PROYECTO FINAL DE INVESTIGACIN DE OPERACIONES

PRESENTADO A:
ING. FERNANDO GONZLEZ SOLANO

PRESENTADO POR:
JOS A. CAMPO GUZMN
MARA JOS CHOIS VARGAS
GABRIEL FREAY LLNAS
FANNY HENRQUEZ MARENCO
ANDERSON VELZ RESTREPO

GRUPO: 2

FACULTAD DE INGENIERA
PROGRAMA DE ING. INDUSTRIAL

UNIVERSIDAD DEL ATLNTICO

BARRANQUILLA, JUNIO 8 DE 2015
CASO PRCTICO
ANLISIS PLAN DE PRODUCCION ALAN INDUSTRIES
a. Presentar variables, ndices, restricciones y funcin objetivo.
b. Cul es el plan de produccin para los siguientes 4 meses?
c. Realizar un estudio detallado de cada uno de los recursos escasos y no
escasos. Para los recursos escasos determinar los valores mnimos y
mximos de variacin, determinar precios sombra, etc.
d. La empresa desea comprar para el mes de Abril 300 kg de MP por un valor
de $5.000.000. Sera buena esta estrategia? Cul sera el nuevo valor
del costo total?
e. La empresa desea comprar para el mes de Julio 500 kg de MP por un valor
de $2.000.000. Sera buena esta estrategia? Cul sera el nuevo valor
del costo total? En caso de no ser una buena estrategia pagar $2.000.000,
Cul sera el valor mximo que usted estara dispuesto a pagar por la
compra de los 500 kg de MP para el mes de Julio?
f. Qu costo deben tener las unidades en inventario del producto A de tal
manera que ya no sea atractivo para el modelo guardar unidades en
inventario? Qu pasa cuando se eleva este valor?
g. Realizar un informe detallado indicando la sensibilidad de cada uno de los
parmetros del problema.
h. Suponga que la tabla de demanda contiene el valor promedio de dicho dato
con un Coeficiente de Variacin del 20%. Realizar los siguientes escenarios
(Correr nuevamente el modelo en solver con los nuevos valores de
demanda) y responder como se afecta la solucin inicial:
Calculo la demanda en el Lmite inferior de fluctuacin (-3).
Calculo la demanda en el Lmite superior de fluctuacin (+3).
Solucin:
a. ndices:
t: Produccin en meses Abril, Mayo, Junio y Julio (1-4).
i: Produccin de los modelos a, b y c (1-3).
N: Produccin en tiempo normal.
E: Produccin en tiempo extra

Parmetros:
Hi: Horas en el sistema de produccin del producto i.
PtN: Capacidad de produccin en tiempo normal en el mes t.
PtE: Capacidad de produccin en tiempo extra en el mes t.
Bi: Costo de inventario de cada producto i.
Dit: Demanda del producto i en el mes t.
Iit: Inventario del producto i en el mes t.
CiN: Costo de produccin del modelo i en el tiempo normal.
CiE: Costo de produccin del modelo i en el tiempo extra.
Mi: Materia prima requerida para la produccin del modelo i.

Variables:
XitN: Cantidad de unidades producidas del modelo i en el mes t en tiempo
normal.
XitE: Cantidad de unidades producidas del modelo i en el mes t en tiempo extra.

Funcin objetivo:
Zmin: i t (CiN XitN Hi) + i t (CiE XitE Hi) + i t (Bi Iit)

Restricciones:
i Hi XitN PtN t.
i Hi XitE PtE t.
i [Hi (XitN + XitE)] 13000 t.
Iit = Iit-1 + XitN + XitE - Dit i, t.
XitN , XitE 0.
b. Pl
an
de
pr
od
uc
ci
n
pa
ra
los
sig
uie
nte
s
me
se f. JU
s: c. ABR d. MAY e. JUNI LI
X IL O O O

g. M
O
D h. 566, i. 1153 j. 226,
A 6666 ,333 6666 k. 80
TN 67 33 67 0

l. M
O
D
B p. 13
TN m. 900 n. 900 o. 1100 00

q. M
O
D
C u. 80
TN r. 900 s. 700 t. 1000 0

v. M
O
D w. 433, x. 134, y. 733,
A 3333 6666 3333 z. 15
TE 33 67 33 2

aa. M bb. cc. 0 dd. ee. 0

 O
D
B
TE 0 0

ff. M
O
D
C gg. hh.
TE 0 0 ii. 0 jj. 0

kk.

Para el mes de Abril se planea una produccin del modelo a de 567

unidades en tiempo normal y 434 unidades en tiempo extra, para los
modelos b y c ser de 900 unidades para c/u en tiempo normal; la
produccin en tiempo extra para estos dos ltimos modelos en el mes de
abril no ser necesaria, ya que basta con la produccin en tiempo normal
para satisfacer la demanda de estos en este periodo.

Para el mes de Mayo se planea una produccin del modelo a de 1154

unidades en tiempo normal y 135 unidades en tiempo extra, para los
modelos b y c ser de 900 y 700 unidades respectivamente en tiempo
normal; la produccin en tiempo extra para estos dos ltimos modelos en el
mes de Mayo no ser necesaria, ya que basta con la produccin en tiempo
normal para satisfacer la demanda de estos en este periodo.

Para el mes de Junio se planea una produccin del modelo a de 227

unidades en tiempo normal y 734 unidades en tiempo extra, para los
modelos b y c ser de 1100 y 1000 unidades respectivamente en tiempo
normal; la produccin en tiempo extra para estos dos ltimos modelos en el
mes de Junio no ser necesaria, ya que basta con la produccin en tiempo
normal para satisfacer la demanda de estos en este periodo.

Para el mes de Julio se planea una produccin del modelo a de 800

unidades en tiempo normal y 152 unidades en tiempo extra, para los
modelos b y c ser de 1300 y 800 unidades respectivamente en tiempo
normal; la produccin en tiempo extra para estos dos ltimos modelos en el
mes de Julio no ser necesaria, ya que basta con la produccin en tiempo
normal para satisfacer la demanda de estos en este periodo.
 Los inventarios para los siguientes meses van a ser:

Solo ser necesario almacenar unidades del modelo A, 488 unidades en el

mes de Mayo y 448 en el mes de Junio.
De esta manera segn los clculos realizados anteriormente se garantiza el
menor costo para el plan de produccin de los prximos cuatro meses.
ll. RECURSOS ESCASOS:
Los recursos con los que cuenta la empresa son las capacidades de
materia prima para la produccin y las horas de mano de obra en tiempo
normal y el tiempo extra, algunas de estas escasean en unos meses y en
otros no, entonces los recursos escasos para todo el plan de produccin de
los 4 meses son:
Capacidad de produccin en tiempo normal en el mes de Abril
Este recurso puede reducirse mximo hasta en 850 horas y aumentarse
hasta en 650 horas, sin que se vea alterada la solucin actual de problema.
Es decir que las horas disponibles para trabajar en tiempo normal pueden
estar entre 3150 y 4650 horas.
Su precio sombra es: $1.500

Capacidad de produccin tiempo normal en el mes de Mayo

Este recurso puede reducirse mximo hasta en 1730 horas y aumentarse
hasta en 202 horas, sin que se altere la solucin ptima actual. Es decir
que el valor de horas de tiempo normal disponible puede estar entre 2770 y
4702 horas.
Su precio sombra es: $1.500

Capacidad de hora de mano de obra en tiempo normal en el mes de

Junio
Este recurso puede reducirse mximo hasta en 340 horas y aumentarse
mximo hasta en 1100 horas, sin que se altere la solucin ptima del
modelo. Es decir, que el valor de horas de tiempo normal puede estar entre
660 y 5100 horas.
Su precio sombra es: $1.500

Capacidad de hora de mano de obra en tiempo normal en el mes de

Julio
Este recurso puede reducirse mximo hasta en 1200 horas y aumentarse
mximo hasta en 228 horas, sin que cambie la solucin actual del modelo.
 Es decir, el valor de tiempo de horas de tiempo normal disponible puede
estar entre 3600 y 5028 horas.
Su precio sombra es: $1.500

En conclusin, la empresa puede intentar hacer una estrategia para adquirir

mayor capacidad de produccin en horas de tiempo normal.

Capacidad de materia prima en Junio

Este recurso puede reducirse mximo hasta en 300 kg y aumentarse
mximo hasta en 673.3333 kg, sin que afecte que la solucin actual del
modelo. Es decir, que la capacidad de materia prima puede estar entre
12700 y 13.673,3333 kg.
Su precio sombra es: $600

Capacidad de materia prima en Julio

Este recurso puede reducirse mximo hasta en 300 kg y aumentarse
mximo hasta en 673.3333 kg, sin que afecte que la solucin actual del
modelo. Es decir, que la capacidad de materia prima puede estar entre
12700 y 13.673,3333 kg.
Su precio sombra es: $1.200

En conclusin, la empresa puede intentar adquirir mayor materia prima para

los meses de Junio y Julio, pagando mximo por cada kg del recurso $600
y $1.200 respectivamente.

mm. No, esta no sera una buena estrategia, ya que la materia prima en el
mes de abril no es un recurso escaso y aumentar en 300 k la materia prima
no causara una disminucin en el costo de la produccin total. S se hiciera
efectiva esta inversin el nuevo valor del costo total seria $89418.000, es
decir, el costo que se tena anteriormente ms los $5000.000 de la nueva
inversin.
nn. La inversin de $2000.000 en 500 k de materia prima para el mes de
Julio no sera una buena estrategia, pues aunque en este caso la materia
prima es un recurso escaso no es conveniente porque aumenta el costo de
la produccin total en $1400.000.
El precio mximo que estara dispuesto a pagar por 500 k de materia prima
en este periodo sera de $600.000, puesto que cualquier valor por encima
de este generara un incremento en el costo total de la produccin. As
pues, con este valor el costo de produccin permanecera en $84418.000.
oo. Las unidades del producto A en el inventario deben tener un costo
superior a $5.000 para que ya no sea atractivo para el modelo guardarlas
en el inventario. Por cada peso que aumente el valor del costo de inventario
del producto A aumentara en $936 el costo total de la produccin para los
prximos cuatro meses.
pp. Anlisis de sensibilidad de cada uno de los parmetros

La sensibilidad de los parmetros, se muestra por grupos de variables. Para

cada una de las tablas, la columna final valor muestra el valor que toma
esta variable en la solucin final; reducido coste indica cunto deber
cambiar el valor del coeficiente de la variable para que esta sea incluida en
la solucin; objetivo coeficiente muestra el valor que tiene el coeficiente de
la variable en la funcin objetivo; mientras que permisible aumentar y
permisible reducir , muestran los valores lmite entre los que se puede
variar el coeficiente de la variable dentro de la funcin objetivo sin que
cambie el valor ptimo de esta.

La siguiente tabla muestra los valores del anlisis de sensibilidad para las
variables que corresponden al nmero de productos que se debe elaborar
para el plan de produccin en tiempo normal para los prximos cuatro
meses.

La siguiente tabla muestra los valores del anlisis de sensibilidad para las
variables que corresponden al nmero de productos que se debe elaborar
para el plan de produccin en tiempo extra para los prximos cuatro
meses.
 La siguiente tabla muestra los valores del anlisis de sensibilidad para las
variables que corresponden al inventario de del total de productos de
cada modelo para los prximos cuatro meses.

qq. Calculo de lmite inferior y superior de fluctuacin de la

demanda:
Calculo de la desviacin estndar y los valores nuevos de la demanda

CV =

 De la ecuacin despejamos , ya que tenemos CV = 0,20 y la media la
calculamos de los valores iniciales de demanda, y entonces =983,3333 .
Tenemos que:
=CV
=196,666
Entonces para cada valor de la demanda tenemos que:
X = 3

Demanda con lmite inferior de fluctuacin

Hacemos para cada uno de los valores de la demanda inicial:
X =3
Y los resultados estn en la siguiente tabla:

El valor de la funcin objetivo de la solucin inicial es $84.418.000, si

cambiamos los valores de la demanda por los nuevos del lmite inferior la
solucin que se obtiene es:

M/P ABRIL MAYO JUNIO JULIO

MOD A EN
TN 410 210 410 810
MOD B EN
TN 310 310 510 710
MOD C EN
VARIABLES TN 310 110 410 210
MOD A EN
TE 0 0 0 0
MOD B EN
TE 0 0 0 0
MOD C EN
TE 0 0 0 0

Y no se almacenan inventarios en ninguno de los meses

P/M ABRIL MAYO JUNIO JULIO
MOD A 0 0 0 0
INVENTARIO
MOD B 0 0 0 0
MOD C 0 0 0 0
 Entonces el nuevo valor del costo sera $30.904.000
La solucin de este ejercicio en Solver, es el archivo de Excel ANALISIS
PLAN DE PRODUCCION ALAN INDUSTRIES DEMANDA INFERIOR, en el
aparecen todos los clculos y el nuevo informe de confidencialidad.

Demanda con lmite superior de fluctuacin

Hacemos para cada uno de los valores de la demanda inicial:
X =+ 3
Los resultados se muestran en la siguiente tabla:

Con este incremento en la demanda, la empresa no est en capacidad de

cumplir con todas las unidades requeridas en algunos meses, lo cual la
solucin que ofrece el modelo no satisface todas las condiciones de la
nueva demanda.

El nuevo valor de las unidades a producir de cada modelo en tiempo normal

y en tiempo extra se muestra en la siguiente tabla:

M/P ABRIL MAYO JUNIO JULIO

MOD A EN TN 1800 1180 2036,4 1543,6
MOD B EN TN 0 0 0 0
VARIABLE MOD C EN TN 0 1436,842105 0 1307,68421
S MOD A EN TE 0 0 0 0
MOD B EN TE 0 0 0 0
1052,63157
MOD C EN TE 9 431,5789474 741,578947 82,3157895

Y los inventarios que se van a almacenar en cada uno de los meses estn dados
en la siguiente tabla:

P/M ABRIL MAYO JUNIO JULIO

MOD A 210 0 446,4 0
INVENTARIO
MOD B 1490 0 0 0
MOD C 0 578,4210526 0 0
 Entonces el nuevo valor del costo aunque sin cumplir con toda la demanda
sera $87.512.105,26
La solucin de este ejercicio en solver, es el archivo de Excel ANALISIS
PLAN DE PRODUCCION ALAN INDUSTRIES DEMANDA INFERIOR, en el
aparecen todos los clculos para obtener esta solucin.

1. ALGORITMOS GENTICOS
Son una serie de algoritmos basados en los principios de seleccin natural y la
supervivencia del ms fuerte planteado por Darwin. Suelen programarse para
encontrar solucin a problemas de bsqueda y optimizacin.
Consisten en una funcin que toma como valores de entrada a los ejemplares
y retorna como salida aquellos que deben generar descendencia para la nueva
generacin.
Estos algoritmos se plantearon con la intencin de que cada generacin apunte
a una solucin ptima, al igual que en la naturaleza donde los individuos de
una poblacin compiten por el mayor nmero de los recursos como agua,
comida, entre otros; en este caso los mejores ejemplares de la poblacin
aportaran la mayor proporcin de individuos para la siguiente generacin y as
repetidamente, asegurando para las generaciones venideras unas
caractersticas genticas optimas, cuyo desempeo es superior al de sus
ancestros.
Dentro de sus limitaciones se puede resaltar el hecho de que no se asegura
que encuentren una solucin ptima, sin embargo se ha comprobado
empricamente que encuentran soluciones de nivel aceptable en un tiempo
competitivo en comparacin con otros tipos de algoritmos.
Suelen usarse en problemas de optimizacin donde las posibles soluciones
estn delimitadas en un intervalo, como tambin en problemas para los que no
estn establecidos mtodos de solucin especializados; tambin son utilizados
para desarrollar programas para tareas especficas, y para disear otras
estructuras computacionales como el autmata celular, y las redes de
clasificacin; otra aplicacin importante es en el campo de la economa, donde,
se ha hecho uso de estos algoritmos para modelizar procesos de innovacin, el
desarrollo estrategias de puja, y la aparicin de mercados econmicos.

1.1 Colonias de hormigas

El algoritmo colonia de hormigas es un modelo metaheursticos que fue
inicialmente propuesto por Marco Dorigo en 1992, este es una tcnica
probabilstica usada para solucionar problemas computacionales donde se
busque los mejores caminos o rutas en grafos.
El primer algoritmo surgi con el objetivo de buscar el camino ptimo en un
grafo, basado en el comportamiento de las hormigas cuando estas estn
buscando un camino entre la colonia y una fuente de alimentos, es decir,
las hormigas en su bsqueda de alimentos van dejando un rastro de una
sustancia llamada feromona, la cual todas pueden oler, que les permite
llegar al nido; cada vez que ellas llegan a una bifurcacin eligen el camino
correcto de manera probabilstica, escogiendo el camino que mayor olor a
feromona tenga, este camino tendr un olor fuerte ya que por ah pasan el
mayor numero de hormigas y el otro camino tendr un olor mnimo porque
la feromona se pierde por la evaporacin.
Los algoritmos de colonias de hormigas se aplican en muchos problemas
de optimizacin, particionalmente en problemas de rutas, asignacin,
secuenciacin, lneas de montaje y bin packing.
 2. DIFERENCIA ENTRE HEURSTICA Y METAHEURSTICA
Mientras que la heurstica son mtodos factibles slo para aquellos problemas
simples que
tengan un
nmero
pequeo de
soluciones
alternativas, la
metaheurstica
generalmente
se aplican a
problemas que
no tienen un
algoritmo o
heurstica
especfica que
d una solucin
satisfactoria; o bien cuando no es posible implementar ese mtodo ptimo. La
metaheurstica obtiene mejores resultados que los alcanzados por mtodos
heursticos tradicionales, ya que estn diseados para resolver problemas
difciles de optimizacin combinatoria, en los que los heursticos clsicos no
son efectivos.
Hay que tener en cuenta que las tcnicas heursticas encuentras soluciones de
buena calidad, mientras las metaheursticas ofrecen buenos resultados pero
que normalmente no acaban ofreciendo la solucin ptima sino soluciones
subptimas.
Los metaheursticos proporcionan un marco general para crear nuevos
algoritmos hbridos combinando diferentes conceptos derivados de la
inteligencia artificial, la evolucin biolgica y los mecanismos estadsticos.
Las metaheursticas se sitan conceptualmente por encima de las heursticas
en el sentido que guan el diseo de stas, pueden estar compuestas por una
combinacin de algunas heursticas, por ejemplo una metaheurstica puede
usar una heurstica constructiva para generar una solucin inicial y luego usar
otra heurstica de bsqueda para encontrar una mejor solucin.

3. PARA QU SE UTILIZA UNA HEURSTICA Y UNA METAHEURSTICA

EN OPTIMIZACIN?
La heurstica y a metaheursticos son mtodos utilizados para resolver
problemas de optimizacin, son procedimientos eficientes para encontrar
buenas soluciones aunque no se pueda comprobar que sean ptimas.
 La heurstica da solucin a problemas de optimizacin bien definidos, se
considera un problema bien definido cuando estn definidas las posibles
entradas, la forma de la solucin y lo que se quiere lograr (la funcin objetivo)
aunque no haya un mtodo de solucin evidente.
La metaheurstica da solucin a problemas de optimizacin combinatoria, como
estos.

4. MODELOS DE TOMA DE DECISIONES

4.1. QU SON LOS MODELOS DE TOMA DE DECISIONES?
Los modelos matemticos de toma de decisiones permiten calcular los valores
exactos o aproximados de las componentes controlables de un sistema para
que pueda comportarse mejor, de acuerdo con ciertos criterios establecidos.
Estos clculos se realizan bajo el supuesto de que se conoce la informacin
asociada al estado de aquellas de aquellas componentes del sistema que no
se pueden controlar. El acto de calcular el valor aproximado de estas
componentes controlables se conoce como derivar una solucin al
problema en cuestin, utilizando un modelo. La manera como se logra esta
derivacin de soluciones es muy variada y no existen reglas generales. Se
puede lograr por simulacin o emulacin, o bien por un riguroso anlisis
matemtico, es decir, con un algoritmo. [8]
Se han desarrollado modelos deterministas y modelos probabilistas. En los
modelos deterministas, decisiones acertadas generan buenos resultados. Se
obtiene lo que se espera, por lo tanto el resultado es determinista, es decir, sin
riesgo. Sin embargo, en los modelos de decisiones probabilsticos, el resultado
es incierto. En consecuencia, la toma de decisiones puede no generar buenos
resultados. A diferencia de los modelos deterministas, donde las decisiones
acertadas se evalan solo segn los resultados, en los modelos probabilsticos
el decisor se preocupa tanto por el valor del resultado como por el grado de
riesgo involucrado en cada decisin. [9]
Los pasos que normalmente se siguen para tomar una decisin son los
siguientes. Entre ellos puede haber retroalimentacin:
1. Comprensin del problema: es necesario comprender claramente el problema,
el objetivo y las restricciones involucradas. La recopilacin de informacin
 confiable en el momento adecuado es un componente de las buenas
decisiones.
2. Construccin de un modelo analtico: este paso implica la traduccin del
problema al leguaje matemtico preciso para realizar el clculo y comparar los
resultados en distintos escenarios o situaciones posibles. Finalmente, se
desglosa la informacin en tres grupos de entrada: parmetros, entradas
controlables y entradas incontrolables. Los factores incontrolables son los
componentes principales en la toma de decisiones. Se evalan los diversos
cursos de accin dentro de las entradas controlables, teniendo en cuenta
varias hiptesis de entradas incontrolables, y luego se decide el mejor curso de
accin.
3. Bsqueda de una solucin acertada: lo importante es elegir la tcnico de
resolucin adecuada segn las caractersticas especficas del modelo. Una vez
resuelto el modelo, se realiza la validacin de los resultados a fin de evitar una
solucin irrealista. Ya que la solucin estratgica de cualquier problema implica
hacer determinadas presunciones, es necesario determinar has qu punto
cambia la solucin estratgica cuando se modifican las presunciones. Esto se
sabr mediante escenarios What-if o hipotticos, o el anlisis de sensibilidad.
4. Comunicacin de los resultados al decisor: los resultados obtenidos por el
anlisis de Investigacin de operaciones deben ser comunicados
correctamente al decisor. Esta es la parte de venta. Si el decisor no compra
las recomendaciones del analista de investigacin de operaciones, no
implementar ninguna de ellas.
4.2. CLASIFICACIN DE MODELOS DE TOMA DE DECISIONES. [9]
La teora de decisiones proporciona una manera til de clasificar modelos
para la toma de decisiones. Se supondr que se ha definido el problema,
que se tienen todos los datos, y que se han identificado los cursos de
accin alternativos. La tarea es, entonces, seleccionar la mejor alternativa
entra las cuatro categoras genrales dependiendo de la habilidad para
predecir las consecuencias de cada una. La tabla XX resume las categoras
de toma de decisiones:
Tabla XX. Categoras de toma de decisiones
Fuente: AMAYA Jairo. Toma de decisiones gerenciales. 2 ed. p. 15.
4.2.1Toma de decisiones bajo certidumbre
Esta se presenta cuando se puede predecir con certeza las consecuencias
de cada alternativa de accin. Es decir, existe una relacin directa de causa
y efecto entre cada acto y su consecuencia.
Buena parte de las decisiones que se toman a diario cae dentro de esta
categora. El anlisis de punto de equilibrio, la programacin lineal, la
programacin de la produccin y el control de inventarios, incluyen modelos
determinsticos que sern tiles al momento de evaluar las consecuencias y
seleccionar el mejor curso de accin.
4.2.2 Toma de decisiones bajo riesgo
Esta categora incluye decisiones para las que las consecuencias de una
accin dada dependen de algn evento probabilista.
El resultado ms importante de la teora de decisiones bajo riesgo es que
debe seleccionarse la alternativa que tenga el mayor valor esperado. Esto
es equivalente a apostar al promedio a largo plazo, es decir, se debe
seleccionar aquella alternativa con el pago promedio ms alto.
Existen muchas decisiones administrativas que pueden catalogarse como
toma de decisiones bajo riesgo, por ejemplo, deber introducirse un nuevo
producto en particular?, deber ofrecerse ms para obtener un contrato?,
deber construirse una nueva planta o ampliarse la que se tiene?,
cuntos pasteles deber producir una pastelera para la venta diaria?
En cada uno de estos casos se tienen elementos de un problema de toma
de decisiones bajo riesgo: al menos dos cursos alternativos de accin,
resultados probabilsticos y la habilidad para determinar (o hacer
estimaciones razonables) las probabilidades de los eventos.
 4.2.3 Toma de decisiones bajo incertidumbre
Muy parecida a la toma de decisiones bajo riego, con una diferencia: ahora
no se tiene conocimiento de las probabilidades de los eventos futuros y no
se tiene idea de cun posibles sean las diferentes consecuencias. Un
ejemplo sera tratar de adivinar se al lanzar una moneda al aire el resultado
es cara o sello, sin saber si la moneda tiene dos caras, es legal o tiene dos
sellos.
Esta categora es realmente como disparar en la oscuridad. Habr una
manera ptima de disparar en la oscuridad? En realidad no. Aun as, se
pueden ofrecer varios mtodos para manejar problemas de este tipo.
1. Debe tratar de reducirse la incertidumbre obteniendo informacin
adicional sobre el problema. Con frecuencia esto basta para que la
solucin sea evidente. Si esto falla, se tienen varios caminos abiertos.
2. Otra manera es introduciendo abiertamente en el problema los
sentimientos subjetivos de optimismo y pesimismo. Esto no es tan malo
como parece; en muchas ocasiones, los sentimientos subjetivos tienen
una base razonable.
- Si se es una persona optimista, puede emplearse la estrategia maximax.
Esto significa que se selecciona la accin que maximiza el pago mximo.
- Por otra parte, si se es pesimista, se puede ser muy conservador y emplear
una estrategia maximin. Aqu se selecciona la accin con el mayor de los
pagos mnimos.
Maximax y maximin son los dos extremos. Por supuesto, se podra
seleccionar alguna accin intermedia.
3. Una estrategia alternativa consiste en convertir el problema al de toma de
decisiones bajo riesgo, para que pueda hacerse una seleccin ptima.
Primero, pueden expresarse aquellos conocimientos o sentimientos que
se tengan sobre los eventos en trminos de una distribucin de
probabilidad. En este caso, se trata de estimaciones subjetivas de
probabilidad.
4. Si no se tienen bases para hacer estimaciones subjetivas, se puede
emplear el principio de la razn suficiente. Esto significa que se puede
suponer que todos los eventos son igualmente probables.

4.2.4. Toma de decisiones bajo conflicto

En esta categora se tienen aquellos casos de toma de decisiones bajo
incertidumbre en los que hay un oponente. Las probabilidades de los
eventos no solo se desconocen, sino que estn influenciadas por un
oponente cuya meta es vencer. Esta es la situacin tpica de cualquier
competencia: bisbol, ftbol, pquer, los negocios y hasta la guerra.
Tericamente, los juegos y teora de juegos dan luz acerca de cmo
tomar decisiones en escenarios como esos. Hasta el momento, los
resultados tericos estn limitados; no se puede esperar volverse
invencible en el pquer.
4.3 MODELO DE TOMA DE DECISIN PROPUESTO PARA EL CASO
PRCTICO
El caso prctico muestra datos que permiten apuntar hacia un modelo de
toma de decisiones bajo certidumbre (categora determinstica). Sin
embargo, para enriquecer el aprendizaje, se propone estudiar un
escenario simplificado en el que se debe decidir la cantidad a producir
(minimizando el costo), y no se cuenta con una herramienta para resolver
planteamientos de programacin lineal, ni se dispone de tiempo para
resolver por el mtodo smplex.

4.3.1. rbol de decisin

En el escenario propuesto, se elegir entonces un mtodo de decisin en
situacin de incertidumbre. Debido a la complejidad de la representacin,
solo se estudiar la decisin planeando solo para Abril y Mayo. Se
asumir que la probabilidad de que ocurra cualquier evento subsecuente
es la misma para todos ellos.
 Para resolver, se elige el mtodo de rbol de decisin, el cual usa
situaciones en las que se debe optimizar una serie o secuencia de
decisiones. Un concepto fundamental en estas situaciones es que se
deben identificar todas las alternativas y eventos y analizar de antemano,
si se quiere optimizar la serie de decisiones.
4.3.1. Componentes y estructura
Todos los rboles de decisin son parecidos en su estructura y tienen los
mismos componentes. Siempre se requieren los siguientes cuarto
componente:
Alternativas en cada punto de decisin
Eventos que pueden ocurrir como resultado de cada alternativa de decisin
Probabilidades de que ocurran eventos como resultado de las decisiones
Resultados casi siempre expresados en trminos econmicos- de las
posibles interacciones entre las alternativas de decisin y los eventos.
Estos eventos se organizan mediante la estructura de un diagrama de rbol
que ilustra las interacciones posibles entre las decisiones y los eventos.
Inicialmente, se toma una decisin entre las alternativas, que para este caso se
han establecido tres (D1, D2, D3); todos los puntos de decisin se indican por
cuadros.
Los eventos que pueden ocurrir como resultado del primer conjunto de
decisiones son E1, E2, E3 y E4. Sus probabilidades respectivas estn dadas por
P1, P2, P3 y P4. La figura XX muestra una grfica del caso general para el
diagrama de rbol de decisin.

Figura XX. Componentes y estructura de los rboles de decisin.

Fuente: AMAYA Jairo. Toma de decisiones gerenciales. 2 ed. p. 24.
El resultado de una decisin se representa por X 1, X2, X3, X4 y X5,
respectivamente.

Finalmente, se muestra el grfico del rbol de decisin:

Figura XX. rbol de decisin.

Se elige entonces fabricar la cantidad x, donde el costo es menor. Si ocurre

que la demanda es 1, los costos asociados sern $5000.000; pero si ocurre
que la demanda es 2, los costos asociados sern $15000.000.
Los valores elegidos son hipotticos y se han colocado a manera de ejemplo
para exponer el mtodo y su uso, aplicado a un caso similar al del caso
prctico.

5. MODELOS DE PROGRAMACIN LINEAL

5.1 BIN PACKING PROBLEM
Este caso se trata de un problema polinomial no determinista, en espaol se
conoce como modelo de empaquetamiento bidimensional. En este problema se
busca ubicar la mayor cantidad de cosas con diferente volumen y valor dentro
de un recipiente ocupando el mximo espacio posible.
El objetivo principal es optimizar el espacio y buscar una solucin donde se
ubiquen el mayor nmero de objetos sin dejar algn espacio libre.

5.2 PROBLEMA DE LA MOCHILA (Knapsack problem)

El problema de la mochila o tambin conocido por sus siglas en ingls KP
problem se usa para la modelacin financiera, muestreo estratificado,
planificacin de produccin, etc.; este es problema de combinatoria de
formulacin sencilla, es tambin a su vez un modelo de asignacin de recursos
donde el objetivo principal es utilizar un recurso limitado en diferentes
funciones y maximizar los ingreso, en otras palabras se debe determinar cul
es el objeto que se va a llevar dentro de la mochila sin rebosar su capacidad y
determinar un plan para usar este de la manera ms ptima y sacarle la mayor
utilidad.
5.2.1 Modelo matemtico
El modelo KP de una mochila de W libras, con n artculos, se plantea de la
siguiente forma:
Variables:
Mi: Cantidad de artculos i en la mochila
Ri: Ingreso por unidad del articulo i
Wi: Peso del articulo i
Funcin objetivo:
MaxZ= R1M1 + R2M2 + + RnMn
Sujeto a:
W1M1 + W2M2 + + WnMn
M1, M2,, Mn > 0 y enteros
5.3 PROBLEMA DE ASIGNACION
Este problema es una variacin del modelo de transporte, en el cual se
presentan una serie de tareas, turnos, maquinas, etc. y un nmero de
trabajadores que debe ser igual al nmero de actividades, si el modelo no
cumple esta condicin pueden crearse tareas o trabajadores ficticios pasa as
satisfacer la condicin de programacin binaria.
En este tipo de modelo las variables solo pueden tomar valores de cero y uno
en la solucin ptima, ya que este problema se trata de asignar una tarea por
trabajador y no varias al tiempo, de manera que si uno de los trabajadores ya
tiene asignada una labor no la puede realizar otro ni tampoco puede realizar
otra aparte de esta. La finalidad de este modelo es que las actividades que los
trabajadores deben realizar lo terminen en un tiempo mnimo.
5.3.1 Modelo matemtico:
Variables
Xij: 0 Si el trabajador i no se le asigna tarea j
Xij: 1 Si el trabajador i se asigna a la tarea j
Funcin objetivo
m m
MinZ= CijXij
i=1 j=1

Sujeto a:
n

Xij=1
j=1

Xij=1
1

Xij = 1 o Xij = 0 [11]

5.4 PROBLEMA DE TRANSPORTE

El problema de transporte o tambin conocido como modelo de distribucin o
de redes, es un caso especial de la programacin lineal en el que se debe
transportar un artculo desde su fbrica i hasta su destino o bodega j. En este
modelo se debe buscar el modelo que cumpla con la oferta y la demanda que
requiere el producto, satisfacer todos los requerimientos que exijan los destinos
y por ltimo el objetivo principal del modelo es determinar las incgnitas Xij y
minimizar los costos de transporte.
Se dice que este modelo es un caso especial de la programacin lineal porque
permite su solucin de una manera ms sencilla y eficaz por simplex y se
puede usar la relacin primal-dual. En la solucin general se deben establecer
las fuentes m y los destinos n, cada uno de este se representar por un nodo y
se crean unas rutas al enlazar las fuentes y los destinos, estos se conocen
como arcos y une a la fuente i con el destino j, a partir de este se define la
variable Cij y la cantidad Xij.

Representacin del
modelo de transporte

5.4.1 Modelo matemtico:

El problema de transporte trata de enviar unidades de un producto desde m
orgenes, O1, . . ., Om, a n destinos, D1, . . ., Dn, en las siguientes condiciones.
Cada origen Oi, i = 1,. . ., m, dispone de una oferta ai.
Cada destino Dj, j = 1,. . ., n, realiza una demanda bj.
Cij, i = 1,. . ., m, j = 1,. . ., n, es el coste de enviar una unidad desde el
origen Oi al destino Dj.
El problema es determinar el nmero de unidades X ij que se deben enviar
desde cada origen Oi hasta cada destino Dj para realizar el transporte a
coste mnimo, teniendo en cuenta que hay que satisfacer las restricciones
de oferta y demanda.
m n
MinZ = C ij X ij
i=1 j=1

Sujeto a
n

Xij ai , i = 1, ..., m
j=1

X ij b j , j = 1, , n
i=1

Xij > 0, i= 1, , m, j= 1, , n
Las primeras m restricciones estn asociadas a las ofertas de los orgenes,
que no se deben sobrepasar. La n siguientes restricciones asegura que se
deben satisfacer las demandas de los destinos. Las variables no pueden
tomar valores negativos, ya que representan cantidades de producto que
se transportan. [12]

En el archivo de excel TRABAJO FINAL IO1, hoja ejemplo punto 5, se

encuentra un ejemplo de aplicacin.
 BIBLIOGRAFA

[1] ALGORITMOS GENETICOS. (s.f). Recuperado el 07 de 06 de 2015, de

Universidad de Pas Vasco [En lnea]
http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/temageneticos.pdf
[2] Caari, A.C (2005). Conceptos, algoritmos y aplicacin al problema de las N-
reinas. Capitulo 2. Heurstica y metaheurstica. Recuperado el 07 de 06 de 2015,
de Universidad Nacional Mayores de San Marcos [En lnea]
http://sisbib.unmsm.edu.pe/bibvirtualdata/monografias/basic/riojas_ca/cap2.pdf
[3] Alfaro, E. (s.f). Algoritmos genticos. Recuperado el 07 de 06 de 2015, de
eddyalfaro.galeon.com [En lnea] http://eddyalfaro.galeon.com/geneticos.html
[4] Alfonso, E.M. (s.f) Metaheurstica de optimizacin mediante colonias de
hormigas y aplicaciones. Recuperado el 07 de 06 de 2015, de monografas.com
[En lnea] http://www.monografias.com/trabajos93/metaheuristica-optimizacion-
colonias-hormigas-y-aplicaciones/metaheuristica-optimizacion-colonias-hormigas-
y-aplicaciones.shtml
[5] Piero, P.T. (s.f) Introduccin a los algoritmos genticos y sus aplicaciones.
Recuperado el 07 de 06 de 2015, de Universidad de Valencia [En lnea]
http://www.uv.es/asepuma/X/J24C.pdf
[6] Problemas de Optimizacin Combinatoria. (s.f). Recuperado el 07 de 06 de
2015, de Instituto de Investigacin de Inteligencia Artificial [En lnea]
http://www.iiia.csic.es/udt/es/artificialintelligence/problemas-optimizacion-
combinatoria
[7] Mora. A. (s.f). Optimizacin basada en colonias de hormigas. Conceptos
principales. Recuperado el 07 de 06 de 2015, de es.slideshare.net [En lnea]
http://es.slideshare.net/Slidemora/optimizacin-basada-en-colonias-de-hormigas
[8] PRAWDA. Juan. Investigacin de operaciones en la toma de decisiones. En:
Mtodos y modelos de investigacin de operaciones. Mxico D.F.: Limusa, 2004.
p. 19-54
[9] AMAYA, Jairo. Toma de decisiones gerenciales. 2 ed. Bogot: Ecoe Ediciones,
2009. 124 p. ISBN 978-958-648-636-1.
[10] SANDOYA, Fernando. El problema de la mochila, complejidad, cotas y
mtodos de bsqueda eficientes. Vol. 12, No. 2. Publicado por: FCNM SPOL.
2014. p. 43.
[11] Gonzalez, Angel. Mtodo de asignacin. En: Manual prctico de investigacin
de operaciones. 3 ed. Barranquilla: Ediciones uninorte. 2003. p. 250.
[12] OpenCourseWare, Tema 6, El problema de transporte y el problema de
asignacin. p. 167-168 [En lnea]
http://cvb.ehu.es/open_course_ware/castellano/tecnicas/investigacion_operativa/m
ateriales/6._transporte_asignacion.pdf