir un automvil nuevo. Despus de un anlisis preliminar de las marcas y los
modelos disponibles, ha reducido su lista de alternativas de decisin a tres automviles, a los
que se denomina auto A, auto B y auto C. En la Tabla 15.1 se presenta un resumen de la
informacin que David ha recopilado con respecto a estos automviles.

Con base en la informacin de la Tabla 15.1, y con base tambin en sus impresiones
personales al manejar cada uno de los coches, Payne decide que hay diversos criterios que
debe considerar para tomar su decisin sobre la compra. Despus de alguna reflexin, elige el
precio de compra, las Millas Por Galn (MPG), la comodidad y el estilo como los cuatro
criterios que debe considerar. Los datos cuantitativos con respecto al precio de compra y el
criterio de MPG se proporcionan directamente en la Tabla 15.1. Sin embargo, no es posible
especificar de manera tan sencilla las medidas de comodidad y estilo. Ser necesario que el
seor Payne considere factores como interiores del coche, tipo de radio, facilidad para entrar y
salir, caractersticas de ajuste de los asientos, etc., con objeto de determinar el nivel de
comodidad para cada automvil. Ser necesario medir el criterio de estilo en trminos de la
evaluacin subjetiva que haga de cada coche.

Aun cuando se maneja un criterio de tan fcil medicin como el precio de compra, la
subjetividad se convierte en un aspecto importante cuando un tomador de decisiones
especfico indica sus preferencias personales. Por ejemplo, el auto A cuesta $3,600 (dlares)
ms que el auto C; esta diferencia podr representar una gran cantidad de dinero para una
persona, pero no mucho para otra. As, independientemente de si se considera que el auto A
es extremadamente ms costoso que el auto C, o slo moderadamente de ms costo que
ste, es un juicio subjetivo que depende primordialmente de la posicin financiera de la
persona que hace la comparacin. Una ventaja del PAJ es que est diseado para manejar
situaciones como sta, en la que las evaluaciones subjetivas de las personas constituyen una
parte importante del proceso de decisin.

4.1 Desarrollo de la jerarqua

55
El primer paso del PAJ consiste en elaborar una representacin grfica del problema en
trminos de la meta global, los criterios y las alternativas de decisin. Esta grfica ilustra la
jerarqua para el problema. En la Fig. 15.5 se muestra la jerarqua para el problema de
seleccin de automvil. Obsrvese que el primer nivel de la jerarqua muestra que la meta
global consiste en elegir el mejor automvil. Al segundo nivel, se observa que los

cuatro criterios (precio de compra, MPG, comodidad y estilo) contribuirn al logro de la meta
global. Finalmente, al tercer nivel, se observa que cada una de las alternativas de decisin
(auto A, auto B y auto C) pueden contribuir en forma nica a cada uno de los criterios.

El mtodo que sigue el PAJ consiste en hacer que el decisor especifique sus opiniones con
respecto a la importancia relativa de cada uno de los criterios en trminos de su contribucin al
logro de la meta global. En el siguiente nivel, el PAJ pide a quien toma las decisiones sealar
una preferencia o prioridad con respecto a cada alternativa de decisin en trminos de la
medida en la que contribuya a cada criterio. Por ejemplo, en el problema de seleccin de
automvil, ser necesario que Payne especifique su opinin con respecto a la importancia
relativa de cada uno de los cuatro criterios. Pero tambin ser necesario que indique su
preferencia con respecto a cada uno de los tres automviles y con respecto a cada criterio.

Teniendo la informacin sobre la importancia relativa y las preferencias, se utiliza un proceso

matemtico para resumir la informacin y para proporcionar una jerarquizacin de prioridades
de los tres automviles, en trminos de su preferencia global.

4.2 ESTABLECIMIENTO DE PRIORIDADES UTILIZANDO EL PAJ

Comparaciones pareadas
Las comparaciones pareadas son bases fundamentales del PAJ. Al establecer las prioridades
para los tres automviles en trminos de comodidad, se pide a Payne plantear preferencia
para la comodidad de los coches cuando se consideran de dos a la vez (pare dos). Es decir, se
pedir al seor Payne comparar la comodidad del automvil A con del B; del auto A con el auto
C, y del auto B con el coche C, en tres comparaciones separadas.
El PAJ utiliza una escala subyacente con valores de 1 a 9 para calificar las preferencia
relativas de los dos elementos. En la Tabla 15.2 se presentan las calificaciones numricas que
se recomiendan para las preferencias verbales expresadas por el decisor. Diversas

56
investigaciones y experiencias han confirmado que la escala con 9 unidades es una base
razonabl para distinguir las preferencias entre dos artculos.

En el ejemplo de la seleccin de automvil, supngase que Payne ha comparado las

comodidades del automvil A con las del B y est convencido de que A es ms cmodo.
Despus se le pide establecer su preferencia respecto a la comodidad entre el automvil A y el
B utilizando una de las descripciones verbales que se muestran en la Tabla 15.2. Si se
considera que se prefiere moderadamente el automvil A y no el B, se utiliza un valor de 3 en
el PAJ; si considera que se prefiere en gran medida A respecto a B, se utiliza un valor de 5; si
se considera la preferencia del auto A en gran mayor medida, se utiliza un valor de 7; si se
considera que la preferencia es extrema, se usa un valor de 9. Los valores 2, 4, 6 y 8 son los
valores intermedios de la escala. Se reserva un valor de 1 para el caso en que se juzgue que
la preferencia entre los dos elementos es igual.
Supngase que cuando se le pregunta acerca de su preferencia entre los autos A y B respecto
al criterio de comodidad, Payne afirma que el automvil A est entre ser igual o
moderadamente preferible que B; la medicin numrica que refleja esta opinin es 2. Despus
se le pide a Payne proporcionar su preferencia entre A y C. Supngase que en este caso
afirma que A tiene una preferencia entre muy fuerte a extrema respecto al automvil C; eso
corresponde a una calificacin numrica de 8. Finalmente, se le pide plantear su preferencia
para el automvil B en comparacin con el C. Supngase que en este caso sea que B est en
una preferencia entre fuerte y muy fuerte respecto a C; el PAJ asignara una calificacin
numrica de 6.

Matriz de comparaciones pareadas

Con objeto de desarrollar las prioridades para los tres autos en trminos del criterio de
comodidad es necesario desarrollar una matriz con las calificaciones de las comparaciones
pareadas. Como son 3 los autos que se consideran, la matriz de comparaciones pareadas
constar de tres renglones y tres columnas. Se muestra en seguida una parte de la matriz de
comparaciones pareadas con base en las preferencias que ha especificado David.

57
Nota: En la matriz de comparaciones pareadas, el valor del rengln i y la columna j es la
medida de la preferencia del automvil en el rengln i cuando se le compara con el automvil
de la columna j.
Se observa que el valor de la matriz que corresponde a la comparacin de A con B es 2; el
valor que corresponde a la comparacin entre A y C es 8, y el valor que corresponde a la
comparacin entre B y C es 6.
Para determinar los elementos restantes de la matriz de comparaciones pareadas, obsrvese
en primer lugar que cuando se compara cualquier automvil consigo mismo la opinin debe ser
que tiene preferencia igual. Por ello, utilizando la escala que se muestra en la Tabla 15.2, la
calificacin del auto A en comparacin con el A, del B con el B y del C con el C deben ser 1.
Por ello, el PAJ asigna 1 a todos los elementos de la diagonal de la matriz de comparaciones
pareadas.
Teniendo estos elementos, todo lo que resta es determinar la calificacin del auto B en
comparacin con el auto A, la de C en comparacin con A y la de C en comparacin con B.
Evidentemente, se podra seguir el mismo procedimiento y pedir al seor Payne que seale
sus preferencias para estas comparaciones en el PAJ. Sin embargo, como ya se sabe que
asign una calificacin de 2 para su preferencia sobre el automvil A con respecto al B, no es
necesario ya que haga otra comparacin pareada entre estos dos autos. De hecho, se
concluye que la calificacin de la preferencia para el automvil B cuando se le compara con el
A, es simplemente el inverso de la calificacin de preferencia para A cuando se le compara con
B: Vi. A fin de observar en forma intuitiva por qu se usa el inverso, ntese que el valor de
preferencia de 2 se interpreta considerando que indica que A es doblemente preferible a B. As
se sigue que B debe ser la mitad de preferible que A. Utilizando esta lgica, el PAJ obtiene la
calificacin de preferencia del auto B en comparacin con el A calculando el inverso de la
calificacin del auto A en comparacin con el B. Utilizando esta relacin inversa, o recproca,
se encuentra que la calificacin de C en comparacin con A es 1/8, y la calificacin de Cen
comparacin con B, es 1/6. Con estos valores numricos de preferencia, la matriz de
comparaciones pareadas completa para el criterio de comodidad es la que se muestra en la
Tabla 15.3.

4.3 Procedimiento para sintetizar juicios

Una vez que se elabora la matriz de comparaciones pareadas se puede calcular lo que se
denomina prioridad de cada uno de los elementos que se comparan. Por ejemplo, sera
deseable ahora utilizar la informacin de comparaciones pareadas de la Tabla 15.3 para
estimar la prioridad relativa para cada uno de los automviles en trminos del criterio de
comodidad. A esta parte del PAJ se le conoce como sintetizacin.
El procedimiento matemtico preciso que se requiere para realizar tal sintetizacin implica el
clculo de valores y vectores caractersticos complicados. Sin embargo, el siguiente
procedimiento de tres pasos proporciona una buena aproximacin de las prioridades
sintetizadas.

58
Procedimiento para sintetizar juicios
Paso 1 Sumar los valores en cada columna de la matriz de comparaciones pareadas.
Paso 2 Dividir cada elemento de tal matriz entre el total de su columna; a la matriz resultante
se la denomina matriz de comparaciones pareadas normalizada.
Paso 3 Calcular el promedio de los elementos de cada rengln de la matriz normalizada; estos
promedios proporcionan una estimacin de las prioridades relativas de los elementos que se
comparan.

Para ver la forma en que funciona el proceso de sintetizacin para el problema de ejemplo, se
lleva a cabo el procedimiento utilizando la matriz de comparaciones pareadas que se muestra
en la Tabla 15.3. Los 3 pasos son los siguientes.

Paso 1 Sumar los valores de cada columna.

Paso 2 Dividir cada elemento de/la matriz entre el total de su columna.

Esta sntesis proporciona las probabilidades relativas de los tres automviles respecto al
criterio de comodidad. De modo que se observa que considerando la comodidad, el automvil
ms preferible es A (con probabilidad de 0.593). En segundo lugar se encuentra el automvil B
(con una probabilidad de 0.341), y seguido del automvil C (con una probabilidad de 0.066). El
vector de prioridades que muestra las prioridades relativas de los tres automviles, A, B y C,
respecto al criterio de comodidad, se escribe de la siguiente manera:
0.593
0.341
0.066

59
4.4 Obtencin de la relacin de consistencia
Un paso crucial del PAJ es el establecimiento de prioridades mediante el uso del procedimiento
de comparaciones pareadas que se acaba de describir. Una consideracin importante en
trminos de la calidad de la decisin final se refiere a la consistencia de los juicios que muestra
el tomador de decisiones en el transcurso d la serie de comparaciones pareadas. Por
ejemplo, considrese un caso en el que se comparan tres ofertas de empleo respecto al
criterio de sueldo. Supngase que se obtiene la siguiente matriz de comparaciones pareadas:

La interpretacin de las calificaciones sobre preferencias es que la preferencia por el empleo 1

es del doble de la preferencia por el empleo 2, y que la preferencia por el empleo 2 es de 3
tantos la preferencia por el empleo 3. Utilizando estos dos elementos de informacin,
lgicamente se concluir que la preferencia por el empleo 1 debe ser de 2 x 3 = 6 veces la
preferencia por el empleo 3. El hecho de que la matriz de comparaciones pareadas muestre
una preferencia de 8 en vez de 6 muestra cierta falta de consistencia en las comparaciones
pareadas.
Sin embargo, antes de que la falta de consistencia en las comparaciones pareadas se
convierta en una preocupacin excesiva, se debe tener presente que la consistencia perfecta
es muy difcil de lograr y que es de esperar cierta inconsistencia en casi cualquier conjunto de
comparaciones pareadas. Para manejar la cuestin de la consistencia, el PAJ ofrece un
mtodo para medir el grado de consistencia entre las opiniones pareadas que proporciona el
decisor. Si el grado de consistencia es aceptable, puede continuarse con el proceso de
decisin. Sin embargo, si el grado de consistencia es inaceptable, quien toma las decisiones
debe reconsiderar y posiblemente modificar sus juicios sobre las comparaciones pareadas
antes de continuar con el anlisis.
El PAJ proporciona una medida de la consistencia de los juicios en las comparaciones
pareadas calculando la Relacin de Consistencia (RC) (o CR, de Consistency Ratio). Esta
relacin o cociente est diseado de manera que los valores que exceden de 0.10 son seal
de juicios inconsistentes; es probable que en estos casos el tomador de decisiones desee
reconsiderar y modificar los valores originales de la matriz de comparaciones pareadas. Se
considera que los valores-de la relacin de consistencia de 0.10 o menos son seal de un nivel
razonable de consistencia en las comparaciones pareadas.
Aunque el clculo matemtico exacto de la relacin de consistencia est fuera del alcance de
este texto, puede obtenerse una aproximacin. Se ilustra este procedimiento de clculo para el
problema de la seleccin de automviles considerando las comparaciones paread que formul
el seor Payne para el criterio de comodidad. Se ilustran y se describen seguida los pasos del
procedimiento de clculo.

Estimacin de la relacin de consistencia

Paso 1 Multiplicar cada valor de la primera columna de la matriz de comparaciones pareadas

por la prioridad relativa del primer elemento que se considera; multiplicar cada valor de la
segunda columna de la matriz por la prioridad relativa del segundo elemento considerado;
multiplicar cada valor de la tercera columna de la matriz por la prioridad relativa del tercer
elemento que se considera. Sumar los valores sobre los renglones para obtener un vector de

60
valores al que se denomina "suma ponderada". Este clculo para el ejemplo de seleccin del
automvil es

Paso 5 Determinar la relacin de consistencia (RC), que se define de la siguiente manera:

en donde IA, el ndice aleatorio, es el ndice de consistencia de una matriz de comparaciones

pareadas generada en forma aleatoria. Se puede mostrar que IA depende del nmero de
elementos que se comparan y asume los siguientes valores:

61
Por ello, para este ejemplo de seleccin de automvil con n = 3 e IA = 0.58, se obtiene la
siguiente relacin de consistencia:

Como se mencion antes, se considera aceptable una relacin de consistencia de 0.10 o

menos. Como en el ejemplo se obtiene un valor de 0.017, este grado de consistencia de la
matriz de comparaciones pareadas para la comodidad resulta aceptable.

Otras comparaciones pareadas para el ejemplo de seleccin de automvil

Al continuar con el anlisis del PAJ del problema de la seleccin de automvil, es necesario
utilizar el procedimiento de comparaciones pareadas para determinar las prioridades de los
tres automviles en trminos de los criterios de precio de compra, MPG y estilo. Para esto se
requiere que el seor Payne exprese sus preferencias por los autos en comparaciones
pareadas, considerando cada uno de esos criterios a la vez. Suponiendo que ya se ha hecho
esto, se resumen las preferencias de Payne. en las matrices de comparaciones pareadas que
se muestran en la Tabla 15.4.

62
La interpretacin de los valores numricos de la Tabla 15.4 es igual a la interpretacin de los
valores de preferencia que se observaron para el criterio de comodidad. Por ejemplo,
considrese la comparacin del auto A y del auto B en trminos del criterio del precio de
compra. Se considera que B ($11,200) es preferible a A ($13,100). De hecho, la matriz de
comparaciones pareadas muestra que la preferencia de Payne por B es 3 veces superior que
su preferencia por A en trminos del precio de compra. De manera similar, el auto A se prefiere
solamente en 1/3 respecto al auto B. Recurdese que la matriz de comparaciones pareadas se
elabora para mostrar la preferencia del artculo del rengln / cuando se le compara con el
artculo de la columna j.
Siguiendo el mismo proceso de sntesis utilizado para el criterio de comodidad, es posible
calcular los vectores de prioridades para estos criterios. El resultado de esta sntesis se
muestra en la Tabla 15.5.

Al interpretar estas prioridades se observa que C es el ms preferible en trminos de precio de

compra (0.557) y de millas por galn (0.639). El auto B es el ms preferible en^ funcin de
estilo (0.655). Ninguno de los vehculos es ms preferido respecto a todos los criterios. Por
ello, antes de que sea posible tomar una decisin final, debe evaluarse la' importancia relativa
de los criterios.
Adems de las comparaciones pareadas para las alternativas de decisin, debe utilizar el
mismo procedimiento de comparaciones pareadas para fijar prioridades para la totalidad de los
cuatro criterios en trminos de la importancia que cada uno de ellos tiene al contrita hacia la
meta global de elegir el mejor automvil. Para desarrollar esta matriz final comparaciones
pareadas, Payne tendra que especificar cuan importante considera cada criterio en
comparacin con los dems. Para hacer esto es necesario realizar 6 juicios i pares: el precio
de compra comparado con las MPG; el precio de compra comparado con la comodidad; el
precio de compra comparado con el estilo; MPG comparado con la comodidad; MPG
comparado con el estilo; y la comodidad comparada con el estilo. Por ejemplo! en la
comparacin pareada de los criterios de precios de compra y de MPG, Payne ser que el precio
de compradera moderadamente ms importante que MPG; utilizando la escala numrica de
calificacin de 9 puntos del PAJ (Tabla 15.2) se registra un valor de 3 sealar la mayor
importancia del criterio del precio de compra. En la Tabla 15.6 se muestra el resumen de la
matriz de comparaciones pareadas con las preferencias entre los cuatro criterios.

63
Puede ahora utilizarse el proceso de sintetizacin que se describi en una parte anterior de
esta seccin para convertir la informacin de las comparaciones apareadas en las prioridades
para los cuatro criterios. Los resultados que se obtienen son los siguientes:

Se observa que se ha identificado el precio de compra (0.398) como el criterio de mayor

prioridad, o ms importante, en la decisin sobre la seleccin de automvil. El estilo (0.299) y
la comodidad (0.218) son los que le siguen en importancia. Las millas por galn (0.085) es un
criterio relativamente poco importante en trminos de la meta global de elegir el mejor
automvil. En la siguiente seccin se observa la forma en la que el PAJ utiliza la informacin
sobre prioridades que se gener en esta seccin para elaborar una jerarquizacin global de
prioridades para los tres automviles.

4.5 Desarrollo de una jerarqua global de prioridades

En la seccin anterior se mostr la forma en que puede utilizarse una matriz de comparaciones
pareadas para elaborar una jerarquizacin con prioridades de los elementos que se comparan.
En esta seccin se muestra la forma en que se pueden combinar las prioridades de los
criterios y las prioridades de cada una de las alternativas de decisin con respecto a cada
criterio para elaborar una jerarquizacin global de las prioridades de las alternativas de
decisin. La Tabla 15.7 contiene una matriz que resume las prioridades para cada automvil en
trminos de cada, criterio, segn se calcularon en la Secc. 15.4. A esta matriz se la denomina
matriz de prioridades.
La mejor manera de comprender el procedimiento que se utiliza para calcular las prioridades
globales para cada alternativa de decisin consiste en pensar que la prioridad para cada
criterio es un peso o ponderacin que refleja su importancia. La prioridad global para cada
alternativa de decisin se obtiene sumando el producto de la prioridad del criterio por la
prioridad de la alternativa de decisin con respecto a ese criterio. Recurdese que se encontr
que las prioridades de los criterios eran 0.398 para el precio de compra 0.085 para las MPG,
0.218 para la comodidad, y 0.299 para el estilo. As, el clculo de la prioridad global para el
automvil A es el siguiente:
Prioridad global del auto A = 0.398(0.123) + 0.085(0.087) + 0.218(0.593) + 0.299(0.065)

64
= 0.265
Repitiendo este clculo para los automviles B y C se obtienen sus prioridades globales de la
siguiente manera:
Prioridad global del auto B = 0.398(0.320) + 0.085(0.274) + 0.218(0.341) + 0.299(0.655)
= 0.421
Prioridad global del auto C = 0.398(0.557) + 0.085(0.639) + 0.218(0.066) + 0.299(0.080)
= 0.314
Ordenando estos valores de prioridad, se tiene la siguiente jerarquizacin del PAJ para las
alternativas de decisin:

Estos resultados proporcionan una base para que Payne tome una decisin respecto a la
adquisicin de un automvil. Con base en las prioridades del PAJ, Payne debe elegir el auto B.
El que decida o no comprar en realidad el automvil B con base en el anlisis de PAJ sigue
siendo su decisin. Si Payne considera que las opiniones que ha expresado respecto a la
importancia de los criterios y que sus preferencias por los automviles en trmino de los
criterios son ambas validas, entonces las prioridades del PAJ muestran que el automvil
preferible es el B. El que decida comprar o no el auto B puede no ser tan importante como los
conocimientos adicionales que sobre el problema ha obtenido como resultado de realizar el
anlisis que el PAJ requiere. Esto puede ser en s mismo tan til para Payne como la
recomendacin real sobre la decisin que ha obtenido.

4.6 EJERCICIOS

1.- Una organizacin considera reubicar sus oficinas matrices corporativas en una de tres
posibles ciudades. La siguiente matriz de comparaciones pareadas muestra las opiniones del
presidente respecto a la deseabilidad de las tres ciudades:

65
a) Determine las prioridades para las tres ciudades.
b)Es consistente el presidente en trminos de los juicios que ofrece? Explique.

2.- Se pidi a una persona comparar tres bebidas gaseosas en lo que respecta a sabor. Se
obtuvieron las siguientes opiniones:

A es moderadamente preferible a B.
A es entre igualmente y moderadamente preferible a C.
B es fuertemente preferible a C.

a) Elabore la matriz de comparaciones pareadas de este problema.

b) Determine las prioridades de las bebidas con respecto al criterio de sabor.
c) Calcule la relacin de consistencia. Son consistentes las opiniones de esta persona?
Explique.

3.- Un estudio en el que se comparaban cuatro computadoras personales dio como resultado
la siguiente matriz de comparaciones pareadas para el criterio de desempeo:

a) Determine las prioridades para las cuatro computadoras con respecto al criterio de
desempeo.
b) Calcule la RC. Son consistentes las opiniones respecto al desempeo? Explique.

4.- Una persona estaba interesada en determinar en cul de dos acciones de empresas deba
invertir, Central Computing Company (CCC) o Software Research, Inc. (SRI). Se consider que
los criterios ms importantes para tomar la decisin son el rendimiento potencial de las
acciones, y el riesgo correspondiente a la inversin. Las matrices de comparaciones pareadas
para este problema son las siguientes:

a) Represente la jerarqua para este problema.

b) Calcule las prioridades para cada una de las matrices de comparaciones pareadas.
c) Determine la prioridad global para las dos inversiones.

66
5.- El vicepresidente de Harling Equipment necesita seleccionar a un nuevo director de
mercadotecnia. Los dos posibles candidatos son Bill Jacobs y Sue Martin, y los criterios que se
consideran ms relevantes en la seleccin son la aptitud de liderazgo (L), habilidades
personales (P) y habilidades administrativas (A). Se obtuvieron las siguientes matrices de
comparaciones pareadas:

a) Represente la jerarqua para este problema de decisin.

b) Calcule las prioridades para cada una de las matrices de comparaciones pareadas.
c) Determine una prioridad global para cada uno de los candidatos.

6.- Una dama considera la adquisicin de un sistema de sonido estreo para su automvil, y
ha observado tres sistemas que varan en trminos de precio (P), calidad del sonido (Q) y
recepcin en frecuencia modulada (FM). Se desarrollaron las siguientes matrices de
comparaciones pareadas:

a) Represente la jerarqua para este problema de decisin.

b) Calcule las prioridades para cada una de las matrices de comparaciones pareadas.
c) Determine una prioridad global para cada uno de los sistemas.

. .

67
UNIDAD 5

OBJETIVO PARTICULAR DE LA UNIDAD

Al trmino de la unidad el estudiante conocer y aplicar el enfoque de programacin dinmica

a problemas determinsticos desarrollando y solucionando casos prcticos con aplicacin
industrial.

OBJETIVOS ESPECFICOS

Enfoque de programacin dinmica

Caractersticas bsicas
Identificacin de estructuras
Uso de diagramas
Aplicacin del algoritmo
El problema de la mochila
Casos prcticos

68
UNIDAD 5: PROGRAMACIN DINAMICA

Introduccin a Programacin dinmica

Muchos problemas de programacin matemtica determinan soluciones que
repercuten en la formulacin de los problemas a resolver en el prximo periodo o
etapa. Una alternativa es construir un nico modelo completo que tenga un gran
conjunto de variables indexadas por etapas e internalizar las relaciones entre etapas
como una restriccin del problema. Sin embargo esto pude agrandar mucho el tamao
del problema. Surge as la Programacin Dinmica (PD) como una alternativa de
descomposicin en que resolvemos subproblemas ms pequeos y luego los ligamos.
As programacin dinamia consiste en solucionar el presente suponiendo que en cada
etapa futura siempre se tomaran las decisiones correctas.
5.1.-Enfoque de programacin dinmica
La programacin dinmica es un enfoque general para la solucin de problemas en los
que es necesario tomar decisiones en etapas sucesivas. Las decisiones tomadas en
una etapa condicionan la evolucin futura del sistema, afectando a las situaciones en
las que el sistema se encontrar en el futuro (denominadas estados), y a las
decisiones que se plantearn en el futuro.
Conviene resaltar que a diferencia de la programacin lineal, el modelado de
problemas de programacin dinmica no sigue una forma estndar. As, para cada
problema ser necesario especificar cada uno de los componentes que caracterizan un
problema de programacin dinmica.
El procedimiento general de resolucin de estas situaciones se divide en el anlisis
recursivo de cada una de las etapas del problema, en orden inverso, es decir
comenzando por la ltima y pasando en cada iteracin a la etapa antecesora. El
anlisis de la primera etapa finaliza con la obtencin del ptimo del problema.
5.1.1.-PROGRAMACION DINAMICA DETERMINISTICA
Esta seccin considera con mayor amplitud el enfoque de programacin dinmica para
los problemas determinsticos, en los que el estado en la etapa siguiente queda
completamente determinado por el estado y la poltica en la etapa actual.
La programacin dinmica determinstica se puede describir en forma de diagrama de
la siguiente forma:

Una manera de catalogar los problemas de programacin dinmica determinstica es

por la forma de la funcin objetiva. Por ejemplo, el objetivo podra ser minimizar la

69
suma de contribuciones de las etapas individuales, o bien minimizar un producto de
tales trminos y as sucesivamente.
En un problema de programacin dinmica, las temporadas deben ser las etapas.

5.1.2.-PROGRAMACION DINAMICA PROBABILISTICA

La programacin dinmica probabilstica difiere de la programacin dinmica
determinstica en que el estado de la etapa siguiente no queda completamente
determinado por el estado y la decisin de la poltica en el estado actual. En lugar de
ello existe una distribucin de probabilidad para lo que ser el estado siguiente. Sin
embargo, esta distribucin de probabilidad todava est completamente determinada
por el estado y la decisin de la poltica del estado actual. En la siguiente figura se
describe diagramticamente la estructura bsica que resulta para la programacin
dinmica probabilstica, en donde N denota el nmero de estados posibles en la etapa
n+1.
Para ver el grfico seleccione la opcin "Descargar" del men superior
Cuando se desarrolla de esta forma para incluir todos los estados y decisiones
posibles en todas las etapas, a veces recibe el nombre de rbol de decisin. Si el rbol
de decisin no es demasiado grande, proporciona una manera til de resumir las
diversas posibilidades que pueden ocurrir.

5.2.-Modelos de programacin dinmica

Espacio de estados: { } es una familia de conjuntos, uno para cada perodo n. S se

denomina espacio de estados en el perodo n. Cada uno de sus elementos, que se
representa mediante Sn, es un estado, que describe una posible situacin del proceso
en ese perodo. En nuestro ejemplo, S1 = {1}, S2= {2, 3, 4}, S3= {5, 6, 7}, S4= {8, 9}.
La funcin recursiva: Dados unos nodos y unos arcos que conectan estos nodos, el
problema de la diligencia intenta encontrar la ruta ms corta que conecta un nodo de
arranque con el nodo final (el destino).
Sea s: el estado de inicio; j: estado destino
n: la fase, normalmente representa el nmero de arcos hasta el destino.

C(s, j): costo o distancia de ir desde s hasta j.

f(n, s): la poltica de costo mnimo cuando se encuentra en el estado s de la

etapa n.

La relacin recursiva dinmica se expresa como

F(n, s) = mnimo [C(s, j) + f(n-1, j)] para todos los arcos (s, j) en la red

5.2.1.-PROBLEMA DE LA DILIGENCIA.
Este problema trata sobre un caza fortunas de Missouri que decide ir al oeste a unirse
a la fiebre del oro en California a mediados del siglo XIX.

70
Tiene que hacer el viaje en diligencia a travs de territorios sin ley cuando existan
serios peligros de ser atacado. An cuando su punto de partida y su destino eran fijos,
tena muchas opciones en cuanto a qu estados deba elegir como puntos intermedios.
En el diagrama siguiente se ilustran las posibles rutas en donde la direccin del viaje
es siempre de izquierda a derecha.
Para ver el grfico seleccione la opcin "Descargar" del men superior
Se requieren 4 etapas para viajar desde su punto de partida en el estado A a su
destino en el estado J.
Preocupado por la seguridad de su viaje se le ocurri una manera bastante ingeniosa
para determinar la ruta ms segura. Se le ofrecan plizas de seguros de vida a los
viajeros de manera que para determinar la ruta ms segura habra que elegir la que
tuviera el menor costo total de la pliza.
Los costos de las plizas vienen dados en el diagrama. El problema es determinar la
ruta que minimiza el costo total de la pliza.
Observemos primero que el procedimiento de elegir la ruta ms barata en cada etapa
sucesiva no conduce a una decisin ptima global. Al seguir esta estrategia se obtiene
la ruta A,B,F,I,J con un costo de 13, pero un pequeo sacrificio en una etapa permite
mayores ahorros en la etapa siguiente, as por ejemplo, A,D, F es ms barato que
A,B,F.
La programacin dinmica empieza con una pequea porcin del problema original y
encuentra la solucin ptima para este problema pequeo. En el problema de la
diligencia se comienza con el problema sencillo en el que el agente casa ha llegado al
final de su viaje y slo tiene una etapa ms por recorrer. En cada una de las
iteraciones siguientes, el problema se agranda aumentando de uno en uno el nmero
de etapas que le quedan por recorrer para completar el viaje.

Formulacin:
Sean
xn = variables que representan el destino inmediato de la etapa n.
fn(s,xn) = costo total = costo inmediato (etapa n) + mnimo costo futuro (etapas n+1 en
adelante) = csxn+ fn+1*(s,xn*)
fn*(s) = mn fn(s,xn) = fn(s,xn*)
Como el destino final (estado J) se alcanza al terminar la etapa 4, f5*(J) = 0.
El objetivo es encontrar f1*(A) y la ruta correspondiente.
La programacin dinmica la encuentra al hallar sucesivamente f4*(s), f3*(s), f2*(s)
para cada uno de los estados posibles s y usar despus f2*(s) para encontrar f1*(A).
Procedimiento de solucin:
n=4

s f4*(s) x4*

H 3 J

71
 I 4 J

n=3

s H I f3*(s) x3*

E 4 8 4 H

F 9 7 7 I

G 6 7 6 H

n=2

s E F G f2*(s) x2*

B 11 11 12 11 EF

C 7 9 10 7 E

D 8 8 11 8 EF

n=1

s B C D f1*(s) x1*

A 13 11 11 11 CD

En este punto se puede identificar una solucin ptima a partir de las 4 tablas: A-C-E-
H-J o bien A-D-E-H-J o bien A-D-F-I-J.
CARACTERISTICAS GENERALES DE LOS PROBLEMAS DE PROGRAMACION
DINAMICA.
El problema de la diligencia es un prototipo literal de los problemas de programacin
dinmica. Por tanto una manera de reconocer una situacin que se puede formular
como un problema de programacin dinmica es poder identificar una estructura
anloga a la del problema de la diligencia.
CARACTERISTICAS BASICAS:
1.- El problema se puede dividir en etapas que requieren una poltica de decisin en
cada una de ellas.
2.- Cada etapa tiene cierto nmero de estados asociados con su inicio. Los estados
son las distintas condiciones posibles en las que se puede encontrar el sistema en
cada etapa del problema.
3.- El efecto de la poltica de decisin en cada etapa es transformar el estado actual en
un estado asociado con el inicio de la siguiente etapa.
4.- El procedimiento de solucin est diseado para encontrar una poltica ptima para
el problema completo.

72
5.- Dado el estado actual, una poltica ptima para las etapas restantes es
independiente de la poltica adoptada en etapas anteriores. Este es el principio de
optimalidad para programacin dinmica.
6.- El procedimiento de solucin se inicia al encontrar la poltica ptima para la ltima
etapa.
7.- Se dispone de una relacin recursiva que identifica la poltica ptima para la etapa
n, dada la poltica ptima para la etapa n+1.
La forma precisa de relacin recursiva difiere de un problema a otro de programacin
dinmica, pero usaremos una notacin anloga a la siguiente:
N = nmero de etapas.
n = etiqueta para la etapa actual ( n = 1,2,...,N)
sn = estado actual para la etapa n
xn = variable de decisin para la etapa n
xn* = valor ptimo de xn (dado sn)
fn(sn,xn) = contribucin a la funcin objetivo de las etapas n, n+1,...,N, si el sistema se
encuentra en el estado sn en la etapa n, la decisin inmediata es xn y en adelante se
toman decisiones ptimas.
fn*(sn) = fn(sn,xn*)
La relacin recursiva siempre tendr la forma:
fn*(sn) = mn fn(sn,xn) fn*(sn) = max fn(sn,xn)
8.- Cuando se usa esta relacin recursiva, el procedimiento de solucin comienza al
final y se mueve hacia atrs etapa por etapa, hasta que encuentra la poltica ptima
desde la etapa inicial.
5.2.2.- La Ruta corta
Considere una red conexa y no dirigida con dos nodos especiales llamados origen y
destino. A cada ligadura (arco no dirigido) se asocia una distancia no negativa. El
objetivo es encontrar la ruta ms corta (la trayectoria con la mnima distancia total) del
origen al destino.
Se dispone de un algoritmo bastante sencillo para este problema. La esencia del
procedimiento es que analiza toda la red a partir del origen; identifica de manera
sucesiva la ruta ms corta a cada uno de los nodos en orden ascendente de sus
distancias (ms cortas), desde el origen; el problema queda resuelto en el momento de
llegar al nodo destino.
Algoritmo de la ruta ms corta:
1.-Objetivo de la n-sima iteracin: encontrar el n-simo nodo ms cercano al origen.
(Este paso se repetir para n=1,2, hasta que el n-simo nodo ms cercano sea el
nodo destino.)
2.-Datos para la n-sima iteracin: n-1 nodos ms cercanos al origen (encontrados en
las iteraciones previas), incluida su ruta ms corta y la distancia desde el origen. (Estos
nodos y el origen se llaman nodos resueltos, el resto son nodos no resueltos.)

73
3.-Candidatos para el n-simo nodo ms cercano: Cada nodo resuelto que tiene
conexin directa por una ligadura con uno o ms nodos no resueltos proporciona un
candidato, y ste es el nodo no resuelto que tiene la ligadura ms corta. (Los empates
proporcionan candidatos adicionales.)
4.-Clculo del n-simo nodo ms cercano: para cada nodo resuelto y sus candidatos,
se suma la distancia entre ellos y la distancia de la ruta ms corta desde el origen a
este nodo resuelto. El candidato con la distancia total ms pequea es el n-simo nodo
ms cercano (los empates proporcionan nodos resueltos adicionales), y su ruta ms
corta es la que genera esta distancia.
En la figura siguiente se identifican las 7 estaciones del Parque como Nodos, con la
entrada como Nodo (O) y el Mirador como Nodo (T). La informacin disponible en cada
arco representa la distancia entre nodos medidos en millas

En el marco de los
problemas de
RMC se considera una red conexa y no dirigida con dos nodos especiales, llamados
origen y destino. A cada una de las ligaduras (arcos no
Dirigidos) se asocia una distancia no negativa. El objetivo del anlisis es encontrar la
ruta ms corta, es decir, la trayectoria con la mnima distancia total, que va del origen
al destino. Para su resolucin se utiliza el Algoritmo de la Ruta ms corta o tambin se
puede utilizar el SIMPLEX utilizando las propiedades de este Problema, que es un
caso especfico del Modelo de Programacin Lineal.

Algoritmo de Ruta ms corta.

Este algoritmo analiza la red a partir del origen, identificando sucesivamente la ruta
ms corta a cada uno de los nodos en orden ascendente de sus distancias desde el
origen, quedando resuelto el problema en el momento de llegar al nodo destino. A
continuacin se muestra la tabla de aplicacin del algoritmo de la ruta ms corta para
encontrar la ruta ms corta desde la entrada al parque hasta el mirador (ejemplo
prototipo)

74
 La

Primera columna: indica el nmero de la iteracin.

La Segunda columna: lista de los nodos resueltos (por los cuales ya se pas) para
comenzar la iteracin actual, despus de quitar los que no sirven (los que no tienen
conexin directa con nodos no resueltos).
La Tercera columna: candidatos (nodos no resueltos con la ligadura ms corta al nodo
resuelto) para el n-simo nodo ms cercano.
La Cuarta columna: distancia de la ruta ms corta desde el origen a cada uno de estos
candidatos
La Quinta columna: candidato con la distancia ms pequea al origen
La Sexta columna: distancia de la ruta ms corta desde el origen al ltimo nodo
resuelto
La Sptima columna: ltimo tramo en esta ruta ms corta.
En esta ltima columna se puede rastrear la ruta ms corta desde el nodo origen al
destino. Se ve que la distancia total es de 13, tanto por la ruta O-A-B-E-D-T como por
la O-A-B-D-T.
PROBLEMA 2
Considrese la siguiente red. Los nmeros que se encuentran por encima de cada arco
representan la distancia entre los nodos que conectan.
Obtenga la ruta ms corta del nodo I al nodo 10 utilizando programacin dinmica.

75
 2

5
1 3 8 10
6

4 9
RUTA
NODO DE NODO DE DURACION
ETAPA ARCO
ENTRADA SALIDA ACUMULADA
7 7-10 10 8
1 8 8-10 10 10
9 9-10 10 6

2 5 5-9 9 11
6 6-9 9 17
2 2-5 5 18
3 3 3-5 5 19
4 4-6 6 20
4 1 1-4 4 26
DURACION: 26
RUTA: 1, 4, 6, 9, 10

5.2.3.-Problema de la mochila o canasta de equipaje

La idea bsica es que existen N tipos distintos de artculos que pueden cargarse en
una mochila; cada artculo tiene asociados un peso y un valor. El problema consiste en
determinar cuntas unidades de cada artculo se deben colocar en la mochila para
maximizar el valor total. Ntese que este enfoque resulta til para la planificacin del
transporte de artculos en algn medio, por ejemplo: carga de un buque, avin, camin
etc. Tambin es utilizable este modelo en planificacin de produccin, por ejemplo
enrutamiento de la produccin a travs de varias mquinas.
La carga de un avin se distribuye con el propsito de maximizar el ingreso total. Se
consideran 5 elementos y slo se necesita uno de cada uno. La compaa gana 5000
u.m. por elemento ms una bonificacin por elemento. El avin puede transportar 2000
libras.
Elemento Peso, lb. Volumen, pies3 Valor bonificacin 1 1000 70 700 2 1100 100 800 3
700 100 1100 4 800 80 1000 5 500 50 700a) Cules elementos deben transportarse?
b) Si se considera un volumen mximo de 200 pies cbicos. Cules elementos deben
transportarse?
El problema se desarrolla bajo las dos consideraciones, primero teniendo en cuenta el
peso y luego el volumen. Como puede apreciarse este es un problema que bien podra
resolverse por programacin lineal entera teniendo en cuenta la funcin objetivo y
restricciones siguientes:

76
Siendo xj el elemento j a transportar.
Para el caso del volumen se reformara la primera restriccin cambiando los
coeficientes por los volmenes de los tems.
Sea j: la variable que representa el artculo:
x(j): el nmero de unidades el nmero de unidades cargadas del artculo j

w(j): el espacio o el peso que demanda cada unidad del artculo j

R(j,x(j)): la funcin del retorno del artculo j si se llevan x(j) unidades en la

mochila, del artculo j

g(j,w): retorno del total acumulativo dado el espacio w disponible para el artculo
j

La relacin recursiva dinmica se expresa como:

g(j,w) = mximo {R(j,x(j)) + g[j-1,w-w(j)x(j)]} para todo posible x(j)
Ahora ingresemos los datos al WINQSB:
La entrada de datos queda como sigue.
Al resolver el problema tenemos:
La solucin nos indica que se deben transportar los tems 3, 4 y 5 con un retorno total
de 17800 u.m. y utilizacin plena de la capacidad (en peso), disponible del avin.
Teniendo en cuenta slo el volumen, el nuevo modelo.
Ejemplo de problema de la mochila
Una planta procesadora de madera recibe troncos de longitudes de 20 pies, los corta
a longitudes menores y despus de venden estos troncos de longitud menor a diversas
compaas manufactureras. Las longitudes para las que la compaa tiene pedido son:
L1= 3pies L2=7 pies L3= 11pies L4= 16pies
La procesadora tiene en la actualidad un inventario de 2000 troncos con longitud de 20
pies, y pretende seleccionar un patrn de cortes que permita maximizar las utilidades
que se obtengan con estos inventarios. Suponiendo que la planta tiene suficientes
pedidos disponibles, el problema se convierte en determinar el patrn de corte que
maximiza las utilidades. La utilidad por unidad, para cada una de las longitudes
menores, es el siguiente:
Longitud Utilidad
(pies) $
3 1
7 3
11 5
16 8
Cualquier patrn de corte es permisible siempre y cuando: 3d1+7d3+11d3+16d420 en
donde d1 es el nmero de piezas de longitud l1, que se cortan: 1, 2, 3, 4.
a) Elabore un modelo de programacin dinmica para este problema y resolverlo.
Cules son las variables de decisin? Cul es la variable de estado?

b) Explique en forma breve la forma en la que se puede ampliar este modelo para
encontrar el mejor patrn de corte en casos en los que la longitud global l pueda
cortarse en N tramos, l1, l2, lN.

77
Esquema
d4= 0,1 d3= 0,1 d2= 0,1, 2 d1= 0, 1, 2, 3, 4, 5, 6
X4 X3 X2 X1 X0
X3= X4 16d4 16 X2= X3 11d3 11 X1= X2 7d2 7 X0= X1 3d1 3

r4= 8d4 r3= 5d3 r2= 3d2 r1= 1d1

X2 0 1 Utilidades
0 0 - 0
1 0 - 0
2 0 - 0
3 1 - 1
4 1 - 1
5 1 - 1
6 2 - 2
7 2 3 0 3
8 2 3 0 3
9 3 3 0 3
10 3 3 1 4
11 3 3 1 4
12 4 3 1 4
13 4 3 2 5
14 4 3 2 5
15 5 3 2 5
16 5 3 3 6
17 5 3 3 6
18 6 3 3 6
19 6 3 4 7
20 6 3 4 7
Tablas de decisin
X3 0 1 Utilidades
0 0 - 0
1 0 - 0
2 0 - 0
3 1 - 1
4 1 - 1
5 1 - 1
6 2 - 2
7 3 - 3
8 3 - 3
9 3 - 3
10 4 - 4
11 4 5 0 5
12 4 5 0 5

78
13 5 5 0 5
14 6 5 1 6
15 6 5 1 6
16 6 5 1 6
17 7 5 2 7
18 7 5 2 7
19 7 5 2 7
20 8 5 3 8

X1 d1 r1
0 - 0
1 - 0
2 - 0
3 1 1
4 1 1
5 1 1
6 2 2
7 2 2
8 2 2
9 3 3
10 3 3
11 3 3
12 4 4
13 4 4
14 4 4
15 5 5
16 5 5
17 5 5
18 6 6
X4 0 1 Utilidades 19 6 6
0 0 0 20 6 6
1 0 0
2 0 0
3 1 1
4 1 1
5 1 1
6 2 2
7 3 3
8 3 3
9 3 3
10 4 4
Conclusin
11 5 5
utilidad
12 5 5 Variable corte utilidad final
13 5 5 d4 1 8 8
14 6 6 d3 0 5 0
15 6 6 d2 0 3 0
16 6 8 0 8 d1 1 1 1
17 7 8 0 8
79
18 7 8 0 8
19 7 8 1 9
20 8 8 1 9
Utilidad mxima = 9

5.2.3.-Los modelos de inventario

Ayudan al control de los costos totales de inventario; estos enfoques pueden reducir
exitosamente el costo total de comprar para almacenar, de llevar el inventario y de
quedarse sin l. Tambin se ven con cierto detalle los mtodos tiles al tratar de
evaluacin de descuentos, orden conjunta de artculos del mismo proveedor y tomar
decisiones sobre el inventario en la ausencia de informacin completa. Aqu tambin
desarrollamos un modelo que intencionalmente sugiere que "quedarse sin
inventario" de un artculo puede ser una mejor alternativa que siempre puede
satisfacer la demanda; en este contexto indicaremos cmo calcular las condiciones
apropiadas de la condicin quedarse sin inventario para varias situaciones.
Programacin de produccin e inventarios El problema consiste en determinar un
programa de produccin para un periodo de tiempo con el fin de minimizar los costos
totales relacionados. Hay demandas conocidas para cada periodo, lmites de
capacidad tanto para la produccin como para los inventarios (almacenamiento).
Cuando hay ms produccin que demanda, se acumula inventario, y cuando la
produccin es menor que la demanda, se generarn retrasos en el cumplimiento de
pedidos (backorder). Para cada periodo, una produccin no-cero incurre en un costo
de preparacin. En programacin dinmica, el costo variable se expresa como una
funcin de la produccin (P), el inventario (H), y backorder (B).
Sea:
P(n): el nmero de unidades producidas en el periodo n

D(n): la demanda en el periodo n

H(n): el inventario disponible al final del periodo n

B(n): el backorder al final del periodo n

I(n): la posicin del inventario al final del periodo n, es decir, I(n) = H(n) o I(n)
=B(n)

I(n) = I(n-1) + P(n) - D(n)

S(n): el costo de preparacin en el periodo n

V (P(n), I(n)): el costo variable = funcin de P(n), H(n), y/o B(n)

C(n,P(n),I(n)): = S(n) + V(P(n),I(n)) si P(n)>0, = V(P(n),I(n)) si P(n)=0

f(n,i): costo total acumulativo dado el nivel del inventario inicial i para el periodo n
La relacin recursiva dinmica se expresa como:
F(n, i) = mximo {C(n, P(n), i+P(n)-D(n)) + f(n-1, i+P(n)-D(n))} para todo posible P(n).
La tabla muestra los datos del siguiente problema de produccin e inventario: la
demanda para los meses de enero, febrero, marzo y abril es de 4, 5, 3 y 4 unidades,

80
respectivamente. Las capacidades de produccin son de 6, 4, 7, y 5 unidades; las
capacidades de almacenaje son 4, 3, 2 y 4 unidades respectivamente. Los costos de
preparacin varan de un mes a otro y son: 500, 450, 500 y 600 u.m. para enero,
febrero, marzo y abril.
Mes Costos Demanda Capacidad de produccin Capacidad de Almacenamiento Enero
500 4 6 4 Febrero 450 5 4 3 Marzo 500 3 7 2 Abril 600 4 5 4Determinar un programa
de produccin con el fin de minimizar los costos totales relacionados.
Al igual que en los ejercicios anteriores, se procede a ingresar los datos:
La tabla inicial permite ingresar los datos expuestos en el ejemplo.
Las cantidades a producir mostradas en la tabla son de tal forma que permiten un
costo mnimo en la planeacin: se deben producir 5, 4, 3 y 4 unidades para los meses
de enero, febrero, marzo y abril respectivamente. El costo total es de $7080, dividido
en $2050 por concepto de costos de preparacin y $5030 de costos variables. La tabla
tambin muestra el juego de inventarios resultante de la produccin y demanda
mensuales.
Caractersticas de un Problema de Programacin Dinmica. Para que un problema
pueda ser resuelto con la tcnica de programacin dinmica, debe cumplir con ciertas
caractersticas:
Naturaleza secuencial de las decisiones: El problema puede ser dividido en etapas.
Cada etapa tiene un nmero de estados asociados a ella. La decisin ptima de cada
etapa depende solo del estado actual y no de las decisiones anteriores.
La decisin tomada en una etapa determina cual ser el estado de la etapa siguiente.
En sntesis, la poltica optima es de un estado s de la etapa k a la etapa final esta
constituida por una decisin que transforma s en un estado s0 de la etapa k +1 y por la
poltica optima desde el estado s0 hasta la etapa final.
Resolucin de un Problema de Programacin Dinmica Para resolver un problema de
programacin dinmica debemos al menos:
Identificacin de etapas, estados y variable de decisin:
Cada etapa debe tener asociado una o mas decisiones (problema de optimizacin),
cuya dependencia de las decisiones anteriores esta dada exclusivamente por las
variables de estado.
Cada estado debe contener toda la informacin relevante para la toma de decisin
asociada al periodo.
Las variables de decisin son aquellas sobre las cuales debemos definir su valor de
modo de optimizar el beneficio acumulado y modificar el estado de la prxima etapa.
Descripcin de ecuaciones de recurrencia: Nos deben indicar como se acumula la
funcin de beneficios a optimizar (funcin objetivo) y como varan las funciones de
estado de una etapa a otra. Resolucin Debemos optimizar cada subproblema por
etapas en funcin de los resultados de la resolucin del subproblema siguiente. Notar
que las para que las recurrencias estn bien definidas requerimos de condiciones de
borde.
Problema.-La familia Sampsons va a salir de vacaciones desde su ciudad natal
Springfield. La familia desea visitar n ciudades y dispone de un total de M das para
hacerlo, con M _ n. La familia desea saber cuantos das permanecer en cada ciudad
de modo de maximizar la satisfaccin total de sus vacaciones sabiendo que para cada
ciudad i existe una funcin de satisfaccin que es funcin del nmero de das de
permanencia.

81
1. Plantee un modelo de programacin dinmica para resolver la planificacin de las
vacaciones de los Sampsons.
2. Suponga que n = 3 y M = 5 y que las funciones de beneficio gk (xk) vienen dadas
por:

3. Cul es la poltica optima

de permanencia de los Sampsons en cada ciudad si la funcin de beneficios viene
dada por gi (xi) = 1xi para todo i donde xi es el nmero de das que permanecern los
Sampsons en la ciudad i y existen 3 ciudades para ser distribuidas en 7 das? Hint:
Suponga que no se pierde un tiempo considerable en el traslado de una ciudad a otra.
Solucin
1. Consideremos que la familia ya defini cual ser el orden en que visitara las
ciudades (si efectivamente decide visitarlas). En dicho caso, una etapa estar en
relacin univoca con una ciudad (Cada ciudad es una etapa y se pasara a la siguiente
etapa cuando se pase a la siguiente ciudad). Adems, el estado vendr dado por el
nmero de das que le restan a la familia para completar el total de das disponibles 3.
As, podemos definir:
Xi = Numero de das en la ciudad i (variable de decisin de la etapa i). Yi = Numero de
das sobrantes despus de visitar la ciudad i 1 o justo antes de visitar la ciudad i
(variable de estado).
Condicin de borde (ltima etapa):
En este caso habremos visitado las ciudades 1, 2,. . ., n 1 y tendremos yn das
disponibles para usar (dependiendo de cuantos das hayamos decidido quedarnos en
las ciudades anteriores, yn puede tener varios valores posibles. Luego, el problema a
resolver viene dado por:
Fn (yn) = Max gn (xn) s.a 0 _ xn _ yn xn entero = valor de la poltica optima de estada
en la ciudad n si la familia ya ha visitado n-1 ciudades y aun dispone de yn das
disponibles
Recursin genrica k:
En este caso habremos visitados las ciudades 1, 2,. . ., k 1 y nos quedan por visitar
las ciudades k, k+1,. . ., n siendo yk el nmero de das que an nos quedan
disponibles. Luego nuestro problema a resolver ser encontrar el nmero de das a
permanecer en la ciudad k de modo de maximizar el beneficio de actual mas el
beneficio de visitar las prximas ciudades suponiendo que de ahora en adelante
tomaremos las decisiones optimas dado los das que nos quedaran luego de tomar
nuestra decisin hoy:
Fk (yk) = Max {gk (xk) + fk+1(yk xk)} s.a 0 _ xk _ yk xn entero = satisfaccin total
optima por visitar a las ciudades k, k + 1,. . ., n.
Finalmente el optimo de la satisfaccin de las vacaciones de la familia Simpson viene
dado por f = f1 (M)

82
2. Debemos resolver los problemas asociados a cada etapa partiendo desde la ltima
4, para cada uno de los posibles estados en que puede llegar el problema a la etapa
en cuestin. Para resolver cada uno de estos problemas haremos una enumeracin
explicita de los casos posibles para cada etapa y seleccionaremos la mejor 5.
Ciudad 3:

I: in

factible, es decir, la familia no puede quedarse esa cantidad de das porque ya no le

quedan tantos
Ciudad 2:
I: in factible, es decir, la familia no puede quedarse esa cantidad de das porque ya no
le quedan tantos
Ciudad 1: En este caso, como sabemos que inicialmente (antes de visitar la primera
ciudad), la familia dispone de 5 das para sus vacaciones, solo analizamos el caso y1 =
5 g1(x1)+f2 (y1x1)

Finalmente existen 3 soluciones ptimas, todas con beneficio ptimo=9, cuyas

estadas en cada ciudad viene dadas por:

Sea:

* P(n): el nmero de unidades producidas en el periodo n

* D(n): la demanda en el periodo n

83
* H(n): el inventario disponible al final del periodo n

* B(n): el backorder al final del periodo n

* I(n): la posicin del inventario al final del periodo n, es decir, I(n) = H(n) o I(n) =B(n)

I(n) = I(n-1) + P(n) - D(n)

* S(n): el costo de preparacin en el periodo n

* V (P(n), I(n)): el costo variable = funcin de P(n), H(n), y/o B(n)

* C(n,P(n),I(n)): = S(n) + V(P(n),I(n)) si P(n)>0, = V(P(n),I(n)) si P(n)=0

* F(n, i): costo total acumulativo dado el nivel del inventario inicial i para el periodo n

La relacin recursiva dinmica se expresa como:

F(n, i) = mximo {C(n, P(n), i+P(n)-D(n)) + f(n-1, i+P(n)-D(n))} para todo posible P(n).

Ejemplo :

La tabla muestra los datos del siguiente problema de produccin e inventario: la demanda para
los meses de enero, febrero, marzo y abril es de 4, 5, 3 y 4 unidades, respectivamente. Las
capacidades de produccin son de 6, 4, 7, y 5 unidades; las capacidades de almacenaje son 4,
3, 2 y 4 unidades respectivamente. Los costos de preparacin varan de un mes a otro y son:
500, 450, 500 y 600 u.m. para enero, febrero, marzo y abril.

Mes Costos Demanda Capacidad de produccin Capacidad de Almacenamiento Enero 500 4 6

4 Febrero 450 5 4 3 Marzo 500 3 7 2 Abril 600 4 5 4Determinar un programa de produccin con
el fin de minimizar los costos totales relacionados.

Al igual que en los ejercicios anteriores, se procede a ingresar los datos:

La tabla inicial permite ingresar los datos expuestos en el ejemplo.

La ventana debera quedar como sigue:

La solucin del problema es:

Las cantidades a producir mostradas en la tabla son de tal forma que permiten un costo
mnimo en la planeacin: se deben producir 5, 4, 3 y 4 unidades para los meses de enero,
febrero, marzo y abril respectivamente. El costo total es de $7080, dividido en $2050 por
concepto de costos de preparacin y $5030 de costos variables. La tabla tambin muestra el
juego de inventarios resultante de la produccin y la demanda mensuales.

Programacin dinmica? Importancia y usos? Condiciones y representaciones? Pasos

Que es recursivo? INTRODUCCIN Recursin es la forma en la cual se especifica un
proceso basado en su propia definicin. Siendo un poco ms precisos, y para evitar el
aparente crculo sin fin en esta definicin, las instancias complejas de un proceso se definen

84
en trminos de instancias ms simples, estando las finales ms simples definidas de forma
explcita.

Desde que fui estudiante siempre he sabido lo difcil que es entender qu es la

recursividad y para qu sirve en computacin. Para muchos la nica forma de
aprender a dominar esta importante tcnica de programacin es correr mentalmente
muchos programas recursivos, hasta que, por insistencia, se llega a entender de qu
trata este asunto. Como profesor, he tratado de explicar este importante concepto y,
con el tiempo, he encontrado las tres formas de hacerlo que expongo aqu.
PROGRAMACION DINAMICA
Un procedimiento de la investigacin operativa que intenta optimizar una funcin
objetivo, en problemas no lineares, discretizables, que pueden ser tratados en forma
secuencial. La programacin dinmica es una tcnica matemtica que a menudo
resulta til a tomar una sucesin de decisiones interrelacionadas. Proporciona un
procedimiento sistemtico para determinar la combinacin de decisiones que maximice
la efectividad global.
Contrastando con la programacin lineal, no existe un planteamiento matemtico
estndar "del" problema de programacin dinmica. Ms bien, la programacin
dinmica es un tipo general de enfoque para resolver problemas y las ecuaciones
particulares usadas deben desarrollarse para que se ajusten a cada situacin
individual.
Por lo tanto, se requiere un cierto grado de ingenio y de visin de la estructura general
de los problemas de programacin dinmica, a fin de reconocer cuando un problema
se puede resolver mediante los procedimientos de esta programacin y cmo se hara.
Probablemente se puedan desarrollar mejor estas aptitudes por medio de una
exposicin de una amplia variedad de aplicaciones de la programacin dinmica y de
un estudio de las caractersticas que son comunes a todas estas.
Por fortuna, la programacin dinmica suministra una solucin con mucho menos
esfuerzo que la enumeracin exhaustiva. (Los ahorros de clculo seran enormes para
versiones ms grandes de un problema.) La programacin dinmica parte de una
pequea porcin del problema y encuentra la solucin ptima para este problema ms
pequeo. Entonces gradualmente agranda el problema, hallando la solucin ptima en
curso a partir de la anterior, hasta que se resuelve por completo el problema original.
En seguida se dan los detalles involucrados en la implementacin de esta filosofa
general. CONDICIONES Considrese que las variables de decisin xn (n = 1, 2, 3,4)
son el destino inmediato en la etapa n.
As, la ruta seleccionada sera 1 - XI - X2 - X3 - X4 en donde X4 = 10. Sea fn(s, Xn) el
costo total de la mejor poltica global para las etapas restantes, dado que el vendedor
se encuentra en el estado s listo para iniciar la etapa n y se selecciona a XII como el
destino inmediato. Dados s y n, denotemos por x el valor de X*n que minimiza al fn(s,
Xn) y sea f*(s) el valor mnimo correspondiente de fn(s, Xn) por tanto, f*n(s) = fn(s, Xn).
El objetivo es hallar f1*(1) y la pol1tica correspondiente. La programacin dinmica
hace esto, hallando sucesivamente f4*(s), f3*(s), f2*(s), a continuacin, f1*(1).
LA RECURSIVIDAD
Es una tcnica de programacin mediante la cual un mdulo puede invocarse a s
mismo. Es importante porque algunos algoritmos recursivos son mucho ms
compactos y elegantes que los algoritmos no recursivos equivalentes.

85
 Por eso quien domina las tcnicas bsicas de programacin debe saber usar
recursividad. Cuesta bastante entender por primera vez qu es recursividad, pero para
hacerlo ayuda mucho conocer cmo se usan los registros de activacin en la pila de
ejecucin del programa, para recordar la direccin de retorno del procedimiento y
almacenar sus variables locales. La recursividad va ligada al de repeticin.
Son recursivos aquellos algoritmos que, estando encapsulados dentro de una funcin,
son llamados desde ella misma una y otra vez, en contraposicin a los algoritmos
iterativos, que hacen uso de bucles while, do-while, for, etc. Recursivo si se define en
trminos de s mismo (cuando para definirse hace mencin a s mismo). Para que una
definicin recursiva sea vlida, la referencia a s misma debe ser relativamente ms
sencilla que el caso considerado.
Ejemplo:
Definicin de n natural: el N 0 es natural el N n es natural si n-1 lo es. En un
algoritmo recursivo distinguimos como mnimo 2 partes:
Aquellas funciones cuyo dominio puede ser recursivamente definido pueden ser
definidas de forma recursiva. El ejemplo ms conocido es la definicin recursiva de la
funcin factorial f(n): f(0) = 1 f(n) = n f(n-1) para todo nmero natural n > 0 Con esta
definicin veamos cmo funciona esta funcin para el valor del factorial de 3: f(3) = 3
f(3-1) = 3 f(2) = 3 2 f(2-1) = 3 2 f(1) = 3 2 1 f(1-1) = 3 2 1 f(0) = 3 2 1
1 = 6 Caso trivial, base o de fin de recursin: Es un caso donde el problema puede
resolverse sin tener que hacer uso de una nueva llamada a s mismo.
PARTE PURAMENTE RECURSIVA:
Relaciona el resultado del algoritmo con resultados de casos ms simples. Se hacen
nuevas llamadas a la funcin, pero estn ms prximas al caso base. TIPOS DE
RECURSIN Recursividad simple Aquella en cuya definicin slo aparece una
llamada recursiva. Se puede transformar con facilidad en algoritmos iterativos.
Recursividad mltiple Se da cuando hay ms de una llamada a s misma dentro del
cuerpo de la funcin, resultando ms difcil de hacer de forma iterativa.
CONCLUSIONES
La programacin dinmica es una tcnica muy til pata tomar decisiones
interrelacionadas. Requiere del planteamiento de una relacin recursiva apropiada
para cada problema individual. Sin embargo, da lugar a un gran ahorro de clculos
comparando con el uso de la enumeracin exhaustiva para hallar la mejor combinacin
de decisiones, en especial para problemas grandes. Por ejemplo sin un problema tiene
10 etapas con 10 estados y 10 decisiones posibles Es una tcnica de programacin
mediante la cual un mdulo puede invocarse a s mismo. Es importante porque
algunos algoritmos recursivos son mucho ms compactos y elegantes que los
algoritmos no recursivos equivalentes. Por eso quien domina las tcnicas bsicas de
programacin debe saber usar recursividad. Cuesta bastante entender por primera vez
qu es recursividad, pero para hacerlo ayuda mucho conocer cmo se usan los
registros de activacin en la pila de ejecucin del programa, para recordar la direccin
de retorno del procedimiento y almacenar sus en cada etapa, entonces la enumeracin
exhaustiva debe considerar hasta combinaciones.
Programacin dinmica
Recordemos el problema de la mochila:
o Se tienen n objetos fraccionables y una mochila.

86
 o El objeto i tiene peso pi y una fraccin xi (0xi1) del objeto i produce un
beneficio bixi.
o El objetivo es llenar la mochila, de capacidad C, de manera que se
maximice el beneficio.

Una variante: la mochila 0-1

o xi slo toma valores 0 1, indicando que el objeto se deja fuera o se
mete en la mochila.
o Los pesos, pi, y la capacidad son nmeros naturales. Los beneficios, bi,
son reales no negativos

Programacin dinmica:

Ejemplo:

n=3 C=15

(b1,b2,b3)=(38,40,24)
(p1,p2,p3)=(9,6,5)

Recordar la estrategia voraz:

o Tomar siempre el objeto que proporcione mayor beneficio por unidad de
peso.
o Se obtiene la solucin:

(X1, x2, x3)= (0, 1,1), con beneficio 64

Sin embargo, la solucin ptima es: (X1, x2, x3)= (1, 1,0), con beneficio 78

Por tanto, la estrategia voraz no calcula la solucin ptima del problema de la

mochila 0-1.

Programacin dinmica

Tcnica de programacin dinmica

o Se emplea tpicamente para resolver problemas de optimizacin.
o Permite resolver problemas mediante una secuencia de decisiones.
Como el esquema voraz
o A diferencia del esquema voraz, se producen varias secuencias de
decisiones y solamente al final se sabe cul es la mejor de ellas.
o Est basada en el principio de optimalidad de Bellman:

Cualquier subsecuencia de decisiones de una secuencia ptima de decisiones que

resuelve un problema tambin debe ser ptima respecto al subproblema que resuelve.

Programacin dinmica

87
 Supongamos que un problema se resuelve tras tomar un secuencia d1, d2,,
dn de decisiones.
Si hay d opciones posibles para cada una de las decisiones, una tcnica de
fuerza bruta explorara un total de dn secuencias posibles de decisiones
(explosin combinatoria).
La tcnica de programacin dinmica evita explorar todas las secuencias
posibles por medio de la resolucin de subproblemas de tamao creciente y
almacenamiento en una tabla de las soluciones ptimas de esos subproblemas
para facilitar la solucin de los mismos.

5.3.-PROBLEMAS PROPUESTOS DE PROGRAMACION DINAMICA

1.-En la seccin problemas resueltos se resolvi un problema de la ruta ms corta

utilizando programacin dinmica. Encontrar la solucin ptima para este problema
mediante enumeracin total; es decir, lista todas las rutas posibles desde el origen, el
nodo 1, hasta el destino, el nodo 10 y elegir aqulla que tenga el menor valor. Explique
por qu el mtodo de la programacin dinmica da como resultado menos clculos
para este problema.

2 7
7
7 8
10
5
9
8
8 10 1
1 3 8
6 0
10
5
5 6 11
4 6
4 9

b).- Determine la ruta corta.

c).- Determine la duracin de la ruta corta.
2.-Considrese la siguiente red. Los nmeros que se encuentran por encima de cada
arco representan la distancia entre los nodos que conectan.

88
 2 7
7
7 8
8 8
5
9
4
6 10 1
1 3 12 8
3 0
10
5
5 2 6 11
4 6
4 9
a).-Obtenga la ruta ms corta del nodo 1 al nodo 10 utilizando programacin dinmica.
b).-Cul es la ruta ms corta del nodo 4 al nodo 10?
c).-Enumere todos los trayectos posibles del nodo 1 al nodo 10. Explica la forma en la
que la programacin dinmica ha reducido el nmero de clculos con respecto al
nmero que se hubiera requerido mediante una enumeracin total.
3.-Una planta procesadora de madera recibe troncos de longitud de 20 pies, los corta
longitudes menores y despus se venden a estos troncos de longitud menor a diversas
compaas manufactureras. Las longitudes para las que la compaa tiene pedidos
son:
L1= 3 pies
L2= 7 pies
L3= 11 pies
L4= 16 pies

La procesadora tiene en la actualidad un inventario de 2000 troncos con longitud de 20

pies, y pretende seleccionar un patrn de cortes que permita maximizar las utilidades
que se obtengan con esos inventarios. Suponiendo que la planta tiene suficientes
pedidos disponibles se convierte en determinar el patrn de corte que maximizar las
utilidades. La utilidad por unidad, para cada una de las longitudes menores es la
siguiente:

Longitud en pies Utilidad $

3 1
7 3
11 5
16 8

Cualquier patrn de corte es permisible siempre y cuando

3d1+7d2+11d3+16d4<20
En donde d1 es el nmero de piezas de longitud Li que se cortan, i=1, 2, 3,4.
a).-Elabore un modelo de programacin dinmica para este problema y resolverlo.
Cul es la variable de estado?
b).-Explique en forma breve la forma en la que puede ampliar este modelo para
encontrar el mejor patrn de corte en casos en los que la longitud global L pueda
cortarse en N tramos 11,12..LN.

89
4.-Una empresa acaba de contratar a ocho empleados y pretende determinar cmo
asignarlos a cuatro actividades. La empresa ha preparado la tabla que aparece en
seguida en la que se dan las utilidades esperadas para cada actividad como funcin
del nmero de nuevo empleados que se asignen a ella.
Actividades Nmero de empleados
0 1 2 3 4 5 6 7 8
1 22 30 37 49 49 54 58 60 61
2 30 40 48 55 59 62 64 66 67
3 46 52 56 59 62 65 67 68 69
4 5 22 36 48 52 55 58 60 61

a).-Utilice la programacin dinmica para determinar la asignacin ptima de

empleados nuevos a las actividades.
b).-Supngase que se hubiera contratado solamente 6 nuevos empleados. A qu
actividades asignara a estos 6 empleados?

5.-Supngase que se tiene un proceso entres etapas en las que el rendimiento de

cada etapa es funcin de la decisin que se tome .En Notacin matemtica, se podra
plantear el problema de la siguiente manera:
Max:r1(Di+r2(d2)+ r3(d3)
Sujeto a
d1 + d2 + d3 < 1000
Se presentan enseguida en forma tabular los posibles valores que pueden asumir las
variables de decisin en cada etapa y los posibles rendimientos:
Etapa 1 Etapa 2 Etapa 3
d1 r1(d1) d2 d2(d2) r3 r3(d3)
0 0 100 120 100 175
100 110 300 40 500 700
200 30 500 650
300 400 600 700
400 425 800 975
a).-Utilice una Enumeracin total para listar todas las secuencias factibles de
decisiones para este problema.. Cul es el ptimo [Es decir, la que maximiza la
r1(d1)+r2(d2)+r3(d3)]?
b).-Use programacin dinmica para resolver este problema.
6.-Una compaa manufacturera grande tiene un programa de capacitacin de
administradores muy bien desarrollado .Se espero que cada entrenando termine un
programa de cuatro fases , pero pueden darse a los entrenadores de asignaciones
distintas encada una de las fases del programa de capacitacin. Se muestra
enseguida para las asignaciones Se muestran enseguida las asignaciones disponibles
y tiempos estimados de terminacin (en meses) en cada fase del programa.
FASE l FASE ll FASE lll FASE Lv
A-13 E-13 H-12 L-10
B-10 F-6 I-6 M-5
C-20 G-5 J-7 N-13
D-17 K-10

90
Las asignaciones que se hacen en fases subsecuentes dependen de la asignacin
anterior por ejemplo, un entrenador que termina la asignacin A en la fase 1 puede
solo pasara la asignacin F o G en la fase ll. Es decir, existe una relacin de
precedencia para cada asignacin de acuerdo con el siguiente cuadro.
Asignacin Asignaciones subsecuentes
factibles
A F,G
B F
C G
D E,G
E H,I,J,K
F H,K
G J,K
H L,M
I L,M
J M,N
K N
L Terminacin
M Terminacin
N Terminacin

La compaa pretende determinar la secuencia las asignaciones que minimice el tiempo que
los entrenadores en el programa. Plantee y resulta este como problema de programacin
dinmica. (Sugerencia> desarrollo una representacin de red para el problema, en la que cada
un nodo represente la terminacin de una actividad.)
Si el entrenador acaba de terminar la asignacin F y le gustara terminar el resto del programa
de capacitacin en el tiempo mas corto posible, Cual es l asignacin que debe elegir en
seguida?

7.-Crazy Roin, el propietario de una pequea cadena de tiendas de deportes, Robin

Hood Sporting Goods , en Des Moines y en Cedar Rapids, en el estado de Iowa,
acaba de adquirir un nuevo surtido de 500 docenas de bolas de golf de primera
calidad. Como estaba dispuesto a comprar la cantidad total de un exceso en una
corrida de produccin, Robin estuvo en posibilidades de adquirir las pelotas de golf a la
mitad de su precio normal.
Tres de las tiendas de Robn hacen un buen negocio en la venta de equipo y
accesorios para golf y como resultado, Robn ha decidido vender las pelotas en esas 5
tiendas. Por ello, Robn enfrenta el problema de determinar cuantas docenas de
pelotas debe de asignar a cada tienda. Las siguientes estimaciones muestran
utilidades esperadas al asignar a cada tienda, Las siguientes estimaciones muestran
las utilidades esperadas al asignar 100,200, 300,400 o 500 decenas de pelotas a cada
tienda.
Numero de docenas de pelotas de Golf

100 200 300 400 500

Etapa1 600 1,100 1,550 1,700 1,800
Etapa2 500 1200 1700 2000 2100

91
 Etapa3 550 1100 2000 1850 1950

Suponiendo que los lotes no pueden dividir en tamaos menores de 100 docenas
cada uno, Cuantas docenas de bolas de golf debe crazy Robin enviar a cada tienda?
8.-La firma Max X.Posure Advertising Agency est llevando a cabo una compaa de
publicidad de 10 das para una tienda local de departamentos. La agencia ha
determinado que es posible que la compaa ms efectiva pudiera incluir la
colocacin la colocacin de anuncios en cuatro medios. Un periodo dominical y
televisin. Se tiene disponible un total de $8.. Para esa campaa y a la agencia le
gustara distribuir esa cantidad en incremento de $1,000 en todos los medios, de
manera que se maximice el ndice de exposicin a la publicidad. Algunas
investigaciones que la agencia ha llevado a cabo permiten obtener las siguientes
estimaciones de la exposicin por cada $1,000 de gasto en cada uno de los medios
Medio 1 2 3 4 5 6 7 8
Informativo
Peridico 24 37 46 59 72 80 82 82
diario
Peridico
Dominical
Radio
Televisin
9.-Supngase que se tiene un proceso en tres etapas en las que el rendimiento de
cada etapa es funcin de la decisin que se tome .En Notacin matemtica, se podra
plantear el problema de la siguiente manera:
Max:r1(Di+r2(d2)+ r3(d3)
Sujeto a d1 + d2 + d3 < 1000
Se presentan enseguida en forma tabular los posibles valores que pueden asumir las
variables de decisin en cada etapa y los posibles rendimientos:
Etapa 1 Etapa 2 Etapa 3
d1 r1(d1) d2 d2(d2) r3 r3(d3)
0 0 100 120 100 175
100 110 300 40 500 700
200 30 500 650
300 400 600 700
400 425 800 975
a).-Utilice una Enumeracin total para listar todas las secuencias factibles de
decisiones para este problema.. Cul es el ptimo [Es decir, la que maximiza la
r1(d1)+r2(d2)+r3(d3)]?
b).-Use programacin dinmica para resolver este problema.
9.-Recuerde el problema de control de la produccin y los inventarios. La Mills
Manufacturing Company tiene exactamente un problema de produccin y de control
de inventarios como se para la armadura que la compaa de fabrica como
componente para un generador elctrico .Los datos disponibles para el siguiente
periodo de planeacin de 3 meses son los que se presentan enseguida.
Mes Demanda Capacidad Capacidad de Costo de Costo de
de Almacn produccin x Tenencia x Unidad
produccin unidad

92
1 20 30 41 $ 2.00 $.30
2 30 20 30 $1.50 $.30
3 30 30 20 $2.00 $.20

a).-Utilizando el mtodo de programacin dinmica que se emboz. Obtenga las

cantidades de produccin y los niveles de inventario optimo en cada periodo para
Mills Manufacturing Company. Supngase que se tiene un inventario inicial de 10
unidades al principio del mes 1 y la corridas de p

93
 INVESTIGACION DE OPERACIONES II
FORMATO PARA PROGRAMACION DINAMICA CON INVENTARIOS
ALUMNO__________________________________________________________

D3= P3= W3= d3= D2= P2= W2= D2= D1= P1= W1= D1=

X3 Etapa 3 X2 Etapa 2 X1 Etapa 1 X0

X2 = X3 + d3 - D3 X1 = X2 + d2 D2 X0 = X1 + d1 D1

r3 (X3,d3) r2 (X2,d2) r1 (X1,d1)

Restricciones del sistema:

dn < Pn
Xn + dn > Dn
Xn + dn Dn = Wn
Rn (Xn, dn) = Cn dn + Hn (Xn + dn Dn)

Tabla de primera decisin:

X1 D1 f1 (X1)

Tabla de segunda decisin

d2
X2 f2 (X2)= f2 (X2)= f2 (X2)= f2 (X2)=

94
 Tabla de tercera decisin:
d3
X3 f3 (X3)= f3 (X3)= f3 (X3)= f3 (X3)=

Tabla de resultados:

Mes dn Xn Dn Cn Hn Costo Total Costo Total Costo total

Produccin Inventario produccin e
Cp = Cn (dn) Ci = Hn (Xn + dn inventario
Dn) Ct = Cp + Ci

95
UNIDAD 6

OBJETIVO PARTICULAR DE LA UNIDAD

Al trmino de la unidad el estudiante analizar en forma general el concepto de simulacin,

ventajas y desventajas, as como su proceso de desarrollo y utilizar la misma para la solucin
de problemas.

OBJETIVOS ESPECFICOS

Simulaciones empricas
Teora sobre distribuciones continuas y discretas
Teora sobre generadores de proceso
Simulacin Montecarlo
Utilizacin en lneas de espera
Mejoramiento del diseo de sistemas
Casos prcticos

96
Unidad 6.- SIMULACION

6.1. INTRODUCCIN
La creciente capacidad de las computadoras y la inmensa investigacin en el campo de la
Ciencia de la Computacin otorgan nuevas herramientas para apoyar el proceso de la toma de
decisiones en diversas disciplinas y reas de diseo y manejo de la industria. La Simulacin
es una de las herramientas ms importantes y ms interdisciplinarias. En pocas palabras
podemos decir, que la simulacin realiza cuando la computadora finge ser una tienda, un avin
o un mercado de abarrotes. El usuario define la estructura del sistema que quiere simular.
Una corrida del programa de simulacin correspondiente le dice cual ser el comportamiento
dinmico de su empresa o de la maquina que esta diseando. As podemos ver los
pronsticos para la demanda y utilidad de nuestro producto, o ver cuando un mecanismo
pueda fallar en las condiciones adversas del ambiente donde funcionar.
Las aplicaciones de la simulacin parecen no tener lmites. Actualmente se simulan los
comportamientos hasta las partes ms pequeas de un mecanismo, el desarrollo de las
epidemias, el sistema inmunolgico humano, las plantas productivas, sucursales bancarias, el
sistema de reparticin de pizzas en la Ciudad de Mxico, crecimiento de poblaciones de
especies de animales, partidos y torneos de ftbol, movimiento de los planetas y la evolucin
del universo, para mencionar unos pocos ejemplos de las aplicaciones de esta herramienta.
Cabe mencionar la creciente importancia de la Simulacin en la Investigacin de operaciones y
en sus aplicaciones industriales. En los pases altamente desarrollados la simulacin es una
herramienta principal de en los procesos de toma de decisiones, en el manejo de empresas y
el planeacin de la produccin. Adems, la Simulacin es cada vez ms amigable para el
usuario, que no tiene que ser un especialista en computacin.
El Dr. Ralph Huntsinger, ex-presidente de la Society for Computer Simulation y actual
Presidente del Instituto McLeod de las Ciencias de Simulacin ha dicho en sus presentaciones
en el Primer Simposio sobre la Simulacin por Computadora y la III Conferencia sobre
Simulacin por Computadora (Universidad Panamericana, Noviembre 1992 y 1995):

!LA SIMULACIN ES TIL Y DIVERTIDA

DISFRUTE SUS VENTAJAS

SISTEMAS, MODELOS Y SIMULACIN

Existen diversos enunciados para definir un sistema, por ejemplo: un sistema de
coleccin de entidades (personas, mquinas equipos, etc.)Los cuales actan o interactan
juntos, para lograr un propsito bien definido ( Schmidt & Taylor ) o bien Un sistema es un
conjunto de componentes cuyos parmetros de comportamiento estn interrelacionados.
Simular un sistema significa observar un sistema equivalente que aproxima o imita el
comportamiento del sistema real.
En la prctica, lo que se entiende por sistema depende sobre todo el objetivo que se quiera
alcanzar en un estudio en particular.
La coleccin de entidades que componen un sistema puede ser tan slo un subconjunto de un
sistema ms amplio. Por ejemplo, si se quiere llevar a cabo un estudio en un banco, para
poder determinar el nmero de cajeros que se quieren, para proporcionar un adecuado servicio
a los clientes que deseen cambiar cheques por dinero en efectivo o bien para hacer un
depsito en su cuenta de ahorros, el sistema puede ser definido como una porcin del banco
que consiste en los cajeros y los clientes que esperaban en una fila para ser atendidos. Si por
otro lado se incluyera la oficina de depsito de valores
y cajas personales de seguridad, entonces la definicin de sistema cambia de manera natural.
Entonces las Entidades de un sistema son los elementos que nos interesan en el sistema y los
atributos son la descripcin de las propiedades de las entidades. Actividad es el proceso que

97
causa cambios en el sistema. Estas pueden ser: endgenas cuando se generan dentro del
mismo sistema y exgenas cuando provienen del medio exterior.

El estado de un sistema queda definido como la coleccin de variables necesarias para

describir un sistema particular, congruente con los objetivos de estudio ( es una fotografa del
sistema )
En el ejemplo del banco, algunas de las posibles variables de estado que pueden definirse
son: el nmero de cajeros, el nmero de clientes en el banco, la hora de llegada de cada
cliente al banco.
Los sistemas se clasifican en discreto es aquel en el que las variables de estado
cambian instantneamente en puntos distintos en el tiempo. Se rigen por ecuaciones lgicas
que expresan condiciones para que un evento ocurra. La simulacin discreta, consiste en
seguir los cambios en el estado del sistema resultando de cada uno de los eventos que se
realizan. Por regla general este tipo de la simulacin se realiza siguiendo la secuencia de
ocurrencia de eventos, es decir avanzamos el tiempo de la simulacin al tiempo de la
ocurrencia del siguiente evento.

En los sistemas discretos, el flujo es tratado como un cierto nmero de enteros. Por
ejemplo en el anlisis de flujo de personas en el supermercado, involucra el tiempo que tarda
una persona en las distancias areas del supermercado y el contador de salida de un sistema
discreto, otros sistemas discretos son: el anlisis de como el de trfico de autobuses en una
central camionera, e control de trfico de: trenes en una estacin ferroviaria, aviones en el
aeropuerto, vehculos en una autopista, buques en el puerto. Otro ejemplo puede ser un
banco, dado que las variables de estado como pueden ser: el nmero de clientes dentro del
banco, cambia solamente cuando llega un nuevo cliente o bien cuando un cliente termina de
ser atendido por un cajero y abandona el banco.

Un sistema continuo es aquel en el que las variables de estado cambian de manera

continua en el tiempo. Por ejemplo si consideramos un aeroplano que se mueve por los aires,
sus variables de estado como velocidad, posicin, consumo de combustible, etc., cambian de
manera continua en el tiempo.

En los sistemas continuos el flujo a travs del sistema es, el de un medio continuo, por
ejemplo el flujo de las partculas slidas, movindose a velocidades relativas al tamao de las
partculas presentes en la corriente.

En la prctica, pocos sistemas continuos puros o como sistemas discretos puros, sin
embargo predomina uno de los dos, con lo cual es posible identificarlos.

Otra manera de clasificar a los sistemas es determinsticos y estocsticos. En un

anlisis determinstico, las variables de entrada se especifican de una manera precisa; en
cambio en un anlisis estocstico, las condiciones de entrada al sistema son inciertas, son
completamente aleatorias, es decir obedecen a una ley de distribucin de probabilidad.

SOLUCIN ANALTICA CONTRA SIMULACIN

Una vez que se ha construido un modelo matemtico, este debe ser analizado para saber la
manera como debe ser utilizado para que de respuesta a las preguntas de inters, acerca del
sistema que supuestamente representa.

98
 Si el modelo es lo suficiente sencillo, es posible trabajar con cantidades y relaciones
que tiendan a la exactitud, obtenindose entonces una solucin exacta. Sin embargo, an las
soluciones analticas pueden ser extraordinariamente complejas, requirindose de un
considerable tiempo de cmputo.

Pero cuando el modelo es demasiado complejo, el modelo matemtico asociado es de

las mismas caractersticas y la opcin de utilizar una solucin analtica se desvanece, dando
paso al estudio del sistema mediante simulacin.

6.2.-TIPOS DE MODELOS DE SIMULACIN.

MODELOS DE SIMULACIN ESTTICA VS. DINMICA
Un modelo de simulacin esttica, se entiende como la representacin de un sistema
para un instante (en el tiempo) en particular o bien para representar un sistema en el que el
tiempo no es importante, por ejemplo la simulacin Montecarlo; en cambio un modelo de
simulacin dinmica representa a un sistema en el que el tiempo es una variable de inters,
como por ejemplo en el sistema de transporte de materiales dentro de una fbrica, una torre de
enfriamiento de una central termoelctrica, etc..

MODELOS DE SIMULACIN DETERMINISTA VS ESTOCASTICA

Si un modelo de simulacin no considera ninguna variable importante, comportndose de
acuerdo con una ley probabilstica, se le llama un modelo de simulacin determinista. En estos
modelos la salida queda determinada una vez que se especifican los datos y relaciones de
entrada al modelo, tomando una cierta cantidad de tiempo de cmputo para su evaluacin. Sin
embargo, muchos sistemas se modelan tomando en cuenta algn componente aleatorio de
entrada, lo que da la caracterstica de modelo estocstico de simulacin.
Un ejemplo sera un sistema de inventarios de una fbrica, o bien el sistema de lneas de
espera de una fabrica, etc. Estos modelos producen una salida que es en si misma de
carcter aleatorio y sta debe ser tratada nicamente para estimar las caractersticas reales
del modelo, esta es una de las principales desventajas de este tipo de simulacin.

6.2.1 MODELOS DE SIMULACIN CONTINUOS VS DISCRETOS

Los modelos de simulacin discretos y continuos, se definen de manera anlogo a los
sistemas discretos y continuos respectivamente. Pero debe entenderse que un modelo
discreto de simulacin no siempre se usa para modelar un sistema discreto. La decisin de
utilizar un modelo discreto o continuo para simular un sistema en particular, depende de los
objetivos especficos de estudio. Por ejemplo: un modelo de flujo de trfico en una super-
carretera, puede ser discreto si las caractersticas y movimientos de los vehculos en forma
individual es importante. En cambio si los vehculos pueden considerarse como un agregado
en el flujo de trfico entonces se puede usar un modelo basado en ecuaciones diferenciales
presentes en un modelo continuo.
Otro ejemplo: Un fabricante de comida para perros, requiere el auxilio de una compaa
consultora con el objeto de construir un modelo de simulacin para su lnea de fabricacin, la
cual produce medio milln de latas al da a una velocidad casi constante. Debido a que cada
una de las latas se represent como una entidad separada en el modelo, ste resulto ser
demasiado detallado y por ende caro para correrlo, hacindolo poco til. Unos meses ms
tarde, se hizo una reformulacin del modelo, tratando al proceso como un flujo continuo. Este
nuevo modelo produjo resultados precisos y se ejecuto en una fraccin del tiempo necesario
por el modelo original.

VENTAJAS Y DESVENTAJAS DEL USO DE LA SIMULACIN

99
 Aunque la tcnica de simulacin generalmente se ve como un mtodo de ltimo
recurso, recientes avances en las metodologas de simulacin y la gran disponibilidad de
software que actualmente existe en el mercado, han hecho que la tcnica de simulacin sea
una de las herramientas ms ampliamente usadas en el anlisis de sistemas. Adems de las
razones antes mencionadas, Thomas H. Naylor ha sugerido que un estudio de simulacin es
muy recomendable porque presenta las siguientes ventajas:

A travs de un estudio de simulacin, se puede estudiar el efecto de cambios internos y

externos del sistema, al hacer alteraciones en el modelo del sistema y observando los
efectos de esas alteraciones en el comportamiento del sistema.

Una observacin detallada del sistema que se est simulando puede conducir a un mejor
entendimiento del sistema y por consiguiente a sugerir estrategias que mejoren la operacin
y eficiencia del sistema.

La tcnica de simulacin puede ser utilizada como un instrumento pedaggico para ensear
a estudiantes habilidades bsicas en anlisis estadsticos, anlisis terico, etc.

La simulacin de sistemas complejos puede ayudar a entender mejor la operacin del

sistema, a detectar las variables ms importantes que interactan en el sistema y a
entender mejor las interrelaciones entre estas variables.

La tcnica de simulacin puede ser utilizada para experimentar con nuevas situaciones,
sobre las cuales tiene poca o ninguna informacin. A travs de esta experimentacin se
puede anticipar mejor a posibles resultados no previstos.

La tcnica de simulacin se puede utilizar tambin para entrenamiento de personal. En

algunas ocasiones se puede tener una buena representacin de un sistema (como por
ejemplo los juegos de negocios), y entonces a travs de l es posible entrenar y dar
experiencia a cierto tipo de personal.

Cuando nuevos elementos son introducidos en un sistema, la simulacin puede ser usada
para anticipar cuellos de botella o algn otro problema que puede surgir en el
comportamiento del sistema.

Los sistemas los cuales son sujetos de investigacin de su comportamiento no necesitan

existir actualmente para ser sujetos de experimentacin basados en la simulacin. Solo
necesitan existir en la mente del diseador.

El tiempo puede ser compensado en los modelos de simulacin. El equivalente de das,

semanas y meses de un sistema real en operacin frecuente pueden ser simulados en solo
segundos, minutos u horas en una computadora. Esto significa que un largo nmero de
alternativas de solucin pueden ser simuladas y los resultados pueden estar disponibles de
forma breve y pueden ser suficientes para influir en la eleccin de un diseo para un
sistema.

En simulacin cada variable puede sostenerse constante excepto algunas cuya influencia
est siendo estudiada. Como resultado el posible efecto de descontrol de las variables en
el comportamiento del sistema necesitan no ser tomados en cuenta. Como frecuentemente
debe ser hecho cuando el experimento est desarrollado sobre un sistema real.

100
 Es posible reproducir eventos aleatorios idnticos mediante una secuencia de nmeros
aleatorios. Esto hace posible usar las tcnicas de reproduccin de varianza para mejorar la
precisin con la cual las caractersticas del sistema pueden ser estimadas para dar un valor
que refleje el esfuerzo de la simulacin.

A diferencia de las ventajas mencionadas, la tcnica de simulacin presenta

importantes desventajas, stas son:

Falla al producir resultados exactos. S supone que un sistema sta compuesto de uno o
ms elementos que estn sujetos a un comportamiento al azar. Cuando una simulacin es
desarrollada con un modelo del sistema, los valores de cada variable son registrados y los
promedios de estos valores son dados en una post-simulacin. Pero el promedio en una
muestra de observacin solo a veces provee un estimado de lo esperado, es decir, una
simulacin solo provee estimados, no resultados exactos.

Fallas al optimizar. La simulacin es usada para contestar preguntas del tipo Qu pasa
si?, pero no d, qu es lo mejor?. En este sentido, la simulacin no es una tcnica de
optimizacin. La simulacin no generar soluciones, solo evala esas que han sido
propuestas.

Largo tiempo de conduccin. Un estudio de simulacin no puede ser conducido o llevado a

cabo en solo un fin de semana. Meses de esfuerzo pueden ser requeridos para reunir
informacin, construir, verificar y validar modelos, disear experimentos y evaluar e
interpretar los resultados.

Costos para proveer capacidad de simulacin. El establecimiento y mantenimiento de

capacidad de simulacin, envuelve tener mejor personal, software, hardware, entrenamiento
y otro tipo de costos.

Abuso de simulacin. Hay muchas facetas para un balanceo y comprensivo estudio de la

simulacin. Ya que una persona debe tener conocimiento de una gran variedad de reas
antes de llegar a ser un practicante de la simulacin. Este hecho es algunas veces
ignorado, sin embargo como resultado, cada estudio puede incorrectamente ser
desarrollado, o podra estar incompleto, o podra caer en otro tipo de caminos, quiz
resultado de una falla del esfuerzo de la simulacin.

En conclusin la simulacin ofrece poderosas ventajas pero sufre de mayores

desventajas tambin. Afortunadamente muchas de estas desventajas estn disminuyendo en
importancia en el tiempo, gracias a las herramientas que emplean simulacin. Metodologas,
desarrollo de computadoras y de software y decrementos en los costos de los mismos.

6.2.2 Distintos Tipos de Frecuencia:

Una de los primeros pasos que se realizan en cualquier estudio estadstico es la tabulacin de
resultados, es decir, recoger la informacin de la muestra resumida en una tabla en la que a
cada valor de la variable se le asocian determinados nmeros que representan el nmero de
veces que ha aparecido, su proporcin con respecto a otros valores de la variable, etc. Estos
nmeros se denominan frecuencias: As tenemos los siguientes tipos de frecuencia:

1. Frecuencia absoluta
2. Frecuencia relativa

101
 3. Porcentaje
4. Frecuencia absoluta acumulada
5. Frecuencia relativa acumulada
6. Porcentaje acumulado
7. Ejemplo

Frecuencia absoluta:

La frecuencia absoluta de una variable estadstica es el nmero de veces que aparece en la

muestra dicho valor de la variable, la representaremos por ni

Frecuencia relativa:

La frecuencia absoluta, es una medida que est influida por el tamao de la muestra, al
aumentar el tamao de la muestra aumentar tambin el tamao de la frecuencia absoluta.
Esto hace que no sea una medida til para poder comparar. Para esto es necesario introducir
el concepto de frecuencia relativa, que es el cociente entre la frecuencia absoluta y el tamao
de la muestra. La denotaremos por fi

Donde N = Tamao de la muestra

Porcentaje:

La frecuencia relativa es un tanto por uno, sin embargo, hoy da es bastante frecuente hablar
siempre en trminos de tantos por ciento o porcentajes, por lo que esta medida resulta de
multiplicar la frecuencia relativa por 100. La denotaremos por pi.

Frecuencia Absoluta Acunulada:

Para poder calcular este tipo de frecuencias hay que tener en cuenta que la variable
estadstica ha de ser cuantitativa o cualitativa ordenable. En otro caso no tiene mucho sentido
el clculo de esta frecuencia. La frecuencia absoluta acumulada de un valor de la variable, es
el nmero de veces que ha aparecido en la muestra un valor menor o igual que el de la
variable y lo representaremos por Ni.

&NBSP;

102
&NBSP;

Frecuencia Relativa Acunulada:

Al igual que en el caso anterior la frecuencia relativa acumulada es la frecuencia absoluta

acumulada dividido por el tamao de la muestra, y la denotaremos por Fi

Porcentaje Acumulado:

Anlogamente se define el Porcentaje Acumulado y lo vamos a denotar por Pi como la

frecuencia relativa acumulada por 100.

&NBSP;

Veamos esto con un ejemplo: Tomamos para ello los datos relativos a las personas activas.

Personas Activas Nmero Familias

Xi ni Fi pi Ni Fi Pi

1 16 16/50 32% 16 16/50 32%

2 20 20/50 40% 36 36/50 72%

3 9 9/50 18% 45 45/50 90%

4 5 5/50 10% 50 50/50 100%

Total 50

103
En este ejemplo se puede ver fcilmente como se calculan estas frecuencias.

&NBSP;

6.2.3.- GENERACIN DE NUMEROS ALEATORIOS Y PSEUDOALEATORIOS.

INTRODUCCIN.
En el presente captulo presentaremos los mtodos ms utilizados, para generar nmeros
aleatorios y pseudoaleatorios con computadora. Dejemos el tema de la aplicacin
Antes de continuar, es necesario establecer la siguiente terminologa. El trmino
variable aleatoria se emplea para nombrar una funcin de valor real, definida sobre un espacio
muestral asociado con los resultados de un experimento conceptual, de naturaleza azoroza. El
valor numrico resultante de un experimento, de cada una de las variables aleatorias, se llama
nmero aleatorio. Se utilizan letras maysculas para denotar las variables aleatorias y
minsculas, para denotar valores de stas variables aleatorias y minsculas, para denotar
valores de stas variables, es decir, para los nmeros aleatorios. Por ejemplo, F(x); la funcin
de distribucin acumulada para una variable aleatoria X, indica la probabilidad de que X sea
menor o igual al particular valor x de la funcin de probabilidad de la variable aleatoria X,
cuando X= x.

6.2.3.1. TECNICAS PARA GENERAR NMEROS ALEATORIOS.

Se han venido usando cuatro mtodos alternativos para generar las sucesiones de nmeros
aleatorios, estos son:

a).- Mtodos manuales

Lanzamiento de monedas
Lanzamiento de dados
Barajas
Dispositivos mecnicos
Dispositivos electrnicos
Ventajas: Son aleatorios
Desventajas: No reproducibles

b).- TABLAS DE BIBLIOTECA.

Son nmeros aleatorios que se han publicado; por ejemplo a Millon Random Digits, de la
Corporacin Rand, de los cuales podemos encontrar listas de los en los libros de probabilidad
y tablas de matemticas. Estos nmeros fueron generados por alguno de los mtodos de
computacin analgica, los cuales mencionados a continuacin.
Ventaja: Provienen de un fenmeno aleatorio y son reproducibles.
Desventaja: No se obtiene en tiempo real.

c).- MTODOS DE COMPUTACIN ANALGICA

104
Los mtodos de computacin analgica dependen de ciertos procesos fsicos aleatorios (por
ejemplo, el comportamiento de una corriente elctrica), por lo que se considera que conducen
verdaderos nmeros aleatorios.
Ventaja: Aleatorios.
Desventaja: No reproducible.

d).- MTODOS DE COMPUTACIN DIGITAL

Se distinguen tres mtodos para producir nmeros aleatorio cuando se usa la computacin
digital (computadoras), los cuales son:

e).-PROVISIN EXTERNA.
Consiste en grabar en la memoria de la computadora, las tablas Randa, a fin de tratar estos
nmeros como datos de entrada para un determinado problema.

f).-GENERACIN POR MEDIO DE PROCESOS FSICOS ALEATORIOS.

Consiste en usar algn aditamento especial de la computadora, para registra los resultados
de algn proceso aleatorio y adems, reduzca estas resultados a sucesiones de dgitos.

g).-GENERACIN INTERNA POR MEDIO DE UNA RELACIN DE RECURRENCIA.

Consiste en generar nmeros pseudoaleatorios por medio de ecuaciones de
recurrencia, en las que necesariamente se tiene que dar un valor inicial o semilla, para generar
los siguientes valores. Vamos ha centrar nuestra atencin en este ltimo mtodo de
computacin digital, y los describiremos ampliamente.
Ventaja: Son reproducibles.
Desventaja: Son pseudoaleatorios.

h).- CARACTERISTICAS DE LOS NMEROS

PSEUDOALEATORIOS
a) Uniformemente distribuidos
b) Estadsticamente independientes
c) Reproducibles
d) Sin repeticin dentro de una longitud determinada

i).-METODOS QUE UTILIZAN ECUACUACIONES DE RECURRENCIA PARA GENERAR

NUMEROS PSEUDOALEATORIOS.
Aqu describiremos los mtodos de generacin de nmeros pseudoaleatorios, usando
ecuaciones de recurrencia.

j).- METODO DE CUADRADOS CENTRALES.

Histricamente, el primer mtodo aritmtico para generar nmeros pseudoaleatorios,
fue el de los cuadrados centrales, en el que cada nmero de la sucesin se obtiene tomando
los dgitos centrales del cuadro del nmero precedente. El modelo matemtico que los
describe es:

n0 = semilla entera (entero positivo)

ni = dgitos centrales de n2i-1
xi = dgitos centrales de x2i-1 para i = 1, 2, 3,

Ejemplo: a) enteros
Sea:
n0 = 83,
n1 = d. c. (6889) = 88

105
n2 = d. c. (7744) = 74
n3 = d. c. (5476) = 47
n4 = d. c. (2209) = 20
n5 = d. c. (0400) = 40
n6 = d. c. (1600) = 60

FRACCIONARIO (Semilla impar y primo)

n0 = 0.528
n1 = 0.278784 = 0.787
n2 = 0.619369 = 0.193
n3 = 0.037249 = 0.372
n4 = 0.138124 = 0.383
n5 = 0.146689 = 0.466
n6 = 0.217151 = 0.171
n7 = 0.029241 = 0.292
n8 = 0.085264 = 0.852
n9 = 0.725904 = 0.259
n10 = 0.067021 = 0.670
n11 = 0.4489 = 0.489
n12 = 0.239121 = 0.391
n13 = 0.152881 = 0.528 P = 13
n14 = 0.278784 = 0.787

k).-METODOS DE GENERACIN DE NUM. PSEUDOALEATORIOS U(0,1).

-Mtodos congruenciales 69
Reglas:
C debe ser un entero impar, no divisible ni por 3 ni por 5
a usualmente puede ser cualquier constante sin embargo para asegurar buenos resultados,
seleccione a de tal forma que (a) mod 8= 5 para una computadora binario a o (a) mod 200 =
21 para una computadora decimal.
M debe ser el nmero entero ms grande que la computadora acepte
De acuerdo con Hull y Debell, los mejores resultados par un generador congruencial
mixto en una computadora binaria son:
a = 8 * c 3
c = cualquier entero
r0 = cualquier entero impar (ni)
m =2b donde b>2 y que m sea aceptado por la computadora
6.2.4. SIMULACION POR MTODO MONTE CARLO
Simulacin estadstica o Monte Carlo: Est basada en el muestreo sistemtico de
variables aleatorias
S IMULACIN MONTE CARLO
Los mtodos de Monte Carlo abarcan una coleccin de tcnicas que permiten obtener
soluciones de problemas matemticos o fsicos por medio de pruebas aleatorias repetidas. En
la prctica, las pruebas aleatorias se sustituyen por resultados de ciertos clculos realizados
con nmeros aleatorios.
INTRODUCCIN
Bajo el nombre de Mtodo Monte Carlo o Simulacin Monte Carlo se agrupan una
serie de procedimientos que analizan distribuciones de variables aleatorias usando simulacin
de nmeros aleatorios.

106
El Mtodo de Monte Carlo da solucin a una gran variedad de problemas matemticos
haciendo experimentos con muestreos estadsticos en una computadora. El mtodo es
aplicable a cualquier tipo de problema, ya sea estocstico o determinstico. Generalmente en
estadstica los modelos aleatorios se usan para simular fenmenos que poseen algn
componente aleatorio. Pero en el mtodo Monte Carlo, por otro lado, el objeto de la
investigacin es el objeto en s mismo, un suceso aleatorio o pseudo-aleatorio se usa para
estudiar el modelo. A veces la aplicacin del mtodo Monte Carlo se usa para analizar
problemas que no tienen un componente aleatorio explcito; en estos casos un parmetro
determinista del problema se expresa como una distribucin aleatoria y se simula dicha
distribucin. Un ejemplo sera el famoso problema de las Agujas de Bufn.
La simulacin de Monte Carlo tambin fue creada para resolver integrales que no se
pueden resolver por mtodos analticos, para solucionar estas integrales se usaron nmeros
aleatorios. Posteriormente se utiliz para cualquier esquema que emplee nmeros aleatorios,
usando variables aleatorias con distribuciones de probabilidad
conocidas, el cual es usado para resolver ciertos problemas estocsticos y determinsticos,
donde el tiempo no juega un papel importante.
.
ALGORITMOS
El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la generacin de
nmeros aleatorios por el mtodo de Transformacin Inversa, el cual se basa en las
distribuciones acumuladas de frecuencias:
Determinar la/s V.A. y sus distribuciones acumuladas(F)
Generar un nmero aleatorio uniforme (0,1).
Determinar el valor de la V.A. para el nmero aleatorio generado de acuerdo a las clases que
tengamos.
Calcular media, desviacin estndar error y realizar el histograma.
Analizar resultados para distintos tamaos de muestra.
Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es
directamente el resultado de la simulacin o tenemos relaciones entre variables es la siguiente:
Disear el modelo lgico de decisin
Especificar distribuciones de probabilidad para las variables aleatorias relevantes.
Incluir posibles dependencias entre variables.
Muestrear valores de las variables aleatorias.
Calcular el resultado del modelo segn los valores del muestreo (iteracin) y registrar el
resultado. Repetir el proceso hasta tener una muestra estadsticamente representativa
Obtener la distribucin de frecuencias del resultado de las iteraciones
Calcular media, desvo.
Analizar los resultados
Las principales caractersticas a tener en cuenta para la implementacin o utilizacin
del algoritmo son:
El sistema debe ser descripto por 1 o ms funciones de distribucin de probabilidad (fdp)
Generador de nmeros aleatorios: como se generan los nmeros aleatorios es importante para
evitar que se produzca correlacin entre los valores mustrales. Iterar tantas veces como
muestras necesitamos
Establecer lmites y reglas de muestreo para las fdp: conocemos que valores
pueden adoptar las variables.
Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a simular.
Estimacin Error: Con que error trabajamos, cuanto error podemos aceptar para que una
corrida sea vlida? Tcnicas de reduccin de varianza.
Paralelizacin y vectorizacin: En aplicaciones con muchas variables se estudia trabajar con
varios procesadores paralelos para realizar la simulacin.

107
EJEMPLO PRCTICO I
Tenemos la siguiente distribucin de probabilidades para una demanda aleatoria y
queremos ver qu sucede con el promedio de la demanda en varias iteraciones:
Demanda
0.10
0.20
0.40
0.20
0.10
0.00
0.20
0.40
0.60
0.80
1.00
Unidades Frecuencia
42 45 48 51 54
Utilizando la distribucin acumulada (F(x) es la probabilidad que la variable aleatoria
tome valores menores o iguales a x) podemos determinar cul es el valor obtenido de
unidades cuando se genera un nmero aleatorio a partir de una distribucin contina
uniforme. Este mtodo de generacin de variable aleatoria se llama Transformacin Inversa.
Unidades Frecuencia Frecuencia Acumulada
42 0.10 0.10
45 0.20 0.30
48 0.40 0.70
51 0.20 0.90
54 0.10 1.00
Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda
para cada da, interesndonos en este caso como es el orden de aparicin de los valores. Se
busca el nmero aleatorio generado en la tabla de probabilidades acumuladas, una vez
encontrado( si no es el valor exacto, ste debe se menor que el de la fila seleccionada pero
mayor que el de la fila anterior), de esa fila tomada como solucin se toma el valor de las
unidades (Cuando trabajamos en Excel debemos tomar el lmite inferior del intervalo para
busca en las acumuladas, para poder emplear la funcin BUSCARV(), para 42 sera 0, para 43
0,100001 y as sucesivamente).
Ejemplo: Supongamos que el nmero aleatorio generado sea 0,52, a qu valor de unidades
corresponde? Nos fijamos en la columna de frecuencias acumuladas, ese valor exacto no
aparece, el siguiente mayor es 0,70 y corresponde a 48 unidades. Se puede apreciar mejor en
el grfico, trazando una recta desde el eje de la frecuencia hasta que intersecta con la lnea de
la funcin acumulada, luego se baja a la coordenada de unidades y se obtiene el valor
correspondiente; en este caso 48. Cuando trabajamos con variables discretas la funcin
acumulada tiene un intervalo o salto para cada variable(para
casos prcticos hay que definir los intervalos y luego con una funcin de bsqueda hallar el
valor). Para funciones continuas se puede hallar la inversa de la funcin acumulada.
De esta forma logramos a partir de la distribucin de densidad calcular los valores de la
variable aleatoria dada. En la siguiente tabla, vemos como a medida que aumenta el nmero
de simulaciones, el valor simulado se acerca al valor original de la media y desviacin
estndar, adems de la disminucin del error tpico.
Cantidad de simulaciones Media Desvo Error
10 48.60 3.41 1.08
100 48.12 3.16 0.32
1000 47.87 3.28 0.10

108
10000 47.87 3.30 0.03
Nmero de Simulacin Nmeros aleatorios Valor de la Demanda
10 .92 54
20 .71 51
30 .85 51
... ... ...
N 0.46 48
Demanda
0.10
0.30
0.70
0.90
1.00
0.00
0.20
0.40
0.60
0.80
1.00
1.20
Unidades
42 45 48 51 54
Frecuencias
0,52
EJEMPLO PRACTICO I I
Analizaremos ahora una propuesta para la fabricacin de un nuevo artculo durante 4 aos.
Con los datos de la siguiente tabla:
Costos de puesta en marcha $ 150000
Costos variables 75% de los ingresos
Precio de Venta $ 35000
Costos del capital 10%
Costos fijos $ 15000
Tasa Fiscal 34%
Amortizacin anual $ 10000
Demanda promedio anual 10 unidades
La demanda es la variable aleatoria de nuestro modelo, ya que puede tomar los siguientes
valores: 8, 9, 10, 11,12, es una distribucin discreta uniforme. Para poder simular los valores
de esta variable utilizaremos la frmula ENTERO (8+5*ALEATORIO ()). Debido a que los
intervalos son todos de igual tamao (1/5), es igualmente posible que ALEATORIO() llegue a
cada uno de ellos, y por lo tanto es igualmente posible que la frmula de cualquiera de los
cinco valores posibles. La funcin ALEATORIO () de Excel genera un nmero en el intervalo
(0:1) de una distribucin uniforme continua. A travs de la simulacin veremos qu valores va a
tomar el valor neto actual (VNA, El VNA es
calculado mediante la frmula correspondiente del Excel con un inters del 10% ( _= +=
n
i
i
i
( tasa )valores VNA1 1). En la columna correspondiente al ao 1 se han indicado las formulas
que definen cada valor) en los 4 aos, utilizando el siguiente modelo matemtico de la
situacin:
Ao 0 Ao 1 Ao 2 Ao 3 Ao 4 Demanda

109
ENTERO(8+5*ALEATORIO())12 9 9
Ingresos
Precio de Venta*Demanda 420000 315000 315000
Costo Fijo Costo fijo 15000 15000 15000
Costo Variable 75% Ingresos 315000 236250 236250
Amortizacin 10000 10000 10000 10000
Utilidad antes de Impuestos
Ingresos -Suma(costos)80000 53750 53750
Impuestos 34 % anterior 27200 18275 18275
Utilidad despus de impuestos Utilidad - Impuestos 52800 35475 35475
Flujo neto de efectivo -150000 Utilidad Amortizacin 62800 45475 45475
Valor Neto Actual -21160
Ahora realizaremos varias corridas con diferentes tamaos de muestra para ver que
sucede con el VNA. Armamos en otra hoja un cuadro con dos columnas y tantas filas como
iteraciones(tamao de la muestra) deseemos realizar. En la columna VNA copiamos con
pegado especial(frmula) la celda del modelo en la cual se calcula el VNA. Seleccionamos
toda la tabla y con la herramienta Tabla en Datos se forma una tabla dinmica que contendr
las simulaciones para la cantidad de iteraciones que hagamos.
Luego para cada tamao de muestra aplicaremos Estadstica descriptiva(En herramientas,
Anlisis de datos) e Histograma (las clases que utilizamos son: -30000, -20000, -10000, 0,
10000, 20000, 30000)
Ahora realizamos una sntesis de las simulaciones desarrolladas para poder ver que sucedi
con el modelo:
El valor de la media y desviacin estndar se estacionan a medida que aumenta la
cantidad de iteraciones. Tambin, como podemos observar en el grfico, disminuye
notablemente el error. Tambin el modelo nos presenta mayor variabilidad para los valores
mximo y mnimo.
Cantidad de
Iteraciones Media Desviacin Estndar Mximo Mnimo Error
10 13253.55 18445.01 44294.82 -9711.94 5832.82
100 13515.19 13395.87 44728.71 -14567.50 1339.59
500 12686.22 13208.55 49067.55 -19817.50 590.70
1000 12147.81 12999.81 49067.55 -24156.34 411.09
5000 12612.65 13085.18 49067.55 -24156.34 185.05
10000 12537.13 12954.22 49067.55 -24156.34 129.54

Histograma para 10 iteraciones

0
0.5
1
1.5
2
2.5
3
3.5
4
4.
Clase
-30000
-20000
-10000
0

110
10000
20000
30000
40000
50000
y mayor...
Frecuencia Acumulada
.00%
20.00%
40.00%
60.00%
80.00%
100.00%
120.00%

Sistemas de colas.
Sistemas de inventario P y Q.
Valoracin de cartera de valores.
Sintesis
El mtodo de Monte Carlo es una herramienta de investigacin y planeamiento;
bsicamente es una tcnica de muestreo artificial, empleada para operar numricamente
sistemas complejos que tengan componentes aleatorios o determinsticos, manteniendo tanto
Resumen
-30000
-20000
-10000
0
10000
20000
30000
40000
50000
60000
Cantidad de Iteraciones
10
100
500
1000
5000
N Experimentos
Valores de la variables aleatorias
Media Desviacin Estndar Mximo Mnimo Error
Cuando el tamao de las muestras es relativamente reducido, los resultados obtenidos
en la simulacin pueden ser muy sensibles a las condiciones iniciales.
Un rea de investigacin est constituida por los mtodos Quasi-Monte Carlo, estos

6.3 APLICACION
La simulacin en computadoras es un recurso para dirigir experimentos cientficos en las
empresas y sistema econmico. Para planear experimentos de simulacin, aplicables a los
sistemas econmicos e industriales, necesariamente debemos recurrir a tcnicas como la
estadstica matemtica, el anlisis numrico, la econometra, la programacin en computadora
y el diseo de experimentos.

111
6.3.1 METODOLOGA
La experiencia sugiere que la planeacin de experimentos de simulacin requiera de un
procedimiento que consta de las etapas siguientes:
Formulacin del problema.
Recoleccin y procedimiento de datos tomados en realidad.
Formulacin de un modelo matemtico.
Estimacin de los parmetros de las caractersticas operacionales a partir de los datos reales.
Evaluacin del modelo y de los parmetros estimados.
Formulacin de un programa para la computadora.
Validacin.
Diseo de los experimentos de simulacin.
Anlisis de los datos se simulacin.
Aunque el orden en que se implantan esos nueve pasos permanece abierto a
discusin, la figura 3.1 los muestra bajo una ordenacin basada en los resultados de
experiencias [Naylor, 1977].
Con toda seguridad, cualquier procedimiento de este tipo resulta sumamente arbitrario
en su naturaleza y la posibilidad de juzgarlo slo existe en un plano puramente pragmtico.

(1)

FOMULACIN DEL PROBLEMA

(2)

RECOLECCIN Y PROCESAMIENTO
DE DATOS

(3)

FORMULACIN DEL MODELO

MATEMATICO

(4)

ESTIMACIN DELOS PARAMETROS

MODELO RECHAZADO

EVALUACIN DEL (5)

112
 MODELO

MODELO
ACEPTADO (6)

FORMULACIN DEL
PROGRAMA PARA LA
COMPUTADORA

(7)

VERIFICACIN

(8)

DISEO DE EXPERIMENTOS

(9)
ANALISIS DE DATOS DE SIMULACION

FORMULACIN DEL PROBLEMA

Generalmente un problema se presenta por sntomas, no por el diagnostico. Por lo que
antes de generar soluciones en un sistema, se deben buscar el mayor nmero de sntomas.
Segn Acoff y Sasieni, las condiciones para que exista el mas simple de los problemas
son:
1. Debe existir por lo menos un individuo que se encuentra dentro de un marco de referencia,
el cual se puede atribuir el problema del sistema.
2. El individuo debe tener por lo menos un par de alternativas para resolver su problema, en
caso contrario no existe tal problema.
3. Deben de existir por lo menos, un par de soluciones, una de las cuales debe tener mayor
aceptacin que la otra en el individuo. En caso contrario, no existe el problema. Esta
preferencia esta asociada a un cierto objetivo dentro del marco de referencia en donde se
encuentra el individuo del sistema.
4. La seleccin de cualquiera de las soluciones debe repercutir de manera diferente en los
objetivos del sistema, es decir existe una eficiencia y/o efectividad asociada con cada
solucin. Estas eficiencias y/o efectividades deben ser diferentes, puesto que de lo
contrario no existe problema.
5. Por ultimo le individuo que toma las decisiones ignora las soluciones y/o eficiencia y/o
efectividades asociadas con las soluciones del problema. Si las cinco condiciones anteriores
existen, entonces se tiene un problema. Esta situacin puede complicarse en los siguientes
casos:
a) El problema recae en un grupo, no en un individuo.
b) El marco de referencia donde se encuentra el grupo, cambia en forma dinmica.
c) El numero de alternativas que el grupo puede escoger es bastante grande, pero finito.

113
d) El grupo dentro del sistema puede tener objetivos mltiples. Peor an, no necesariamente
estos objetivos son consistentes entre si.
e) Las alternativas que selecciona el grupo son ejecutadas por otro grupo ajeno, al cual no se
le puede considerar como elemento independiente del sistema.
f) Los efectos de la decisin del grupo pueden sentirse por elementos que aun siendo ajenos
al sistema considerando, influyen directa o indirectamente, favorable o desfavorablemente
hacia el (poltico, consumidor, etc.).

Para formular un problema se necesita la siguiente informacin:

a) Existe un problema?
b) De quin es el problema?
c) Cul es el marco de referencia del sistema donde se encuentra el problema?
d) Quin o quienes toman las decisiones?
e) Cules son sus objetivos?
f) Cules son los componentes controlables del sistema y cules no lo son?
g) Cules son las interrelaciones ms importantes del sistema?
h) Cmo se emplearan los resultados del proyecto? Por quin? qu efectos tendr?
i) Las soluciones tendrn efecto a corto o largo plazo?
j) Podrn los efectos de las soluciones modificarse o cambiarse fcilmente?
k) Cuntos elementos del sistema se afectaran por las soluciones del proyecto? En qu
grado?

FORMULAR UN PROBLEMA REQUIERE:

a) Identificar las componentes controlables de un sistema.
b) Identificar posibles rutas de accin dadas por las componentes, controlables.
c) Definir el marco de referencia, dado por las componentes no controlables
d) Definir los objetivos que se persiguen y clasificarlos por su orden de importancia.

Identificar las relaciones importantes entre las diferentes componentes del sistema, este
paso equivale a encontrar las restricciones que existen, a la vez que permite ms adelante
representar estas interrelaciones en forma matemtica.
La identificacin de la estructura del sistema (componentes, canales, interrelaciones,
etc.), se hace a travs de un proceso sistemtico, que se conoce como diseo de sistemas.
El diseo de sistemas se lleva a cabo de la siguiente manera:
a) Se ubica al sistema considerando dentro de sistemas ms grandes.
b) Se determinan las componentes del sistema.
c) Se determinan los canales de comunicacin entre las componentes del sistema y de este
hacia los elementos de otros sistemas que van a tener influencia directa o indirecta.
d) Se determinan de qu manera se tiene acceso a la informacin requerida como se procesa
esta y como se transmite entre las diferentes componentes del sistema.

RECOLECCION Y PROCESAMIENTO DE LA INFORMACIN.

1.- Mediante algn mtodo de recoleccin se necesita capturar los siguientes datos.
- Nmero de llegadas por unidad de tiempo a diferente horarios.
- Tiempos entre llegadas en diferentes horarios.
- Operaciones que se realizan en el banco.
- Frecuencia de los servicios requeridos por el usuario.
- Comportamiento del usuario en las lneas de espera.
2.- Procesar la informacin capturada, en forma de tablas, grficas, etc. a travs de algn
paquete computacional.
Recoleccin y procesamiento de la informacin.

114
RECOLECCIN: Es el proceso de capturar los datos disponibles que se requieren para la
simulacin del comportamiento del sistema.
PROCESAMIENTO: Se comprenden las actividades requeridas para transformar los datos en
informacin.
Por ejemplo, un directorio telefnico es un banco de datos: mi direccin y telfono es
informacin que procede de ese banco de datos el hecho de que estos datos estn arreglados
en cierta forma (procesados y forma alfabtica), permite el acceso a la informacin deseada de
una manera sencilla.
La formulacin es necesaria para poder simular un sistema.
La informacin debe ser: oportuna relevante y confiable.

FUENTES PARA GENERAR INFORMACIN

1.- Las series histricas o de tiempo: son datos tiles y de rpido procesamiento para
convertirlos en informacin.
2.- La opinin de expertos: Es informacin subjetiva, carente de detalle y de utilidad mnima,
econmica y rpida de obtener cierto tipo de informacin complementaria.
3.- Los estudios de campo: son el mtodo ms efectivo, aunque ms costoso y tardado, de
obtener informacin requerida. Se requiere el diseo de una muestra estadstica representativa
del universo bajo estudio; de un cuestionario que asegure la relevancia y confiabilidad de un
cuestionario y que asegure la relevancia y confiabilidad de los mismos y de personal entrenado
que aplique la encuesta. La informacin capturada se mete a la computadora a travs de
algn paquete y se edita.

FORMULACIN DEL MODELO.

1. Representar el sistema mediante un esquema en el que se visualice en cada modula con
sus componentes, atributos, actividades endgenas y exgenas y las relaciones entre
estas. El conjunto de todos estos mdulos es el sistema.
2. Caracterizar matemticamente las relaciones quien gobierna la interaccin de las
componentes del sistema y de las actividades endgenas y exgenas.
Es mas fcil construir una expresin matemtica de las componentes y actividades del
bloque de que todo el sistema. Sin embargo a una escala, la modelacin puede ser muy difcil
o, en ciertos casos imposibles.
El sistema como un todo se modela matemticamente de acuerdo a la interconexin de
los bloques.
Por ejemplo si un sistema est formada por una sola unidad de servicio y una lnea de
espera, una expresin matemtica para determinar el tiempo promedio que los clientes estn
en el sistema:

TSISTEMA = TCOLA + TSERVICIO

FORMULACIN DEL MODELO
Al modelar el sistema banco se caracterizan por expresiones matemticamente las
relaciones que gobiernan las interacciones de los mdulos con cada uno de sus componentes,
atributos, actividades endgenas y exgenas.

115
 E

Se considera que el sistema banco est formado por el mdulo siguiente:

MODULO 1: Formado por las 6 cajas.
COMPONENTES:
CAJAS A, B, C, D, E, F.
LINEAS DE ESPERA
ATRIBUTOS:
CAJAS: Tipo de operacin que realizan, monto de dinero recaudado, clientes atendidos en
cada actividad; tiempo de servicio para cada actividad.
LINEA DE ESPERA: Tiempo promedio que un cliente est en cola, nmero promedio de cliente
en cada cola.
ACTIVIDADES EXGENAS: Todas las actividades econmicas que originan que los usuarios
lleguen al banco.
ACTIVIDADES ENDGENAS: Son cinco las actividades que se van a realizar en el banco.
1. Ahorro
2. Deposito
3. Cambio de cheques
4. cambio de dinero
5. pago de servicios
Estas actividades pueden hacerse en algunas o varias cajas.
El 10% realizan ahorro, de este 10% el 40% solo realizan ahorro en la caja a el 60% adems
van a depositar en las cajas B a F.
El 20% realizan la operacin de depsito en las cajas B a F
El 40% realizaba la operacin de depsito en las cajas B a F
45% cheques < 1000 cajas B y E
35% cheques 1001 a 5000 cajas C y D
20% cheques > 5000 caja F
El 20% realizan la operacin cambio de dinero en las cajas de la B a F.
El 10% realizan la operacin pago de servicios en las cajas B y E.

EVALUACIN DE LAS CARACTERISTICAS DE LA INFORMACIN PROCESADA

Se necesita averiguar el tipo de distribucin probabilstica que gobierna a la
informacin.
Para ello se requiere la realizacin de una serie de prueba estadsticas, para analizar si
existen diferentes significativas entre la distribucin emprica observada (histograma de los
datos capturados) y la distribucin terica supuesta de no existir diferencias significativas, se
utiliza la distribucin terica que generalmente ya viene tabulada. De lo contrario, el
comportamiento del sistema debe hacerse en base a la distribucin emprica observada, lo
cual acarrea cierta complejidad.
Las diferentes pruebas auxiliares para analizar estas diferencias estadsticas son:
a) Pruebas referentes a valores medios (diferentes entre medias).
b) Pruebas referentes a variaciones (Ji-cuadrada, prueba F).
c) Pruebas referentes a conteo de datos (proporciones, tablas de contingencia, bondad de
ajuste, pruebas de corridas e intervalo).
d) Pruebas no paramtricas (rangos, medianas, correccin, Kolmogorov-Smirnov, etc.).

116
EVALUACIN DE LAS CARACTERISTICAS DE LA INFORMACIN PROCESADA
Cmo se evalo que las llegadas de clientes al banco son tipo Poisson o que los
tiempos entre llegadas son de tipo exponencial?
De 9:00 a 10:00 el tiempo promedio es de 15
De 10:00 a 12:00 el tiempo promedio es de 30
De 12:00 a 13:00 el tiempo promedio es de 20

En relacin al tiempo de operacin y caja a utilizar, como se determino que:

El 10% va a ahorrar en la caja a que de este 10%
El 40% se retira.
El 60% se va a deposito.
El 20% se va a depositar en las cajas B a F.
El 40% va a cambio de cheques que de este 40%.
El 45% son cheques < 1000 y va a las cajas B y F.
Que el 35% son cheques 1001 a 5000 y van a las cajas C y D.
Que el 20% son cheques > 5000 y van a la caja F
El 20% va a cambio de dinero en las cajas B y F.
El 10% va apago de servicios y va a las cajas B y F .

Como se concluyo que los tiempos de servicios en las cajas de acuerdo al tipo de
operacin son:
Ahorro 3 1
Deposito
15
. 30
Cambios de cheques
cheque < 1000
1' 30''
cheque 1001 a 5000
2' 45''
cheque> 5000
2.5'' 1
Cambio de dinero
3' 1'
pago de servicios 4 2
Para realizar las pruebas estadsticas se sugiere apoyarse en algn software como el
statgraphics que es un paquete estadstico.
FORMULACIN DEL PROBLEMA
EXISTE UN PROBLEMA?
Recientemente se ha notado la disminucin de clientes en el banco.
Posiblemente el trato hacia el cliente no se a el adecuado. O probablemente el cliente
tarda mucho esperando ha ser atendido que ha optado por buscar los servicios de otro banco.
Posiblemente haya muchas interrogaciones en relacin a lo que est ocurriendo actualmente
en el banco. Pero de ella, la mas importantes es la que est relacionada con el tiempo que
permanece el cliente en el banco como es este tiempo? podra ser disminuido a tal grado
que sea atractivo para el cliente y vuelvan a requerir los servicios del banco?
Problema: La cantidad de clientes ha disminuido, necesitamos ser ms eficientes y eficaz.
De quin es el problema?: De todos los que laboran en el banco pero fundamentalmente del
gerente y el cuerpo directivo.
Marco de referencia?: De acuerdo con la experiencia del gerente se supone que el problema
se encuentra en las cajas, especficamente en el tiempo utilizado para que un cajero atienda a
un cliente. El problema se encuentra en todo el sistema o especficamente en el subsistema
cajas.

117
Quin o quienes toman las decisiones?: El gerente con su cuerpo directivo.
Cules son las componentes controlables del sistema?:
Las cajas: Pueden ponerse cajeros ms rpidos y eficientes, aumentando su nmero.
Las lneas de espera: Pueden organizarse de tal manera que la espera sea agradable.
Estrategias: A travs de personal capacitado se puede orientar al cliente para mandarlo a la
caja ms adecuada y rpida. Esto hacia ms fluida la espera.
Cules son las componentes no controlables? Los clientes en lo que se refiere a tasa de
llegada, a su deseo de irse cuando ha transcurrido cierto tiempo o existen un nmero
determinado de clientes delante de l.
Cules son las interrelaciones ms importantes del sistema? Los recurso del sistema banco
son.
*Recursos humanos.
*Recursos financieros.
*Recursos materiales.
Entre estos existe un nmero muy grande de interrelaciones.

R.H R.F

R.M

En nuestro caso las interrelaciones ms importantes son la que se entre los recursos
humanos con los clientes. Que llegan al banco y que por un tiempo determinado forman parte
del sistema banco.
Cada caja est atendida por sistema humano y este atiende a otro ser humano que es
un cliente.

Cliente cajero

Aunque se maneje dinero y equipo elctrico no existen interrelaciones relevantes que

sean un objetivo para este anlisis.
Nos interesa la utilizacin de las cajas atendidas por seres humanos, denominados
cajeros.
Quines harn la investigacin de lo que est ocurriendo en el sistema banco? Expertos en
investigacin de operaciones, en sistemas y en simulacin.

Cmo se emplearan los resultados de la investigacin? Para el anlisis se determinara:

Nmero promedio de clientes en cada caja.
El tiempo promedio que un cliente est en caja.
El promedio que un cliente est en el sistema.
El nmero promedio en el sistema.
El factor de utilizacin de cada una de las cajas.

118
El numero de los clientes que hicieron determinado tipo de servicio.
La posibilidad de que colas en las cajas con un nmero determinado de clientes.
Determinar los tiempos promedio de atencin de los clientes en las cajas.
Los resultados anteriores se emplearan para analizar con qu condiciones desde el punto de
vista funcional se encuentra el sistema banco.
Por Quin? El grupo de especialistas proporcionara dicha informacin al gerente y su equipo
administrativo para su anlisis y toma de decisiones.
Qu efectos tendr? Puede ser que elimines cajas si es que la utilizacin son muy grandes.
Las soluciones tendrn efecto a corto o largo plazo? Dada la alta competitividad con otros
bancos se sugiere realizar la simulacin del sistema banco para poder tener un anlisis que
traiga como resultado mejorar el servicio que dicho banco proporciona. Todo esto a corto
plazo.
a) Podrn los efectos de las soluciones modificarse o cambiarse fcilmente?: En este caso el
efecto de las soluciones es proporcionar satisfaccin en el cliente una parte de la solucin
sera disminuir el tamao de las lneas de espera, agilizar el tiempo de atencin de caja a
los clientes. Para lograr una mayor satisfaccin se debe permitir decidir hasta qu punto
pueden crecerse los cambios deseados u en su momento disminuirse.
b) Cuntos elementos del sistema se afectaran por las soluciones y en qu grado?: Los
elementos del sistema que podran verse afectado son alguna o algunas de las 6 cajas.
Existe la posibilidad de que alguna caja tenga su utilizacin baja, desaparezca,
c) no as el servicio que proporciona al eliminarse cajas, esto podra afectar a algn trabajador.
En la formulacin del problema existe un proceso dialctico entre los que tienen el
problema y los que van a construir el modelo. Algunos objetivos o propsitos pueden definirse
mediante los siguientes aspectos:

a) Preguntas que deben contestarse:

Realmente necesita hacerse un anlisis del funcionamiento del sistema banco? Podra
disminuirse el tiempo de estancia de un cliente en el sistema banco? Sera necesario
instalar equipo electrnico que sirva de apoyo al cajero para dar un servicio ms rpido?,
Se necesitan ms cajas para el servicio?
b) Hiptesis que deben ser verificadas:
La causa de que en el banco haya poca clientela se debe a que los tiempos de servicio en las
cajas son muy lentos originando la acumulacin de mucha cola.
Si el cajero cuenta con equipo electrnico como apoyo a sus operaciones la eficiencia se
elevara hasta el 90%.
Un resultado del anlisis podra ser que despidieran personal.
La administracin del banco podra instalar espejos, sillas, televisiones, la sala para evitar que
los llamados aburridos se fueran.
c) Efectos que deben estimarse:
Cmo afectara al sistema banco si e instalara equipo electrnico en cada caja?
Cmo afectara al sistema banco si se aplica el horario de servicio?
Cmo afectara al sistema banco si se instalan en la localidad otros bancos?

VALIDACIN DEL PROGRAMA POR COMPUTADORA

En el caso del sistema banco se tiene lo siguiente.
1.- Cada corrida genera los siguientes resultados.
a) Un nmero de clientes que se van por aburridos.
b) Un nmero promedio de clientes que se esperan en la cola de cada caja
c) Un factor de utilizacin para cada una de las 6 cajas.
d) Una tabla de tiempos de trnsitos o de estancia de los clientes en el sistema.
e) Una tabla de los tiempos de estancia en cada una de las colas(cajas).
Si se realiza otra corrida se obtiene a otros resultados diferentes.

119
 Cuntas veces se debe correr el programa? An cuando en cada corrida los
resultados son diferentes estadsticamente estos pueden ser confiables.
2.- Establecer las hiptesis para cada tipo de resultados, an cierto nivel de significancia.
Por ejemplo si se hacen 5 simulaciones probar que probabilsticamente los factores de
utilizacin de cada una de las cajas son iguales.

AU = UB = UC = UD = UF
AU = UB = UC = UD = UF
AU = UB = UC = UD = UF
AU = UB = UC = UD = UF
AU = UB = UC = UD = UF

3.- Realizar la prueba de hiptesis para afirmar o refutar la hiptesis como statgraphics.
4.- Simultneamente realizan las pruebas de hiptesis, y se pueden comparar los resultados con
algn patrn de informacin previamente conocido para tener panorama ms amplio y confiable.
5.- Si la hiptesis no fue aceptada entonces se debe revisar exhaustivamente todo el programa
las funciones, procedimientos entradas y salidas de informacin, hasta encontrar si hay el
posible error.
DISEO DE EXPERIMENTOS DE SIMULACIN
Esta fase se puede hacer simultneamente con las fases: diseo y validacin del
programa. Una vez validado el programa se entra a la fase del diseo de experimentos que se
quieren simular, para ello se debe hacer lo siguiente:
1. Definir las variables endgenas y exgenas.
2. Definir las estructuras funcionales que las relacionan.
3. Elegir las distribuciones adecuadas a los parmetros aleatorios.
4. Generar los nmeros y variables aleatorias que de acuerdo a estas distribuciones,
representan al sistema baja estudio.
5. Realizar pruebas de hiptesis para seleccionar la informacin necesaria para realizar la
simulacin.
6. Definir las distintas condiciones iniciales y finales de la simulacin.
7. Realizar un nmero determinado de simulacin.
8. Tabule y grafique los resultados para realizar un mejor anlisis y validacin de la simulacin.

DISEO DEL EXPERIMENTO DE SIMULACIN DEL SISTEMA BANCO

1. Estn bien definidas las variables endgenas del sistema?
2. Estn bien definidas las estructuras funcionales que realizan las variables?
3. Se han hecho las pruebas de hiptesis necesarias para afirmar que:
-Las llegadas son de tipo Poisson o que los tiempos son de tipo exponencial
-Que los tipos de servicio que van a requerir el cliente estn representados por una
distribucin.
-Que las duraciones de los servicios son de tipo uniforme y normal como lo especifica el
enunciado.
4. Se tiene bien definido el modelo generador de nmeros aleatorios?
5. Se tienen bien definidos los modelos generadores de nmeros aleatorios?
En cuanto a las condiciones iniciales y finales se tiene lo siguiente:

CONDICIONES INICIALES
El banco inicia s su funciones a las 9:00
Al inicio no hay ningn cliente

CONDICIONES FINALES

120
 El banco solo pueden darse llegadas hasta las 13:30 horas.
La simulacin termina cuando no haya un solo cliente.

8. Se tienen definidas cuantas simulaciones se van a realizar?

un solo da es de 9:00 a 13:30.
solo podran simular una semana o un mes.

9. Tabular y grafique los resultados obtenidos de cada simulacin con el fin de realizar un
mejor anlisis y validacin de la simulacin.

ANALISIS DE RESULTADOS Y VALIDACIN DE LA SIMULACIN

1. Recolectar sistemticamente los datos producidos por la simulacin.
2. Calcular ciertas estadsticas.
3. Interpretar el comportamiento de la informacin obtenida.
4. Validar los resultados de la simulacin comparando tanto similitud entre los resultados y las
posibles series histricas que se poseen, como el uso que los decisiones le den a esta
herramienta.
La utilizacin del modelo por parte de los decisores es la validacin crucial. De otra
forma el modelo se archiva o se tira a la basura.

ANALISIS DE RESULTADOS Y VALIDACIN DE LA SIMULACIN

1.- Disee una tabla con un formato tal que facilite la visualizacin de los resultados de cada
simulacin del sistema banco

Corrida clientes que se van colas en cada caja utilizacin en cajas

QA, QB, QC, QD, QE, PA, PB, PC, PD, PE,
QF PF

TABLAS DE TIEMPO
2.- Calculo de las estadsticas
Promedios, desviaciones estndar porcentajes etc.
3.- Interpretacin de los resultados
Hacer comparaciones de los promedios entre una y otra simulacin
4.- Comparar estos resultados con algn patrn de informacin o con la realidad que
desea resolver.
Representara a los decisiones.

FORMULACIN DE UN PROGRAMA DE COMPUTADORA.

Esta fase se puede hacer simultneamente con las fases: validacin del programa y el
diseo de experimento los pasos a seguir para formular un programa de computadora son:
a) Elaborar un diagrama de flujo que muestre el efecto de las diferentes actividades sobre las
componentes importantes del sistema

121
b) Disear la programacin en algn lenguaje especial como: GPSS, SIMNET, SIMSCRIPT,
GASP, DYNAMO, etc. lenguajes de alto nivel: PASCAL, C.
-condiciones iniciales de la simulacin.
-condiciones finales.

c) Probar el programa hasta eliminar todos los errores lgicos y no lgicos.

d) Generar resultados.
b) disear un programa:
El programa puede hacerse en lenguajes de alto nivel: C, PASCAL, FORTRAN, BASIC,
PROMODEL etc., lenguajes de simulacin: GPSS SIMNET, cualquiera que sea el lenguaje
seleccionada en el deben ampliarse procedimientos funciones o bloques que describan la
realizacin de llegadas servicios y salidas.

122
UNIDAD 7

OBJETIVO PARTICULAR DE LA UNIDAD

Al trmino de la unidad el estudiante conocer, desarrollar y aplicar el paquete

computacional de Simulacin Promodel.

OBJETIVOS ESPECFICOS

Conceptos de PROMODEL
Instrucciones para programar
Reglas de simulacin
Problemas resueltos empleando PROMODEL
Casos prcticos

123
UNIDAD 7 PROMODEL

7.1. CONCEPTOS DE PROMODEL

Herramienta de simulacin que funciona en computadoras personales en un ambiente
Windows. Mediante una combinacin ideal de facilidad de uso, flexibilidad y potencia, permite
disear y analizar sistemas de produccin y servicios de todo tipo y tamao y modelar
prcticamente toda situacin, en forma casi real, mediante sus capacidades grficas y de
animacin. Promodel fue concebido como una herramienta para
ingenieros y gerentes que desean lograr reducciones de costos, mejoras en la productividad e
incrementar las ventajas estratgicas en la produccin de bienes y servicios. En resumen, con
la simulacin se tiene la habilidad para determinar el uso de los recursos disponibles
personal, equipo e instalaciones ms eficiente y productivamente. No se necesita que el
ingeniero o modelador tenga una gran habilidad para programar. Mediante su interface grfica
y el uso de pequeos modelos pre construidos, permite modelar sistemas complejos de
produccin y servicios en forma fcil y rpida. Promodel por otra parte, se puede utilizar como
un medio muy
efectivo para probar y generar nuevas ideas de diseo y mejoramiento, antes de realizar las
inversiones y/o modificaciones necesarias para construir o mejorar estos sistemas. En la
misma forma sirve para identificar cuellos de botella, seleccionar la alternativa que ofrezcan la
mejor relacin beneficio-costo y hacer Anlisis de Sensibilidad (Qu pasara s?). Como un
simulador de eventos discretos, Promodel est concebido para modelar sistemas de
manufactura discreta (unidad por unidad), sin embargo, muchos sistemas de manufactura
continua pueden ser modelados convirtiendo unidades a granel en unidades discretas tales
como galones o barriles.
Adicionalmente se puede adaptar fcilmente para modelar sistemas de servicios de salud
(Centros de atencin medica) o procesos financieros entre otros.
Algunas aplicaciones tpicas de Promodel son las siguientes:
Lneas de ensamble
Sistemas de manufactura flexible
Produccin por lotes
Justo a tiempo (JAT) y Sistemas de produccin KANBAN.
Sistemas de colas. (Para servicios o manufactura tales como lneas de empaque).
Optimizacin de la distribucin en planta y el manejo de materiales.
7.2.-INSTRUCCIONES PARA PROGRAMACION EN PROMODEL

Para el funcionamiento correcto del programa y de la clase es necesario unificar la

terminologa que se maneja dentro del simulador. A continuacin se muestra la definicin de
los principales elementos utilizados por el PROMODEL.
LOCACIONES Se define como "Locacin" los elementos fsicos que conforman el medio
ambiente de un proceso. Ejemplo: edificios, escritorios, mquinas, etc.
Existen tipos especiales de "locaciones" como las bandas
transportadoras, los contadores, los indicadores de estado.
ENTIDADES Son los elementos del procesos que van a ser vctimas de
transformacin o resultado de algn proceso. Sern las materias primas,
materiales en proceso, productos terminados.
REDES Las redes son rutas invisibles sobre las cuales se van a mover los
"Recursos" o las "Entidades".
RECURSOS PROMODEL llama "Recurso" a los elementos que permiten o son
responsables de actividades dentro del proceso. En un proceso de
produccin los recursos seran los operarios, los vehculos (que tengan
movimiento).
PROCESO Un proceso se divide en dos partes principales: Operaciones y

124
 Movimientos Lgicos.
La operacin es definida como la actividad transformadora que se le
realiza a una entidad dada en una locacin especfica. El movimiento
lgico es el paso de la "Entidad" al siguiente punto del proceso.
LLEGADAS Se definen para determinar las condiciones de entrada de las "entidades"
al proceso. Esto es, a dnde llegan?, cuando llegan?, con que
frecuencia?, tamao de los lotes de llegada?.
LOCACIONES
Se defini como "Locacin" a los elementos fsicos que conforman el medio ambiente de un
proceso. No tienen accin ni movimiento y su funcin es alojar a los dems elementos del
proceso. Ejemplo: edificios, escritorios, mquinas, etc.

1. NOMBRE

Ejemplo: Si tenemos una mquina que es utilizada para el empaque de jabones, la

llamaremos "maq_empaque_jabones", y no "m_e_j".

2. CAPACIDAD.-Total de entidades que pueden estar alojadas al mismo tiempo en la

locacin en un momento dado. Ejemplo: La mquina utilizada para el empaque de jabones
no puede tener capacidad infinita, suponiendo que pueda recibir 20 jabones al tiempo... su
capacidad sera "20".

3. UNIDADES.-Representa el nmero de repeticiones que hay de la locacin.

Ejemplo: "maq_empaque_jabones" y le indicamos que son "2" unidades.

7.3.-PASOS PARA LA APLICACIN DEL PROMODEL

1.-Crear un nuevo modelo

2.- Construir grficos de Background
3.- Construir las locaciones (Locations) donde se ejecutar el trabajo
4.- Adicionar una Entidad
5.- Adicionar un Path Network
6.- Adicionando un Recurso
7.- Adicionar la lgica de Procesamiento
8.- Programar Arribos de Productos
9.- Poner Opciones, grabar Modelo y Ejecutar!
10.- Visualizar Resultados de la Simulacin

7.4.-REGLAS DE SIMULACIN EMPLEANDO PROMODEL

Construccin del modelo.-Se construye empleando herramientas grficas, tablas de entrada
de datos y llenando blancos en cajas de dilogo.
Corrida de la simulacin.-Al correr un modelo, la base de datos del modelo se traduce o
compila para crear la base de datos de la simulacin.
Anlisis de salida.-Proporciona estadsticas tanto resumidas como detalladas sobre medidas
clave del desempeo.
Reportes resumidos.-Muestran totales, promedios y otros valores globales.
Grficas de series de tiempo e histogramas.-Para observar las fluctuaciones en el
comportamiento del modelo a travs del tiempo.

125
Rules...La caja de dialogo de reglas, se selecciona pulsando el botn de encabezado en la
tabla de edicin de locaciones, es usado para escoger la regla que ProModel seguir cuando
toma las siguientes decisiones:
1. Seleccionar las entidades entrantes
2. Hacer cola para salir
3. Seleccionar una unidad

Selecting Incoming Entities. Cuando una locacin est disponible y hay ms de una entidad
esperando para entrar, deber ser tomada una decisin respecto a cual admitir. Selecting
Incoming

Entities>Oldest by Priority..-Selecciona la entidad que a esperado ms para asignarle la mas

alta prioridad de ruta.

Selecting Incoming Entities>Random..-Selecciona aleatoriamente la entidad siguiente con

igual probabilidad del grupo de todas las entidades que esperan.

Selecting Incoming Entities>Least Available Capacity..-Selecciona la entidad que viene de

la locacin que tiene la menor capacidad disponible.

Selecting Incoming Entities>Last Selected Location. Selecciona la entidad que viene de la

locacin que se seleccion la ltima vez.

Selecting Incoming Entities>Highest Attribute Value.

Selecciona la entidad con el valor del atributo ms alto de un atributo especificado.Selecting

Incoming Entities>Lowest Attribute Value.

Selecciona la entidad con el valor del atributo ms bajo de un atributo especificado

.Queuing For Output. Cuando una entidad ha finalizado su operacin en una locacin y otras

que han finalizado adelante de ella no han partido.

Queuing For Output.>No Queuing. Entidades que han completado su proceso en la locacin

actual son libres de dirigirse a otras locaciones independientemente de otras entidades que

han terminado su proceso.

126
Queuing For Output>First In, First Out. La primera entidad en completar el proceso debe

salir para la prxima locacin antes que la segunda en completar el proceso salga, y as.

Queuing For Output>Last In, First Out (LIFO). Entidades que han finalizado su proceso

esperan para salir con esta regla, la ltima que finaliza o completa el proceso es la primera en

salir.

Queuing For Output>By Type. Entidades que han finalizado esperan para salir FIFO, pero se

tiene en cuenta el tipo de entidad para asignar su ruta especifica.

Queuing For Output>Highest Attibute Value. Entidades que han completado su proceso

hacen cola para salir de acuerdo con el ms alto valor de un atributo especificado.

Queuing For Output>Lowest Attribute Value. Entidades que han completado su proceso

hacen cola para salir de acuerdo con el menor valor de un atributo especificado.

Selecting a Unit. Si la locacin tiene unidades mltiples, entonces las entidades entrantes

deben asignarse a una unidad en particular.

Selecting a Unit>First Available. Selecciona la primera unidad disponible.

Selecting a Unit>By Turn. Rota la seleccin entre las unidades disponibles.

Selecting a Unit>Most Available Capacity. Selecciona la unidad que tiene la mayor

capacidad disponible.

Selecting a Unit>Fewest Entries. Selecciona una unidad disponible con la menor cantidad

de entradas.

Selecting a Unit>Ramdom. Selecciona una unidad disponible aleatoriamente.

127
Selecting a Unit>Longest Empty. Selecciona la una unidad disponible que ha estado ms

tiempo vaca.

Ventana de Grficos de Locacin. La ventana de grficos de locacin provee un medio

grfico para crear las locaciones y cambiar sus iconos.

(Seleccione un elemento para ver su descripcin.)

New Activo .Permite crear un nuevo registro de locacin cada vez que se site un nuevo

grfico de locacin en el esquema.

New inactivo .Permite agregar grficos adicionales a una locacin existente, como una

etiqueta de texto, un sitio para entidad, o una luz de estado.

Botn Edit. Despliega el cuadro de dialogo de la Librera Grafica que se usa para cambiar el

color, dimensiones, y orientacin del grfico de la locacin.

Botn Erase. Borra el grfico de la locacin seleccionada en la ventana del Esquema sin

128
anular el registro correspondiente en la Tabla de edicin de locaciones.

Botn View . Muestra la locacin seleccionada en la tabla de edicin de locaciones dentro de

la ventana del Esquema.

Grficos de locacin. Una locacin puede tener cualquiera, uno o ms de los grficos

seleccionados de la ventana de grficos de locacin.

Contador .Representa el nmero actual de entidades en una locacin.

Medidor. Barra corrediza vertical u horizontal que muestra los volmenes actuales de la
locacin durante la simulacin (como un porcentaje de la capacidad). Este grfico
constantemente se actualizar durante la simulacin.
Tanque. Barra corrediza vertical u horizontal que muestra el flujo continuo de lquidos y otras
substancias en y fuera de tanques o vasos similares. Transportadores / Colas
Smbolo que representa una banda transportadora o una cola.
Etiqueta. Texto usado para describir la locacin.
Luz de estado
Crculo que cambia de color durante la simulacin mostrar el estado de la locacin.
Sitio de entidad .Sitio asignado sobre el esquema dnde la entidad o las entidades
aparecern mientras estn en la locacin.
Regin. Lmite usado para representar el rea de una locacin.

Biblioteca Grfica. Cualquiera de los grficos que aparecen en la biblioteca en el men

grfico. Entidades Todo lo que el sistema procesa es llamado "Entidad", tambin puede
pensarse en ellas como las partes en los sistemas de manufactura, personas, papeles,
tornillos, productos de toda clase.

Editor de Entidades. Las entidades son creadas o editadas coeditor de entidades.

129
 Tabla

de edicin.

I
con.Muestra el grafico de la entidad.

Name. Nombre de la entidad.

Speed. Esta entrada es opcional y se aplica para entidades que se muevan por si mismas
como los humanos.

Stats. El nivel de estadsticas que se coleccionaran de la entidad, hay tres niveles: None,
Basic y Time Series.

Notes. Cualquier informacin puede entrarse por ejemplo el material de la parte o entidad, la
referencia, el proveedor, etc.

Path Networks

130
 Editor de Path Networks. En sta tabla se rene la informacin bsica de la "ruta", cada uno
de sus campos se explica a continuacin.

(Seleccione una columna para ver su descripcin.)

Graphic. Especifica el color de la red.

Name. Nombre de la ruta.

Type. Existen tres tipos de rutas; Passing, Non-Passing, Crane; Passing es un tipo de ruta en

la que las entidades pueden pasar a otras entidades, es una forma de modelar algunas redes

en las que los recursos se adelantan o se traslapan sin ningn inconveniente; Non-Passing es

un tipo de ruta en la que las entidades no se adelantan unas a otras,

T/S. Se puede definir el movimiento en la ruta mediante dos tipos de unidades: Time, Speed &

Distance.

Paths El numero de segmentos de ruta en la red, consta de una tabla de edicin.

131
Paths>From.

El nodo de comienzo del segmento de ruta.

Paths>To.

El nodo de final del segmento de ruta.

Paths>BI.

Se ajusta con BI-direccional Uni-direccional dependiendo si el trfico puede darse en una o

en las dos direcciones.

Paths>Time.

Si el viaje a travs de la ruta va ha ser medido ms en trminos del tiempo que de la distancia,

entonces es el tiempo que un recurso o entidad tomara en recorrer el segmento de ruta.

Paths>Distance.

Si el viaje a travs de la ruta va ha ser medido en trminos de la velocidad y distancia muestra

la longitud del segmento de ruta, el tiempo de viaje entonces se determinara por la velocidad

del recurso o la entidad.

Interfaces.

El numero de conexiones locacin-nodo en la actual red.

132
Si una entidad ser tomada o dejada por un recurso en una locacin entonces deber existir

una interfaz entre el nodo y la locacin.

Interfaces>Node.

Nombre del Nodo

Interfaces>Location.

Nombre de la locacin o locaciones conectadas con el nodo, un nodo puede tener interfaz con

varias locaciones pero una locacin solo puede tener una interfaz con un nodo por ruta.

Mapping.

Cuando hay varias rutas o segmentos que conecten un nodo de origen con un nodo de destino

y deba tomarse una decisin acerca de cual camino seguir entonces ProModel escoger el

ms corto pero mediante esta tabla de edicin se puede establecer explcitamente el camino

que deber seguirse.

Nodes.

Numero de nodos que conforman la ruta.

133
La tabla de edicin de nodos, consta de los siguientes campos:

Nodes>Node.

Nombre del nodo.

Nodes>Limit.

El numero mximo de entidades o recursos que pueden ocupar un nodo en un momento dado,

dejado en blanco significa que no existe limite.

Recursos. Un recurso es un operario, o una maquina que sirve para transportar, realizar

operaciones puntuales, mantenimientos o asistencias complementarias para el procesamiento

de entidades.

Editor de Recursos. Consiste de la tabla de edicin de recursos y la ventana de grficos; las

dos se usan para definir las caractersticas de los recursos.

Tabla de edicin de recursos.

(Seleccione una de sus columnas para ver la descripcin.)

134
 Dts.
Dos tipos de detenciones estn disponibles para los recursos: Clock y Usage. Con
caractersticas muy similares a los ya explicados para las locaciones.

Stats.
Las estadsticas deseadas. Las cuales pueden ser:
1. None No se recogen estadsticas.
2. Basic Promedio de utilizacin y tiempos de actividad.
3. By Unit Se recogen estadsticas para cada unidad de recurso.

Specs.
Search.
Si se ha asignado una ruta, seleccione este campo para acceder a las tablas de edicin de
Work Search (bsqueda de trabajo) y Park Search (bsqueda de buffer de parada), usadas
para definir trabajos y buffers de parada opcionales.

Logic.
Si se ha asignado una ruta, seleccione este campo para definir cualquier lgica opcional para
ser ejecutada cuando un recurso entra o deja un nodo particular de la ruta.

Pts.
Si se ha asignado una ruta, seleccione este campo para definir puntos del recurso, que son
puntos auxiliares donde muchos recursos pueden aparecer grficamente cuando se
estacionan o en uso en un nodo de multi capacidad.

Notes.
Para colocar cualquier nota en este campo.

Specifications Abre el cuadro de dialogo de especificaciones del recurso, que se muestra a

continuacin.

(Seleccione un elemento de la figura para ver su descripcin.)

135
Path Network. Se selecciona la ruta por la cual el recurso viajar.

Home. El nodo desde el cual el recurso comenzara en la simulacin.

Return Home if Idle. Al comprobar esta casilla el recurso vuelve al nodo HOME si esta
desocupado.

Off Shift. Si a un recurso se le ha asignado una ruta y un turno, este es el nodo al cual el

recurso va cuando esta fuera del turno.

Break. Este es nodo al cual el recurso viaja cuando tiene un descanso.

Resource Search. Cuando una entidad que necesita un recurso debe seleccionarlo entre

varias unidades de recursos disponibles, debe especificarse una de las siguientes reglas (esto

solo se aplica para recursos multi-unidad):

1. Closest Resource Recurso ms cercano

2. Least Utilized Resource Recurso menos utilizado

136
3. Longest Idle Resource Recurso que ha estado mas tiempo desocupado.

Entity Search. Cuando dos o mas entidades con la misma prioridad requieren un recurso al

mismo tiempo, el recurso seguir una de estas reglas:

1. Longest waiting entity (with highest priority)

Entidad que ha esperado ms (con la mas alta prioridad)

2. Closest Entity (with highest priority)

Entidad ms cercana (con la ms alta prioridad)

3. Entity with the minimum value of a specified attribute

Entidad con el mnimo valor de un atributo especificado

4. Entity with the maximum value of a specified attribute

Entidad con el mximo valor de un atributo especificado

Motion. Si una ruta ha sido asignada al recurso, en estas casillas se especifica el movimiento.

1. Speed traveling empty/full Velocidad de viaje vacio/ocupado

2. Acceleration rate. Aceleracin

3. Deceleration rate. Desaceleracin

4. Pikup time. Tiempo para recoger

5. Deposit time. Tiempo para depositar

Proceso. .El men de proceso define las rutas y las operaciones que se llevaran a cabo en las
locaciones para las entidades en su viaje por el sistema. Tambin puede decirse que
generalmente se conocen o hacen parte de la informacin recolectada del sistema, los
diagramas de proceso o operacin, estos se transcribirn al computador para formar el
proceso. Antes de crear el proceso es necesario definir las entidades, locaciones, recursos y

137
path networks. Para acceder al men de edicin de proceso, en el men Build, seleccione
Processing; Ctrl+P.

Editor de Proceso.
El editor de proceso consta de cuatro ventanas que se despliegan simultneamente.
(Seleccione una tabla o ventana para ver su descripcin.)

138
Tools. Ventana que aparece abajo y la izquierda, es usada para definir grficamente

operaciones y rutas.

Process. Tabla de edicin que est en la parte superior izquierda del editor de proceso y en
ella aparecen todas las operaciones realizadas en todas las locaciones a las entidades. En ella
se definen las condiciones de entrada al proceso.

Se usa para crear operaciones lgicas para cada tipo de entidad y cada locacin en el

sistema.

Entity. Tipo de entidad para las cuales el proceso es definido. seleccione el botn de

encabezado para abrir un cuadro con un listado de entidades.

(Cuadro de seleccin de entidades.)

139
Location. La locacin en donde el proceso ocurre. Seleccione el botn de encabezado para

abrir un cuadro con una lista de locaciones.

(Cuadro de seleccin de locaciones.)

Operation. Seleccione el botn de encabezado y se despliega un cuadro para crear o editar

la operacin. La operacin lgica es opcional, pero tpicamente contiene como mnimo el

estamento WAIT para asignar una cantidad de tiempo que la entidad deber esperar en la

locacin. Otras operaciones comunes pueden ser, unir o agrupar entidades, realizar

operaciones con variables, asignar tiempos, desplegar mensajes en pantalla.

(Ventana de edicin de operacin.)

140
 Routing.Aparece en la parte superior derecha del editor de proceso y en ella se define el

destino de las entidades que han terminado su operacin en una locacin; en ella se define

la salida del proceso.

Define las salidas de cada proceso asignado en la tabla de edicin de proceso.

Blk. Contiene el numero del actual bloque de asignacin de rutas.

Output Si una ruta es definida, debe entrarse el nombre de la entidad resultante de la

operacin. Seleccione el botn de encabezado para abrir el cuadro con un listado de

entidades, que es idntico al que se despliega en la tabla de edicin de proceso.

Destination. Se define la locacin a la cual las entidades se dirigen despus de terminada la

operacin. Seleccione el botn de encabezado para abrir un cuadro con un listado de

locaciones que es idntico al mostrado en la tabla de edicin de proceso.

Rule. En este campo de define la regla para seleccionar la ruta de destino.

Move logic. Se define el mtodo de movimiento hacia la prxima locacin con estamentos

lgicos, seleccione el botn de encabezado para abrir un cuadro de creacin lgica como el

mostrado en operacin de la tabla de edicin de proceso.

141
Arribos. Al transcurrir la simulacin nuevas entidades entran al sistema, esto es un arribo. Un
arribo puede consistir en personas, materia prima, informacin, los sistemas necesitan una
entrada para activar el funcionamiento de los procesos al interior de ellos. Para acceder al
editor de arribos, en el men Build, seleccione Arrivals; Ctrl+A.

El editor de arribos consta de tres ventanas que aparecen la pantalla juntas, la tabla de

edicin, la ventana de herramientas y ventana de layout esquema.

A continuacin se explican las columnas que conforman la tabla de edicin de arribos.

Entity.Entidad que arriba.

Location.Locacin donde la entidad arriba.

Qty each.Numero de entidades que arriban por cada intervalo de arribo.

First Time. El tiempo de el primer arribo. Dejado en blanco se tomara el tiempo consignado en

el campo de Frequency.

142
Occurrences. El numero de arribos o ocurrencias de paquetes de entidades que se simularan,

con la expresin INF se realizaran infinitos arribos en la simulacin por lo cual el fin de esta

ser especificado por otros parmetros.

Frequency. Tiempo entre arribos.

Logic. Define cualquier lgica opcional de arribos, consiste de uno o ms estamentos lgicos,

para ser ejecutados por las entidades en sus arribos.

7.5. PROBLEMAS RESUELTOS POR MEDIO DE PROMODEL

1.- A un operario de limpieza le entregan cada hora 60 piezas simultneamente. El tiempo de

limpieza es de 50 segundos/pieza. Simule el proceso anterior durante 500 horas para
determinar:

a) la utilizacin del operario.

b) Tiempo promedio de permanencia de las piezas en todo el proceso.
c) Tiempo promedio de espera de las piezas antes de ser limpiadas.

50 seg / pza.
Piezas
60 por hora
Exit
Limpiadora

e (60) seg
Simular
500 hrs.
PROGRAMACION PROMODEL

FILE:

Name: Proceso de limpieza

Time: Segundos
Distance: Metros

LOCATION:
Name Capacity Units Rule
Pallet infinita Pieza FIFO
Limpiadora 1 Pieza FIFO

143
ENTITIES:
Name Speed Status Notes
Pieza 50 m Time series

ARRIVALS:
Entity Location Qty. Each First time Frecuency
Pieza Pallet 1 0 e (60) seg

PROCESSING:
Entity Location Operation Output Destiny Rule
Pieza Pallet -------- Pieza Limpiadora FIFO
Pieza Limpiadora Wait e (50) seg Pieza Exit

2.- A un centro de copiado llegan tres tipos de trabajos. Si un trabajo no puede ser iniciado
inmediatamente, espera en una fila comn hasta que est disponible alguna de las tres
copiadoras. El tiempo de copiado y la tasa de entrada de los trabajadores son como sigue:

Tasa de entrada Tiempo de copiado

Tipo de Trabajo
(trabajos / h) (min / trabajo)
1 4 12
2 8 15
3 16 1

Despus del proceso de copiado los trabajos son inspeccionados por un empleado en un
tiempo de 3, 6,10 minutos para los trabajos 1,2 y 3, respectivamente. Simule el sistema en
ProModel durante 50 horas, y determine:

a) la utilizacin del empleado y de las copiadoras en la situacin propuesta.

b) Nmero de empleados y copiadoras mnimos necesarios para asegurar el flujo
constante de los trabajos.

TRABAJOS INSPECCIONES

4 Trabajos / h =
1 Trabajo / 15 min 12 min / trabajo I1 3 min
T1 C1

I2
C2
144
 6 min
T2 8 Trabajos / h = 15 min / trabajo
1 Trabajo / 7.5 min

C3 1 min / trabajo I3 10 min

T3 16 Trabajos / h =
1 Trabajo / 3.75 min

PROGRAMACION PROMODEL
FILE:

Name: Proceso de copiado

Time: Minutos
Distance: Metros

LOCATION:
Name Capacity Units Rule
Pallet 1 4 Trabajos FIFO
Pallet 2 8 Trabajos FIFO
Pallet 3 16 Trabajos FIFO
Copiadora 1 1 Trabajos FIFO
Copiadora 2 1 Trabajos FIFO
Copiadora 3 1 Trabajos FIFO
Insp. 1 Trabajos FIFO

ENTITIES:
Name Speed Status Notes
Trabajo 1 50 m Time series
Trabajo 2 50 m Time series
Trabajo 3 50 m Time series

ARRIVALS:
Entity Location Qty. Each First time Frecuency
Trabajo 1 Pallet 1 1 0 e(15)min
Trabajo 2 Pallet 2 1 0 e(7.5)min
Trabajo 3 Pallet 3 1 0 e(3.75)min

PROCESSING:
Entity Location Operation Output Destiny Rule
Trabajo 1 Pallet 1 ---------- Trabajo 1 Copiadora 1 FIFO
Trabajo 1 Copiadora 1 Wait e(12)min Trabajo 1 Insp. T1 FIFO
Trabajo 1 Insp. T1 Wait e(3)min Trabajo 1 Exit
Trabajo 2 Pallet 2 ---------- Trabajo 2 Copiadora 2 FIFO
Trabajo 2 Copiadora 2 Wait e(15)min Trabajo 2 Insp. T2 FIFO
Trabajo 2 Insp. T2 Wait e(6)min Trabajo 2 Exit
Trabajo 3 Pallet 3 ---------- Trabajo 3 Copiadora 3 FIFO

145
Trabajo 3 Copiadora 3 Wait e(1)min Trabajo 3 Insp. T3 FIFO
Trabajo 3 Insp. T3 Wait e(10)min Trabajo 3 exit

3.- A un cajero automtico llegan clientes cada 10 minutos con distribucin exponencial. El
tiempo que tarda cada cliente en hacer sus movimientos bancarios se distribuye
exponencialmente con media de 4 minutos. Lleve a cabo lo que se indica a continuacin:

a) si se desea que el cajero no tenga ms de 5 clientes haciendo fila en un momento

determinado, qu recomendacin hara al banco, basndose en una simulacin de
una semana de 40 horas de trabajo?
b) Realice un anlisis de sensibilidad variando el tiempo promedio de servicio del cajero, y
determine cual es el tiempo mximo que un cliente debe tardar para que la fila de
espera no exceda 5 clientes en ningn momento.
c) Programe un grfico dinmico que muestre la utilizacin del cajero automtico durante
la simulacin. Qu observaciones puede hacer respecto de la grfica de estabilizacin
generada?

Llegada de Clientes
e (10) min

Movimientos de
e (4) min

PROGRAMACION PROMODEL

FILE:
Name: Movimientos bancarios
Time: Minutos
Distance: Metros

LOCATION:
Name Capacity Units Rule
Pallet Infinita Clientes FIFO
Cajero 1 clientes FIFO

146
ENTITIES:
Name Speed Status Notes
Clientes 50 m Time series

ARRIVALS:
Entity Location Qty. Each First time Frecuency
Clientes Pallet 1 0 e(10)min

PROCESSING:
Entity Location Operation Output Destiny Rule
Clientes Pallet - Clientes Cajero FIFO
clientes Cajero Wait e(4)min Clientes exit FIFO

4.-A un sistema arriban 2 tipos de piezas. La primera es un engrane que llega a una estacin

de rectificado donde se procesa por 31 minutos; la distribucin de probabilidad asociada a las

llegadas de este engrane a la fila de la rectificadora e suna distribucin normal con tiempo

promedio de 13 minutos y desviacin estndar de 2 minutos. La segunda pieza es una placa

de metal que llega a una prensa con una distribucin de probabilidad exponencial con media

de 12 minutos. La prensa procesa una placa cada 3 minutos con distribucin exponencial Al

terminar sus procesos iniciales, cada una de estas piezas pasa a un proceso automtico de

lavado que

permite limpiar 2 piezas a la vez de manera independiente; este proceso, con distribucin
constante, tarda 10 minutos. Finalmente, las piezas son empacadas en una estacin que
cuenta con 2 operadores, cada uno de los cuales empaca un engrane en 51 minuto y una
placa en 72 minutos. Se sabe que los tiempos de transporte entre as estaciones es de 3
minutos con distribucin exponencial. No hay almacenes entre cada proceso: slo se tiene
espacio para 30 piezas antes de la prensa y 30 antes de la rectificadora. Asuma que cada da
de trabajo es de 8 horas. Simule este sistema por 40 das, indicando el momento en que se
inicia y se termina la simulacin.
a) Elabore el esquema del sistema a modelar
b) Complete los formatos para la programacin

LOCATION
Name CAP Units I Stats Rule

147
Pallet 1 30 30 I Time series FIFO, OLDEST
Pallet 2 30 30 I Time series FIFO, OLDEST

Rectificadora 1 1 I Time FIFO, OLDEST

series
Prensa 1 1 I Time FIFO, OLDEST
series
Lavadora 2 1 I Time FIFO, OLDEST
series
Empacadora 2 1 I Time FIFO, OLDEST
series
ENTITIES
Name Speed Stats Cost
Engrane 50 mts. Time series
Placa 50 mts. Time series

ARRIVALS
Entity Location Qty. Each First time Frecuency
Engrane Pallet 1 1 0 N(13,2) min
Placa Pallet 2 1 0 E(12) min

PROCESSING
Entity Location Operation Output Destination Rule
Engrane Pallet 1 Engrane Rectificadora Oldest
Engrane Rectificadora U(3,1) min Engrane Lavadora Oldest
Engrane Lavadora U(10,0) min Engrane Empacadora Oldest
Engrane Empacadora U(5,1) min Engrane Exit Oldest
Placa Pallet 2 Placa Prensa Oldest
Placa Prensa E(3) min Placa Lavadora Oldest
Placa Lavadora U(10,0) min Placa Empacadora Oldest
Placa Empacadora U(7,2) min Placa Exit

Simule 480 min

No veces 40

7.6. PROBLEMAS PARA RESOLVER

1.- Simulacin por medio del Promodel

A un sistema arriban 2 tipos de piezas. La primera es un engrane que llega a una estacin de
rectificado donde se procesa por 31 minutos uniformemente; la distribucin de probabilidad
asociada a las llegadas de este engrane a la fila de la rectificadora es una distribucin normal
con tiempo promedio de 13 minutos y desviacin estndar de 2 minutos. La segunda pieza es
una placa de metal que llega a una prensa con una distribucin de probabilidad exponencial
con media de 12 minutos. La prensa procesa una placa cada 3 minutos con distribucin
exponencial Al terminar sus procesos iniciales, cada una de estas piezas pasa a un proceso
automtico de lavado que permite limpiar 2 piezas a la vez de manera independiente; este

148
proceso, con distribucin uniforme, tarda de 10-12 minutos. Finalmente, las piezas son
empacadas en una estacin que cuenta con 2 operadores, cada uno de los cuales empaca con
distribucin normal un engrane en 51 minuto y una placa en 72 minutos. . No hay almacenes
entre cada proceso: slo se tiene espacio para 30 piezas antes de la prensa y 30 antes de la
rectificadora. Asuma que cada da de trabajo es de 8 horas. Simule este sistema por 40 das,
indicando el momento en que se inicia y se termina la simulacin.
Nota: Considere 2 rutas y dos operadores con movimiento exponencial de 3 minutos

c) Elabore el esquema del sistema a modelar

d) Llene las hojas de programacin

149
 UNIVERSIDAD DEL NORTE

MATERIA:

Maestro:

Alumno:_______________________________________________

No de Control__________________

PROGRAMACION PROMODEL

1.-FILE:
Name:
Time:
Distance:

2.-LOCATION:
Name Capacity Units Stats Rule

3.-ENTITIES:
Name Speed Status Cost

4.-ARRIVALS:
Entity Location Qty. First time Ocurrence Frecuency
Each

5.-PROCESSING:
Entity Location Operation Output Destiny Rule Move Logic

150
6.-PATH NETWORK:
Name Type T/S Paths Interfaces Mapping Nodes

PATHS INTERFACES
From To Bx Distance Node Location

7.-RESOURCES:
Name Unit Dts Stats Specs Search Logic

8.-SIMULATION OPTION

Run time _____________________

Number of Replications___________

151
2.-Desarrolle un programa en PROMODEL (Llene las hojas de programacin)
Considere 2 rutas y 2 operadores con movimiento exponencial el primero de 2 minutos y el
segundo de 4 minutos

152
UNIVERSIDAD DEL NORTE

MATERIA:

Maestro:

Alumno:_______________________________________________

No de Control__________________

PROGRAMACION PROMODEL

1.-FILE:
Name:
Time:
Distance:

2.-LOCATION:
Name Capacity Units Stats Rule

3.-ENTITIES:
Name Speed Status Cost

4.-ARRIVALS:
Entity Location Qty. First time Ocurrence Frecuency
Each

153
 5.-PROCESSING:
Entity Location Operation Output Destiny Rule Move Logic

154
6.-PATH NETWORK:
Name Type T/S Paths Interfaces Mapping Nodes

PATHS INTERFACES
From To Bx Distance Node Location

7.-RESOURCES:
Name Unit Dts Stats Specs Search Logic

8.-SIMULATION OPTION

Run time _____________________

Number of Replications___________

155
Problema 3

En el Torno 1 y Torno 2 (Operacin) Se utiliza el OPERARIO_1 para hacer el trabajo de

torneado, por un tiempo que se ajusta a una distribucin Normal con media 2 y desviacin
estndar 0.1 minutos para el Torno1 y de 3 min. Con desviacin estndar de .5 para el
Torno 2. El mismo operario una vez terminado el proceso se encarga de desplazar la pieza
a el Desengrasador en forma exponencial de 2 min., todos los movimientos de este
operador son e (2) min.
En el Desengrasador (Operacin) Las piezas durante el proceso de desengrasado
demoran un tiempo normalmente distribuido con media 2 y desviacin estndar 0.5 min.
En el Desplazamiento del Desengrasador a la Inspeccin. Las piezas son llevadas por el
OPERARIO_2 (Todos los movimientos lgicos del OPERADOR-2 son exponencial de 4
minutos
En la Inspeccin (Operacin) Las piezas son inspeccionadas utilizando el OPERARIO_2
por un tiempo normalmente distribuido con media 3 y desviacin estndar 0.4 minutos.
Luego hay un proceso de ensamble (estacin cola de ensamble) para lo cual se requiere
que est presente el OPERARIO-2 por un tiempo normalmente distribuido con media 5 y
desviacin estndar 1 minuto. Finalmente las piezas ensambladas salen del sistema.
-Existe una Red llamada RED_1 y dos recursos llamados Operario_1 y Operario_2.
Las piezas llegan a una estacin de recepcin con capacidad de 40 piezas y en
forma N(3,1)MIN y son barras de acero para
Fabricar flechas en el Torno 1 y tambin llegan barras de bronce para fabricar
bujes en el Torno 2 la probabilidad de llegada
es exponencial de 3 min.
-Desarrolle un programa para una corrida de 6 turnos de 8 horas cada turno

156
 UNIVERSIDAD DEL NORTE

MATERIA:

Maestro:

Alumno:_______________________________________________

No de Control__________________

PROGRAMACION PROMODEL

1.-FILE:
Name:
Time:
Distance:

2.-LOCATION:
Name Capacity Units Stats Rule

3.-ENTITIES:
Name Speed Status Cost

4.-ARRIVALS:
Entity Location Qty. First time Ocurrence Frecuency
Each

5.-PROCESSING:
Entity Location Operation Output Destiny Rule Move Logic

157
6.-PATH NETWORK:
Name Type T/S Paths Interfaces Mapping Nodes

PATHS INTERFACES
From To Bx Distance Node Location

7.-RESOURCES:
Name Unit Dts Stats Specs Search Logic

8.-SIMULATION OPTION

Run time _____________________

Number of Replications___________

158
4.-Desarrolle un programa en PROMODEL (Llene las hojas de programacin)
Considere 2 rutas y 2 operadores con movimiento exponencial el primero de 2 minutos y el
segundo de 4 minutos

159
 UNIVERSIDAD DEL NORTE

MATERIA:

Maestro:

Alumno:_______________________________________________

No de Control__________________

PROGRAMACION PROMODEL

1.-FILE:

Name:
Time:
Distance:

2.-LOCATION:
Name Capacity Units Stats Rule

3.-ENTITIES:
Name Speed Status Cost

4.-ARRIVALS:
Entity Location Qty. First time Ocurrence Frecuency
Each

5.-PROCESSING:

Entity Location Operation Output Destiny Rule Move Logic

160
161
6.-PATH NETWORK:
Name Type T/S Paths Interfaces Mapping Nodes

PATHS INTERFACES
From To Bx Distance Node Location

7.-RESOURCES:
Name Unit Dts Stats Specs Search Logic

8.-SIMULATION OPTION

Run time _____________________

Number of Replications___________

162
5.-Simule con PROMODEL

En el Torno 1 y Torno 2 (Operacin) Se utiliza el OPERARIO_1 para hacer el trabajo de

torneado, por un tiempo que se ajusta a una distribucin Normal con media 2 y desviacin
estndar 0.1 minutos para el Torno1 y de 3 min. Con desviacin estndar de .5 para el
Torno 2. El mismo operario una vez terminado el proceso se encarga de desplazar la pieza
a el Desengrasador en forma exponencial de 2 min., todos los movimientos de este
operador son e (2) min.
En el Desengrasador (Operacin) Las piezas durante el proceso de desengrasado
demoran un tiempo normalmente distribuido con media 2 y desviacin estndar 0.5 min.
En el Desplazamiento del Desengrasador a la Inspeccin. Las piezas son llevadas por el
OPERARIO_2 (Todos los movimientos lgicos del OPERADOR-2 son exponencial de 4
minutos
En la Inspeccin (Operacin) Las piezas son inspeccionadas utilizando el OPERARIO_2
por un tiempo normalmente distribuido con media 3 y desviacin estndar 0.4 minutos.
Luego hay un proceso de ensamble (estacin cola de ensamble) para lo cual se requiere
que est presente el OPERARIO-2 por un tiempo normalmente distribuido con media 5 y
desviacin estndar 1 minuto. Finalmente las piezas ensambladas salen del sistema.
-Existe una Red llamada RED_1 y dos recursos llamados Operario_1 y Operario_2.
Las piezas llegan a una estacin de recepcin con capacidad de 40 piezas y en
forma N(3,1)MIN y son barras de acero para
Fabricar flechas en el Torno 1 y tambin llegan barras de bronce para fabricar
bujes en el Torno 2 la probabilidad de llegada es exponencial de 3 min.
-Desarrolle un programa para una corrida de 6 turnos de 8 horas cada turno

163
 UNIVERSIDAD DEL NORTE

MATERIA:

Maestro:

Alumno:_______________________________________________

No de Control__________________

PROGRAMACION PROMODEL

1.-FILE:

Name:
Time:
Distance:

2.-LOCATION:
Name Capacity Units Stats Rule

3.-ENTITIES:
Name Speed Status Cost

4.-ARRIVALS:
Entity Location Qty. First time Ocurrence Frecuency
Each

5.-PROCESSING:

Entity Location Operation Output Destiny Rule Move Logic

164
165
6.-PATH NETWORK:
Name Type T/S Paths Interfaces Mapping Nodes

PATHS INTERFACES
From To Bx Distance Node Location

7.-RESOURCES:
Name Unit Dts Stats Specs Search Logic

8.-SIMULATION OPTION

Run time _____________________

Number of Replications___________

166