UNIVERSIDAD MARIANO GÁLVEZ DE GUATEMALA

FACULTAD DE CIENCIAS DE LA ADMINISTRACIÓN

MAESTRÍA EN ADMINISTRACIÓN Y GESTIÓN DEL RECURSO HUMANO
SEDE: ESCUINTLA
CURSO: MODELOS PARA LA TOMA DE DECISIONES
CATEDRÁTICA: ESMERALDA VILLELA

PORTAFOLIO ELECTRÓNICO

CINTIA MELINA JUÁREZ CATALÁN

2728-05-13570

ESCUINTLA, 21 DE ENERO DE 2015

UNIVERSIDAD MARIANO GÁLVEZ DE GUATEMALA
FACULTAD DE CIENCIAS DE LA ADMINISTRACIÓN
MAESTRÍA EN ADMINISTRACIÓN Y GESTIÓN DEL RECURSO HUMANO
SEDE: ESCUINTLA
CURSO: MODELOS PARA LA TOMA DE DECISIONES
CATEDRÁTICA: ESMERALDA VILLELA

ANALISIS DE CASO TOMA DE DESICIONES

CINTIA MELINA JUÁREZ CATALÁN

2728-05-13570

ESCUINTLA, 31 DE ENERO DE 2015

 GUATEMALTECO DIRIGE EXPANSION

Debido a la demanda y el éxito obtenido México y Guatemala la empresa

Bimbo decidió expandirse a Ecuador, que será dirigida por el Guatemalteco
Heifner Emanuel. Quien actualmente dirige la planta ubicada en Chimaltenango.

Debido a la aceptación en Guatemala se podría determinar que tiene una

distribución normal, Se estima cinco para que el Dirigente Guatemalteco verifique
operaciones en el país
UNIVERSIDAD MARIANO GÁLVEZ DE GUATEMALA
FACULTAD DE CIENCIAS DE LA ADMINISTRACIÓN
MAESTRÍA EN ADMINISTRACIÓN Y GESTIÓN DEL RECURSO HUMANO
SEDE: ESCUINTLA
CURSO: MODELOS PARA LA TOMA DE DECISIONES
CATEDRÁTICA: ESMERALDA VILLELA

DISTRIBUCIONES DE PROBABILIDAD

CINTIA MELINA JUÁREZ CATALÁN

2728-05-13570

ESCUINTLA, 31 DE ENERO DE 2015

 DSTRIBUCION DE PROBABILIDADES

Distribución Normal

En estadística y probabilidad se llama distribución normal, distribución

de Gauss o distribución gaussiana, a una de las distribuciones de
probabilidad de variable continua que con más frecuencia aparece aproximada en
fenómenos reales.

La gráfica de su función de densidad tiene una forma acampanada y es

simétrica respecto de un determinado parámetro estadístico. Esta curva se conoce
como campana de Gauss y es el gráfico de una función gaussiana.

La importancia de esta distribución radica en que permite modelar

numerosos fenómenos naturales, sociales y psicológicos. Mientras que los
mecanismos que subyacen a gran parte de este tipo de fenómenos son
desconocidos, por la enorme cantidad de variables incontrolables que en ellos
intervienen, el uso del modelo normal puede justificarse asumiendo que cada
observación se obtiene como la suma de unas pocas causas independientes.

De hecho, la estadística descriptiva sólo permite describir un fenómeno, sin

explicación alguna. Para la explicación causal es preciso el diseño experimental,
de ahí que al uso de la estadística en psicología y sociología sea conocido
como método correlacional.

La distribución normal también es importante por su relación con la

estimación por mínimos cuadrados, uno de los métodos de estimación más
simples y antiguos.

Algunos ejemplos de variables asociadas a fenómenos naturales que siguen el

modelo de la normal son:

 caracteres morfológicos de individuos como la estatura;

 caracteres fisiológicos como el efecto de un fármaco;
 caracteres sociológicos como el consumo de cierto producto por un mismo
grupo de individuos;
 caracteres psicológicos como el cociente intelectual;
 nivel de ruido en telecomunicaciones;
 errores cometidos al medir ciertas magnitudes;
 etc.

La distribución normal también aparece en muchas áreas de la propia

estadística. Por ejemplo, la distribución muestral de las medias muestrales es
aproximadamente normal, cuando la distribución de la población de la cual se
extrae la muestra no es normal.1 Además, la distribución normal maximiza
la entropía entre todas las distribuciones con media y varianza conocidas, lo cual
la convierte en la elección natural de la distribución subyacente a una lista de
datos resumidos en términos de media muestral y varianza. La distribución normal
es la más extendida en estadística y muchos tests estadísticos están basados en
una supuesta "normalidad".

En probabilidad, la distribución normal aparece como el límite de varias

distribuciones de probabilidad continuas y discretas.
Distribución Binomial:

En estadística, la distribución binomial es una distribución de

probabilidad discreta que cuenta el número de éxitos en una secuencia
de n ensayos de Bernoulli independientes entre sí, con una probabilidad fija p de
ocurrencia del éxito entre los ensayos. Un experimento de Bernoulli se caracteriza
por ser dicotómico, esto es, sólo son posibles dos resultados. A uno de estos se
denomina éxito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una
probabilidad q = 1 - p. En la distribución binomial el anterior experimento se
repite n veces, de forma independiente, y se trata de calcular la probabilidad de un
determinado número de éxitos. Para n = 1, la binomial se convierte, de hecho, en
una distribución de Bernoulli.

Para representar que una variable aleatoria X sigue una distribución binomial de
parámetros n y p, se escribe:
La distribución binomial es la base del test binomial de significación
estadística.

Ejemplos

Las siguientes situaciones son ejemplos de experimentos que pueden

modelizarse por esta distribución:

 Se lanza un dado diez veces y se cuenta el número X de tres obtenidos:

entonces X ~ B(10, 1/6)
 Se lanza una moneda dos veces y se cuenta el número X de caras
obtenidas: entonces X ~ B(2, 1/2)

Experimento binomial

Existen muchas situaciones en las que se presenta una experiencia binomial.

Cada uno de los experimentos es independiente de los restantes (la
probabilidad del resultado de un experimento no depende del resultado del
resto). El resultado de cada experimento ha de admitir sólo dos categorías (a
las que se denomina éxito y fracaso). Las probabilidades de ambas
posibilidades han de ser constantes en todos los experimentos (se denotan
como p y q o p y 1-p).

Se designa por X a la variable que mide el número de éxitos que se han

producido en los n experimentos.
 Cuando se dan estas circunstancias, se dice que la variable X sigue una
distribución de probabilidad binomial, y se denota B (n,p).

Distribución de poisson

En teoría de probabilidad y estadística, la distribución de Poisson es

una distribución de probabilidad discreta que expresa, a partir de una frecuencia
de ocurrencia media, la probabilidad de que ocurra un determinado número de
eventos durante cierto período de tiempo. Concretamente, se especializa en la
probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas, o
sucesos "raros".

Fue descubierta por Siméon-Denis Poisson, que la dio a conocer en 1838 en su

trabajo Recherches sur la probabilité des jugements en matières criminelles et
matière civile (Investigación sobre la probabilidad de los juicios en materias
criminales y civiles).

T de Student

En probabilidad y estadística, la distribución t (de Student) es

una distribución de probabilidad que surge del problema de estimar la media de
una población normalmente distribuida cuando el tamaño de la muestra es
pequeño.
 Aparece de manera natural al realizar la prueba t de Student para la
determinación de las diferencias entre dos medias muestrales y para la
construcción del intervalo de confianza para la diferencia entre las medias de dos
poblaciones cuando se desconoce la desviación típica de una población y ésta
debe ser estimada a partir de los datos de una muestra.

Caracterización

La distribución t de Student es la distribución de probabilidad del cociente

donde

 Z es una variable aleatoria distribuida según una normal típica (de media
nula y varianza 1).
 V es una variable aleatoria que sigue una distribución χ² con grados de
libertad.
 Z y V son independientes

Si μ es una constante no nula, el cociente es una variable aleatoria

que sigue la distribución t de Student no central con parámetro de no-
centralidad .

Aparición y especificaciones de la distribución t de Student

Supongamos que X1,..., Xn son variables aleatoriasindependientes distribuidas

normalmente, con media μ y varianzaσ2. Sea

la media muestral. Entonces

 sigue una distribución normal de media 0 y varianza 1.

Sin embargo, dado que la desviación estándar no siempre es conocida

de antemano, Gosset estudió un cociente relacionado,

es la varianza muestral y demostró que la función de densidad

de T es

donde es igual a n − 1.

La distribución de T se llama ahora la distribución-t de Student.

El parámetro representa el número de grados de libertad. La distribución

depende de , pero no de o , lo cual es muy importante en la práctica.

Intervalos de confianza derivados de la distribución t de Student

El procedimiento para el cálculo del intervalo de confianza basado en la t de

Student consiste en estimar la desviación típica de los datos S y calcular el error

estándar de la media , siendo entonces el intervalo de confianza para la

media = .

Es este resultado el que se utiliza en el test de Student: puesto que la diferencia

de las medias de muestras de dos distribuciones normales se distribuye también
normalmente, la distribución t puede usarse para examinar si esa diferencia puede
razonablemente suponerse igual a cero.
para efectos prácticos el valor esperado y la varianza son:

y para

Historia

La distribución de Student fue descrita en 1908 por William Sealy Gosset. Gosset
trabajaba en una fábrica de cerveza,Guinness, que prohibía a sus empleados la
publicación de artículos científicos debido a una difusión previa de secretos
industriales. De ahí que Gosset publicase sus resultados bajo
el seudónimo de Student.1

Distribución t de Student no estandarizada

La distribución t puede generalizarse a 3 parámetros, introduciendo un parámero

locacional y otro de escala . El resultado es una distribución t de Student no
estandarizada cuya densidad está definida por:2

Equivalentemente, puede escribirse en términos de (correspondiente a

la varianza en vez de a la desviación estándar):

Otras propiedades de esta versión de la distribución t son:2

Chi Cuadrada

En estadística, la distribución de Pearson, llamada también ji cuadrada o chi

cuadrado (χ²) es una distribución de probabilidad continua con un
parámetro que representa los grados de libertad de la variable aleatoria

Donde son variables aleatorias normales independientes de media cero

y varianza uno. El que la variable aleatoria tenga esta distribución se representa

habitualmente así: .
Distribución F

Usada en teoría de probabilidad y estadística, la distribución F es

una distribución de probabilidad continua. También se le conoce
como distribución F de Snedecor (por George Snedecor) o como distribución F
de Fisher-Snedecor.
Una variable aleatoria de distribución F se construye como el siguiente cociente:

donde

 U1 y U2 siguen una distribución chi-cuadrado con d1 y d2grados de libertad

respectivamente, y

 U1 y U2 son estadísticamente independientes.

La distribución F aparece frecuentemente como la distribución nulade una
prueba estadística, especialmente en el análisis de varianza. Véase el test F.
La función de densidad de una F(d1, d2) viene dada por
UNIVERSIDAD MARIANO GÁLVEZ DE GUATEMALA
FACULTAD DE CIENCIAS DE LA ADMINISTRACIÓN
MAESTRÍA EN ADMINISTRACIÓN Y GESTIÓN DEL RECURSO HUMANO
SEDE: ESCUINTLA
CURSO: MODELOS PARA LA TOMA DE DECISIONES
CATEDRÁTICA: ESMERALDA VILLELA

PRONOSTICOS Y MODELOS DE REGRESIÓN

CINTIA MELINA JUÁREZ CATALÁN

2728-05-13570

ESCUINTLA, 07 DE FEBRERO DE 2015

 PRONOSTICOS

Pronóstico es el proceso de estimación en situaciones de incertidumbre. El

término predicción es similar, pero más general, y usualmente se refiere a la
estimación de series temporales o datos instantáneos. El pronóstico ha
evolucionado hacia la práctica del plan de demanda en el pronóstico diario de los
negocios. La práctica del plan de demanda también se refiere al pronóstico de la
cadena de suministros.

Entonces tenemos que los pronósticos son procesos críticos y continuos

que se necesitan para obtener buenos resultados durante la planificación, de un
proyecto. Si los clasificamos respecto al tiempo que abarcan, se puede clasificar
en:

1. Pronósticos a corto plazo: En las empresas modernas, este tipo de pronóstico

se efectúa cada mes o menos, y su tiempo de planeación tiene vigencia de un
año. Se utiliza para programas de abastecimiento, producción, asignación de
mano de obra a las plantillas de trabajadores, y planificación de los departamentos
de fabricación.

2. Pronósticos a mediano plazo: Abarca un lapso de seis meses a tres años. Este
se utiliza para estimar planes de ventas, producción, flujos de efectivo y
elaboración de presupuestos.

3. Pronósticos a largo plazo: Este tipo de pronóstico se utiliza en la planificación

de nuevas inversiones, lanzamiento de nuevos productos y tendencias
tecnológicas de materiales, procesos y productos, así como en la preparación de
proyectos. El tiempo de duración es de tres años o más.
Métodos de Serie Temporal

Los métodos de serie temporal utilizan datos históricos como base para
estimar resultados futuros. Se asume que la demanda es función del tiempo, y que
además pueden estar involucrados los siguientes componentes:

 Tendencia.
 Ciclos.
 Estacionalidades.
 Irregularidades.
Inmersos en el modelo en un esquema aditivo o multiplicativo.
Algunos de estos métodos son:

 Método ingenuo: Simplemente se asume que la magnitud de demanda será

igual a la última medida.
 Método de medias móviles
 Modelo autorregresivo de media móvil (ARMA)
 Modelo Arima
 Método de alisado exponencial
 Método de extrapolación
 Método de ajuste lineal de tendencia
 Método de ajuste estacional

Métodos Causales (econométricos)

Algunos métodos de pronóstico asumen que es posible identificar los

factores subyacentes que pueden tener influencia sobre la variable a pronosticar.
Si las causas se entienden, se pueden hacer proyecciones de las variables que
influyen, para utilizarlas en la predicción.

Algunos métodos causales son:

 Análisis de la regresión, que puede ser lineal o no lineal.

 Econometría

Métodos subjetivos
Los métodos subjetivos incorporan juicios intuitivos, opiniones y estimaciones.
Algunos de ellos son:

 Pronósticos compuestos
 Encuestas
 Método Delphi
 Construcción de escenario
 Pronóstico de tecnología
 Pronóstico por analogía

Otros métodos

 Simulación
 Pronóstico de mercado
 Pronóstico probabilístico
 Pronóstico de conjunto

Precisión del pronóstico

El error del pronóstico es la diferencia entre el valor real y el pronosticado

del período correspondiente.

Donde es el error del pronóstico del período , es el valor real para ese
período y el valor que se había pronosticado. Medidas de error:
Error absoluto de la media (MAD)

Error absoluto porcentual de la media (MAPE)

Desviación porcentual absoluta de la media (PMAD)

Error cuadrático de la media (MSE)

Raíz del error cuadrático de la media (RMSE)

Tipos de modelos de Regresión Lineal
Existen diferentes tipos de regresión lineal que se clasifican de acuerdo a
sus parámetros:

Regresión lineal simple

Sólo se maneja una variable independiente, por lo que sólo cuenta con
dos parámetros. Son de la forma:4
(6)
donde es el error asociado a la medición del valor y siguen los supuestos de
modo que (media cero, varianza constante e igual a
un y con ).
Análisis
Dado el modelo de regresión simple, si se calcula la esperanza (valor esperado)
del valor Y, se obtiene:5

(7)

Derivando respecto a y e igualando a cero, se obtiene:5

(9)

(10)
Obteniendo dos ecuaciones denominadas ecuaciones normales que generan la
siguiente solución para ambos parámetros:4

(11)

(12)
La interpretación del parámetro medio es que un incremento en Xi de una
unidad, Yi incrementará en
Regresión lineal múltiple
La regresión lineal permite trabajar con una variable a nivel de intervalo o
razón. De la misma manera, es posible analizar la relación entre dos o más
variables a través de ecuaciones, lo que se denomina regresión
múltiple o regresión lineal múltiple.

Constantemente en la práctica de la investigación estadística, se

encuentran variables que de alguna manera están relacionadas entre sí, por lo
que es posible que una de las variables puedan relacionarse matemáticamente en
función de otra u otras variables.

Maneja varias variables independientes. Cuenta con varios parámetros. Se

expresan de la forma:6

(13)
donde es el error asociado a la medición del valor y siguen los supuestos
de modo que (media cero, varianza constante e igual a
un y con ).

Rectas de Regresión
Las rectas de regresión son las rectas que mejor se ajustan a la nube de
puntos (o también llamado diagrama de dispersión) generada por una distribución
binomial. Matemáticamente, son posibles dos rectas de máximo ajuste: 7

 La recta de regresión de Y sobre X:

(14)

 La recta de regresión de X sobre Y:

(15)
 La correlación ("r") de las rectas determinará la calidad del ajuste. Si r es
cercano o igual a 1, el ajuste será bueno y las predicciones realizadas a partir del
modelo obtenido serán muy fiables (el modelo obtenido resulta verdaderamente
representativo); si r es cercano o igual a 0, se tratará de un ajuste malo en el que
las predicciones que se realicen a partir del modelo obtenido no serán fiables (el
modelo obtenido no resulta representativo de la realidad). Ambas rectas de
regresión se intersecan en un punto llamado centro de gravedad de la distribución.

Series de Tiempo
Una serie temporal o cronológica es una secuencia de datos, observaciones
o valores, medidos en determinados momentos y ordenados cronológicamente.
Los datos pueden estar espaciados a intervalos iguales (como la temperatura en
un observatorio meteorológico en días sucesivos al mediodía) o desiguales (como
el peso de una persona en sucesivas mediciones en el consultorio médico, la
farmacia, etc.). Para el análisis de las series temporales se usan métodos que
ayudan a interpretarlas y que permiten extraer información representativa sobre
las relaciones subyacentes entre los datos de la serie o de diversas series y que
permiten en diferente medida y con distinta confianza extrapolar o interpolar los
datos y así predecir el comportamiento de la serie en momentos no observados,
sean en el futuro (extrapolación pronóstica), en el pasado (extrapolación
retrógrada) o en momentos intermedios (interpolación)..

Uno de los usos más habituales de las series de datos temporales es su análisis
para predicción y pronóstico (así se hace por ejemplo con los datos climáticos, las
acciones de bolsa, o las series de datos demográficos). Resulta difícil imaginar
una rama de las ciencias en la que no aparezcan datos que puedan ser
considerados como series temporales. Las series temporales se estudian
en estadística, procesamiento de señales, econometría y muchas otras áreas.
Componentes
El análisis más clásico de las series temporales se basa en la suposición de que los
valores que toma la variable de observación es la consecuencia de cuatro componentes, cuya
actuación conjunta da como resultado los valores medidos, estos componentes son:

1. Tendencia secular o regular, indica la marcha general y persistente del fenómeno

observado, es una componente de la serie que refleja la evolución a largo plazo. Por
ejemplo, la tendencia creciente del índice de reciclado de basuras en los países
desarrollados, o el uso creciente de Internet en la sociedad, independientemente de
que en un mes concreto en un país, por determinadas causas, haya una baja en la
utilización de Internet.
2. Variación estacional o Variación cíclica regular. Es el movimiento periódico de corto
plazo. Se trata de una componente causal debida a la influencia de ciertos fenómenos
que se repiten de manera periódica en un año (las estaciones), una semana (los fines
de semana) o un día (las horas puntas) o cualquier otro periodo. Recoge las
oscilaciones que se producen en esos períodos de repetición.
3. Variación cíclica o Variación cíclica irregular. Es el componente de la serie que
recoge las oscilaciones periódicas de amplitud superior a un año. movimientos
normalmente irregulares alrededor de la tendencia, en las que a diferencia de las
variaciones estacionales, tiene un período y amplitud variables, pudiendo clasificarse
como cíclicos, cuasicíclicos o recurrentes.
4. Variación aleatoria o ruido, accidental, de carácter errático, también
denominada residuo, no muestran ninguna regularidad (salvo las regularidades
estadísticas), debidos a fenómenos de carácter ocasional como pueden ser
tormentas, terremotos, inundaciones, huelgas, guerras, avances tecnológicos, etc.
5. Variación Trasciente, accidental, de carácter errático debidos a fenómenos aislados
que son capaces de modificar el comportamiento de la serie (tendencia,
estacionalidad variaciones cíclicas y aleatoria).

Tipos de Series Temporales

 Aditivas, se componen sumando la Tendencia, estacionalidad, variación cíclica regular,

variación cíclica irregular, ruido:

 Multiplicativas, se componen multiplicando la Tendencia, estacionalidad, variación cíclica

regular, variación cíclica irregular, ruido:

 Mixtas, se componen sumando y multiplicando la Tendencia, estacionalidad, variación
cíclica regular, variación cíclica irregular, ruido. Existen varias alternativas, entre otras:

Notación

Existen diferentes notaciones empleadas para la representación matemática de una serie

temporal:

Ésta es una de las comunes que representa un Serie de Tiempo X que es indexada por
números naturales. También estamos acostumbrados a ver:
Universidad Mariano Gálvez de Guatemala

Maestría en Dirección y Gestión del Recurso Humano

Modelos para la toma de Decisiones

Metodología de aprendizaje Cinefórum

“Las Matemáticas y el Cine”
Valor 10 puntos

Instrucciones: El análisis de película se desarrollará en

equipo, son 3 equipos organizados en el aula. El coordinador
de cada equipo asignará rol a los participantes, para que
todos juntos presenten aportes.

Cada equipo visualizará la película 21 Blackjack, del Director

Robert Luketic, protagonista Jim Sturgess, misma que se
encuentra en internet, para ser visualizada en línea.

Cada uno de los estudiantes enviará a su coordinador el

aporte para que lo integre en un mismo documento, luego
deberá enviarlo a calificación a la docente, con la
coevaluación, para luego enviar los 2 documentos por medio de la plataforma.

No. Nombres de los miembros del equipo Rol asignado por el coordinador

1 Lilian Amparo Olivares López Revisora

2 Cintia Melina Juárez Catalán Secretaria

3 Ana Lourdes Martínez Garzaro Coordinadora
 ANALISIS DE LA PELICULA

BLACK JACK 21

I ANALISIS DE LA PELICULA DESDE EL PUNTO DE VISTA TÉCNICO

1. Sinopsis: Un breve resumen de la película

Ben Campbell es un joven de 21 años que estudia en el famoso Instituto

Tecnológico de Massachussets -M.I.T.-, que enfrenta la necesidad de pagar los
costos de su enseñanza pues desea estudiar medicina en la Universidad de
Harvard, y llega a la Universidad a solicitar la beca y se la niegan porque sus
argumentos no son válidos, o no sorprenden al entrevistador. Por sus habilidades
en matemática consigue trabajo en una tienda de ropa ganando $8 la hora, que
era más que los demás pero aún con ello no lograría reunir en corto tiempo la
cantidad para cubrir los gastos de sus estudios y alojamiento en dicha universidad;
sin embargo, al ser invitado a ser parte de un grupo integrado por estudiantes
dotados en su escuela, dirigidos por el catedrático Micky Rosa, quien diseño un
código de contar cartas e implementando un intrincado sistema de señales, cree
haber encontrado la solución a este problema. Dicho grupo viaja cada fin de
semana a Las Vegas llevando consigo documentos de identidad falsos y su
habilidad de contar cartas y las estrategias grupales de señas para que en el
momento oportuno se acerque a las mesas de juego los asignados para apostar y
ganar obteniendo un veintiuno en la mesa de blackjack, logrando ganar siempre al
casino y logrando amasar grandes sumas de dinero jamás vistas y que al finalizar
son repartidas entre los participantes y su tutor Micky Rosa.

Defrauda a sus amigos en un proyecto de ciencias en el cual se encontraba

seriamente involucrado pues no asiste a reuniones ni cumple con llevar un
dispositivo para el robot que diseñaban, pues le gana la emoción y ambición de
 obtener más dinero, y mantener un estilo de vida falso en Las Vegas y al tener una
relación sentimental con la atractiva e inteligente compañera de equipo, Jill Taylor,
Ben comienza a poner a prueba sus habilidades, lo que le trae consecuencias
adversas, ya que aunque el conteo de cartas no es ilegal, debe considerarse no
sólo en mantener la corrección de números, sino también en evadir o burlar al
intimidante encargado de vigilancia del casino: Cole Williams, quien al final se
vuelve complice de Ben y le dan una lección al profesor dándole una golpiza y el
vigilante se aprovecha de la situación y se jubila con un muy buen monto
monetario proporcionado por el grupo de genios matemáticos.

2. Reconocimientos: ¿Qué premios ha ganado la película?

Russell Carpenter, ASC ganador de un premio otorgado por la Academia. (El

encargado de realizar las tomas escénicas en los casinos.

3. Tiempo: Cuándo transcurre la película, ¿Hay referencias a distintos

momentos temporales en la película?, ¿Para qué son utilizados?

Los momentos temporales en la película son utilizados para poder demostrar que
los hechos transcurren en el presente y el pasado.

Inicia cuando él se presenta en la oficina del encargado de la Universidad de

Harvard, frente a quien le presenta su currículo para ser aceptado en la misma y
aprovecha para manifestar su interés de necesidad de poder obtener el beneficio
de una beca para realizar sus estudios de doctor. Al indicarle el encargado que
debería presentar un ensayo, automáticamente empieza a transcurrir el tiempo en
retrospectiva, es decir a narrar lo que tuvo que pasar en el MIT con la intención de
juntar la cantidad necesaria para poder pagar sus estudios y alojamiento si no
lograba conseguir la beca. Y es así como demuestra sus habilidades matemáticas
 y hacer que el encargado le logre creer la historia o el hecho que necesitaba para
poder ser aceptado.

4. Espacio: ¿Dónde se desarrollan las acciones de la película?, ¿Cómo se

definirían las características de los distintos escenarios?

La película se centra en dos escenarios principales que son el centro de estudios

de Boston Massachussets y el segundo es en Las Vegas.

Las características del primer escenario es en un pueblo tranquilo donde vive Ben
con su madre y de allí se desplaza en bicicleta hacia el campus del MIT.

El segundo escenario es en una ciudad denominada por muchos como la Ciudad

que Nunca Duerme “Las Vegas”, rodeada de luces, casinos y hoteles de lujo.

Dentro de esos dos escenarios se mueven otros escenarios que son el salón de
clases, la biblioteca, el gimnasio de la escuela, tienda de ropa, tren, un sótano, el
aeropuerto, baño, un avión, restaurante, la calle, entre otros.

Las características principales que se pueden describir es que en Boston se vive la

realidad de los personajes, su vida diaria, su entorno natural, y en Las Vegas todo
es fantasía, lujo, despilfarro, todo en exceso.
5. Personajes: ¿Quiénes son los personajes y nombres de los actores?,
¿Cuáles son sus características físicas y estéticas?, ¿Edades con que se les
representan? ¿Cómo es el comportamiento de cada personaje?, ¿Qué
cualidad de los personajes destacarían?

Los personajes principales son:

Jim Sturgess es Ben Campbell (protagonista), es un joven de complexión delgada

que recién acaba de cumplir 21 años de edad, que a pesar de ser tímido, resulta
tener una mente muy hábil con los números, pero necesita dinero para iniciar sus
estudios de doctor en la universidad de Harvard; razón por la cual, se convierte en
miembro del equipo de blackjack.

El conocido Kevin Spacey es Mickey Rosa, de aproximadamente 45 a 50 años, es

el profesor de Ecuaciones no Lineales en el MIT, cuya experiencia en el área de
estadísticas y matemática le permite ser el líder del equipo de blackjack.

Kate Boswort es Jill Taylor, miembro del equipo de blackjack, de 21 años, que
previo a Ben decida ser parte del equipo lo visita en su lugar de trabajo con la
excusa de buscar una corbata pero la intención real es de convencerle de ingresar
al equipo. Y es de quien Ben se enamora.

Laurence Fishburne es Cole Williams, de 50 años aproximadamente, es un

agente de seguridad del casino, quien se convierte en el principal enemigo del
equipo de blackjack, específicamente de Mickey Rosa.

Aaron Yoo es Choi, miembro del equipo blackjack, también de 21 años, a quien le
gusta robar dentro de los hoteles, todo lo que se pueda llevar.

Liza Lapira es Kianna, otra integrante del equipo blackjack. Una joven de 21 años
quien le gusta tener ropa de marca y cosas buenas.

Josh Gad es Miles Connolly, amigo de Ben que es matemático y estudioso.

Sam Golzari es un estudiante de Instituto Tecnológico de Massachesetts.

 Jacobs Pitts es Fisher, otro miembro. De 21 años aproximadamente, quien se
pone celoso de Ben, y afronta sus problemas haciendo problemas dentro de un
casino.

6. Temática:

¿Cuáles son los temas fundamentales que trata la película?

Toma de decisiones, si son acertadas las decisiones y si el resultado será el éxito,

si no el fracaso.

¿Cuántas partes pueden identificar?

1. El trabajo en equipo

1.1. Al ser parte del equipo que trabajaba en el proyecto 2.0.9, del cual fue
expulsado al no dedicarle el tiempo suficiente y darle la importancia que se
merecía.

1.2. Sentirse parte importante del equipo de blackjack que según él le permitiría
conseguir los recursos para poder pagar sus estudios y hospedaje en Harvard.

2. Confianza

2.1. El nivel de confianza en ambos casos era de suma importancia pues habían
metas que alcanzar.

3. Valores

3.1. La responsabilidad, fue irresponsable al no a asistir a clases para poderse

graduar, no dar el aporte necesario en el proyecto 2.0.9, y poner a prueba sus
habilidades en el caso del blackjack, porque a pesar de haber recibido las señales,
hizo caso omiso de retirarse oportunamente;

3.2. Honesto: mantuvo oculto cuales eran las actividades que hacía los fines de
semana a su madre y a sus amigos del proyecto. De parte de Mickey: es antiético
que un catedrático incluya en ese tipo de actividades a sus alumnos,
aprovechándose de sus habilidades y/o destrezas.
¿Qué es lo que más le ha llamado la atención de la película?

Que a pesar de haber sufrido todo lo que sufrió se quedó igualmente sin dinero,
pero que gracias a esa experiencia de vida que describió al encargado de Harvard
logró obtener la beca que le permitiría estudiar lo que siempre anheló de niño
“estudiar para doctor en Harvard”

¿Qué impresión les ha dado la película?

Que en cualquier ámbito de la vida tenemos que tomar decisiones, pero asumir las
consecuencias sino analizamos todas las variables posibles.

¿Qué situación plantean?

Que debemos utilizar las herramientas necesarias y apropiadas para obtener un

resultado satisfactorio de lo que pretendemos llegar a ser u obtener.

¿Conocen a alguien en una situación similar?

No en las mismas condiciones o en la misma situación, pero todas las personas

debemos tomar decisiones que pueden cambiar la vida y de cada situación se
puede aprender y se puede ganar así como se puede perder. O simplemente
aprender de lo bueno y lo malo.

¿Han visto alguna película que trate temas similares?

Camino a la felicidad, con Will Smith quien se esfuerza por conseguir un trabajo en
un lugar reconocido, a pesar que en el camino tuvo que sortear muchas
adversidades y sobre todo los mensajes pesimistas de los que le decían que
desistiera de ello. Y su motor es su hijo quien lo motiva y le da alientos para
continuar.

Identifiquen situaciones positivas de la película

Ben cuenta a sus amigos y a su madre y les pide perdón por los errores que
cometió.
Ben aprendió de situaciones difíciles en donde al principio ganó, sufrió cuando lo
golpean y al final gana experiencia y de su error puede enmendar lo malo que hizo.

Identifiquen situaciones negativas de la película

La adicción a los juegos de “azar”, la ambición que se puede llegar a tener u

olvidarse que todo trae consecuencias.

Identifiquen situaciones interesantes de la película

Las personas menos sospechosas a nuestro alrededor pueden estar dotadas de

una inteligencia superior, pero su personalidad tímida o carismática no los delata.

¿Qué les ha sorprendido más?

Al final de la película, logra involucrar a sus amigos en el juego.

Utilizar la habilidad para matemática para poder lograr algún fin específico.

¿Qué han aprendido?

Que al percibir que se está cayendo en una adicción en un juego de azar, es

importante recordar las consecuencias que puede tener en nuestras vidas y de las
personas que amamos. Y que podemos aplicar las matemáticas a nuestro entorno.
 II ANÁLISIS DE PELÍCULA DESDE EL PUNTO DE VISTA

DE MODELOS PARA LA TOMA DE DECISIONES.

1. El protagonista del film ¿Cómo desarrolló el proceso de toma de decisiones?

 Identificó y definió su problema: no tener dinero para inscribirse en la
universidad.
 Determinó sus posibles alternativas: trabajar duro o ser parte del equipo
blackjack.
 Determinó criterios: desarrollo un modelo matemático de cuánto tiempo debía
trabajar en la tienda o el blackjack, para poder contar con los recursos antes de
concluir la escuela e inscribirse a tiempo en la universidad.
 Evaluó las alternativas: Determinó que jugaría solo para obtener US$300,000 y
después se retiraría
 Eligió una alternativa: jugar el blackjack
 Implementó la alternativa
 Evaluó los resultados. Desafortunadamente no salió como lo planeó.

2. ¿Qué escenas están relacionadas a contenidos matemáticos?

El ejemplo de las tres puertas del vendedor de autos, al atender en la tienda una
pareja que querían comprar un traje y por supuesto en el juego de blackjack al
contar las cartas que veía al momento que llegaba a jugar, puesto que su cómplice
le indicaba en cuanto iba ya el juego.

3. El protagonista del film ¿Cómo desarrolló el proceso cuantitativo?

Desarrollo de un modelo matemático. Como era experto en los cálculos, hizo
mención cuanto tiempo debería trabajar en la tienda Vs. Lo que podría ganar en
Las Vegas para lograr acumular lo que debía pagar en la universidad, por lo que
optó por la segunda alternativa.
4. ¿Escriba el nombre de los modelos matemáticos que se observan en la
película?
Ecuaciones no lineales, probabilidades.

5. ¿Qué conceptos de probabilidad se observan en la película?

Distribución de probabilidad de variables aleatorias discretas

Distribución de probabilidad Binomial (probabilidad de éxito o fracaso en cada

intento o ensayo)

6. ¿En qué forma el modelo identificado los aplican en la vida diaria?

Modelo cuantitativo: al momento de adquirir un compromiso, se determina con
base en las tasas de interés y los plazos que aplican las instituciones, tomando en
consideración cual va a ser el monto total a pagar por esos conceptos.

7. ¿En qué forma los aplican en la organización?

En la empresa también se utiliza el método cuantitativo al buscar las mejores
opciones de las inversiones a plazo fijo que tiene, pero también debe observar las
variables cualitativas que la rigen como entidad pública.

8. ¿Explique las actitudes ética y anti-éticas que se observan en el film?

Anti-ética: Utilizar a otros para beneficiarse uno mismo.

Mentir a otros catedráticos respecto a algún proyecto o trabajo que

no se hace.

Trampa, chantaje.

Ética: Ser honesto al contar la experiencia de vida que tuvo que pasar con
la intención de pagar sus estudios, con lo cual logró que se le
otorgara la beca que solicitaba.
9. ¿Describa otras aplicaciones matemáticas aplicada a otros contextos,
relacionándolos al área gerencial empresarial?
Los árboles de decisiones, los escenarios financieros, los análisis estadísticos de
ventas de productos o servicios, inventarios, entre otros.

10. ¿Qué aspectos y decisiones fueron las más relevantes?

Trabajo en equipo, nivel de confianza.
Universidad Mariano Gálvez de Guatemala
Centro Universitario de Escuintla
Facultad de Ciencias de la Administración
Maestría en Dirección y Gestión del Recurso Humano
Curso Modelos para la toma de decisiones
Ing. M.A. Claudia Esmeralda Marisol Villela Cervantes

MODELOS DE TRANSPORTE

GRUPO 2
2728-95-4410 Lilian Amparo Olivares López
2728-05-13570 Cintia Melina Juárez Catalán
2728-09-12510 Ana Lourdes Martínez Garzaro
Fecha: Escuintla, 14 de febrero de 2015
 INTRODUCCIÓN

El presente trabajo, contiene el resultado de la investigación sobre los métodos de

transporte que usualmente utilizan las fábricas para distribuir los bienes a sus destinos al
menor costo posible. Aunque hay varios métodos, se darán a conocer los siguientes,
según se describen en los textos:

Introducción a la Investigación de Operaciones y su Aplicación en la Toma de Decisiones

Gerenciales y el de Métodos Cuantitativo para los Negocios.

1. Esquina Nor-Oeste,
2. Costo Mínimo
3. Método de Vogel

Aunque de acuerdo a cada autor, describe con ciertos nombres los gráficos, conectores o
cuadros que sirven para determinar las posibles soluciones dadas las variables o
restricciones planteadas en cada modelo; al final, todos llegan a una opción que se le
denomina óptima.

Como anexos, se plasma ejemplos desarrollados en dichos textos, lo cual permite

apreciar los procedimientos que se deben seguir para obtener la solución óptima para los
problemas de transporte que pueden enfrentar los fabricantes para hacer llegar sus
productos al menor costo.

Por su parte, Anderson-Sweeney- Williams, en su texto Métodos Cuantitativos para los

Negocios 9ª. Edicion (2004), indican que los asuntos de transporte, asignación y
transbordo pertenecen a una clase especial de problemas de programación lineal
llamados problemas de flujo de red; y que debido a la estructura matemática particular de
los problemas de flujo de red, incluso problemas grandes que implican miles de variables
a menudo pueden resolverse en unos cuantos segundos de tiempo de computadora.

Los problemas de transporte surgen en la planeación de la distribución de bienes y

servicios desde varias localidades de suministros (origen) a varias localidades de
demanda (destinos).
 MODELO DEL PROBLEMA DE TRANSPORTE

El estudio de problema de transporte, es una variante de problemas especiales de

programación lineal, pues se deriva de las aplicaciones que se definen para determinar la
manera óptima de transportar bienes, más no la producción de los mismos.

Antecedente:

Este tema se empezó a estudiar por el año 1939 por L.V. Kantorovich, quien resaltó la
aplicación simplificada de las matemáticas dentro de la industria. (Mayte, 2006)

Balanceo del Modelo de Transporte

Quiere decir que la suma de la oferta debe ser igual que la demanda, aunque esta
condición no siempre se cumple, ya que la oferta disponible puede ser insuficiente o
excesiva; entonces, se dice que el modelo “no está balanceado”.

No obstante, para poder desarrollar un modelo eficaz, se debe aplicar la restricción de

balanceo porque es fundamental al desarrollar la técnica, para balancear con datos
ficticios convirtiéndolo a un problema igualando oferta y demanda.

Si la demanda excede a la oferta, se aumenta un origen ficticio y si existe exceso de

oferta, se utiliza un destino ficticio para absorber la cantidad excedente. Los costos de
transporte por unidad desde el origen ficticio a todos los destinos, son cero, ya que esto
es equivalente a no transportar desde el origen ficticio. En forma semejante, los costos de
transporte por unidad desde todas las fuentes a todos los destinos ficticios son cero.
Físicamente las cantidades enviadas desde un origen ficticio pueden interpretarse como
escasez de la demanda, mientras que los asignados a un destino ficticio pueden
interpretarse como capacidades no utilizadas en el origen. (Mayte, 2006)

Pasos Básicos de la Técnica de Transporte

Para encontrar una solución óptima en costos de distribución, es importante aplicar los
siguientes pasos generalizados:

1. Determine una solución factible básica de inicio.

2. Determine una variable que entra de las variables no básicas. Si todas, de tales
variables satisfacen la condición de optimidad, entonces pare; de lo contrario, vaya
al paso 3.
3. Determine una variable que sale (usando la condición de factibilidad) de entre las
variables de la solución básica real, entonces encuentre la nueva solución básica.
Regrese al paso 2. (Mayte, 2006)

Método de Solución para Obtener una Solución Factible Básica de Inicio

1. Método de la esquina nor-oeste

2. Método de costo mínimo
3. Método de aproximación de vogel (MAV)

Método de Optimización

1. Método de Banquillo (Stepping Stone o Multiplicadores de Lagrange)

2. Solución Numérica de Houthakker
3. Método de Wagener
4. Primal Dual para el transporte
5. Prima de Balinski y Gómory
Representación utilizada para el desarrollo de la técnica de transporte

Destino
"j"

Origen "i" 1 2 3 OFERTA

C11 C12 C13

1 X11 X12 X13 a1

C21 C22 C23

2 X21 X22 X23 a1

DEMANDA b1 b2 b3

(Mayte, 2006)

Consideraciones Importantes

1. La cantidad de variables que conforman la solución básica de inicio, está

determinada por la fórmula: “n” (orígenes) + “m” (destinos) -1. Compruebe en su
tablero final que el número de variables coincida con lo que determina la fórmula.
2. Las variables que conforman la solución básica de inicio en el tablero final, son
conocidas como “variables básicas”. Las restantes casillas “en blanco”,
representan variables “no básicas”.
 3. Cuando una columna y una fila se satisfacen simultáneamente en la cantidad
ofertada y demandada, la variable siguiente que debe agregarse a la solución
básica, necesariamente estará en un nivel cero (0). (Mayte, 2006)

Con un mismo ejemplo se analiza el funcionamiento de los tres métodos para encontrar
una solución básica de inicio. La distribución sugerida para el transporte, por cada uno de
ellos representa únicamente una solución de inicio que debe optimizarse mediante otro
método complementario (banquillo) para asegurar que los costos de distribución serán
mínimos. (Mayte, 2006)

Ejemplo ilustrativo

Una compañía desea minimizar sus costos de distribución de productos. Cuenta con tres
fábricas y cinco distribuidores. La producción semanal de las fábricas es de 20, 25 y 30
unidades, respectivamente. Los requerimientos de los distribuidores corresponden a 10,
12, 14, 16 y 18 unidades semanales, respectivamente. Los costos de enviar una unidad
entre cada fábrica y los distribuidores, se presentan a continuación

DISTRIBUIDORES

FABRICA A B C D E

1 42 32 33 39 36

2 34 36 37 32 37

3 38 31 40 35 35

Se determinará la solución aplicando cada uno de los métodos de transporte.

(Mayte, 2006)
Método de Esquina Nor-Oeste

Éste se basa en el principio de asignar la cantidad máxima permitida por la oferta y la

demanda, a la variable que está ubicada en la esquina noroeste de la tabla o matriz.

En toda la tabla, inicialmente la variable ubicada en la esquina noroeste, es la variable X11.

Antes de pretender resolver cualquier problema de transporte, verifique si el modelo está

balanceado. Sumando las cantidades ofertadas y las cantidades demandadas.

En este caso, el total de unidades ofertadas es de 75; mientras que el total del de
unidades demandadas es de 70. Como la suma no es igual, se dice que el modelo “no
está balanceado”. Por lo que, se debe agregar una “columna ficticia” con una demanda
“artificial” de 5 unidades para balancear el modelo. Además, los costos asociados a dicho
distribuidor “artificial”, son costos con valor cero. En consecuencia, la matriz que se
trabajará deberá tener entonces 6 columnas identificadas de la A hasta la E, para poder
desarrollar la metodología de solución.

Previo a iniciar el proceso, se debe preparar una matriz sin valores en sus casillas y luego
aplicar los pasos indicados para comparar los resultados con respecto a la tabla
presentada. (Mayte, 2006)

1. Inicialmente usted tiene la matriz sin ningún valor dentro de sus casillas. Proceda a
identificar la esquina nor-oeste de la tabla. Concluirá que le corresponde a la
variable X11. Evalúe la oferta disponible (20 unidades) y la demanda (10 unidades)
en dicha casilla. Asigne lo máximo permitido. En este caso 10 unidades y actualice
sus saldos de unidades en la oferta (10 unidades) y demanda (ninguna unidad).
Proceda a eliminar la columna 1 (debido a que ya no hay demanda que cubrir en
 esta columna) con una línea vertical y asígnele un correlativo número uno para
guardar orden en la secuencia. (Mayte, 2006)

Distribuidore
s

OFERT
A B C D E F
Fábrica A

42 32 33 39 36 0

10 20 10
1
X1 X1 X1 X1 X1
X11
2 3 4 5 6

34 36 37 32 37 0

25
2
X2 X2 X2 X2 X2
X21
2 3 4 5 6

38 31 40 35 35 0

30
3
X3 X3 X3 X3 X3
X31
2 3 4 5 6

75
DEMANDA 10 12 14 16 18 5
75

-
Al eliminar la columna 1, ésta ya no forma parte de la matriz, por tanto debe determinar
nuevamente la nueva esquina nor-oeste de la tabla. Le corresponde a la variable X12.
Evalúe la oferta y demanda y asigne lo máximo permitido. En este caso puede asignar 10
unidades. Actualice saldos disponibles. Elimine la fila 1 debido a que ya no hay
disponibilidad de oferta en esta fila. Lleve el correlativo de las eliminaciones de filas y
columnas. Actualice siempre los saldos. Cuando la fila o columna ya no tiene saldo se va
eliminado. (Mayte, 2006)

El procedimiento es repetitivo. Al final, verifique que tanto oferta como demanda quedan
sin ningún valor y que ha quedado únicamente una fila sin “eliminar”. La tabla completa
deberá quedar así:

Distribuidores

Fábrica A B C D E F OFERTA
1 3 4 6 7 8

42 32 33 39 36 0

10 10 20 10 -
1 2

X1 X1 X1 X1
X13 X14
1 2 5 6

34 36 37 32 37 0

2 14 9 25 23 9
2 5 -

X2 X2 X2 X2
X23 X24
1 2 5 6

38 31 40 35 35 0
3
7 18 5 30 23 5
 -

X3 X3 X3 X3
X33 X34
1 2 5 6

DEMAND 75
10 12 14 16 18 5 75
A

- 2 - 7 - -

- -

Es importante tener presente que sólo se efectúa una eliminación a la vez. Por lo tanto, el
procedimiento termina cuando exactamente ha quedado una fila o una columna sin
eliminar. (Mayte, 2006)

El costo total de transporte se determina por la sumatoria de la multiplicación de la

cantidad de unidades asignadas en cada casilla, por su costo unitario correspondiente.
Para este método, el costo de transporte asociado es:

(10*42) + (10*32) + (2*36) + (14*37) + (9*32) + (7*35) +(18*35) + (5*0) = Q.2,493.00

Para Anderson-Sweeney-William, en su Libro Métodos Cuantitativos para los Negocios en

su 9ª. Edición en el año 2004, indican que los asuntos de transporte, asignación y
transbordo pertenecen a una clase especial de problemas de programación lineal a los
que llaman problemas de flujo de red; por lo que dedican un capítulo especial a estos
problemas que implican incluso problemas grandes que implican miles de variables a
menudo pueden resolverse en unos cuantos segundos de tiempo de computadora.
(Anderson-Sweeney- Williams, 2004)
Ellos enfocan los problemas de flujo de red ilustrando cada uno de ellos con una
aplicación específica. Primero, elaboran una representación gráfica del problema, llamada
red, y luego muestran cómo puede formularse cada uno y resolverse como un programa
lineal.

El Problema de Transporte: El Modelo de Red y una Formulación de Programación

Lineal.

Para el efecto, ilustran un problema de transporte enfrentado por Foster Generador, el

cual implica la movilización de un producto de tres plantas a cuatro centros de
distribución. Foster Generador opera plantas en Cleveland, Ohio, Bedford, Indiana y York,
Pensilvania. Las capacidades de producción a lo largo del siguiente período de
planeación de tres meses para un tipo particular de generador son las siguientes:

Capacidad de
Origen Planta producción en tres
meses (unidades)

1 Cleveland 5000

2 Bedford 6000

3 York 2500

Total 13500

La firma distribuye sus generadores por medio de cuatro centros regionales localizados en
Boston, Chicago, San Luis y Lexington; éstos pronosticaron sus demandas en los tres
meses para sus centros de distribución así:
 Pronóstico de la
Centro de
Destino demanda para tres
Distribución
meses (unidades)

1 Boston 6000

2 Chicago 4000

3 San Luis 2000

4 Lexington 1500

Total 13500

A la administración le gustaría determinar cuánta de su producción debería embarcarse

desde cada planta a cada centro de distribución. La Figura 1 muestra gráficamente las 12
rutas de distribución que puede usar Foster. Esta gráfica se llama red; los círculos se
conocen como nodos (origen y destino) y las líneas (cada ruta de embarque posible) que
los conectan como arcos. La cantidad del suministro se escribe junto a cada nodo de
origen y la cantidad de la demanda se escribe junto a cada nodo de destino. Los bienes
embarcados de los orígenes a los destinos representan el flujo de la red. La dirección del
flujo (del origen al destino) está indicada por las flechas. (ANDERSON-SWEENEY-
WILLIAMS, 2004)

El costo para cada unidad embarcada en cada ruta se da en la tabla 1 y se muestra en

cada arco en la figura 1.

En este caso, puede usarse un modelo de programación lineal para resolverlo. Usando
variables de decisión con doble subíndice, con X11 denotando la cantidad de unidades
embarcadas del origen 1 (Cleveland) al destino 1 (Bostón). En general las variables de
decisión para un problema de transporte que tiene m orígenes y n destinos se escribe
como sigue:
Xij = cantidad de unidades embarcadas del origen i al destino j

Donde i = 1, 2, 3 y j = 1, 2, . . .

Debido a que el objetivo del problema de transporte es minimizar el costo de transporte

total, podemos usar los datos de costo de la tabla 1 o en los arcos de la figura 1 para
elaborar las siguientes expresiones de costo:

Costo de transporte para unidades embarcadas desde

= 3X11 + 2X12 + 7X13 + 6X14
Cleveland

Costo de transporte para unidades embarcadas desde

= 7X21 + 5X22 + 2X23 + 3X24
Bedford

Costo de transporte para unidades embarcadas desde

= 2X31 + 5X32 + 4X33 + 5X34
Cork

La suma de estas expresiones proporciona la función objetivo que muestra el costo de

transporte total para Porter Generators. (ANDERSON-SWEENEY- WILLIAMS, 2004)

Los problemas de transporte necesitan restricciones debido a que cada origen tiene un
suministro limitado y cada destino tiene un requerimiento de demanda. Para obtener una
solución factible, el suministro total debe ser mayor o igual que la demanda total.
(ANDERSON-SWEENEY- WILLIAMS, 2004)

Combinar la función objetivo y las restricciones en un modelo proporciona una formulación

de programación lineal de 12 variables y siete restricciones del problema de transporte de
Foster Generators:

Min 3x11 + 2x12 + 7x13 + 6x14 + 7x21 + 5x22 + 2x23 + 3x24 + 2x31 + 5x32 + 4x33 + 5x34
x11 + x12 + x13 + x14 ≤ 5000 Sumin. Cleveland

x21 + x22 + x23 + x24 ≤ 6000 Sumin. Bedford

x31 + x32 + x33 + x34 ≤ 2500 Suministro York

x11 +x21 + x31 ≤ 6000 Demanda Boston

x12 + x22 + x32 ≤ 4000 Demanda

Chicago

x13 + x23 + x33 ≤ 2000 Demanda S. Luis

x14 + x24 + x34 ≤ 1500 Demanda

Lexington
Figura 1 Centros de
Distribución
(nodos de
distribución)

Plantas Costo de
1
(nodos de Transporte Boston 6000
origen) por Unidad

1 3,500
Clevelan
5000 d 2 1,500

1,500

2
Chicago
4000

2 2,500
6000 Bedford

2,000

1,500 3
San Luis
2000

2,500
3
York
2500

4
Lexingto 1500
n
 Rutas de
Suministros Demandas
Distribución

Tabla 2 Solución de The Managemente Scientist Transporte de Foster Generator

Valor de Función Objetivo = 39500

Variable Valor Reducción de Costo

X11 3500.000 0.000

X12 1500.000 0.000

X13 0.000 8.000

X14 0.000 6.000

X21 0.000 1.000

X22 2500.000 0.000

X23 2000.000 0.000

X24 1500.000 0.000

X31 2500.000 0.000

X32 0.000 4.000

X33 0.000 6.000

X34 0.000 6.000

Al comparar la formulación de programación lineal con la red en la figura 1 conduce a
varias observaciones. Toda la información necesaria para la formulación de programación
lineal está en la red. Cada nodo tiene una restricción y cada arco una variable. La suma
de las variables correspondientes a los arcos desde un nodo de origen debe ser menor o
igual que el suministro de origen, y la suma de las variables correspondiente a los arcos
hasta el nodo de destino debe ser igual a la demanda de destino. (ANDERSON-
SWEENEY- WILLIAMS, 2004)

Se resuelve el problema de Foster Generador con el módulo de programación lineal de

The Management Scientist. La solución de computadora (figura 2) muestra que el costo
de transporte total mínimo es 39500 dólares ($). La tabla 2 muestra el programa de
transporte de costo mínimo y la figura 3 resume la solución óptima en la red.
(ANDERSON-SWEENEY- WILLIAMS, 2004)

Variaciones del Problema

El problema de Foster Generator ilustra el uso del modelo de transporte básico.

Variaciones del modelo de transporte básico pueden implicar una o más de las siguientes
situaciones:

1. Suministro total no igual a demanda total

2. Maximización de la función objetivo
3. Capacidades de ruta o mínimos de ruta
4. Rutas inaceptables.

Se pueden incluir estas situaciones fácilmente con ligeras modificaciones en el modelo de

programación lineal. (ANDERSON-SWEENEY- WILLIAMS, 2004)

Suministro Total no Igual a Demanda Total.

Cuando el suministro total no es igual a la demanda total. Si el suministro excede a la
demanda total, no es necesaria ninguna modificación en la formulación de la
programación lineal. El suministro en exceso aparecerá como holgura en la solución de la
programación lineal. La holgura para cualquier origen particular puede interpretarse como
el suministro no usado o la cantidad no embarcada desde el origen. Si el suministro es
menor que la demanda total, el modelo de programación lineal de un problema de
transporte no tendrá una solución factible. En este caso, modificamos la representación
de red agregando un origen ficticio con un suministro igual a la diferencia entre la
demanda total y el suministro total, el modelo de programación lineal tendrá una solución
factible, asignando un costo cero por unidad a cada arco dejando el origen ficticio de
manera que el valor de la solución óptima para el problema revisado representará el costo
de embarque para las unidades embarcadas en realidad (no se harán embarques reales
desde el origen ficticio). Cuando se implementa la solución óptima, los destinos que
muestran embarques recibidos del origen ficticio serán los destinos que experimentarán
déficit o demanda insatisfecha. (ANDERSON-SWEENEY- WILLIAMS, 2004)

Tabla 2. Solución Óptima para el problema de Transporte de Foster Generators

Ruta Unidades Costo por Costo

Desde Hasta Embarcadas Unidad Total

Cleveland Boston 3500 $3 $10,500

Cleveland Chicago 1500 $2 $ 3,000

Bedford Chicago 2500 $5 $12,500

Bedford San Luis 2000 $2 $ 4,000

Bedford Lexington 1500 $3 $ 4,500

York Boston 2500 $2 $ 5,000

$39,500
 Centros de Distribución
(nodos de distribución)

Plantas (nodos de
origen)
1
Boston 6000

3500
1
5000 Cleveland 1500

2
Chicago 4000

2500

2
6000 Bedford 2000

1500

3
2500 San Luis 2000

3
2500 York

1500
4
Lexington

Suministros Rutas de Distribución (arcos) y cantidad embarcada Demandas

Maximización de la Función Objetivo

Usando los valores para la ganancia o ingreso por unidad como coeficientes en la función
objetivo, se resuelve una maximización en lugar de un programa lineal de minimización,
pero este cambio no afecta las restricciones. (ANDERSON-SWEENEY- WILLIAMS,
2004)

Capacidades de Ruta o Mínimos de Ruta

La formulación de programación lineal del problema de transporte también puede aceptar

capacidades o cantidades mínimas para una o más de las rutas. Por ejemplo, suponga
que en el problema de Foster Generators la ruta York-Boston (origen 3 a destino 1) tenía
una capacidad de mil unidades debido a una disponibilidad limitada de espacio en su
medio normal de transporte. Con X21 denotando la cantidad embarcada de York a Boston,
la restricción de capacidad de ruta para York-Boston sería: X31 1000

Del mismo modo, pueden especificarse mínimos de ruta. Por ejemplo, X22 ≥ 2000

Garantizaría que un pedido comprometido con anterioridad para una entrega Bedford-
Chicago de al menos 2000 unidades se mantendría en la solución óptima. (ANDERSON-
SWEENEY- WILLIAMS, 2004)

Rutas Inaceptables

Por último, puede ser imposible establecer una ruta de todo origen a todo destino, para
manejar esta situación, tan sólo retiramos el arco correspondiente de la red y eliminamos
la variable correspondiente de programación lineal. (ANDERSON-SWEENEY-
WILLIAMS, 2004)

Para mostrar el modelo de programación lineal general del problema de transporte,

usamos la notación:

i = índice para los orígenes, i = 1, 2, . . m

j = índice para los destinos, j = 1, 2, . . n

xij = cantidad de unidades embarcadas del origen i al destino j

cij = costo por unidad de embarque de origen i al destino j

si = suministro o capacidad en unidades en el origen i

dj = demanda en unidades en el destino j

El modelo de programación lineal general del problema de transporte de m orígenes y n

destinos es:

m n

Min ∑ ∑ cijxij

i=1 j=1

s.a

∑ ≤ si i = 1, 2, . . m Suministro

j=1
 m

∑ cij ≤ dj j = 1, 2, . . n Demanda

i=1

xij ≥ 0 para toda i y j

También se pueden agregar restricciones de la forma xij ≤ Lij si la ruta del origen i al
destino j tiene capacidad Lij. Si problema de transporte incluye este tipo de restricciones
se conoce como Problema de Transporte con capacidades. Del mismo modo, podemos
agregar restricciones mínimas de ruta de la forma xij ≥ Mij si la ruta del origen i al destino j
debe manejar al menos Mij unidades. (ANDERSON-SWEENEY- WILLIAMS, 2004)

METODO DE COSTO MÍNIMO

Se basa en el principio de asignar la cantidad máxima permitida por la oferta y la

demanda, a la variable que tenga el costo unitario más pequeño en la tabla completa. Un
empate se rompe arbitrariamente.

Recuerde de preparar su matriz sin valores asignados en sus casillas y aplique el

procedimiento indicado de manera comparativa con la tabla presentada.

Para comprender la metodología para realizar los registros de valores dentro de la matriz,
repasemos paso a paso la secuencia.

1. Inicialmente usted tiene la matriz sin ningún valor dentro de sus casillas. Proceda a
identificar la casilla con el costo más pequeño de toda la tabla. Concluirá que tiene
 tres casillas con costos “cero”; por lo tanto, usted rompe arbitrariamente el empate
y empieza a asignar cualquiera de las tres variables casillas. En este ejemplo, se
decidió empezar por la casilla con variable X36. Al igual que en el método anterior,
evalúe la oferta y demanda disponible en dicha casilla. Asigne lo máximo
permitido. Actualice sus saldos de unidades. Proceda a “eliminar” la columna 6
(debido a que ya no hay demanda que cubrir en esta columna) con una línea
vertical y asígnele un correlativo número uno para guardar orden en la secuencia.
2. Haga de cuenta que la columna 6, que ya se “eliminó”, ya no forma parte de la
matriz. Determine nuevamente la casilla con el costo unitario más pequeño. Le
corresponde a la variable X32. Evalúe oferta y demanda y asigne la máxima
permitida. Actualice saldos disponibles. Elimine la columna 2 debido a que ya no
hay demanda que cubrir en esta columna. Lleve el correlativo de las eliminaciones
de filas y columnas (número 2).
3. El procedimiento es repetitivo. La nueva casilla con el costo más pequeño es
donde está la variable X24. Asigne lo máximo permitido. Actualice saldos. Elimine
la columna o fila donde ya no exista disponibilidad y encuentre la nueva casilla con
el costo más pequeño.
4. Continúe el mismo procedimiento, identificando y asignando la mayor cantidad
posible de toda la tabla. Tenga presente que no se asigne ningún orden en
particular, simplemente se asigna en la casilla libre con el costo más bajo. Al final,
verifique que tanto oferta como demanda quedan sin ningún valor y que ha
quedado únicamente una fila sin “eliminar”. (Dávila)
El costo total de transporte asociado se determina por la sumatoria de la multiplicación
de la cantidad de unidades asignadas en cada casilla, por su costo unitario
correspondiente. (Dávila)
 Distribuidores

8 2 4 3 7 1

Fábrica A B C D E F OFERTA

42 32 33 39 36 0

20 6 1
1 1 14 5
-

X11 X12 X13 X14 X15 X16

34 36 37 32 37 0

2 9 16 25 9 -

X21 X22 X23 X24 X25 X26 5

38 31 40 35 35 0

3 25
12 13 5 30
13
6

X31 X32 X33 X34 X35 X36

75
DEMANDA 9 12 14 16 18 5
75

1
- - - 5 -
-

-
Para este método, el costo de transporte asociado se determina así:

(1*42) + (14*33) + (5*36) + (9*34) + (16*32) + (12*31) + (13*35) + (5*0) = Q2,329.00

(Dávila)
METODO DE APROXIMACIÓN DE VOGEL

Es un método que generalmente proporciona una mejor solución de inicio que los dos
anteriores.

La solución mediante este método es la siguiente: Prepare su matriz y siga los pasos
indicados, para comparar sus resultados con la solución presentada.

Para comprender la metodología para realizar los registros de valores dentro de la matriz,
repasemos paso a paso la secuencia.

1. Determine un conjunto de penalizaciones, calculando la diferencia entre los dos

valores de costo más pequeños de cada fila y de cada columna. Para la fila uno,
los dos costos menores son “0” y “32”, siendo la diferencia entre ambos de 32.
Para la columna uno, los dos costos menores son “34” y “38”, siendo la diferencia
entre ambos de 4. Continúe calculando diferencias y registre la diferencia entre
ambos de 4. Continúe calculando diferencias y registre las penalizaciones
correspondientes al primer juego de penalizaciones para filas y columnas.
2. Identifique la penalización mayor del primer juego de resultados, comparando
tanto valores de filas como de columnas. El valor mayor del primer juego, le
corresponde a la penalización 32 de la segunda fila.
3. Identifique la variable con el costo unitario más pequeño dentro de la fila o
columna con la penalización mayor. Para este ejemplo, dentro de la fila 2, el costo
menor, es “0”. Ahora asigne lo máximo permitido por la oferta y la demanda, en
esta casilla con el costo menor.
4. Actualice saldos en oferta y demanda y proceda a “eliminar” la fila o columna que
quede satisfecha. En el ejemplo, la columna 6 queda eliminada debido a que ya no
hay demanda que cubrir. Se enumera la línea que tacha la columna para guardar
el orden de la correlatividad en la asignación de valores.
 5. Determine nuevo conjunto de penalizaciones para cada fila y para cada columna
haciendo de cuenta que la columna 6 ya no forma parte de la matriz. Verifique sus
resultados con las penalizaciones indicadas del 2º. Juego de la matriz, luego del
2º. Juego de Penalizaciones, queda así:
En este ejemplo, al momento de decidir esta segunda asignación de un
valor, se presenta la problemática que se tienen tres penalizaciones con
valor 4 (la tercera fila, la primera y tercera columnas). ¿Dónde asignar? Se
debe tomar en cuenta que todo empate se rompe arbitrariamente. De esta
manera se decidió asignar en la casilla con el costo más bajo de la fila tres
y por esta razón está sombreada dicha penalización y no las otras.
6. Repita los pasos del 2 al 5 de manera cíclica para cada asignación que vaya a
realizar hasta que ya no le sea posible calcular más juegos de penalizaciones o ya
no existan valores por asignar. Luego de la 6ª penalización y asignación, ya no le
será posible, calcular más juegos de penalizaciones.
7. En este momento, luego del sexto juego de penalizaciones, ya no pueden
calcularse más juegos, debido a que la columna E, es la única columna libre y sus
costos no pueden compararse contra los costos de otra columna para determinar
las diferencias que conceptualizan las penalizaciones. Por lo tanto cuando ya no
sea posible calcular juegos de penalizaciones o ya no sea posible determinar una
penalización mayor por falta de otros valores para su comparación, entonces
detenga el procedimiento y luego continúe sus asignaciones de valores a sus
variables, mediante el método del costo mínimo. En ese momento, sólo hay dos
casillas libres correspondientes a las variables x15 y x35, de las cuales, la que tiene
el costo más pequeño es la última mencionada, lo que significa que a esta casilla
asignaremos la mayor cantidad posible y, finalmente, completaremos la matriz,
asignando en la casilla x15. (Dávila)

El costo total de transporte asociado se determina por la sumatoria de la multiplicación

de la cantidad de unidades asignadas en cada casilla, por su costo unitario
correspondiente. Para este método, el costo total de transporte asociado se determina
así:
(14*33) + (6*36) + (10*34) + (10*32) + (5*0) + (12*31) + (6*35) + (12*35) = Q2,340.00

MÉTODO DE BANQUILLO O DE STEPPING STONE (OPTIMIZACIÓN)

Método desarrollado por los matemáticos Charnes y Cooper, pero modificado y

simplificado por Dantzig.

Este método se utiliza para verificar si la solución actual puede mejorarse mediante el
examen de las variables no básicas actuales (las que no tienen ningún valor asignado en
la matriz de transporte), mejorando el valor de la función objetivo.

Consiste en que para cada variable no básica, identifica un círculo cerrado que comienza
y termina en la variable no básica designada. Sus puntos extremos deben ser variables
básicas, exceptuándose su inicial y final. (Dávila)

Los pasos son los siguientes:

1. Determinar los círculos cerrados para cada variable no básica (variables de las
casillas que no tienen ningún valor asignado en la matriz), que son: X11, X12, X14,
X16, X22, X23, X24, X31, X33, X36
El circuito da inicio con la variable no básica y ésta deberá conectarse horizontal o
verticalmente con variables básicas (puntos intermedios), formando cuadrados o
rectángulos, hasta finalizar el circuito en la misma variable no básica. Debe evitar
conexiones diagonales.
 Para cada circuito debe determinarse el aumento o disminución en costo neto por
unidad transportada. Se considera que la variable inicial del circuito tiene un costo
positivo, la siguiente un negativo, sucesivamente.

2. Identificar la variable de entrada del circuito, mediante el valor más negativo de los
resultados de la columna “aumento o disminución en costo”, debido a que
representa la mayor disminución neta en costo por unidad
3. Representar gráficamente el circuito asociado a la variable de entrada, tomando
en cuenta que la variable que inicia el circuito es positiva, la siguiente variable
negativa y así sucesivamente.
4. Determinar la variable de salida del circuito. Elegir entre las variables negativas del
circuito la que tiene el valor más pequeño cuantitativamente, pues será la primera
en llegar a cero y cualquier disminución adicional, causará su negatividad (como la
condición de factibilidad del método simplex, que relaciona la variable de salida
con la relación mínima). (Dávila)

Variable
No Básica Circuito Asociado Aumento o Disminución en Costo
X11 X11 X15 X35 X34 X24 X21 X11 42-36+35-35+32-34= 4
X12 X12 X32 X35 X15 X12 32-31+35-36= 0
X14 X14 X15 X35 X34 X14 39-36+35-35= 3
X16 X16 X15 X35 X34 X24 X26 X16 0-36+35-35+32-0= -4
X22 X22 X32 X34 X24 X22 36-31+35-32= 8
X23 X23 X13 X15 X35 X34 X24 X23 37-33+36-35+35-32= 8
X25 X25 X24 X34 X35 X25 37-32+35-35= 5
X31 X31 X34 X24 X21 X31 38-35+32-34= 1
X33 X33 X35 X15 X13 X33 40-35+36-33= 8
X36 X36 X34 X24 X26 X36 0-35+32-0= -3
 METODO DE APROXIMACIÓN DE VOGEL

Distribuidores
Fábrica A B C D E F OFERTA
42 32 33 39 36 0
- +
1 14 6 20
X11 X12 X13 X14 X15 X16
34 36 37 32 37 0
+ -
2 10 10 5 25
X21 X22 X23 X24 X25 X26 V.S
38 31 40 35 35 0
3 12 6 12 30
- +
X31 X32 X33 X34 X35 X36
75
DEMANDA 10 12 14 16 18 5 75
5. Analizar si el objetivo de minimizar el coto, puede mejorarse, aumentando el valor
actual de la variable no básica asociada. De tal manera que el aumento en la
variable no básica asociada, debe ajustarse a los elementos del circuito para
mantener la factibilidad de la solución, disminuyendo o aumentando el mismo
número de unidades a cada elemento siguiente dependiendo del signo asignado a
la variable.

METODO DE APROXIMACIÓN DE VOGEL

Distribuidores
Fábrica A B C D E F OFERTA
42 32 33 39 36 0
1 14 1 5 20
X11 X12 X13 X14 X15 X16
34 36 37 32 37 0
2 10 15 25
X21 X22 X23 X24 X25 X26
38 31 40 35 35 0
3 12 1 17 30
X31 X32 X33 X34 X35 X36
75
DEMANDA 10 12 14 16 18 5 75

Cabe resaltar que la variable no básica que inicia el circuito X16, aumenta 5 unidades
y las demás variables básicas del circuito asociado, disminuyen o aumentan también 5
unidades dependiendo su signo, y derivado de esa modificación la variable X26 ya no
forma parte de la matriz ya que se identificó como variable de salida.

6. Repetir los pasos del 1 al 5 cuantas veces sea necesario hasta obtener los valores
positivos en la columna de “aumento o disminución en costo”. Después de aplicar
el paso 1, se obtuvo lo siguiente:
 Variable
No Básica Circuito Asociado Aumento o Disminución en Costo
X11 X11 X15 X35 X34 X24 X21 X11 42-36+35-35+32-34= 4
X12 X12 X32 X35 X15 X12 32-31+35-36= 0
X14 X14 X15 X35 X34 X14 39-36+35-35= 3
X22 X22 X32 X34 X24 X22 36-31+35-32= 8
X23 X23 X13 X15 X35 X34 X24 X23 37-33+36-35+35-32= 8
X25 X25 X24 X34 X35 X25 37-32+35-35= 5
X26 X26 X24 X34 X35 X15 X16 X26 0-32+35-35+36-0= 4
X31 X31 X34 X24 X21 X31 38-35+32-34= 1
X33 X33 X35 X15 X13 X33 40-35+36-33= 8
X36 X36 X35 X15 X16 X36 0-35+36-0= 1

Cuando todos los valores son positivos, se deduce que aumentar el valor de cualquier
variable no básica sobre su valor actual, aumentará los costos netos; por lo tanto, se ha
llegado a la solución óptima: (14*33)+(1*36)+(5*0)+(10*34)+(15*32)+(12*31)+1*35) +
17*35)=Q2,320.00 (Dávila)
 METODO DE APROXIMACIÓN DE VOGEL

Distribuidores
PENALIZACIONES DE FILA
4 A 2 B 3 C 6 D 8 E 1 F OFERTA
Fábrica
42 32 33 39 36 0 32 1 3 3 3 3
1 14 6 20 6 -

X11 X12 X13 X14 X15 X16

34 36 37 32 37 0 32 2 2 2 5 -
2 10 10 5 25 20 10 -
5
X21 X22 X23 X24 X25 X26

38 31 40 35 35 0 31 4 0 0 0 0
3 12 6 12 30 18 12 -
7
X31 X32 X33 X34 X35 X36
75
DEMANDA 10 12 14 16 18 5 75

- - - 6 6 -

- -

4 1 4 3 1 0 1er. JUEGO

4 1 4 3 1 - 2do. JUEGO

P ENA LIZA - 4 - 4 3 1 - 3er. JUEGO

CIONES DE
COLUM NA S 4 - - 3 1 - 4to. JUEGO

- - - 3 1 - 5to. JUEGO

- - - 4 1 - 6to. JUEGO
 CONCLUSIONES

La aplicación de métodos de transporte permiten a los fabricantes maximizar sus

ganancias, ya que éstos determinar las rutas que reducen los costos de distribución de los
bienes que producen.

La implementación de los modelos matemáticos por computadora agiliza la obtención de

soluciones en menor corto tiempo.

RECOMENDACIONES

Los gerentes de venta aprendan a aplicar los modelos de transporte para distribuir
eficientemente la producción de sus empresas y que sus distribuidores no sufran
desabastecimientos o que los mismos sean muy caros.

Aprender a utilizar las herramientas tecnológicas que se tienen al alcance para actuar
oportunamente ante las demandas.
 BIBLIOGRAFÍA

ANDERSON-SWEENEY- WILLIAMS. (2004). METODOS CUANTITATIVOS PARA

LOS NEGOCIOS 9ª. EDICION . EDITORIAL INTERNATIONAL THOMSON
EDITORES, S.A.

Dávila, I. J. (s.f.). Introducción a la Investigación de Operaciones .

Mayte, E. (2006). INTRODUCCION A LA INVESTIGACIÓN DE OPERACIONES Y

SU APLICACIÓN EN LA TOMA DE DECISIONES GERENCIALES, 3ª.
EDICION . Guatemala: Ediciones Mayte.