Contenido

ENFOQUE CUANTITATIVO EN LA TOMA DE DECISIONES .................................................................... 2

La matriz de resultados .............................................................................................................. 2
Ejemplo ....................................................................................................................................... 3
Árboles de Decisión .................................................................................................................... 5
Ejemplo ....................................................................................................................................... 6
El Sistema de Inventarios .......................................................................................................... 9
Ejemplo ..................................................................................................................................... 11
Programa Lineal.......................................................................................................................... 13
Ejemplo ..................................................................................................................................... 17
Teoría de Redes .......................................................................................................................... 18
Ejemplo ..................................................................................................................................... 20
La Simulación .............................................................................................................................. 21
Ejemplo ..................................................................................................................................... 21
Programación Entera ................................................................................................................ 24
Ejemplo 1 .................................................................................................................................. 25
Ejemplo 2 .................................................................................................................................. 26
El Análisis de Markov ................................................................................................................ 27
Ejemplo ..................................................................................................................................... 30
 ENFOQUE CUANTITATIVO EN LA TOMA DE DECISIONES
Estas herramientas ayudan a aplicar el pensamiento racional para que guíe, ayude y
automatice las decisiones y sirvan al gerente a descubrir la solución deseada al
problema de la mejor forma, mediante la división de problemas en fragmentos
menores, lo cual facilita el diagnóstico.

Las técnicas cuantitativas facilitan el diagnóstico de problemas pero no permite el

análisis de los aspectos cualitativos como los aspectos humanos que no se pueden
contar en términos numéricos.

La toma de decisiones no es fácil, pues se enfrenta a la incertidumbre y muchas

veces los gerentes ven la conducta pasada como un indicador del futuro.

Algunos elementos de apoyo cuantitativos en la toma de decisiones gerenciales son:

1. Matriz de resultados
2. Árboles de decisiones
3. Modelos de tamaños de inventarios
4. Programación lineal
5. Teoría de colas
6. Teoría de redes
7. La programación entera
8. La simulación
9. El análisis de Markov

La matriz de resultados

Es un instrumento muy utilizado que muestra los posibles resultados que se pueden
conseguir, al seguir estrategias en diferentes circunstancias.

Cuando una situación está dada en 2 dimensiones, puede emplearse una matriz de
resultados. En los cuadros de intersección de la matriz se muestra el resultado de
una combinación de estados y estrategias. En caso de que las condiciones sean
aleatorias, a cada estado puede asignársele una probabilidad que sea decisiva para
determinar la posibilidad de cierto resultado. Una matriz de decisión es un gráfico que
permite a un equipo o un individuo identificar y analizar la tasa de la fuerza de las
relaciones entre conjuntos de información. ¿Cuándo se debe utilizar? Una matriz de
decisión se utiliza con frecuencia durante las actividades de planificación de la calidad
para seleccionar producto / servicio, características y objetivos y desarrollar los
procesos y sopesar las alternativas. Para mejorar la calidad una matriz de decisión

2
puede ser útil en la selección de
alternativas a problemas, y en el
Dependiendo de las necesidades
prestaciones del servicio; etapas
soluciones.
un proyecto, en la evaluación de soluciones
diseño de los recursos. ¿Cómo utilizarlo?
del equipo, estos pueden ser producto /
del proceso, los proyectos, o las posibles

Ejemplo

Una empresa dedicada a la fabricación de calzado tiene que analizar entre diferentes
estrategias de producción, aquella que le proporcione más ventas, y, en
consecuencia, más beneficios. Los posibles productos son: botas, zapatos y
sandalias.

La decisión la debe tomar en función de las predicciones del tiempo que haga en los
próximos meses, ya que esto determinará que se venda más un producto u otro. Los
estados de la naturaleza previstos son tres: tiempo frío, normal y cálido.

En el momento de tomar la decisión el empresario no sabe con seguridad el estado

de tiempo, pero consultando los estados climáticos de los últimos años llega a las
siguientes estimaciones en forma de probabilidad: existe un 30% de probabilidad de
que el tiempo sea frío, un 45% de que sea normal, y un 25% de que sea cálido.

Por otro lado, la experiencia en el sector le permite estimar los resultados esperados
en cuanto a ventas, y esto le permite elaborar las siguientes predicciones o
desenlaces:

La fabricación de botas le daría unos beneficios (en euros) de 60.000, 15.000 y

2.500, si el tiempo es frío, normal o cálido respectivamente.

La fabricación de zapatos le daría unos beneficios (en euros) de 5.000, 30.000 y

10.000, si el tiempo es frío, normal o cálido respectivamente.

La fabricación de sandalias le daría unos beneficios (en euros) de -5.000, 7.500 y

50.000, si el tiempo es frío, normal o cálido respectivamente.

Teniendo en cuenta estos datos, se pide:

I. Situación de riesgo

Elaborar la matriz de decisión.

Calcular los valores esperados de cada una de las estrategias.

3
II. Situación de incertidumbre

Suponiendo que no conociera la probabilidad que existe de que el tiempo sea frío,
normal o cálido:

Utilizando el criterio pesimista o de Wald, indicar qué opción se elegiría.

¿Qué opción se elegiría si se utiliza el criterio optimista?

I. Situación de riesgo

a) Matriz de decisión:

b) Valor esperado para cada una de las estrategias

Si el empresario no conoce las probabilidades de que el tiempo sea frío, normal o

cálido, la decisión la tiene que tomar en una situación de incertidumbre

II. Situación de incertidumbre

c) Opción elegida según el criterio pesimista (maxi-min):

4
Los valores mínimos de cada opción son 2.500 (botas), 5.000 (zapatos), y –5.000
(sandalias). Según este criterio el directivo elegiría la estrategia que le presentara el
valor máximo de los mínimos, por ello la opción elegida sería la de zapatos porque
asegura como mínimo unas ganancias de 5.000 unidades monetarias.

d) Opción elegida según el criterio optimista (maxi-max):

Los valores máximos de cada opción son 60.000 (botas), 30.000 (zapatos), y 50.000
(sandalias); por ello la opción elegida sería la de botas que supone el valor máximo
entre los máximos de las tres alternativas (el beneficio esperado en la mejor de las
opciones es el superior).

Árboles de Decisión

Este método ha sido empleado desde los años 50 por los administradores de
organizaciones complejas, en todos sus sistemas o funciones básicas, en especial en
las áreas de investigación y desarrollo, en el análisis del presupuesto de inversión y
en la investigación de mercados.

Consiste en asignar probabilidades a eventos en condiciones de riesgos o

incertidumbre mediante la representación gráfica que ilustra cada estrategia o

5
alternativa a través de una ramificación, parecidas a las ramas de un árbol. Los
vértices o nodos representan los eventos de decisión utilizando para esto un cuadro.
Los efectos derivados de la decisión se denominan acontecimientos y se representan
por medio de un círculo en la siguiente forma:

La técnica permite seleccionar la mejor alternativa mediante la comparación de los

beneficios económicos de cada rama a partir de:

 Los costos condicionales de cada decisión.

 El cálculo o estimación de probabilidad designada a cada alternativa originada
en cada decisión.
 El valor esperado de cada rama.

Ejemplo
La gerencia de una tienda debe decidir si debe construir una instalación pequeña o
grande en otra ciudad. La demanda ahí puede ser baja o alta, con probabilidades
estimadas de un 40% y 60%, respectivamente. Si se construye la instalación
pequeña y la demanda resulta ser alta, el gerente puede decidir no expandirse
(ganancia $223) o expandirse (ganancia $270). Si se construye una instalación
pequeña y la demanda es baja, no hay razón para expandirse y la ganancia
estimada en este caso es de $200. Por otro lado si se construye una instalación
grande y la demanda resulta ser baja , la opción es no hacer nada (ganancia $40) o
estimular la demanda con publicidad local. La respuesta a la publicidad puede ser
modesta o considerable, con probabilidades estimadas de un 30% y 70%,
respectivamente. Si es modesta, la ganancia estimada será sólo de $20; si la

6
respuesta es considerable, la ganancia aumenta a $220; y por último, si construye
una instalación grande y la demanda resulta ser alta, la ganancia estimada es de
$800.

Dibuje un árbol de decisiones. Después analícelo para determinar el pago

esperado de cada decisión y nodo de evento. ¿Qué alternativa tiene la ganancia
esperada más alta?.

Para estos efectos es importante comprender la nomenclatura comúnmente

utilizada para representar un árbol de decisión.

1. Los nodos de decisión se anotan como cuadrados.

2. Los nodos de incertidumbre se anotan como círculos.
3. Los nodos de resultados finales se anotan como triángulos.
4. Los eventos se unen con líneas o ramas del árbol.
5. Los costos o beneficios asociados a una decisión o evento se anotan en
la rama (para efectos de recordar aplicarlos al final de esa rama).
6. Las probabilidades de un evento se anotan entre paréntesis en la rama
correspondiente a ese evento.
7. Los valores asociados a cada pago final se anotan junto al triangulo
correspondiente, e incluyen costos asociados a la rama.
8. Se diseñan comenzando por la decisión inicial, y una rama a la vez. Es
importante tener claro el orden temporal de los eventos.
9. Es importante distinguir entre eventos sobre los cuales se tiene poder de
decisión, y aquellos que no.
10. Se debe estimar el valor o resultado final de cada extremo del árbol.
11. Se deben estimar o calcular las probabilidades de ocurrencia de los eventos
inciertos.
12. Se deben estimar los correspondientes valores esperados para cada rama
del árbol. La resolución es hacia atrás.

A continuación se muestra un ejemplo de dicha notación aplicada a un problema

descrito en el libro Administración de Operaciones, Producción y Cadena de
Suministros, Duodécima Edición, Página 131, de los autores Chase, Jacobs y
Aquilano. En dicha representación gráfica se puede apreciar la utilización de los
elementos descritos en la nomenclatura anteriormente.

7
En relación a nuestro ejemplo utilizaremos el software POM for Windows el cual se
encuentra disponible junto al libro Administración de Operaciones, Procesos y
Cadena de Suministro, Décima Edición, de los autores Krajewski, Ritzman y
Malhotra. Notar que la versión del software utilizado no dispone de la opción de
resultado final (triángulo) por tanto se ha dado término a cada ramificación
utilizando un nodo (círculo) de incertidumbre.

De esta forma la primera decisión consiste en construir una instalación

pequeñao grande. Si la instalación es pequeña y la demanda es baja (con
probabilidad de un 40%) no se hace nada y se obtiene $200 de ganancia, sin
embargo, si la instalación es pequeña y la demanda es alta (con probabilidad de un
60%), nos enfrentamos a una segunda decisión: expandirse (con ganancia
estimada de $270) o no expandirse (con ganancia estimada de $223).

8
 Por otro lado si se decide por una instalación grande la demanda puede ser alta
(con probabilidad de un 60%) en cuyo caso la ganancia es de $800 (y no se hace
nada más) o la demanda puede ser baja (con probabilidad de un 40%),
enfrentándose en este último caso a una nueva decisión: estimular o no la
demanda. Si no se hace nada (es decir, si no se estimula la demanda) la ganancia
será de $40 y si se estimula (realizar publicidad) la respuesta puede ser moderada
(con probabilidad de un 30%) y ganancia estimada de $20 o considerable (con
probabilidad estimada de un 70%) y ganancia de $220.

Luego de hacer la representación en POM for Windows del problema

seleccionamos Solve para encontrar la solución que representa la mayor ganancia
esperada. El resultado que ofrece el software se muestra a continuación:

La gerencia por tanto debe construir la instalación grande con una ganancia
esperada de $544 ($544=$160*0,4+$800*0,6 y además $160=$20*0,3+$220*0,7.
La ganancia esperada asociada a la instalación pequeña es de $242). Notar que
esta decisión (el tamaño de la instalación) es la única que se toma ahora. Las
decisiones siguientes se toman después de ver si la demanda es baja o alta.

El Sistema de Inventarios

Estos ayudan a controlar los costos totales de inventarios y también pueden reducir el
costo total de comprar para almacenar, de llevar el inventario y quedarse sin el.

9
Lo que pretende básicamente el sistema de inventarios es ayudar a quien toma las
decisiones a buscar el nivel óptimo al ordenar o almacenar inventarios, pues es uno
de los mayores problemas que enfrentan los directivos.

MODELOS CLÁSICO DE CONTROL DE INVENTARIOS

Los modelos de control de inventarios los podemos clasificar en:

1. MODELO EOQ (cantidad económica de producción)

Es una técnica de administración de inventarios para determinar el tamaño optimo

de pedido de un articulo; este modelo considera varios costos de inventario y luego
determina que tamaño de pedido minimiza el costo total del inventario. Los costos
que se determinan son el costo de mantener inventario y el costo de pedir. el
modelo se clasifica en:

1.1 Modelo EOQ sin faltantes supuestos:

*Demanda conocida y constante.

*Tiempo de reposición son instantáneos
*Existencia de dos costos: Costo de pedir y Costo de mantenimiento del inventario
*No se admiten faltantes
*Los costos no varían en el tiempo
*Relación directa costo - volumen

1.2 Modelo EOQ con faltantes supuestos:

*Demanda conocida y constante.

*Tiempo de reposición son instantáneos
*Se aceptan faltantes
*Existencia de tres costos: Costo de pedir, Costo de mantenimiento del inventario y
Costo de faltante
*No se admiten faltantes
*Los costos no varían en el tiempo
*Relación directa costo – volumen

10
1.3 Modelo EOQ con descuentos por cantidad
Este modelo es idéntico al modelo EOQ anterior, excepto que el articulo en el
inventario se puede comprar con un descuento si el volumen de pedido excede un
limite dado, es decir el precio de compra por unidad.

Ejemplo
Un proveedor le ofrece la siguiente tabla de descuento para la adquisición de su principal
producto, cuya demanda anual usted ha estimado en 5.000 unidades. El costo de emitir
una orden de pedido es de $49 y adicionalmente se ha estimado que el costo anual de
almacenar una unidad en inventario es un 20% del costo de adquisición del producto.
¿Cuál es la cantidad de la orden que minimiza el costo total del inventario?

Tamaño del Lote (Unidades) Descuento (%) Valor del Producto ($/Unidad)

0 a 999 0% 5

1.000 a 1999 4% 4,8

2.000 o más 5% 4,75

Para dar respuesta a esta situación se propone seguir los siguientes pasos:

PASO 1: Determinar el tamaño óptimo de pedido (Q*) para cada nivel o quiebre de

precios.

PASO 2: Ajustar la cantidad a pedir en cada quiebre de precio en caso de ser necesario.
En nuestro ejemplo para el tramo 1 Q(1)=700 unidades está en el intervalo por tanto se
mantiene; para el tramo 2 Q(2)=714 está por debajo de la cota inferior del intervalo, por
tanto se aproxima a esta cota quedando Q(2)=1.000; finalmente en el tramo 3 Q(3)=718

11
que también está por debajo de la cota inferior del intervalo, por tanto se aproxima a esta
cota quedando Q(3)=2.000

PASO 3: Calcular el costo asociado a cada una de las cantidades determinadas (utilizando
la fórmula de costo total presentada anteriormente)

Costo Tramo 1 = C(700)=$25.700

Costo Tramo 2 = C(1.000)=$24.725

Costo Tramo 3 = C(2.000)=$24.822

Se concluye que el tamaño óptimo de pedido que minimiza los costos totales es 1.000
unidades, con un costo total anual de $24.725.

12
 Programa Lineal

El objetivo primordial de la Programación Lineal es maximizar o minimizar funciones

lineales en distintas variables reales con restricciones, también lineales. Los
problemas en Programación Lineal corresponden a situaciones reales en las que se
pretende identificar y resolver dificultades para la mejor utilización de recursos
limitados y casi siempre costosos.

Es importante tener en cuenta algunos aspectos importantes como:

1. Las corrientes de entrada.

2. Proceso de conversión.
3. Las corrientes de salida.
4. La comunicación de retroalimentación.

Un buen método para plantear problemas de Programación Lineal es la aplicación de

un modelo de toma de decisiones y de los más apropiados es el método científico:

I. Definir el problema
II. Buscar alternativas
III. Evaluar alternativas
IV. Elegir alternativas
V. Determinar el plan de acción
VI. Comunicar la decisión
VII. Implementar la decisión
VIII. Controlar y evaluar

Se aplica en situaciones como: elegir el trayecto más corto para la distribución de un

producto, elegir los elementos más esenciales en la mezcla para obtener un producto.

Teoría de Colas: Se refiere a la forma de optimizar una distribución que se ve

afectada por la aglomeración y espera, teniendo como foco los puntos donde hay
congestión y las demoras que hay en algún punto del servicio. Se utiliza gran
variedad de técnicas matemáticas. Los puntos de interés son:

 El tiempo de espera de los clientes.

 El número de clientes en la cola.
 La razón entre el tiempo de espera y el tiempo de prestación del servicio.

Y sus componentes son:

13
  Los clientes o las operaciones.
 Un pasaje o punto de servicio.
 Un proceso de entrada.
 Alguna disciplina sobra la cola.
 Alguna organización de servicio.

La situación se da cuando cada cliente llega al punto de servicio, entonces hay un

periodo de prestación de servicio el cual termina cuando el cliente se retira. Los otros
clientes que llegan mientras el primero esta siendo atendido, esperan su turno, es
decir forman una cola.

Esta técnica se estudia, primero, usando varias formulas útiles en la solución de

problemas de línea de espera, y después mediante el uso de la técnica de simulación
para generar una solución. Los modelos le permiten a la gerencia calcular a futuro las
longitudes de las líneas de espera, tiempo promedio gastado en la línea por una
persona que espera servicio y adiciones necesarias de estaciones.

Esta técnica se aplica para resolver problemas como:

 Problemas de comunicación telefónica.

 Problemas de tráfico.
 Problemas de averías de maquinaria.

MODELO DE LINEA DE ESPERA CON CANALES MULTIPLES

Suposiciones

 la línea de espera tiene 2 ó más canales (servidores)

 El patrón de llegadas sigue una distribución de probabilidad POISSON
 Tiempo de servicio de cada sigue una distribución de probabilidad exponencial
 La disciplina del servicio es (FIFO) primero en entrar primero en atender
 la tasa promedio de servicio µ, es la misma para todos los canales
 Las unidades que llegan aguardan en una sola línea de espera y después pasan al
primer canal libre para obtener servicio.

Características de operación

λ= tasa promedio de llegadas al sistema

µ= tasa promedio de servicio para cada canal

14
k = número de canales

kµ= tasa promedio de servicio para el sistema de canales múltiple

Factor de utilización:

1) Probabilidad de que no haya unidades en el sistema

2) Número promedio de unidades en la fila de espera (tamaño de la fila)

3) Número promedio de unidades en el sistema (tamaño total)

4) Tiempo de espera promedio que una unidad pasa en la línea de espera

5) Tiempo promedio que una unidad pasa en el sistema

6) Probabilidad de que una unidad que llega tenga que esperar para obtener servicio

15
7) Probabilidad de que hayan unidades en el sistema.

La anterior fórmula para n <= k

La anterior para n >= k

RELACIÓN GENERAL PARA LOS MODELOS DE LÍNEA DE ESPERA

Las principales características de operación que interesan en las líneas de espera son: El
número promedio de unidades en la línea de espera, el número de unidades en el sistema,
el tiempo promedio que cada unidad pasa en la línea de espera y el tiempo promedio que
cada unidad pasa en el sistema, esto es: W, L, Lq, Wq.

Ecuaciones de Flujo de Little.

JohnD.C. Little muestra que estas cuatro características están relacionadas en forma
general y se aplican a diversos modelos de líneas de espera, independientemente.

En cualquier sistema de línea de espera las llegadas y los tiempos de servicio no tienen
que seguir distribuciones de probabilidad específicas para que sean aplicadas las
ecuaciones de flujo.

Primera ecuación: El número promedio de unidades en el sistema = tasa promedio de

llegadas x tiempo promedio que una unidad pasa en el sistema.

L = λW

16
Segunda ecuación: El número promedio de unidades en la cola = tasa promedio de
llegadas x tiempo promedio que una unidad pasa en la cola (línea de espera)

Lq = λWq

De donde:

Wq = Lq / λ

Otra, ecuación general es:

El tiempo promedio en el sistema W = al tiempo promedio en espera (en cola) Wq + el

tiempo promedio de servicio 1/ µ.

W = Wq + 1/ µ

Ejemplo
Considere una linea de espera con dos canales con llegadas POISSON y tiempos de
servicio exponenciales. La tasa media de llegadas es de 14 unidades por hora y la tasa
media de servicio es de 10 unidades por hora para cada canal.

a) ¿cual es la probabilidad de que no haya unidades en el sistema?

b) ¿cual es la cantidad de unidades promedio en espera?
c) ¿cual es el tiempo promedio que espera una unidad por el servicio?

DATOS
K=2
Tasa llegadas = 14 unid/hora
Tasa servicio = 10 unids/hora

a)

b)

c)

17
 Teoría de Redes

Permite a los gerentes confrontar aspectos complejos en grandes proyectos. El uso

de esta técnica disminuye el tiempo necesario para planear y producir productos
complejos.

Las técnicas incluyen Pert (técnica de evaluación de programas), CPM (método de la

ruta crítica) Pert / costo y programación con limitación de recursos. Se tratan tanto las
dimensiones de costo como las de tiempo en la planeación y control de proyectos
grandes y complejos. Son programas realizados mediante diagramas de flechas que
buscan identificar el camino crítico estableciendo una relación directa entre los
factores de tiempo y costo.

Se aplican a proyectos que abarcan varias operaciones o etapas, varios recursos y

diferentes órganos involucrados, plazos y costos mínimos. Es necesario que estos
elementos estén debidamente coordinados y sincronizados de la mejor manera.

CONCEPTOS BÁSICOS EN TEORÍA DE REDES

Gráfica: Una gráfica es una serie de puntos llamados nodos que van unidos por
unas líneas llamadas ramales o arcos.
Red: Una red es una gráfica que presenta algún tipo de flujo en sus ramales. Por
ejemplo una gráfica cuyo flujo en sus ramales sea la electricidad es una red
eléctrica. En las redes se usa una simbología específica para denotar su tamaño y
elementos que la constituyen, dicha notación es la (N, A) donde N representa el
número de nodos que contiene la red y A representa el número de arcos o ramales.

18
Cadena: Una cadena corresponde a una serie de elementos ramales que van de
un nodo a otro. En el siguiente caso se resalta una cadena que va desde el nodo 1
hasta el nodo 7 y que se compone por los elementos [1-4, 4-7].

Ruta: Una ruta corresponde a los nodos que constituyen una cadena, en el
siguiente caso [1, 4, 7].

Ciclo: Un ciclo corresponde a la cadena que une a un nodo con sigo mismo, en el
siguiente ejemplo el ciclo está compuesto por la cadena [4-2, 2-5, 5-7, 7-4].

Ramal orientado: Un ramal o arco orientado es aquel que tiene un sentido

determinado, es decir que posee un nodo fuente y un nodo destino.

Gráfica orientada: Una gráfica orientada es aquella en la cual todos sus ramales
se encuentran orientados.

Árbol: Un árbol es una gráfica en la cual no existen ciclos, como el siguiente

ejemplo.

19
 Árbol de expansión: Un árbol de expansión es aquel árbol que enlaza todos los
nodos de la red, de igual manera no permite la existencia de ciclos.

Nodo fuente: El nodo fuente es aquel nodo en el cual todos sus ramales se
encuentran orientados hacia afuera.

Nodo destino: El nodo destino es aquel nodo en el cual todos sus ramales se
encuentran orientados hacia él.

Ejemplo

Una ciudad tiene cinco subdivisiones. El alcalde desea instalar líneas telefónicas,
para asegurar la comunicación entre todas las subdivisiones. En la figura se dan las
distancias entre las subdivisiones. ¿Cuál es la longitud mínima necesaria de la línea
telefónica?

20
Solución: Las cinco subdivisiones son los nodos 1, 2, 3, 4,5 encerrados en círculo. Las
distancias entre las subdivisiones están dadas en kilómetros, puede ver que el nodo uno
pude conectar a la subdivisión 2, 3 y 5.

Este problema es del tipo de árbol de expansión mínima; para su solución elegimos la
conexión más pequeña o más corta entre dos subdivisiones de la ciudad. Puede ver que hay
dos posibles: Conectar el Nodo 3 con el Nodo 1 ó el Nodo 3 con el Nodo 5 por resulta más
económico, menos cableado y menos postes. Pues conectamos:

o El Nodo 3 con el Nodo 1. Con una distancia de 3 Km

o El Nodo 3 con el Nodo 5. Con una distancia de 3 Km.
o El Nodo 3 con el Nodo 4. Con una distancia de 4 Km.
o El Nodo 1 con el Nodo 2. Con una distancia de 5Km.

Para un total de 15 Km de cableado y tendido de poste y está sería la decisión óptima. Es

bueno que sepa que la última conexión pudo hacerse del Nodo 3 al nodo 3 por que también
tiene 5 Km.

Las instalaciones se deberán hacer en los arcos pintados de rojo.

La Simulación

Es un procedimiento que estudia un problema al crear un modelo del proceso

involucrado en ese problema y después, mediante una serie de soluciones por
tanteos organizados, intenta determinar una mejor solución a ese problema. La
simulación es una de las técnicas cuantitativas más usadas hoy en día.

Ejemplo
Entidades y variables de estado:

21
Eventos y actualización de variables:

22
DIAGRAMA DE CICLO DE ACTIVIDADES

23
 SIMULACIÓN

Programación Entera

El método de ramificar y limitar, la programación dinámica y la programación de

metas son métodos para escoger entre alternativas en situaciones donde las
respuestas deben hallarse en números enteros, donde la decisión que confronta la
gerencia es una que involucra muchas etapas consecutivas o donde los objetivos
organizacionales deben enunciarse en algo más que simples términos numéricos.
Todas estas técnicas nos proveen con flexibilidad adicional al analizar los procesos
de decisión.

24
Los modelos de Programación Entera son aquellos donde la totalidad o un subconjunto de
las variables de decisión toman valores enteros. En este sentido la forma estándar de un
modelo de Programación Entera queda definido de la siguiente forma:

Existen múltiples aplicaciones de modelos de Programación Entera como apoyo a la toma

de decisiones. Algunas aplicaciones típicas son problemas de localización de
instalaciones, inclusión de costos fijos, problemas de asignación, problemas de ruteo
vehicular, etc.

Modelos de Programación Entera

Ejemplo 1
Problema Asignación: Una universidad está programando las clases para el próximo
semestre académico y requiere buscar la mejor asignación posible de profesores a los
distintos cursos que se deben dictar. Considere que existen 5 profesores: A, B, C, D, E y 5
cursos (asignaturas): C1, C2, C3, C4, C5. Adicionalmente, los profesores han manifestado
sus preferencias por dictar los distintos cursos en una escala de 1 a 10, donde 10 es la
máxima puntuación y 1 la mínima puntuación o preferencia. Se asume que cada profesor
es apto para dictar cualquier curso, independiente del puntaje de su preferencia. La
siguiente tabla resume las puntuaciones que asigna cada profesor a cada curso:

PROFESORES

CURSOS A B C D E

C1 5 8 5 9 7

C2 7 2 3 6 8

C3 9 10 8 9 8

C4 8 7 9 7 8

C5 6 9 9 10 5

Se ha establecido como criterio que cada profesor debe dictar sólo un curso y a la vez que
cada curso obviamente debe tener un profesor. En base a lo anterior se desea encontrar la
asignación de profesores que maximize el total de las preferencias.

Variables de Decisión:

25
Función Objetivo: Maximizar el total de las preferencias de los profesores

Donde P(i,j) corresponde a una forma sintética de resumir los parámetros del modelo, es
decir, P(i,j) es la preferencia del profesor i (en una escala de 1 a 10) por dictar el curso j.
Por ejemplo, P(D,C3)=9.

Restricciones:

La solución óptima de este problema es asignar el profesor A a C3, B a C5, C a C4, D a C1

y E a C2.
Valor Óptimo = 44.

Ejemplo 2
Problema Inclusión Costos Fijos: Usted ha sido designado por el gerente de su empresa
para decidir cómo distribuirá su tráfico telefónico en el próximo mes, seleccionando entre 3
proveedores posibles y asignando la cantidad de tráfico (minutos) que desee en cada caso,
es decir, puede repartir el tráfico en 1, 2 o 3 proveedores a su antojo y su decisión sólo
dependerá de los costos de cada alternativa.

El proveedor 1 cobra un cargo fijo mensual de US$50 y el costo por minuto a red fija es de
US$0,02 y a celular de US$0,12. El proveedor 2 tiene un cargo fijo mensual de US$60, con
un costo por minuto de US$0,015 y US$0,15 a red fija y celular respectivamente.
Finalmente el proveedor 3 tiene un cargo fijo mensual de US$40 con un costo por minuto a
red fija de US$0,03 y a celular de US$0,14. Si usted llama por uno de estos proveedores
(aunque hable sólo un minuto) deberá pagar el cargo fijo. Asuma que la cantidad de
minutos que la empresa consume mensualmente es de 30.000 para red fija y 18.000 para
celular. Formule y resuelva un modelo de Programación Entera que permita decidir cómo
distribuir el tráfico telefónico mensual de la forma más económica para la empresa.

26
 El Análisis de Markov

El análisis de Markov, llamado así en honor de un matemático ruso que desarrolló el

método en 1907, permite encontrar la probabilidad de que un sistema se encuentre
en un estado en particular en un momento dado. También permite encontrar el
promedio a la larga. Con esta información se puede predecir el comportamiento del
sistema a través del tiempo. La tarea más difícil es reconocer cuándo puede
aplicarse.

La característica más importante que hay que buscar en la memoria de un evento a

otro.

Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que

ocurra un evento depende del evento inmediato anterior. Las cadenas de este tipo
tienen memoria. "Recuerdan" el último evento y esto condiciona las futuras
probabilidades.

En los negocios, las cadenas de Markov se han utilizado para analizar los patrones
de compra de los deudores morosos, para planear las necesidades de personal y
para analizar el reemplazo de equipo.

El análisis de markov es una forma de analizar el movimiento actual de alguna

variable, a fin de pronosticar el movimiento futuro de la misma. Este método ha

27
comenzado a usarse en los últimos años como instrumento de investigaciones de
mercadotecnia, para examinar y pronosticar el comportamiento de los clientes desde
el punto de vista de su lealtad a una marca y de sus formas de cambio a otras
marcas, la aplicación de esta técnica, ya no solo se limita a la mercadotecnia sino que
su campo de acción se ha podido aplicar en diversos campos.

Cadenas de markov

Una cadena de Markov, que recibe su nombre del matemático ruso Andrei Markov, es
una serie de eventos, en la cual la probabilidad de que ocurra un evento depende del
evento inmediato anterior. En efecto, las cadenas de este tipo tienen memoria.
“Recuerdan” el último evento y esto condiciona las posibilidades de los eventos
futuros. Esta dependencia del evento anterior distingue a las cadenas de Markov de
las series de eventos independientes, como tirar una moneda al aire o un dado.

Clasificación de los estados en una cadena de Markov

Las probabilidades de transición asociadas a los estados juegan un papel importante

en el estudio de las cadenas de Markov. Para describir con más detalles las
propiedades de una cadena de Markov es necesario presentar algunos conceptos y
definiciones que se refieren a estos estados.

Los estados que pueden sucederse a sí mismos y, además, es posible alcanzar, por
lo menos, alguno de los restantes desde ellos se llaman estados transitorios.

Un estado tal que si el proceso entra en él permanecerá indefinidamente en este

estado (ya que las probabilidades de pasar a cualquiera de los otros son cero), se
dice estado absorbente.

De una cadena de Markov que consta de estados transitorios y absorbentes se dice

que es una cadena absorbente de Markov.

Si una cadena de Markov contiene algún estado absorbente, la línea de la matriz de

transición correspondiente a las probabilidades de transición de dicho estado
constará de un 1 en la diagonal principal y ceros en los demás elementos. Será por
lo tanto una matriz no regular.

Estudio de las cadenas de markov

Para poder estudiar las cadenas de Markov absorbentes es preciso reordenar la

matriz de transición de forma que las filas correspondientes a los estados

28
absorbentes aparezcan en primer lugar. Así ordenada se dirá que la matriz de
transición está en la forma canónica.

Podemos dividir la matriz en forma canónica en cuatro submatrices. La primera es la

matriz unidad I, del orden correspondiente. La segunda , la matriz nula. La tercera
contiene las probabilidades de paso de estados transitorios a estados absorbentes.
La cuarta contiene las probabilidades de estados transitorios a estados transitorios.

Generalizando:

Una cadena de Markov absorbente contiene p estados transitorios y q estados

absorbentes. La matriz canónica del proceso presentará el aspecto siguiente:

I: matriz identidad de dimensión q

O: matriz nula de dimensión q x p

Q: matriz de dimensión p x q que contiene las probabilidades de paso de estados

transitorios a absorbentes.

M: matriz p x p con las probabilidades de los estados transitorios a estados

transitorios.

Se llama matriz fundamental de la cadena de markov a la matriz resultado de la

operación:

F= (I-M)-1

Es decir, a una matriz identidad del mismo tamaño de la matriz de transición le

restamos esta y posteriormente, hallamos su inversa, que luego nos será de gran
ayuda para calcular probabilidades, y detalles que surgen en el análisis de una de
esta matrices.

PROCEDIMIENTO DE UNA CADENA DE MÁRKOV

Un proceso de Markov está caracterizado por una función de probabilidad de

transición representada por T, llamada matriz de transición, que representa la
probabilidades de transito de un estado a otro y un vector de probabilidad de

29
estado inicial que representa el estado inicial del mercado. El procedimiento de la
cadena de Markov se detallara a continuación con el ejemplo planteado.

Aplicaciones de las cadenas de markov

Se aplica en el posicionamiento de marcas para describir la probabilidad de que un

cliente que adquiere la marca A en un periodo, adquiere en su lugar la marca B en
el siguiente y analizar la penetración en el mercado.

Se aplica para describir la probabilidad de que una máquina que funciona en un

periodo determinado, continúe o falle en el siguiente.

Se aplica en la meteorología si considera el clima de una región a través de

distintos días, es claro que el estado actual solo depende del último estado y no de
toda la historia en sí, de modo que se pueden usar cadenas de Markov para
formular modelos climatológicos básicos.

Otra aplicación son los juegos de azar, un ejemplo es de ruina del jugador, que
establece la probabilidad de que una persona que apuesta en un juego de azar
termine sin dinero.

Ejemplo
La Telefonía móvil de telecomunicación en Colombia: Existen tres operadores:
Movistar, Tigo y Comcel.

Vector de estado inicial:

Po = [0,6522; 0,1304; 0,2174]

Matriz de transición:

¿Cómo será la participación en el futuro dentro de 6 meses?

Para estimar la participación de cada uno de los operadores de telefonía dentro de

6 meses lo primero que hay que hacer es multiplicar el vector de estado inicial por
la matriz de transición:

30
Para hallar el valor de T en el periodo 1 se hace lo siguiente:

(0,6522 * 0,6) + (0,1304 * 0,35) + (0,2174 * 0,3) = 0,5015

Para hallar el valor de M en el periodo 1 se hace lo siguiente:

(0,6522 * 0,1) + (0,1304 * 0,4) + (0,2174 * 0,2) = 0,161

Para hallar el valor de C en el periodo 1 se hace lo siguiente:

(0,6522 * 0,3) + (0,1304 * 0,25) + (0,2174 * 0,5) = 0,3275

Entonces se tiene que P1 (Vector de estado en el periodo 1)

P1 = [0,5015; 0,161; 0,3275]

Esta secuencia se hace hasta el P6 cambiando el valor de Po, ya que el estado

posterior depende del inmediatamente anterior.

Tenemos P5:

P5= [0,4423; 0,1941; 0,3626]

Valor de T en el periodo 6:

(0,4423 * 0,6) + (0,1941 * 0,35) + (0,3626 * 0,3) = 0,4420

Valor de M en el periodo 6:

31
(0,4423 * 0,1) + (0,1941 * 0,4) + (0,3626 * 0,2) = 0,1943

Valor de C en el periodo 6:

(0,4423 * 0,3) + (0,1941 * 0,25) + (0,3626 * 0,5) = 0,36252

P6 = [0,4420; 0,1943; 0,36252]

La participación en el mercado dentro de 6 meses para Tigo es de 0,4420, para

Movistar de 0,1943 y para Comcel de 0,3652. Se puede observar que la
participación de Tigo disminuyó, aumentó la de Movistar y Comcel.

32