Toma 1 A 8 PDF

REDES PARA LA ADMINISTRACIÓN
DE PROYECTOS CPM
MODELO PARA LA TOMA DE DECISIONES
AUTOR: Gabriel Mauricio Yañez Barreto
ÍNDICE
 Recomendaciones académicas
 Desarrollo de cada una de las unidades temáticas
1. Redes para la administración de proyectos CPM.
1.1. Representación como red
1.2. Ruta crítica
 Referencias
 Referencias bibliográficas
INTRODUCCIÓN
Dentro de esta cartilla, cada uno de los estudiantes revisará la teoría básica de las redes para la
administración de proyectos, que son usadas para determinar el tiempo de un proyecto y cuáles son las
actividades más importantes dentro del mismo. Para poder comprender mejor el tema se brindarán
algunos “tips” o anotaciones con puntos claves de la teoría.
Ahora, teniendo en cuenta que esto se utiliza es para la planeación de los proyectos en general, pueden
revisar infinidad de aplicativos de las teorías para casos prácticos. Logran verlos aplicados desde el
momento de planear un día a día hasta el desarrollo de cualquier proyecto en una empresa.
RECOMENDACIONES ACADÉMICAS
Estimados estudiantes, a lo largo de la cartilla encontrarán la fundamentación y desarrollo de la teoría

básica de redes para la administración de proyectos, recuerden que deben realizar un resumen de las
nociones más importantes para su estudio autónomo. Desarrollen de manera individual cada uno de los
ejercicios que se les presentan como ejemplo.
Para profundizar un poco más en el tema, no olviden que dentro de los recursos virtuales de la institución
pueden encontrar varios tipos de documentos que les serán útiles, como lo son libros de investigación de
operaciones o de administración científica, también encontrarán artículos y documentos investigativos de
aplicación.
DESARROLLO DE CADA UNA DE LAS UNIDADES TEMÁTICAS
1. Redes para la administración de proyectos CPM

Dentro de la planeación de un proyecto debemos tener en cuenta que existen varios factores que afectan
su desarrollo:
2 POLITÉCNICO GRANCOLOMBIANO
 Tiempo
 Costo
 Disponibilidad de recursos.
Estos factores son los que definen si un proyecto se realiza o no, ya que entre ellos se encuentran
relacionados. Por ejemplo, sabemos que si aumentamos el tiempo de un proyecto aumentan los costos,
para disminuir los costos de un proyecto debemos tener en cuenta que también se deben buscar
alternativas de tiempo y recursos. Lo que se busca con esta teoría es determinar un tiempo de desarrollo
y unas actividades que son las más importantes, lo cual nos define que esas actividades importantes son
las que no debemos permitir que se retrasen. Por lo tanto el método CPM,“critical path method” en sus
siglas en inglés, que traduce al español el método de la ruta crítica, es utilizado para la planeación de cada
una de las actividades de un proyecto, definiendo cuál será su predecesor y cuáles actividades dependerán
de la terminación de la misma.
Este método es utilizado para relacionar el tiempo de inicio y finalización de cada una de las actividades,
generando así el tiempo de desarrollo de un proyecto de manera secuencial. Así, con la suma de los
tiempos de cada una de las actividades, podemos relacionar el tiempo de duración de todo un proyecto.
Durante el desarrollo de la cartilla encontraremos cómo se realizan y definen las actividades más
importantes.
Se realiza una representación como red para tener un gráfico que defina cuáles son las precedencias de
cada una de las actividades y lograr definir de manera más didáctica cuáles son las más importantes y
cuáles pueden generar una demora. Por lo tanto, vamos a definir qué es un nodo y qué es un arco:
Nodo: es la representación de cada una de las actividades del proyecto.
Arco: es el que refleja las relaciones de precedencia de cada una de las actividades.
Para entender esto de manera correcta tenemos el siguiente ejemplo:
Un proyecto con 5 actividades debe cumplir las siguientes restricciones:

Tabla 1. Restricciones iniciales de una red
Actividad Predecesor
A -
B -
C A
D A,B
E C,D
MODELO PARA LA TOMAS DE DECISIONES 3

Fuente: Elaboración propia (2016)
Según lo que dice la tabla 1, la actividad A y B no tiene predecesor, por tanto son las iniciales del proyecto;
la actividad C depende de la finalización de A, la actividad D depende de la finalización de C y D, por ultimo
tenemos que la actividad E depende de la finalización de C y D. El tiempo en el que terminará la actividad
E será el tiempo total de duración del proyecto.
Ahora realizaremos la construcción de la red según las restricciones de la tabla 1.
Figura 1. Representación como red del ejemplo
Así como se muestra en la figura 1, quedaría la representación como red del ejemplo que venimos
desarrollando, todo teniendo en cuenta las precedencias y dependencias de cada una de las actividades.
Si revisamos bien la figura 1 nos encontramos con 3 rutas que cumplen las relaciones de precedencia desde
el inicio hasta el final, estas son A-C-E, B-D-E y por ultimo A-D-E. Para definir el tiempo total del proyecto,
es la suma de los tiempos de todas las actividades de una de las rutas siendo el mayor de los tiempos en
cualquiera de las rutas. Una ruta crítica para una red es aquella que es mayor o igual que cualquiera de las
rutas de la red.
También debemos tener en cuenta la definición de una holgura, la cual es la que nos indica si es o no una
actividad crítica o de las importantes del proyecto, ya que la ruta crítica solo tiene actividades con holgura
cero y que cumplan un camino desde el inicio del proyecto hasta el final del mismo.
Ahora revisemos el mismo ejemplo pero con tiempos para hacer más practico el trabajo del mismo.
Tabla 2. Ejemplo con tiempos
Actividad Predecesor Tiempo
A - 1.5
B - 1
C A 2
D A,B 1.5
E C,D 1
Empecemos con mirar las rutas que existen desde el inicio hasta el final del proyecto, también
analizaremos de una vez cual es el tiempo que se demora cada una de ellas, por lo tanto tenemos:
A - C - E = 1.5 + 2 + 1 = 4.5
A – D – E = 1.5 + 1.5 + 1 = 4
B – D – E = 1 + 1.5 + 1 = 3.5
Si nos fijamos en lo que acabamos de escribir sobre los tiempos de cada una de las rutas del proyecto y
retomamos las definición de la ruta crítica “que es aquella ruta que sea mayor o igual a cualquiera de los
tiempos de las rutas del proyecto” como lo mencionamos anteriormente, tenemos que la ruta crítica del
ejemplo que estamos realizando es la primera o A – C – E que es la que se demora 4.5 unidades de tiempo.
Para entrar al detalle cómo se realiza todo el proceso con la teoría de CPM debemos definir los siguientes
tiempos por cada una de las actividades del proyecto, los cuales son:
 Earlist start (ES): es el tiempo más temprano de iniciación de una tarea

 Earlist Finished (EF): es tiempo más temprano de finalización de una tarea
 Latest Start (LS): es el tiempo más tardío de iniciación de la actividad
 Latest Finished (LF): el tiempo más tardío de la finalización de una actividad.
Para ilustrar de manera gráfica cada uno de los tiempos en una actividad tenemos la siguiente imagen.
Figura 2. Estructura de una actividad en una red
Ahora tenemos que para hallar cada uno de estos tiempos las siguientes instrucciones;:
1. El ES será el máximo de los tiempos de finalización de las actividades que preceden a la

actividad que estamos analizando, si esta es un inicio el valor para este tiempo será cero.
2. El EF será la suma entre el inicio temprano (ES) y el tiempo de que se demora cada
actividad.

3. El LF será el mínimo de las actividades que se encuentran delante de la actividad que
estamos analizando, si esta actividad es un final es el tiempo total del proyecto.
4. El LS es una resta entre el tiempo de finalización tardío (LF) y el tiempo de la actividad.
Una holgura, matemáticamente hablando, es una diferencia entre dos de los 4 tiempos con los que se
cuenta en una actividad, como lo demuestran las siguientes ecuaciones;
S=LF-EF
S= LS –ES
Si el resultado de las holguras es cero, es muy probable que esta actividad sea parte de la ruta crítica.
Definamos de una manera más corta y concisa cada uno de los pasos para realizar el desarrollo de un
proyecto por el método de CPM:
1. Calcular los tiempos más tempranos de iniciación (ES) para cada una de las actividades
desde el inicio hasta el final.
2. Tenga en cuenta que el tiempo más temprano de iniciación de una actividad es el máximo
de los tiempos de finalización temprana (EF) de las actividades predecesoras.
3. Calcular los tiempos más tempranos de finalización de cada una de las actividades.
4. En las actividades finales del proyecto se toma el mayor de los tiempos tempranos de
finalización (EF) como el tiempo total del proyecto.
5. Calcular los tiempos más tardíos de finalización de cada una de las actividades desde el fin
hasta el inicio.
6. Tenga en cuenta el tiempo más tardío de terminación de una actividad (LF) es el mínimo
de los tiempos más tardío de iniciación de las actividades futuras.
7. Calcular los tiempos más tardíos de iniciación de cada una de las actividades.
8. Determinar las holguras de cada una de las actividades y definir la ruta crítica.
Ya teniendo definidos cada uno de los pasos que se deben realizar vamos a continuar con el ejemplo que
veníamos trabajando para esclarecer cada una de las dudas y demostrar cómo es la fase operativa de esta
teoría. Tomamos la tabla 2 de nuevo de referencia del trabajo. La red queda de la siguiente manera:
Figura 3. Representación de la red con los tiempos de cada una de las actividades
Después de construir la red debemos empezar a encontrar los tiempos de inicio de cada una de las
actividades, como se muestra en la figura 2 los tiempos de inicio temprano de la actividad A y B son cero
por ser actividades iniciales de un proyecto. Pasamos a hallar los tiempos de finalización temprana (ES)
que son la suma del tiempo inicialización temprana (ES) con el tiempo de la actividad por lo tanto queda
como se muestra en la figura 3.
Figura 4. Primer paso del desarrollo de una red
Empezamos a encontrar el tiempo de inicialización temprana de las actividades C y D. Entonces, para el

caso de C tenemos que solo tiene una actividad antecesora, por lo tanto el tiempo de finalización temprana
de la actividad anterior será el tiempo inicialización temprana de C. Para el caso de la actividad D, tenemos
dos actividades antecesoras por lo tanto el tiempo de inicialización temprana será el máximo de los
tiempos de finalización temprana de las dos antecesoras ósea A y B.
Por lo tanto, el ES en c será 1.5 (el final de A), y el de D es 1.5 también por ser el tiempo mayor. Después
hallamos el EF de C y D, que es simplemente la suma del tiempo de la actividad con el ES de cada una de
ellas, todo quedaría como se muestra en la Figura 4.

Figura 5. Como hallar el EF de las actividades C y D
Para hallar el valor del ES de la actividad es básicamente el máximo de los EF de la actividad C y D, lo cual
sería el mayor entre 3.5 y 3, que sería 3.5 por lo tanto se vería algo así.
Figura 6. Hallar el valor de ES de E
Hallamos el valor de EF de la actividad E, que es básicamente sumar el Es hallado anteriormente más el

valor del tiempo de la actividad, queda como se muestra en la figura 6.
Figura 7. Hallar el EF de E
Teniendo en cuenta que E es la última actividad el tiempo del proyecto es de 4.5 unidades de tiempo, por
lo tanto ahora empezamos a devolvernos y hallar los LF y LS de cada una de las actividades para terminar
el ejemplo.
El LF de la actividad E es básicamente el valor de tiempo total del proyecto y a ese LF se le deben restar el
valor del tiempo de la actividad E para encontrar LS, lo cual queda como se muestra en la figura 7.
Figura 8. Hallar el valor LS en la actividad E
Ahora el tiempo LF o de terminación tardía de las actividades C y D es básicamente el tiempo de

inicialización tardía de E lo cual se muestra en la figura 8.
Figura 9. Hallar el LF de C y D
Ahora hallamos el valor de LS de la actividad C y D que es restar el valor de LF de cada una de las actividades
por el valor del tiempo de cada una de las actividades. Ya en la figura 9 se muestra que después de hallar
los LS de la actividad C y D hallaremos el LF de la actividad que es el menor de los números de los tiempos
LS de C y D, como se muestra en la figura 9.
Figura 10. Como hallar el LF de la actividad A
Ahora ya para finalizar la red quedará como se muestra en la figura 10.
Figura 11. Red completa

Nos falta hallar las holguras de cada una de las actividades, como se muestra en la figura 11, y luego ya
tenemos las holguras como se muestra en la figura 12.
Figura 12. Holguras de cada una de las actividades
1.2. Ruta crítica
 Con estos elementos podemos definir la ruta crítica, ya que esta es la secuencia de actividades
desde el inicio hasta el final, donde cada una de las actividades tiene holgura cero, por lo tanto
la ruta crítica es A – C – E, con un tiempo de duración del proyecto de 4.5 unidades de tiempo.
Teniendo en cuenta este ejercicio desarrollaremos otro ejercicio más como ejemplo del tema.
Tabla 3. Ejemplo 2
Actividad Predecesores Tiempo
A - 6
B - 4
C A 3
D A 5
E A 1
F B,C 4
G B,C 2
H E,F 6
I E,F 5
10
J D,H 3
K G,I 5
Figura 13. Red del ejemplo 2
Ahora en el siguiente paso colocaremos lo tiempos de cada una de las actividades y hallaremos lo tiempos
de inicialización temprana y de finalización temprana de cada una de las actividades.
Como se muestra en la figura 13, así quedaría la red con los ES y EF de cada una de las actividades.
Figura 14. Tiempos de iniciación temprana y de finalización temprana de cada una de las actividades
Ahora realizaremos el procedimiento para hallar los LS y LF de cada una de las actividades y sus respectivas
holguras.

Figura 15. Ejercicio completo son holguras
Ahora como podemos ver en la figura 14 ya tenemos cada una de las holguras de las actividades por lo
tanto podemos definir cuál es la ruta crítica, que sería A – C – F – I – K, teniendo un tiempo de terminación
del proyecto de 23 unidades de tiempo.
12
REFERENCIAS
Referencias bibliográficas
Anderson, D. S. (2005). Métodos Cuantitativos Para Los Negocios (Novena Edición ed.). Mexico: Cengage
Learning Editores.
Bazaraa, M. J. (1996). Programación Lineal y Flujo en Redes (Segunda edición ed.). México: Limusa.
Bazarra, M., & Jarvis, J. J. (2005). Programación lineal y flujo en redes. (Segunda Edición. ed.). México:
Limusa Editores. .
Castillo. (20 de Noviembre de 2007). Departamento Unican. Recuperado de Unican:

http://departamentos.unican.es/macc/personal/profesores/castillo/libro.htm
Hillier, F. &. (2006). Texto principal: Introducción a la Investigación de Operaciones. (6ª Edición. ed.). N/A:
McGraw Hill. .
Hillier, F. &. (2006). Investigación De Operaciones (Octava Edición ed.). México: McGraw-Hill.
Hillier, F. &. (2008). Métodos Cuantitativos Para Administración (Tercera Edición ed.). México: McGraw-
Hill.
Hopp, W. &. (2008). M. Factory Physics. NY: McGraw Hill.
Taha, H. (1997). Investigación de Operaciones: Una Introducción (Sexta edición ed.). NY: Prentice Hall.
Winston, W. (2005). Investigación De Operaciones Aplicaciones Y Algoritmos (Cuarta Edición ed.).

México: Thomson.

MODELO PARA EL CONTROL
DE INVENTARIO
MODELOS PARA LA TOMA DE DECISIONES
INICIO
 Introducción
1. Inventarios EOQ
2. Modelo EPL
3. Modelo EOQ Con faltantes
4. Modelo de inventarios EOQ con descuentos
 Referencias
INTRODUCCIÓN
En esta cartilla se revisarán las teorías sobre el manejo de los inventarios y las bases teóricas de la
programación lineal. Para el caso de los inventarios se entrarán a revisar los costos de cada uno de los
objetos que tenemos dentro del inventario de un almacén y cómo tenerlos puede incurrir en unos costos
que se ven reflejados en el desarrollo del año de servicio.
También se estudiará el desarrollo de la programación lineal, sus diferentes aplicaciones y aparte sus
ventajas de uso. Teniendo en cuenta el cómo se realiza la formulación y cómo generar una solución.
Sabiendo que cada solución puede tener un rango en cual se desplazara para dar una solución acorde al
problema que se está trabajando.
Estimados estudiantes a lo largo de la cartilla encontrarán la fundamentación y desarrollo de la teoría

básica de manejo de inventarios, recuerde que debe realizar un resumen de las nociones más importantes
dentro de la cartilla para su estudio autónomo. Desarrolle de manera individual cada uno de los ejercicios
que se le presentan como ejemplo dentro de esta cartilla.
Para profundizar un poco más en el tema no olvide que dentro de los recursos virtuales de la institución
puede encontrar varios tipos de documentos que pueden ser útiles, como lo son libros de investigación de
operación o de administración científica, también puede encontrar artículos y documentos investigativos
de aplicación de las mismas.
Inventarios EOQ
El gran creador del modelo de inventarios fue Ford W. Harris “how many parts at once” donde él nos dice
que “Intereses sobre el capital invertido en salarios, materiales y gastos generales establece un límite
máximo para la cantidad de piezas que se puede fabricar de manera rentable a la vez; costos "set-up " en
el trabajo de fijar el mínimo. La experiencia ha demostrado un gestor de una forma de determinar el
tamaño económica de lotes” (Hillier, 2006). Esta fue una de las primeras aplicaciones de la administración
científica.
Para el modelo EOQ se deben realizar varios supuestos para poderlo aplicar, en total son 7 supuestos de
los cuales debemos tener en cuenta;
 La producción es instantánea: no se tienen restricciones de capacidad y el lote completo es

producido en un instante de tiempo (cuando se necesita).
 La entrega es inmediata: no existen retrasos entre la producción y la entrega de los productos.
 La demanda es determinística: no existe una variación en la demanda, se dice que la demanda
es conocida para todo el año.
 La demanda es constante en el tiempo: esta puede ser representada por una línea recta.
 Cada corrida de producción incurre en un costo fijo de alistamiento: no importa el tamaño del
lote a producir el costo siempre será el mismo.
 Los productos pueden ser analizados individualmente: existe un único tipo de producto.
Para el modelo EOQ tenemos una notación especifica con la finalidad de definir cada una de las ecuaciones
necesarias para halla los costos de inventario según sea el caso;
𝐷 = 𝑇𝑎𝑠𝑎 𝑑𝑒 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑜𝑟 𝐴ñ𝑜.
𝐶 = 𝐶𝑜𝑠𝑡𝑜 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛, 𝑛𝑜 𝑖𝑛𝑐𝑙𝑢𝑦𝑒 𝑛𝑖 𝑎𝑙𝑖𝑠𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 𝑛𝑖 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠.
𝐶𝑜 = 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑜𝑟𝑑𝑒𝑛𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑜 𝑑𝑒 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟 𝑢𝑛 𝑝𝑒𝑑𝑖𝑑𝑜.
𝐶ℎ = 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜 𝑝𝑜𝑟 𝑎ñ𝑜. 𝑠𝑖 𝑠𝑜𝑙𝑜 𝑠𝑒 𝑡𝑖𝑒𝑛𝑒 𝑒𝑛 𝑐𝑢𝑒𝑛𝑡𝑎 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑒𝑠 𝑑𝑒𝑙
𝑑𝑖𝑛𝑒𝑟𝑜 𝑖𝑛𝑣𝑒𝑟𝑡𝑖𝑑𝑜 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝐶ℎ = 𝑖 ∗ 𝐶 𝑑𝑜𝑛𝑑𝑒 𝑖 𝑒𝑠 𝑙𝑎 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑖𝑛𝑡𝑒𝑟𝑒𝑠 𝑎𝑛𝑢𝑎𝑙.
𝑄 = 𝑇𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑐𝑜𝑟𝑟𝑖𝑑𝑎.
𝑅 = 𝑃𝑢𝑛𝑡𝑜 𝑑𝑒 𝑟𝑒𝑜𝑟𝑑𝑒𝑛.
𝑙 = 𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑒𝑛𝑡𝑟𝑒𝑔𝑎 𝑑𝑒𝑙 𝑝𝑒𝑑𝑖𝑑𝑜.
3
3
MODELOS PARA LA TOMA DE DECISIONES 3
Debemos tener en cuenta que nuestras variables de decisión o los datos más importantes son el tamaño
de la corrida y el punto de reorden, ya que éstas son las que definen completamente el modelo que se
debe seguir. Según lo dicho anteriormente, la gráfica del modelo EOQ es la que se presenta en la figura #
1
Figura 1. Inventario EOQ.
Para definir cada una de las ecuaciones necesarias para el modelo EOQ
Cantidad óptima para ordenar será:
2 ∗ 𝐶𝑜 ∗ 𝐷
𝑄=√
𝐶ℎ
El número de órdenes por año que se deberán solicitar son:

𝐷
𝑄
Para hallar el tiempo entre pedidos será:

𝑄
𝐷
EL punto de reorden del inventario será:
𝑅 =𝐷∗𝑙
Para hallar cada uno de los costos en los que se incurre durante el año en un inventario tenemos las
siguientes ecuaciones;
𝑄
 Costo de inventario : Inventario promedio
2
𝐶ℎ ∗𝑄
Costo anual de inventario
2
𝐶ℎ ∗𝑄
Costo unitario de inventario
2𝐷
 Costo de alistamiento: se toma como los costos unitario de alistamiento por lote por lo
tanto quedaría de la siguiente manera:
𝐶𝑜
𝑄
 La función de costos totales anuales está definida como la suma del costo anual de
inventario más el costo anual de alistamientos.
𝐶ℎ ∗ 𝑄 𝐷 ∗ 𝐶𝑜
𝐶𝑇(𝑄) = +
2 𝑄
Para aplicar lo dicho anteriormente sobre inventarios mostraremos el siguiente ejemplo:
Bart's Barometer Business (BBB) es una pequeña tienda especializada en implementos para la medición
del clima. Actualmente BBB quiere decidir la política óptima de inventarios para sus barómetros.
Cada uno cuesta US$50 y la demanda se ha estimado en 500 por año. Los costos de ordenar son de US$80
por pedido (un pedido tarda en ser entregado aproximadamente 60 días) y el costo de inventario es del
20% del costo del producto.
BBB abre 300 días por año.
Después de haber leído el problema debemos realizar el listado de los datos que nos dan para de esta
manera empezar a solucionar el problema.
𝐷 = 500
𝐶 = 50
𝐶𝑜 = 80
5
5
𝐶ℎ = (0.2) ∗ (50)
𝑙 = 60 𝑑𝑖𝑎𝑠 = 0.2 𝑎ñ𝑜𝑠
Empezamos a aplicar cada una de las ecuaciones del modelo descritas anteriormente. Por lo tanto
debemos iniciar con la cantidad óptima a pedir o Q
2 ∗ 80 ∗ 500
𝑄=√ = 89.44 𝑆𝑒 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎 𝑎 90 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑝𝑜𝑟 𝑝𝑒𝑑𝑖𝑑𝑜.
10
500
= 5.56 𝑆𝑜𝑛 𝑙𝑎𝑠 𝑜𝑟𝑑𝑒𝑛𝑒𝑠 𝑞𝑢𝑒 𝑑𝑒𝑏𝑒 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟 𝑎𝑙 𝑎ñ𝑜
90
90
= 0.18 𝑎ñ𝑜𝑠 ∗ 300 = 54 𝐷𝑖𝑎𝑠 𝑒𝑠 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛𝑡𝑟𝑒 𝑝𝑒𝑑𝑖𝑑𝑜𝑠.
500
𝑅 = 500 ∗ (0.2) = 100 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠.
10 ∗ 90 500 ∗ 80
𝐶𝑜𝑠𝑡𝑜 𝐴𝑛𝑢𝑎𝑙 = + = 894
2 90
2. Modelo EPL
En el modelo EPL se deben realizar varios supuestos para poderlo aplicar, tal cual como en el modelo EOQ
pero que sólo se cambie uno de los supuestos, miremos los 7 supuestos los cuales debemos tener en
cuenta:
 La tasa de producción es finita y constante en el tiempo.

 La entrega es inmediata: no existen retrasos entre la producción y la entrega de los productos.
 La demanda es determinística: no existe una variación en la demanda, se dice que la demanda
es conocida para todo el año.
 La demanda es constante en el tiempo: ésta puede ser representada por una línea recta.
 Cada corrida de producción incurre en un costo fijo de alistamiento: no importa el tamaño del
lote a producir el costo siempre será el mismo.
 Los productos pueden ser analizados individualmente: existe un único tipo de producto.
Para el modelo EPL tenemos una notación especifica con la finalidad de definir cada una de las ecuaciones
necesarias para halla los costos de inventario según sea el caso:
𝑢 = 𝑈𝑡𝑖𝑙𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑚𝑎𝑞𝑢𝑖𝑛𝑎.
Figura 2.
Modelo EPL
Ahora veremos la definición de cada una de las ecuaciones necesarias para el modelo EPL:
2 ∗ 𝐶𝑜 ∗ 𝐷
𝑄=√
𝐶ℎ ∗ (1 − 𝐷⁄𝑃)

𝐷
𝑄

𝑄
𝐷
7
7
EL inventario máximo será:
𝐼 = (1 − 𝐷⁄𝑃 ) ∗ 𝑄
Ahora para la utilización de maquina tenemos la siguiente expresión
𝑈 = 𝐷/𝑃
Para definir los costos del modelo EPL tenemos las siguientes expresiones:
(1−𝐷⁄𝑃)∗𝑄
2
𝐶ℎ ∗(1−𝐷⁄𝑃)∗𝑄
2
𝐶ℎ ∗(1−𝐷⁄𝑃)∗𝑄
2𝐷
𝐶𝑜
𝑄
𝐶ℎ ∗ (1 − 𝐷⁄𝑃 ) ∗ 𝑄 𝐷 ∗ 𝐶𝑜
𝐶𝑇(𝑄) = +
2 𝑄
Ejemplo ilustrativo del modelo EPL:
La compañía Non-Slip Tile (NST) debe satisfacer una demanda de 1000000 de baldosas al año. El costo de
alistamiento por corrida de producción es de US$5000 y se ha estimado un costo de inventario de US$ 0.1
por baldosa por año. La fábrica puede producir 500000 baldosas por mes y opera 365 días al año.
Si actualmente produce corridas de 100000 baldosas 10 veces por año ¿Cuánto le cuesta su política de
producción al año?
Calcule la política óptima de producción para la compañía y compárela con la política actual.
Solución del problema:
𝐷 = 1000000
𝐶 = 6000000
𝐶𝑜 = 5000
𝐶ℎ = 0.1
2 ∗ 5000 ∗ 1000000
𝑄=√ = 346410 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
0.1 ∗ (1 − 1⁄6)
1000000
= 2.89 𝑐𝑜𝑟𝑟𝑖𝑑𝑎𝑠 𝑝𝑜𝑟 𝑎ñ𝑜
346410
346410
= 0.346 𝐴ñ𝑜𝑠 = 126.4 𝑑í𝑎𝑠
1000000
1000000 1
𝑢= =
6000000 6
0.1 ∗ (1 − 1⁄6) ∗ 346410 1000000 ∗ 5000

𝐶𝑇(𝑄) = + = 28867.51
2 346410
3. Modelo EOQ Con faltantes

Este es una variación del modelo EOQ que hemos revisado anteriormente, con la gran diferencia que en
este modelo si se aceptan unidades faltantes, lo que genera que dentro de los costos asociados también
tengamos unos costos por las unidades que no tenemos en el inventario. También se debe tener en cuenta
que el pedido se realiza en el momento en el que se cumple un número máximo de faltantes. La notación
para este caso cambia un poco con relación a los modelos anteriores.
Notación para el modelo EOQ con Faltantes;
9
9
𝐶𝑏 = 𝐶𝑜𝑠𝑡𝑜 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜 𝑑𝑒 𝑓𝑎𝑙𝑡𝑎𝑛𝑡𝑒𝑠.
𝑅 = 𝑃𝑢𝑛𝑡𝑜 𝑑𝑒 𝑟𝑒𝑜𝑟𝑑𝑒𝑛, 𝑎𝑞𝑢𝑖 𝑒𝑠 𝑑𝑜𝑛𝑑𝑒 𝑠𝑒 𝑑𝑒𝑓𝑖𝑛𝑒 𝑒𝑙 𝑛𝑢𝑚𝑒𝑟𝑜 𝑚𝑎𝑥𝑖𝑚𝑜 𝑑𝑒 𝑓𝑎𝑙𝑡𝑎𝑛𝑡𝑒𝑠.
Figura 3. Modelo EOQ con Faltantes
Por lo tanto cada una de las ecuaciones que definen el modelo de EOQ con Faltantes es;
2 ∗ 𝐶𝑜 ∗ 𝐷 𝐶ℎ + 𝐶𝑏
𝑄=√ ∗√
𝐶ℎ 𝐶𝑏

𝐷
𝑄

𝑄
𝐷
El número de faltantes será:
𝐶ℎ
𝑆 =𝑄∗( )
𝐶ℎ + 𝐶𝑏
Ahora para el punto de re orden tenemos la siguiente expresión
𝑅 =𝐷∗𝑙−𝑆
Para definir los costos del modelo EOQ con Faltantes tenemos las siguientes expresiones:
(𝑄−𝑆)2
2
𝐶ℎ ∗(𝑄−𝑆)2
2
𝐷 ∗ 𝐶𝑜
𝑄
𝑆2
 Costo por las unidades faltantes: Faltantes promedio
2∗𝑄
𝐶𝑏 ∗𝑆 2
Costo Anual de faltantes
2∗𝑄
𝐶ℎ ∗ (𝑄 − 𝑆)2 𝐷 ∗ 𝐶𝑜 𝐶𝑏 ∗ 𝑆 2
𝐶𝑇(𝑄) = + +
2 𝑄 2∗𝑄
Ejemplo Ilustrativo del modelo EOQ con Faltantes:
Hervis Rent-a-Car tiene una flota de 2500 autos atendiendo Los Angeles. Todos los autos son
administrados desde un garaje central. En promedio, 8 autos por mes necesitan cambio de motor, cada
motor cuesta US$850. Hay un costo de US$120 por pedido (toma 2 semanas hacer la entrega) y el costo
anual de inventario equivale al 30% del costo del motor. Finalmente cada semana que un auto esté fuera
de servicio Hervis pierde US$40.
11
11
Solución del problema:
𝐷 = 96
𝐶 = 850
𝐶𝑜 = 120
𝐶ℎ = (0.3) ∗ (850) = 255
𝐶𝑏 = (52) ∗ (40) = 2080
𝑙 = 2 𝑠𝑒𝑚𝑎𝑛𝑎𝑠 = 0.038 𝑎ñ𝑜𝑠
2 ∗ 96 ∗ 120 255 + 2080

𝑄=√ ∗√ = 10.07 = 10 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
255 2080
96
10
10
= 0.104 𝐴ñ𝑜𝑠 = 38 𝑑í𝑎𝑠
96
255
10 ( ) = 1 𝑢𝑛𝑖𝑑𝑎𝑑
255 + 2080
96 ∗ (0.038) − 1 = 3 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑒𝑠 𝑒𝑙 𝑝𝑢𝑛𝑡𝑜 𝑑𝑒 𝑟𝑒𝑜𝑟𝑑𝑒𝑛
255 ∗ (10 − 1)2 96 ∗ 120 2080 ∗ (1)2

𝐶𝑇(𝑄) = + + = 11687.5
2 10 2 ∗ (10)
4. Modelo de inventarios EOQ con descuentos

El modelo EOQ con descuentos, es donde el proveedor cuenta con descuentos a partir de la cantidad de
unidades que se pidan de un producto, dando de esta manera un costo unitario más bajo, por lo tanto se
basa en el modelo básico del EOQ en donde no se aceptan faltantes ni tampoco se consideran tiempos de
entrega. La notación del modelo es básicamente la misma que en el modelo EOQ básico pero con una
variación en el costo unitario lo que podemos ver en la notación que presentamos a continuación:
𝐶𝑖 = 𝐶𝑜𝑠𝑡𝑜 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛, 𝑛𝑜 𝑖𝑛𝑐𝑙𝑢𝑦𝑒 𝑛𝑖 𝑎𝑙𝑖𝑠𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 𝑛𝑖 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠.
𝑒𝑠𝑡𝑒 𝑣𝑎𝑟𝑖𝑎 𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑑𝑜 𝑑𝑒𝑙 𝑟𝑎𝑛𝑔𝑜 𝑒𝑛 𝑐𝑢𝑎𝑙 𝑠𝑒 𝑒𝑠𝑡𝑒 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑛𝑑𝑜 𝑒𝑙 𝑝𝑒𝑑𝑖𝑑𝑜.
𝑅 = 𝑃𝑢𝑛𝑡𝑜 𝑑𝑒 𝑟𝑒𝑜𝑟𝑑𝑒𝑛.
Para definir cada una de las ecuaciones necesarias para el modelo EOQ con descuentos es básicamente
las mismas del modelo EOQ básico.
2 ∗ 𝐶𝑜 ∗ 𝐷
𝑄=√
𝐶ℎ
Para que sea factible la cantidad óptima debe estar en el rango que se tome para calcular el modelo.
El número de ordenes por año que se deberán solicitar son:

𝐷
𝑄

𝑄
𝐷
El punto de reorden del inventario será:
𝑅 =𝐷∗𝑙
Ahora para halla cada uno de los costos en los que se incurre durante el año en un inventario tenemos las
siguientes ecuaciones:
𝑄
2
𝐶ℎ ∗𝑄
2
𝐶ℎ ∗𝑄
2𝐷
13
13
𝐶𝑜
𝑄
𝐶ℎ ∗ 𝑄 𝐷 ∗ 𝐶𝑜
𝐶𝑇(𝑄) = + + 𝐶𝑖 ∗ 𝐷
2 𝑄
Nick's Camera Shop vende película fílmica instantánea Zodiac. La película tiene un costo, normalmente,
de US$3.20 por rollo y Nick vende cada uno en US$5.20. La película Zodiac tiene una vida útil de 18 meses.
El promedio de ventas semanales es de 21 rollos de película. Su costo de inventario anual está
representado por un 20% del costo del rollo y a Nick le cuesta US$20 cada pedido que haga, independiente
de la cantidad ordenada.
Si Zodiac ofrece un descuento del 7% si se ordena 400 rollos o más, del 10% si se ordena 900 rollos o más
y del 15% si se ordena 2000 rollos o más, ¿Cuál es la cantidad óptima a ordenar?
𝐷 = (21) ∗ (52) = 1092

𝐶𝑜 = 20
𝐶1 = 3.2 ; 𝐶2 = 2.976 ; 𝐶3 = 2.88 ; 𝐶4 = 2.72

𝐶ℎ1 = (0.2) ∗ (3.2) = 0.64
𝐶ℎ2 = (0.2) ∗ (2.976) = 0.595
𝐶ℎ3 = (0.2) ∗ (2.88) = 0.576
𝐶ℎ1 = (0.2) ∗ (2.72) = 0.544
𝑙 = 0 𝑎ñ𝑜𝑠
Para el primer rango 0 < Q < 400
2 ∗ 1092 ∗ 20
𝑄=√ = 261.24 = 261 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
0.64
1092
261
261
= 0.24 𝐴ñ𝑜𝑠 = 87.6 𝑑í𝑎𝑠
1092
1092 ∗ (0) = 0 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑒𝑠 𝑒𝑙 𝑝𝑢𝑛𝑡𝑜 𝑑𝑒 𝑟𝑒𝑜𝑟𝑑𝑒𝑛
0.64 ∗ 261 1092 ∗ 20

𝐶𝑇(𝑄) = + + 1092 ∗ 3.2 = 3661.6
2 261
Para el rango de 400<= Q < 900
2 ∗ 1092 ∗ 20
𝑄=√ = 270.94 𝑁𝑜 𝑒𝑠 𝑓𝑎𝑐𝑡𝑖𝑏𝑙𝑒 𝑝𝑜𝑟 𝑞𝑢𝑒 𝑛𝑜 𝑒𝑠𝑡𝑎 𝑒𝑛 𝑒𝑙 𝑟𝑎𝑛𝑔𝑜
0.595
Para el rango 900<= Q < 2000
2 ∗ 1092 ∗ 20
0.576
Para el rango Q > 2000
2 ∗ 1092 ∗ 20
0.544
Al analizar los costos óptimos por cada rango, se obtiene un menor valor en el segundo rango, un
descuento del 7%, ordenado una cantidad de 400 rollos por pedido. El costo anual en que se incurre es de
US$3423.4
15
15
REFERENCIAS
Anderson, D. S. (2005). Métodos Cuantitativos para los negocios (Novena Edición ed.). México: Cengage
Learning Editores.
Bazaraa, M. J. (1996). Programación Lineal y Flujo en Redes (Segunda edición ed.). México: Limusa.
Bazarra, M., & Jarvis, J. J. (2005). Programación lineal y flujo en redes. (Segunda Edición. ed.). México:
Limusa Editores. .

Hillier, F. &. (2006). Texto principal: Introducción a la Investigación de Operaciones. (6ª Edición. ed.). N/A:
McGraw Hill. .
Hillier, F. &. (2006). Investigación de Operaciones (Octava Edición ed.). México: McGraw-Hill.
Hillier, F. &. (2008). Métodos Cuantitativos para Administración (Tercera Edición ed.). México: McGraw-
Hill.
Taha, H. (1997). Investigación de Operaciones: Una Introducción (Sexta edición ed.). NY: Prentice Hall.
Winston, W. (2005). Investigación de Operaciones Aplicaciones y Algoritmos (Cuarta Edición ed.). México:
Thomson.

REDES DE ADMINISTRACIÓN

MODELO PARA LA TOMA DE DECISIONES


ÍNDICE
• Desarrollo temático
1. Redes para la administración de proyectos PERT
1.2. Método de las tres estimaciones
1.3. Ejemplo ilustrativo
2. Redes para la administración de proyectos, análisis de costos
• Glosario de términos
• Referencias
• Referencias bibliográficas
DESARROLLO TEMÁTICO
1. Redes para la administración de proyectos PERT
Dentro de la planeación de un proyecto debemos tener en cuenta que existen varios factores que
afectan el desarrollo del mismo como lo son:
1) Tiempo; a diferencia del método CPM aquí el tiempo puede variar
2) Costo
3) Disponibilidad de recursos
¿Qué quiere decir que el tiempo puede variar?, que se pueden tener tres tiempos los cuales se
deben tener en cuenta para el desarrollo del problema; estos son, un tiempo optimista de
terminar la tarea, un tiempo nominal de terminación de la tarea y por ultimo un tiempo pesimista
de desarrollo de la tarea.
Para la representación de la red se realiza básicamente lo mismo que con el método de la cartilla
anterior (CPM). La gran diferencia es que se basa en una distribución normal de las variables del
proyecto y se cuenta con una varianza y una desviación estándar que controlan la decisión sobre
el proyecto.
Por lo tanto, a esta teoría se le llama “Proyect Evaluation and Review Tecnique”, la cual se basa
en datos estadísticos para tomar la decisión de la ruta de un proyecto, lo que define la necesidad
de tener varios tiempos sobre una sola actividad y de esta manera realizar una distribución
normal de las mismas. La representación como red (que se muestra en el punto siguiente) se
2
maneja básicamente igual que el método de CPM, ya que se basa en éste para realizar el
desarrollo del método PERT.
Se realiza una representación como red para tener un gráfico que defina cuales son las
precedencias de cada una de las actividades y lograr definir de manera más didáctica cuáles son
las más importantes y cuáles pueden generar una demora. Por lo tanto vamos a definir qué es un
nodo y que es un arco.
Nodo: es la representación de cada una de las actividades del proyecto.
Arco: es el que refleja las relaciones de precedencia de cada una de las actividades.
Para realizar el desarrollo de un proyecto por medio del método PERT, debemos definir el método
de las tres estimaciones.
1.2. Método de las tres estimaciones
Para este método contamos con una incertidumbre sobre el tiempo de desarrollo de una
actividad, este tiempo sigue una distribución BETA (estadística), lo cual implica que para calcularlo
debemos hallar un promedio sobre los datos con los que contamos. Definamos los tiempos
básicos de cada una de las actividades:
𝑎 = 𝑇𝑖𝑒𝑚𝑝𝑜 𝑜𝑝𝑡𝑖𝑚𝑖𝑠𝑡𝑎 𝑑𝑒 𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑐𝑖ó𝑛
𝑚 = 𝑇𝑖𝑒𝑚𝑝𝑜 𝑚𝑎𝑠 𝑝𝑟𝑜𝑏𝑎𝑏𝑙𝑒 𝑑𝑒 𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑐𝑖ó𝑛
𝑏 = 𝑇𝑖𝑒𝑚𝑝𝑜 𝑝𝑒𝑠𝑖𝑚𝑖𝑠𝑡𝑎 𝑑𝑒 𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑐𝑖ó𝑛
Teniendo definidos cada uno de los tiempos que puede llegar a tomar la actividad, podemos
precisar lo que es el “promedio” del tiempo de una actividad para el caso del método PERT. Para
definir el “promedio” (que no es un promedio normal) del tiempo de una actividad utilizamos la
siguiente ecuación:
𝑎+4∗𝑚+𝑏
𝑡=
6
También debemos encontrar la varianza del tiempo de desarrollo de una actividad, lo cual
planteamos con la siguiente ecuación
𝜎 8 = (𝑏 − 𝑎 6)8

Contando con la varianza podemos hallar la desviación estándar del proyecto que será
básicamente la raíz cuadrada de la varianza.
Por último, para hallar la ruta crítica utilizaremos el método CPM. Se asume que el tiempo de
terminación del proyecto sigue una distribución normal con una media igual a la suma de los
promedios de todas las actividades de la ruta crítica y una varianza igual a la suma de las varianzas
de todas las actividades de la ruta.
1.3. Ejemplo ilustrativo
Para el ejemplo ilustrativo manejaremos una tabla que cuenta con los tres tiempos para poder
desarrollar cada uno de los pasos necesarios para el método PERT.
Tabla 1. Ejercicio de PERT con los tiempos para cada una de las actividades
ACTIVIDAD PREDECESORES a(h) m(h) b(h)
A -‐ 4 6 8
B -‐ 1 4.5 5
C A 3 3 3
D A 4 5 6
E A 0.5 1 1.5
F B,C 3 4 5
G B,C 1 1.5 5
4
H E,F 5 6 7
I E,F 2 5 8
J D,H 2.5 2.75 4.5
K G,I 3 5 7
Fuente: Elaboración propia (2016).
Iniciamos el ejercicio construyendo la red como la construiríamos con el método CPM. Quedando
tal como se muestra en la figura 1, basándonos en la tabla 1 que es la que provee los datos del
ejercicio,
Figura 1. Red del ejemplo ilustrativo
Teniendo la red del ejemplo nos vamos a la tabla para encontrar los tiempos de cada una de las
actividades por medio de la ecuación del tiempo promedio. Los tiempos promedios quedan como
se muestran en la siguiente tabla,

Tabla 2. Representación de los tiempos promedio de las actividades del proyecto
Tiempo
ACTIVIDAD PREDECESORES a(h) m(h) b(h) promedio
A -‐ 4 6 8 6
B -‐ 1 4.5 5 4
C A 3 3 3 3
D A 4 5 6 5
E A 0.5 1 1.5 1
F B,C 3 4 5 4
G B,C 1 1.5 5 2
H E,F 5 6 7 6
I E,F 2 5 8 5
J D,H 2.5 2.75 4.5 3
K G,I 3 5 7 5
6
Los tiempos promedio de cada una de las actividades los utilizamos para hallar cada uno de los
tiempos de inicialización temprana, terminación temprana, finalización tardía e inicialización
tardía, para cada una de ellas por el método CPM.
Por lo tanto, la red quedará como se muestra en la figura 2:
Figura 2. Red con los tiempos promedio de cada una de las actividades
Empezamos a encontrar cada uno de los tiempos de inicialización temprana y de finalización

temprana, o sea los ES y EF. También hallaremos los tiempos de finalización tardía y tiempos de
inicialización tardía. Es importante tener en cuenta que para encontrar estos tiempos se realiza
el proceso como en la técnica de CPM, en donde la red se presentaría de la siguiente manera:
Figura 3. Red con los tiempos completos

Para hallar la ruta crítica se necesitan hallar las holguras de cada una de las actividades. Contando
con las holguras nos dedicamos a la parte estadística que corresponde a este tema.
Figura 4. Red con holguras
Con las holguras de cada una de las actividades del proyecto definimos la ruta crítica del mismo;
la ruta crítica es A – C – F – I – K con una duración total del proyecto de 23 horas.
Como se había mencionado antes, debemos hallar la varianza del proyecto, la cual se le calcula
únicamente a las actividades de la ruta crítica, después debemos sumar esta varianza con la
finalidad de encontrar la varianza total del proyecto y se halla la desviación estándar del proyecto
que básicamente es la raíz cuadrada de la varianza.
Tabla 3. Varianza y desviación del proyecto
ACTIVIDAD PREDECESORES a(h) m(h) b(h) Tiempo prom Varianza
A -‐ 4 6 8 6 0.4
B -‐ 1 4.5 5 4
C A 3 3 3 3 0.0
8
D A 4 5 6 5 0.1
E A 0.5 1 1.5 1
F B,C 3 4 5 4 0.1
G B,C 1 1.5 5 2
H E,F 5 6 7 6
I E,F 2 5 8 5 1.0
J D,H 2.5 2.75 4.5 3
K G,I 3 5 7 5 0.4

Varianza del proyecto 2
Desviación Estándar del proyecto 1.41

Contando con la desviación estándar del proyecto, nos debemos enfocar en el resultado que debe
brindar el método PERT, que se utiliza para hallar la probabilidad de una demora o del adelanto
de un proyecto. Para lo cual se debe utilizar la tabla de distribución normal de probabilidades.
Pongamos un ejemplo claro para hallar las probabilidades.
ESTE VALOR ES EL
¿Cuál es la probabilidad de que el proyecto termine antes de 24 horas? QUE DEBEN BUSCAR
EN LA TABLA DE
?@8A 8K@8A
𝑃 𝑇 < 24 = 𝑃 < DISTRIBUCIÓN
BCDEFGHFÓJ L.KL
NORMAL.
𝑃 𝑇 < 24 = 𝑃 𝑍 < 0.71
𝑃 𝑇 < 24 = 𝜙(0.71)
𝑃 𝑇 < 24 = 0.76
¿Cuál es la probabilidad de que el proyecto termine en 25 horas?
𝑇 − 23 25 − 23
𝑃 𝑇 < 25 = 𝑃 <
𝐷𝐸𝑆𝑉𝐼𝐴𝐶𝐼Ó𝑁 1.41
𝑃 𝑇 < 25 = 𝑃 𝑍 < 1.42
𝑃 𝑇 < 25 = 1 − 𝜙(1.42)
𝑃 𝑇 < 25 = 0.0778
¿Cuál es la probabilidad de que el proyecto se encuentre entre 22 y 25 semanas?
22 − 23 𝑇 − 23 25 − 23
𝑃 22 < 𝑇 < 25 = 𝑃 < <
1.41 𝐷𝐸𝑆𝑉𝐼𝐴𝐶𝐼Ó𝑁 1.41
𝑃 22 < 𝑇 < 25 = 𝑃 −0.71 < 𝑍 < 1.42
𝑃 22 < 𝑇 < 25 = 𝜙 1.42 − 𝜙(−0.71)
𝑃 22 < 𝑇 < 25 = 0.6833
10
2. Redes para la administración de proyectos, análisis de costos
Para esta sección nos volvemos a basar en el método de CPM, para construir una red y hallar los
tiempos del proyecto, solo que en este caso a diferencia del método PERT, encontramos una
posibilidad de variación del tiempo de cada una de las actividades, y teniendo en cuenta los costos
por disminución de una actividad.
La gran diferencia es que contamos con un tiempo normal y un tiempo acelerado para cada una
de las actividades de un proyecto, cada una enlazada a un costo normal y un costo acelerado.
Traduciendo, es básicamente por la disminución del tiempo de una actividad que se nos
aumentan los costos de desarrollo de la misma actividad.
Para hallar el costo de acelerar en unidad de tiempo una actividad se tiene la siguiente ecuación:
𝐶𝑜𝑠𝑡𝑜 𝑎𝑐𝑒𝑙𝑒𝑟𝑎𝑑𝑜 − 𝑐𝑜𝑠𝑡𝑜 𝑛𝑜𝑚𝑖𝑛𝑎𝑙

𝐾=
𝑡𝑖𝑒𝑚𝑝𝑜 𝑛𝑜𝑟𝑚𝑎𝑙 − 𝑡𝑖𝑒𝑚𝑝𝑜 𝑎𝑐𝑒𝑙𝑒𝑟𝑎𝑑𝑜
Figura 5. Definición de los costos en una actividad

No es muy viable reducir todas las actividades de un proyecto a su máximo nivel en tiempo, ya
que esto aumentaría los costos del proyecto demasiado; por lo tanto se debe definir un tiempo
óptimo que me genere ganancias y establezca la finalización del proyecto en el menor tiempo
posible, eso sí generando ganancias todavía. Para observar ese tiempo óptimo:
Figura 6. Gráfica del tiempo optimo del proyecto
Realicemos un ejemplo para entender la teoría básica del método de análisis de costos. Como
pueden observar en la tabla 5 el ejemplo de las actividades, predecesores, tiempo normal, tiempo
acelerado, costo normal, costo acelerado,
Tabla 5. Ejercicio con costos
TIEMPO TIEMPO COSTO COSTO

ACTIVIDAD PREDECESOR NORMAL ACELERADO NORMAL ACELERADO
A. Estudio de
mercado -‐ 3 1 1000 3000
B. Diseño A 4 3 4000 6000
12
C. Diagrama de
flujo. A 2 2 2000 2000
D. Diseño de
pantalla. B,C 6 4 3000 6000
E. Programar 1 C 5 4 2500 3800
F. Programar 2 C 3 2 1500 3000
G. Programar 3 E 7 4 6400 10000
H. Programar 4 E,F 5 4 3000 3600
I. Combinar
programas D,G,H 8 5 8000 12800
Empezamos por hallar los costos por unidad de tiempo para cada una de las actividades, entonces
para la actividad A:
3000 − 1000
𝐾=
3−1
2000
𝐾=
2
𝐾 = 1000
Por lo tanto para la actividad A el costo por acelerar una unidad de tiempo es de 1000. Revisemos
para las demás actividades, para la actividad B:
6000 − 4000
𝐾=
4−3

2000
𝐾=
1
𝐾 = 2000
Para la actividad C:
2000 − 2000 0
𝐾= =
2−2 0
Como una división por 0 es indeterminada, se pondrá el caso práctico 0 como valor ya que la
actividad no se puede acelerar por definición.
Para la actividad D:
6000 − 3000
𝐾=
6−4
3000
𝐾=
2
𝐾 = 1500
Para la actividad E:
3800 − 2500
𝐾=
5−4
1300
𝐾=
1
𝐾 = 1300
Para la actividad F:
3000 − 1500
𝐾=
3−2
1500
𝐾=
1
𝐾 = 1500
Para la actividad G:
14
10000 − 6400
𝐾=
5−4
3600
𝐾=
1
𝐾 = 3600
Para la actividad I:
12800 − 8000
𝐾=
8−5
4800
𝐾=
3
𝐾 = 1600
Teniendo cada uno de los costos por unidad de tiempo nos remitimos a completar la tabla:
Tabla 6. Ejercicio con costos por unidad de tiempo
COSTO
TIEMPO TIEMPO COSTO COSTO POR
ACTIVIDAD PREDECESOR NORMAL ACELERADO NORMAL ACELERADO UNIDAD
A. Estudio de mercado -‐ 3 1 1000 3000 1000
B. Diseño A 4 3 4000 6000 2000
C. Diagrama de flujo A 2 2 2000 2000 0
D. Diseño de pantalla B,C 6 4 3000 6000 1500
E. Programar 1 C 5 4 2500 3800 1300

F. Programar 2 C 3 2 1500 3000 1500
G. Programar 3 E 7 4 6400 10000 1200
H. Programar 4 E,F 5 4 3000 3600 600
I.Combinar
D,G,H 8 5 8000 12800 1600
programas
Con la tabla completa nos dirigimos a construir la red y hallar cada uno de los tiempos de las
actividades, por medio del método CPM. Ya que el análisis de costos se basa en el método CPM,
pero se realiza la red con los tiempo normales y luego se empieza a reducir el tiempo paso por
paso.
Figura 7. Red del ejemplo de costos con tiempos de cada una de las actividades y holguras
16
Con la red de las holguras de cada una de las actividades, podemos hallar la ruta crítica que es: A
– C – E – G – I, denotando de esta manera un tiempo de 25 semanas; para empezar a disminuir el
tiempo del proyecto debo tener en cuenta cuánto tendré de ganancia y cómo sopesarlo contra la
disminución de tiempos por actividad. Las nociones básicas para disminuir el tiempo de una
actividad son:
• Que la actividad se encuentre dentro de la ruta crítica
• Que la actividad sea la más barata de las actividades de la ruta crítica
• Si una actividad no disminuye, pruebe con dos o más actividades en un paso
Debemos tener en cuenta que al realizar una disminución es probable que cambie la ruta crítica,
por lo tanto debemos realizar la revisión de las holguras cada vez que disminuyamos una
actividad.
Para el caso del ejemplo se va a disminuir la actividad A en una unidad (deben disminuir de una
unidad), por lo tanto la red quedará como se muestra en la figura 8:
Figura 8. Reducción de la actividad A
Después de reducir la actividad A, se denota que el tiempo del proyecto disminuye en una unidad
de tiempo, lo que implica que existe un aumento del costo. Para definir el costo de un proyecto
se debe realizar la sumatoria de cada uno de los costos normales de las actividades del proyecto
y sumar también el costo por unidad de cada una de las actividades que se reducen durante el
proceso. Se presentaría de la siguiente manera:
Costo de la actividad A + Costo de la actividad B + Costo de la actividad C + Costo de la actividad
D + Costo de la actividad E + Costo de la actividad F + Costo de la actividad G +

Costo de la actividad H + Costo de la actividad I= COSTO DEL PROYECTO.
1000+4000+2000+3000+2500+1500+6400+3000+8000= 31400
Para determinar el costo en el que se incurre al momento de desear disminuir una actividad, se
trata básicamente de sumar el costo por disminuir esa unidad. Para el caso del ejercicio debemos
sumar el costo por unidad de la actividad A que es de 1000. Por tanto el costo total del proyecto
será 31400 +1000, o sea que al disminuir la actividad A quedaría en 32400.
Para completar el ejemplo vamos a decir que por cada una de las semanas que se reduzca el
tiempo del proyecto se van a recibir 1500 de ganancia, ¿hasta dónde será bueno reducir el
proyecto?
Las reducciones que vamos a realizar deben ser de una unidad a la vez para lograr ver el cambio
en la red. Como podemos seguir disminuyendo la actividad A realizamos otra disminución.
Figura 9. Red de la actividad A con dos reducciones
Hasta aquí el costo del proyecto es de 33400 con las dos reducciones, pero como estamos
ganando 1500 con cada unidad reducida tenemos una ganancia de 3000 por lo que el proyecto
me está costando en este momento 30400.
Se continúa con las reducciones de tiempo; ya no puedo reducir más la actividad A, por lo tanto
debo revisar la ruta crítica y ver cual actividad sigue para la reducción. A la actividad C tampoco
le puedo realizar una reducción ya que no está permitido por el ejercicio (revisar la tabla), ahora
se debería reducir la actividad G que es la más barata. Por lo tanto se presentaría como se muestra
en la figura 10.
18

Figura 10. Reducción de la actividad G
El proyecto queda en 22 unidades de tiempo con un costo de 33400+1200= 34600, generando
una ganancia de 4500. El proyecto en este momento está costando 30100. Seguiré presentando
una ganancia.
Se sigue realizando este procedimiento hasta que se llegue a un punto de equilibrio.
Figura 11. Final del ejercicio
Reduciendo así dos veces la actividad A, dos veces la actividad G y una vez la actividad E, lo que
nos da una ganancia de 7500, teniendo un costo total del proyecto de 37100, al que le debemos
quitar los 7500, lo cual nos genera el costo del proyecto: 29600.

GLOSARIO DE TÉRMINOS
Análisis de ruta crítica:
Se utiliza para determinar el tiempo que tomará la finalización del proyecto, la ruta crítica del
proyecto, holgura, ES, EF, LS y LF de todas las actividades.
CPM:
Sigla del Método de Ruta Crítica (Critical Path Method); ésta es una red muy parecida a PERT pero
que nos da la opción de la compresión de proyectos.
Distribución de probabilidades beta:
Se utiliza frecuentemente para calcular el tiempo y variaciones de terminación de las actividades
en las redes.
Estimación del tiempo de una actividad:
Su función es determinar el tiempo y variaciones de terminación de una actividad en una red

PERT.
PERT:
Técnica de redes que permite evaluar y revisar programas asignando tres estimaciones de tiempo
a cada actividad del proyecto.
Red:
Representación gráfica de un proyecto, sus actividades y eventos.
20
REFERENCIAS
Anderson, D. S. (2005). Métodos Cuantitativos Para Los Negocios (Novena Edición ed.). Mexico:
Cengage Learning Editores.
Bazaraa, M. J. (1996). Programación Lineal y Flujo en Redes (Segunda edición ed.). México:
Limusa.
Bazarra, M., & Jarvis, J. J. (2005). Programación lineal y flujo en redes. (Segunda Edición. ed.).
México: Limusa Editores. .
Hillier, F. &. (2006). Texto principal: Introducción a la Investigación de Operaciones. (6ª Edición.
ed.). N/A: McGraw Hill.
Hillier, F. &. (2006). Investigación De Operaciones (Octava Edición ed.). México: McGraw-‐Hill.
Hillier, F. &. (2008). Métodos Cuantitativos Para Administración (Tercera Edición ed.). México:
McGraw-‐Hill.
Taha, H. (1997). Investigación de Operaciones: Una Introducción (Sexta edición ed.). NY: Prentice
Hall.
Winston, W. (2005). Investigación De Operaciones Aplicaciones Y Algoritmos (Cuarta Edición
ed.). México: Thomson.

PROGRAMACIÓN LINEAL



INICIO
• Desarrollo de cada una de las unidades temáticas

1. Introducción a la programación lineal
1.1. Introducción a los modelos
1.2. Modelos estáticos y dinámicos
1.3. Modelos lineales y no lineales
1.4. Modelos enteros y no enteros
1.5. Modelos determinísticos y estocásticos
2. Proceso de construcción de modelos de siete pasos
3. Ventajas del modelo matemático
4. Conceptos clave para el desarrollo de problemas de programación lineal
5. Método de solución
5.1. Método grafico
5.2. Método matemático
5.3. Método Gráfico
5.4. Método simplex
• Referencias
• Referencias Bibliográficas
1. Introducción a la programación lineal
1.1. Introducción a los modelos
Se conoce como Investigación de Operaciones al proceso científico utilizado para encontrar una
solución o decisión que permita operar un sistema y obtener un resultado específico asignando
la menor cantidad de recursos posibles, a este proceso, se le conoce como Ciencia de la
Administración.
Un Sistema es un conjunto de elementos independientes que trabajan en conjunto para lograr
una meta común. Una empresa cualquiera sería un buen ejemplo de sistema cuya meta común
es aumentar al máximo sus ganancias mientras ofrecen productos de excelente calidad.
La toma de decisiones, mediante un proceso científico, necesita de uno o varios modelos

matemáticos, para lo cual se precisa ilustrar una situación real con una ecuación que nos ayude a
analizar el problema y a encontrar la mejor solución posible.
1.2. Modelos estáticos y dinámicos
Cuando las variables de decisión no requieren de sucesiones de decisión para periodos múltiples
se tiene un modelo estático. En caso contrario, se tiene un modelo dinámico. En el modelo
estático podemos resolver un problema con tan solo un intento cuyas soluciones dicten valores
óptimos de las variables de decisión en cada uno de los puntos de tiempo. Los modelos restantes,
en los cuales las decisiones requieren del análisis recursivo para periodos múltiples, pertenecen
a la categoría de modelos dinámicos.
1.3. Modelos lineales y no lineales
Si las variables de decisión que aparecen en la función objetivo y en las restricciones de un modelo
de optimización están multiplicadas por constantes y acomodadas en forma de suma, entonces,
en este caso, tendremos un modelo lineal; cuando el modelo de optimización no es lineal
obtenemos un modelo no lineal.
1.4. Modelos enteros y no enteros
Tenemos un modelo entero cuando en el modelo de optimización una o más variables de decisión
deben ser enteros, cuando las variables de decisión tengan la opción de ser un valor fraccionario,
entonces, tendremos un modelo no entero.
1.5. Modelos determinísticos y estocásticos
En caso de conocer con seguridad el valor de la función objetivo y si las restricciones se cumplen
o no para cualquier valor de las variables de decisión se tendrá un modelo determinístico; en caso
contrario, en el que no conocer los valores de la función objetivo y no tener seguridad sobre el
cumplimiento de las restricciones se tendrá un modelo estocástico.
3
3
2. Proceso de construcción de modelos de siete pasos
El siguiente proceso es esencial en la investigación de operaciones para la solución de problemas
de una empresa.
1. Plantear el problema: al definir el problema que está afectando a determinada
empresa se deben tener en cuenta los objetivos específicos y partes de la misma
que deben ser analizadas para lograr resolver el problema.
2. Observar el sistema: la recopilación de información es esencial para conocer el
valor de los factores que están causando el problema de la empresa; con base en
ellos, se podrá estudiar el inconveniente mediante un modelo matemático.
3. Formular un modelo matemático del problema: el estudio y análisis de los
parámetros que afectan el problema de la empresa debe dar como resultado uno
o más modelos matemáticos, sobre los cuales se planteará una nueva estrategia a
seguir para contrarrestar el conflicto.
4. Verificación del modelo para la predicción y su implementación: es necesario
verificar que el rendimiento de las variables de decisión que no se usaron en la
estimación estén perfectamente representadas. Aunque un modelo esté validado
y corroborado se debe tener cuidado al aplicarlo.
5. Seleccionar una opción adecuada: a partir de la base del modelo matemático y de
las diferentes opciones que este ofrece, se debe decidir cuál de todas ellas es la
más conveniente para los objetivos de la empresa, ya que por supuesto, puede
existir más de una solución viable para la solución del problema.
6. Presentar los resultados y la conclusión del estudio a la empresa: después de
decidir la mejor opción u opciones para la solución del problema, es necesario
presentar el resultado de la investigación ante la cabeza de la empresa, en caso de
existir varias soluciones diferentes es posible que las directivas quieran escoger la
más adecuada; si por algún motivo la empresa no aprueba las soluciones
presentadas, se debe encontrar la falla en el proceso de investigación; una
posibilidad puede ser que se haya abordado de forma incorrecta la definición de
los problemas de la empresa o que se haya omitido, desde un comienzo el proceso,
la participación de las directivas de la empresa. En este caso, la investigación debe
retroceder al punto en el que se originó el error.
7. Poner en marcha y evaluar las recomendaciones: después que la empresa
apruebe los resultados del proceso de investigación, se deben empezar a aplicar
las recomendaciones. Para lo cual, es necesario vigilar y actualizar el sistema de
forma continua, de manera que estas recomendaciones logren contribuir con las
metas propuestas.

3. Ventajas del modelo matemático
1. Un modelo puede ser una representación exacta de un problema real. Con una
buena formulación es posible tener una ecuación altamente precisa; la validez del
modelo depende en su exactitud al momento de representar el problema o el
sistema a estudiar, lo cual lo hace tremendamente eficiente para la resolución de
problemas de negocios.
2. Los modelos pueden ser muy útiles para un directivo que quiera formular
problemas hipotéticos, que le ayuden a calcular ingresos, gastos, ventas,
rendimientos, costos de producción y de transporte y otros elementos similares.
3. Se puede utilizar un modelo para recopilar información, a largo plazo de esta forma
se puede saber de qué forma podrían afectar los posibles cambios de presupuesto
a las utilidades; a esto se le conoce como análisis de sensibilidad y permite estudiar
los cambios de un modelo.
4. Una empresa puede usar un modelo para ahorrar costos a la hora de tomar una
decisión y resolver un problema; el costo y el tiempo invertidos en un análisis de
modelo son mucho menores que los de una arriesgada campaña de marketing, con
lo cual es posible determinar con anticipación los resultados en un entorno real.
5. En ocasiones el modelo es el único medio infalible para la resolución de problemas
complejos; si una empresa quiere saber cuánto crecerá o disminuirá su taza de
producción y ganancia con restricciones de manufactura, puede utilizar un modelo
para calcular tales cifras en cualquier situación específica.
6. Los modelos también pueden ser útiles para compartir diferentes problemas y
soluciones con otros analistas; de esta forma, se presentarán mejores soluciones
a los directivos de una empresa que les ayuden a tomar la mejor decisión final.
7. Solución de modelos de programación lineal de dos variables con método gráfico
Los modelos de programación lineal se pueden desarrollar de diferentes maneras, dependiente

de varios factores como cantidad de variables y cantidad de restricciones. En este capítulo,
empezaremos por el análisis de modelos de programación lineal básicos de dos variables; estos
se pueden solucionar por método gráfico de una manera muy sencilla. Aprenderemos a
desarrollar los modelos de dos variables con método gráfico y a analizarlos con la herramienta
computacional PHP SIMPLEX (aplicación web); cuando los modelos son de más de dos variables,
veremos un análisis para la solución de estos llamado método simplex, aprenderemos a
aplicarlos, pero se hará mayor énfasis en el desarrollo de estos problemas en PHP SIMPLEX y el
análisis de la última iteración.
5
5
4. Conceptos clave para el desarrollo de problemas de programación lineal
Para solucionar modelos de programación lineal es necesario reconocer tres objetos básicos del
problema:
1. Variables de decisión: lo que se está tratando de determinar.
2. Función objetivo: la meta a optimizar.
3. Las restricciones: los alcances del sistema a satisfacer.
Se debe tener especial atención en el desarrollo de las restricciones; tenemos varios tipos de
restricciones y se debe tener la habilidad de detectarlas para poderlas expresar en el lenguaje
matemático. Esta habilidad solamente se puede obtener mediante la práctica de ejercicios.
Veremos una forma de analizar restricciones.
Las restricciones que limitan el uso de materias primas y de la demanda. Las restricciones de
materia primas se pueden expresar de la siguiente manera:
[Uso de la materia prima] ≤ [Disponibilidad máxima de la materia prima]
También, existen las restricciones de demanda donde se expresan relaciones o cantidades

máximas o mínimas de productos, generalmente están expresadas como se debe producir la
mitad de uno, el doble de otro, al menos tanto o hasta tanto de cada producto.
Ahora el caso práctico que veremos a continuación, contiene todos estos conceptos aplicados,
los analizaremos con el ejercicio piloto de Hamdy A. Taha. (Taha 1997)
5. Método de solución
5.1. Método gráfico
Ejemplo desarrollado.
Si tenemos el siguiente problema vamos a resolverlo de manera didáctica y paso a paso.
Iron Works, Inc. (IWI) fabrica dos productos de acero y sólo recibe pedidos mensuales de b libras
de acero. Una unidad de producto 1 requiere de a1 libras de acero para su fabricación y se
requieren a2 libras de acero para la fabricación de una unidad de producto 2.
Sea x1 y x2 el nivel de producción mensual de producto 1 y producto 2, respectivamente. Denote
por P1 y P2 l as utilidades unitarias para los productos 1 y 2, respectivamente.
El fabricante tiene un contrato para entregar al menos m unidades de producto 1 este mes.
Adicionalmente, la planta puede fabricar, como máximo, u unidades de producto 2
mensualmente.
Lo primero que debemos realizar es la revisión del problema, cuales son los datos más
importantes y realizar una pequeña lista de variables. Todo esto con el fin de definir las variables
de estado y que tipo de función objetivo voy a tener.
Según el problema tenemos los siguientes datos
Tenemos de materia prima Acero “b” unidades (constante).
Variables de decisión:
a1 * x1 + a2 * x2 ≤ b = La cantidad de unidades del producto 1.
x1 y x2 = La cantidad de unidades del producto 2.
M= unidades con la que el fabricante se comprometió a cumplir.
U = máximo de unidades del producto que se pueden realizar.

Sabemos (por el ejercicio) que las variables de decisión son básicamente unidades de trabajo, que
quiere decir esto “deben fijarse que cuando hablamos de programación lineal tenemos es los
costos de transportar una unidad de un producto, costos de producción, cantidad de material
para realizar una producción y etc.”
Para el producto 1 se utilizan libras de acero y para el producto 2
libras. Esta frase nos indica que la primera restricción está dada por la siguiente ecuación
Donde serán mis variables de decisión, ya que son las unidades que podre producir con la
materia prima con la que cuento, el valor de esa materia prima es b. La restricción queda menor
o igual ya que como máximo podré utilizar b cantidad de materia con la que cuento.
Ahora analizando un poco más el ejercicio puedo definir la función objetivo. Como el ejercicio
habla sobre las utilidades obtenidas por cada uno de los productos debo tener en cuenta que lo
más importante es MAXIMIZAR las ganancias de la empresa por medio de la producción de los
dos productos. Por lo tanto tengo que la función objetivo está definida por que son las
utilidades obtenidas por cada uno de los productos que fabrica la empresa. Que quiere decir que
7
7
esos valores de son constantes para el modelo como
tal. La función objetivo queda de la siguiente forma.

Que lo que me dice la ecuación anterior es que necesitamos realizar una producción por medio
de la cual obtenga la mejor ganancia aprovechando el material con el que cuento.
Por último, contamos con dos restricciones más definidas por el problema, la cantidad de
unidades que puede producir del producto 2 y el contrato que tiene el fabricante sobre las
unidades del producto 1. Entonces en la restricción que es referente a la cantidad de unidades
del producto 2 se construye la restricción de la siguiente manera;

La restricción queda así de sencilla por que como un máximo o un límite superior de la solución
esta que se generen u unidades del producto u, ya sea por la capacidad de la planta o por la
capacidad de trabajo del personal.
Ahora para la restricción del contrato que adquirió la empresa sobre el producto 1 se tiene la
siguiente restricción;

Esta restricción queda así ya que lo mínimo que debe producir la empresa del producto 1 es m
unidades que es para cumplir el contrato con el que se compromete. Esta es un límite inferior del
sistema modelado.
Ahora apreciados estudiantes, escribamos de nuevo el modelo completo, empezando con la

función objetivo del modelo y siguiendo con restricciones que debe cumplir para el caso
específico de la empresa.

Se encuentra sujeto a:
La ultima restricción me dice que cada una de las variables de decisión son positivas o tiene un
valor nulo (0) como mínimo, ya que no puedo tener un numero negativo de unidades.
Ahora podemos darle valores a las constantes del ejercicio anterior para revisar cómo se podría
dar una solución al modelo ya sea por método matemático, método grafico o por simplex.
5.2. Método matemático
Teniendo en cuenta que contamos con ecuaciones, podemos encontrar un valor aproximado por
medio de desarrollo de ecuaciones básicas, por lo tanto si al modelo anterior le damos valores
numéricos a las constantes que definen el modelo del ejemplo anterior.
Supongamos que se cuentan con 2000 libras de acero, que se utilizan 2 libras de acero en
construir el producto 1 y 3 libras de acero en construir el producto 2, que el contrato con el que
se compromete la empresa es de 60 unidades y por último que máximo se pueden construir 720
unidades del producto 2. También que las utilidades del producto 1 y producto 2 son de 100 y
200 respectivamente.

Por lo tanto el modelo queda definido de la siguiente manera:
(1)
(2)
(3)
(4)
(5)
Podemos iniciar con la condición que conlleva más relevancia para la empresa y partiendo de ella
definir el punto de inicio de desarrollo del sistema, esta restricción es el cumplimiento del
contrato de 60 unidades con el cual se compromete la empresa, por lo tanto damos el valor
mínimo de la variable de decisión y arrancamos con él a resolver el sistema
9
9

Lo igualamos a 60 ya que con esto es lo mínimo de unidades del producto 1 que deben construirse
para poder cumplir el contrato de la empresa.
Teniendo el valor de x1 podemos reemplazarlo en la ecuación 2 lo cual quedara de la siguiente

manera;

Despejamos la ecuación anterior y de esta manera podemos hallar el valor de X2 y de esta manera
completar una solución para el problema.

Aclarando que hablamos de unidades, nos damos cuenta que no podemos tener decimales por
lo cual debemos aproximar por lo cual el resultado queda de la siguiente manera

Ahora como ya conocemos el valor de cada una de las variables de decisión debemos tener en
cuenta que:

Por lo tanto esto reflejado en la función objetivo nos da de la siguiente manera:

Lo que nos define que la utilidad cumpliendo con las restricciones del problema es 131 400,
cumpliendo con el contrato y teniendo en cuenta que no se supera el número de unidades
posibles para producir del producto 2, por lo tanto el problema se encuentra muy bien
desarrollado.
5.3. Método Gráfico
Ejemplo de solución de un modelo por método gráfico
Teniendo en consideración el ejemplo anterior realizaremos la solución del mismo por medio del
método gráfico.
Teniendo en cuenta el modelo definido de la siguiente manera;
(1)
(2)
(3)
(4)
(5)
Empezamos con el análisis de las restricciones para lograr desarrollar el modelo por medio de
grafica en 2 ejes (gráfica clásica de X y Y).
En primera instancia definimos que por teoría cada una de las restricciones genera una línea recta
que me define cual será el conjunto solución para el modelo.
Definimos que cada uno de los dos ejes tiene un nombre que en este caso se encuentra definido
entre y . Para este caso el eje x de la gráfica será

mientras que el eje y se define la variable .
Empezamos con la restricción # 4 ya que es la más sencilla de analizar, teniendo en cuenta que
esta solo depende de la variable .
11
11

Figura 1. Solución de la primera restricción
Teniendo en cuenta la imagen anterior , la restricción # 2 queda como una línea recta paralela a
el eje y, el espacio de solución para esta restricción es todo el conjunto de números que van desde
0 hasta la línea, ya que se dice que tiene que ser menor o igual a 60 unidades de
.
De la misma manera analizaremos la restricción # 3 y la restricción # 4, para cada una de ellas
tendremos rangos de solución, pero para la solución del modelo completo encontraremos la
Intersección de cada uno de estos conjuntos de solución.
Sigamos con la restricción #3 que será también una línea recta pero en este caso será paralela al
eje x y tendrá un valor de 720, según la restricción matemática el conjunto solución para esta
restricción será todos los valores menores o iguales a 720 como se muestra en la siguiente figura.
Figura 2. Solución de la segunda restricción
Ahora continuando con la ecuación #2 que es la ecuación “complicada” iniciamos de la siguiente
manera:
Inicializamos en 0 lo cual nos dará una ecuación de la siguiente manera:

Ahora con este valor ya tenemos el primer punto para dibujar la recta, tengamos en cuenta que
para dibujar una línea recta debemos contar por lo menos con dos puntos. El primero de nuestros
puntos es:

Para el segundo punto de la recta debemos definir
para hallar un valor
para
Por lo cual tendríamos la siguiente ecuación

El segundo punto de la recta es el siguiente
Lo que se realiza al poner cada una de las variables en 0 se está poniendo un punto de cruce en
cada uno de los ejes, para lograr una construcción de la línea. El área que define por los valores
que se encuentren en la línea o debajo de ella.
13
13
Por lo tanto tenemos la siguiente gráfica:
Figura 3. Solución de la tercera restricción
Ahora para dar la solución por el método gráfico, debemos tener en cuenta que es la intersección
de los conjuntos de solución de cada una de las restricciones. Por lo cual como ya hemos
relacionado en las gráficas anteriores queda de la siguiente manera:
Figura 4. Solución del modelo por el método gráfico
El triángulo azul es el rango de solución del modelo, pero pues la idea es encontrar el punto donde
se crucen como mínimo dos restricciones, este punto y dependiendo de lo que esté realizando es
la solución óptima (o mejor solución para el modelo), se debe definir que se está realizando sea
una minimización o una maximización del modelo.
Figura 5. Solución óptima del modelo por medio del método gráfico
Para hallar el valor numérico del punto de cruce de las dos restricciones se deben manejar esas
dos ecuaciones como un sistema de ecuaciones de dos variables, las cuales dando la solución es
el punto que buscamos que será la solución óptima del problema, veamos cómo se debe realizar:
Debemos tener en cuenta que la recta vertical es de una valor de 60, lo cual representa la segunda
restricción que estamos manejando como solución óptima ahora para la segunda ecuación se
tiene. Por lo tanto el punto de solución óptima por método gráfico es (60,626,7), lo cual genera
el siguiente valor para y, reemplazándolo en la función objetivo del modelo, el resultado de
remplazar los valores es 131 320 que es la solución del modelo.
5.4. Método simplex
Si tenemos el siguiente problema vamos a resolverlo de manera didáctica y paso a paso.
Iron Works, Inc. (IWI) fabrica dos productos de acero y sólo recibe pedidos mensuales de b libras
de acero. Una unidad de producto 1 requiere de libras de acero para su fabricación y se requieren
libras de acero para la fabricación de una unidad de producto 2.
15
15
Sea y el nivel de producción mensual de producto 1 y producto 2, respectivamente. Denote por
y las utilidades
unitarias para los productos 1 y 2, respectivamente.
El fabricante tiene un contrato para entregar al menos m unidades de producto 1 este mes.
Adicionalmente, la planta puede fabricar, como máximo, u unidades de producto 2
mensualmente.
max 𝑝1∗𝑥1+𝑝2∗𝑥2
𝑎1∗𝑥1+𝑎2∗𝑥2≤𝑏
𝑥2≤𝑢
𝑥1≥𝑚
𝑥1, 𝑥2≥0
𝑏=2000; 𝑎1=2; 𝑎2=3;𝑚=60; 𝑢=720
𝑝1=100 𝑦 𝑝2=200
Por lo tanto el modelo queda definido de la siguiente manera:
max 100∗𝑥1+200∗𝑥2 (1)

2∗𝑥1+3∗𝑥2≤2000 (2)
𝑥2≤720 (3)
𝑥1≥60 (4)
𝑥1,𝑥2≥0 (5)
Para desarrollar el problema por medio del método simplex, debemos reorganizar cada una de
las ecuaciones pasándolas de desigualdades a igualdades, lo cual genera unas nuevas variables
por ecuación que se llaman holguras. Para explicar lo anterior tendremos en cuenta lo siguiente:
max z=100∗𝑥1+200∗𝑥2 (5)
2∗𝑥1+3∗𝑥2+𝑠1=2000 (6)
𝑥2+𝑠2=720 (7)
𝑥1+𝑠3=60 (8)
Cada uno de esas variables, las holguras mencionadas en el párrafo anterior, ahora lo que
debemos realizar es una organización en las ecuaciones ya que para colocarlas en una tabla y
empezar a desarrollar el ejemplo por medio del método simplex debemos plantear las ecuaciones
de una manera específica. Este proceso se basa en teorías de algebra lineal y disminuciones
gausianas.
Primero realizaremos la reorganización de las ecuaciones:
z−100∗𝑥1−200∗𝑥2=0 (9)
2∗𝑥1+3∗𝑥2+𝑠1=2000 (10)
𝑥2+𝑠2=720 (11)
𝑥1+𝑠3=60 (12)
17
17
La tabla quedará de la siguiente manera:
Tabla 1. Inicio del método simplex
Z X1 X2 S1 S2 S3 RESULTADO
R1 1 -‐100 -‐200 0 0 0 0
R2 0 2 3 1 0 0 2000
R3 0 0 1 0 1 0 720
R4 0 1 0 0 0 1 60
Donde lo que queda en la columna de resultado es lo que está al lado derecho de cada una de las
ecuaciones; lo que se presenta después del igual. Mientras que la primera columna es el nombre
del renglón. Cada una de las siguientes columnas son las variables de decisión y holguras
correspondientes a cada una de las ecuaciones.
Como explicación de donde aparecen las holguras, es para poder “quitar” los signos de
desigualdades y poder colocar el igual; estas holguras serán los números que completan la
ecuación para lograr la igualdad.
Contando con la tabla debemos encontrar lo que se llama la columna pivote, la fila pivote y el
número pivote del sistema. Cada una de estos datos es indispensable para poder desarrollar el
método y cada uno de sus pasos.
Para hallar la columna pivote se revisa cuál es el menor de los números en toda la tabla, esta
estará siempre entre las variables de decisión de la función objetivo; si revisamos la tabla del
ejemplo que estamos realizando la columna pivote estará en -‐200 que se encuentra en la variable
x2 de la función objetivo.
Para hallar la fila pivote se debe realizar un proceso por cada una de las restricciones, ese proceso
requiere contar con la columna pivote; se divide cada uno de los números de los resultados sobre
el valor del mismo de la columna pivote, como se ve en la siguiente tabla;
Tabla 2. Selección de la columna pivote
R1 1 -‐100 -‐200 0 0 0 0
R2 0 2 3 1 0 0 2000 2000/3 666.6666667
R3 0 0 1 0 1 0 720 720/1 720
R4 0 1 0 0 0 1 60 60/0 no se puede.
Teniendo en cuenta lo anterior realizamos las divisiones correspondientes a cada uno de los casos
(estas divisiones no se aplican para la función objetivo, solo para las restricciones). Entonces el
resultado de cada uno de los renglones será 666.67, 720. El ultimo no se puede realizar ya que
una división por 0 es indeterminada; de las tres divisiones debemos encontrar el menor, por lo
tanto el renglón número 2 será el renglón pivote.
19
19

Tabla 3. Selección de la fila pivote y número pivote
R1 1 -‐100 -‐200 0 0 0 0
R2 0 2 3 1 0 0 2000
R3 0 0 1 0 1 0 720
R4 0 1 0 0 0 1 60
Ahora, el número pivote es la intersección de la columna pivote y la fila pivote, por lo tanto en
este ejemplo seria el número 3. Lo que se debe realizar es volver el número pivote en 1, para lo
cual debemos realizar una división en toda la fila que representa la ecuación sobre 3. Después de
realizar esa división queda la tabla de la siguiente manera;
Tabla 4. Disminución de la fila pivote
R1 1 -‐100 -‐200 0 0 0 0
R2 0 0.666666667 1 0.333333333 0 0 666.6666667
R3 0 0 1 0 1 0 720
R4 0 1 0 0 0 1 60
Luego tendremos que volver cada uno de los números de la columna pivote en 0, lo cual se realiza
con sumas y multiplicaciones sobre la fila pivote. Se debe seguir una serie de pasos para realizar
esta reducción. Para el renglón 1 debemos convertir el -‐200 en 0 , lo cual significa que debemos
multiplicar el renglón 2 (renglón pivote) por 200 y luego sumarlo al renglón 1. Esta operación se
presentaría de la siguiente manera:
200𝑅2+𝑅1
200∗(00.66673 0.33330 0 0)+(1−100−200 000 0 )
Lo que vemos anteriormente es la operación necesaria para disminuir el renglón 1 (representada
en vectores), por lo tanto el renglón 1 quedará así:
033.3330 66.666700 13333.33
De esta manera debe quedar el renglón 1, teniendo en cuenta que ya se redujo el -‐200 a 0, del
mismo modo se debe realizar para los otros dos renglones, con la siguiente relación de ecuaciones
para cada uno de ellos.
−1𝑅2+𝑅3
Para el renglón 4 no se debe realizar ninguna ecuación ya que esta se encuentra en 0. La tabla del
ejercicio sería:
Tabla 5. Disminución en el método simplex
R1 1 33.33333333 0 66.66666667 0 0 133333.3333
R2 0 0.666666667 1 0.333333333 0 0 666.6666667
R3 0 -‐0.666666667 0 -‐0.333333333 1 0 53.33333333
R4 0 1 0 0 0 1 60
21
21
Se seguirá el procedimiento mientras los coeficientes de las variables de decisión sean negativos.
Lo que quiere decir es que si revisamos la tabla tenemos varios números negativos que debemos
“quitar”. Volvemos a escribir la tabla anterior sin la selección de la columna y fila pivote ya que
en este punto se vuelve a iniciar el procedimiento.
Tabla 6. Terminación de una parte del procedimiento
R1 1 33.3333 0 66.667 0 0 133333.3333
R2 0 0.6667 1 0.333 0 0 666.6666667
R3 0 -‐0.6667 0 -‐0.333 1 0 53.33333333
R4 0 1 0 0 0 1 60
Enunciado matemático del objetivo de una organización con el que se intenta
Función objetivo maximizar o minimizar una cantidad de gran importancia como ganancias o
gastos.
Método de
Método algebraico con el que es posible hallar el punto de la intersección de
ecuaciones
dos o más ecuaciones de restricción lineal.
simultaneas
Permite encontrar la mejor solución de un programa línea, en el que se

Método de punto de comprueba el nivel de utilidad en cada punto de esquina de la región factible;
esquina según la teoría de programación lineal, la mejor solución debe quedar ubicada
en uno de los puntos de esquina.
Esta condición se presenta cuando la variable del dinero y la utilidad asociada
No acotamiento aumentan indefinidamente sin violar las restricciones del problema en un
proceso de maximización.
Técnica matemática que se utiliza para contribuir en la administración para

Programación lineal tomar la mejor solución, relacionada con un desempeño más eficiente de los
recursos de la organización.
Se ubica en una de las esquinas de la región factible, lo cual significa que queda
Punto de esquina
en la intersección de dos líneas de restricción.
Área en la que las restricciones de recurso del problema son satisfechas y

Región factible superpuestas, es aquí donde quedan todas las posibles soluciones del
problema.
Restricción de los recursos disponibles para una firma; se representa en forma
Restricción
de desigualdad o ecuación.
Restricciones de no Este conjunto de restricciones necesita que cada variable de decisión sea no
negatividad negativa, cada X1 debe ser igual o mayor a 0.
Se define de esta manera a cualquier punto localizado en la región factible que
Solución factible
logre satisfacer todas las restricciones del problema.
Cualquier punto ubicado fuera de la región factible que además viole una o
Solución infactible
varias de las restricciones establecidas.
23
23
Situación que se presenta cuando se obtiene más de una solución óptima y
Solución óptima
cuando la pendiente de la función objetivo es la misma que la pendiente de
alternativa
una restricción.
Utilidad Valor general para un resultado particular.
REFERENCIAS
Referencias Bibliográficas
Anderson, D. S. (2005). Métodos Cuantitativos para los Negocios (Novena Edición ed.). México:
Limusa.
ed.). N/A: McGraw Hill. .
Hillier, F. &. (2006). Investigación de Operaciones (Octava Edición ed.). México: McGraw-‐Hill.
Hillier, F. &. (2008). Métodos Cuantitativos para Administración (Tercera Edición ed.). México:
McGraw-‐Hill.
Hall.
Winston, W. (2005). Investigación de Operaciones Aplicaciones y Algoritmos (Cuarta Edición
25
25

TRANSPORTE Y ASIGNACIÓN

INDICE
• Introducción
• Recomendaciones académicas
1. Modelo de transporte
1.1. Ejemplo
2. Modelo de asignación
• Referencias
INTRODUCCIÓN
En esta cartilla se revisarán las aplicaciones de la programación lineal. Teniendo en cuenta que
las aplicaciones de la programación lineal, son dependientes de los problemas de aplicaciones
más comunes dentro del ambiente real. Teniendo en cuenta que el fuerte de cada uno de ellos
es dependiente de la cantidad de veces que se pueden aplicar y cuáles serían las variaciones en
casos especiales de cada uno de ellos.
Estimados estudiantes a lo largo de la cartilla encontrarán las aplicaciones de la programación
lineal, recuerden que deben realizar un resumen de las nociones más importantes dentro de la
cartilla para su estudio autónomo. Desarrollen de manera individual cada uno de los ejercicios
que se le presentan como ejemplo dentro de esta cartilla.
Para profundizar un poco más en el tema no olvide que dentro de los recursos virtuales de la
institución puede encontrar varios tipos de documentos que pueden ser útiles, como lo son libros
de investigación de operaciones o de administración científica, también puede encontrar artículos
y documentos investigativos de aplicación de las mismas.
1. Modelo de transporte
Empezamos por definir que la aplicación de la programación lineal se manejan como modelos de
redes. Los modelos de redes son representaciones de un conjunto de nodos iniciales y un
conjunto de nodos finales relacionados entre sí por arcos, en los que se cuenta con datos como
costos, ofertas y demandas por cada uno de ellos. El modelo de transporte se puede solucionar
por cualquiera de los métodos de solución de la programación lineal expuestos en la unidad
anterior.
Se define también que si cada uno de los valores del lado de derecho de las ecuaciones
(desigualdades) son enteros, la solución también será un número entero (número sin decimales).
Debido a la estructura especial de la programación lineal de los problemas, se pueden utilizar
algoritmos de redes para alcanzar soluciones eficientemente.
Para terminar de entrar en materia el modelo de transporte es una aplicación de la programación
lineal en la que se busca reducir los costos de realizar un transporte de bienes desde un inicio
hasta un destino, donde se debe tener en cuenta la oferta del nodo de inicio 𝑆" , también se debe
tener en cuenta la demanda del nodo de finalización 𝐷$ , donde se define que el costo de
transportar desde un nodo de inicio i hasta un nodo de finalización j como 𝐶"$ . Definiendo de
manera sencilla lo dicho anteriormente es “realizar la revisión de que cantidad puedo enviar desde
una fábrica (nodo de inicio) y como cumplir la demanda de un cliente (nodo Final) teniendo en
cuenta lo que me cuesta enviar una sola unidad de un producto o bien”
Para realizar la representación como red se define que cada uno de los inicios y los finales se
representan como nodos, mientras que los caminos se representan como arcos, los arcos son los
que definen los posibles caminos entre el inicio y los destinos con los que contamos. Cada uno de
los arcos se les asigna un costo, mientras que a cada nodo de inicio se le asigna una oferta y a
cada nodo de destino se le asigna una demanda. Para evidenciarlo de manera más clara podremos
en la figura 1 como se dibujaría la red.

Figura 1. Red del modelo de transporte
Como podemos ver en la figura 1, tenemos los nodos de inicio con color negro, quienes se
encuentran relacionados cada uno con una oferta 𝑆" , mientras que en color verde tenemos los
nodos de finalización o destino, cada uno de ellos relacionados a una demanda 𝐷$ . Mientras que
cada uno de los caminos cuenta con un costo asociado.
Debemos tener en cuenta que siempre en un modelo de transporte se busca minimizar los costos
de transportar un bien, desde un origen hasta un final con un costo relacionado por realizar esta
tarea. Para definir el modelo de manera matemática tenemos las siguientes ecuaciones;
9 8
𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑂𝑏𝑗𝑒𝑡𝑖𝑣𝑜 ∶ 𝑀𝑖𝑛 𝐶"$ ∗ 𝑋"$

" $
𝑆𝑢𝑗𝑒𝑡𝑎 𝑎: 𝑋"$ ≤ 𝑆" 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑜𝑟𝑖𝑔𝑒𝑛.

$
𝑋"$ = 𝐷$ 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑑𝑒𝑠𝑡𝑖𝑛𝑜 𝑗

"
𝑋"$ ≥ 0 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖 𝑦 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑗
La definición del modelo es como se presenta anteriormente, lo que en palabras esta dicho de la
siguiente manera:
La función objetivo es la suma de la cantidad de unidades que van por un arco multiplicado por
el costo de este camino, teniendo en cuenta la cantidad de inicios y de finales con los que se
cuente.
Las primeras restricciones van atadas a la cantidad de unidades que pueden salir de un nodo, por
lo tanto, la cantidad de unidades que salga por cada uno de los arcos que salgan de un nodo
deben ser cuando mucho la oferta que tiene este.
Las segundas restricciones es para los arcos que entran a los nodos de destino, la suma de las
unidades que van por cada uno de los arcos deben cumplir con la demanda del nodo.
Teniendo entendido lo anterior debemos enfocarnos en algunos de los casos especiales que
pueden ocurrir dentro de este tipo de modelo, los cuales son;
• Requerimiento mínimo de transporte desde i hasta j, lo que nos dice que desde un nodo
de inicio hasta un nodo de destino exista la necesidad en enviar una cantidad mínima
de unidades.
𝑋"$ ≥ 𝑙"$
• Capacidad máxima de la ruta
𝑋"$ ≤ 𝑙"$
• Ruta inaceptable, retire la ruta que no se pueda realizar.
1.1. Ejemplo:
Building Brick Company (BBC) tiene ordenes por 80 ton de ladrillos en tres locaciones suburbanas:
Northwood (25 ton), Westwood (45 ton) y Eastwood (10 ton). BBC tiene dos plantas, cada una de
las cuales puede producir 50 ton por semana.

Cuál debería ser el plan de envíos si los costos de transporte por tonelada (en US$) son
Tabla 1. Costo de envíos ejemplo
Nortwood Eastwood Westwood
Planta 1 24 30 40
Planta 2 30 40 42
En primera instancia debemos analizar el problema, para lo cual debemos definir qué cantidad
de nodos de inicio tenemos, después revisamos cuantos nodos de finalización contamos y por
último revisamos cuales son los caminos y los costos de transportar por cada una para construir
la red.
Como inicios tenemos 2, que serán la planta 1 y la planta cada una con una oferta de 50 toneladas,
como finales tenemos las tres locaciones suburbanas que cada una tiene una demanda definida
(Nortwood 25 ton, Eastwood 45, westwood 10 ton), debemos encontrar el modelo que define el
problema y las restricciones del mismo. Analizando los arcos todos los caminos se pueden
cumplir, por lo tanto ya con esto podríamos definir las restricciones que están atadas al modelo,
como podemos observar en la figura 2 la red ya está construida.

Figura 2. Red del ejemplo
Ya teniendo definida la red del ejemplo, debemos realizar el montaje de la función objetivo, la
cual según la definición es la suma de los costos por las unidades que se enviaran desde un inicio
hasta un destino. Tengamos en cuenta que la cantidad de unidades que se envían es la variable
de decisión por lo tanto contaremos con tantas variables de decisión como arcos se cuenten
dentro de la red.
Función Objetivo:
min 24 ∗ 𝑋NN + 30 ∗ 𝑋NQ + 40 ∗ 𝑋NR + 30 ∗ 𝑋QN + 40 ∗ 𝑋QQ + 42 ∗ 𝑋QR
Ya con la ecuación de la función objetivo, que es la que encontramos arriba, tenemos

básicamente 6 variables de decisión, las cuales corresponden a cada uno de los caminos o arcos
que comunican los nodos de inicio con los de finalización, tengamos en cuenta que a la planta 1
se le llamó el nodo 1 de inicio y a la planta 2 se le llamó el nodo de inicio 2. Mientras que a
Nortwood, Eastwood y Westwood se les otorgó respectivamente el número 1, 2 y 3 de los
destinos. Por lo dicho anteriormente cada uno de los arcos se representó como 𝑋NN que quiere
decir el arco que relaciona el nodo 1 de los inicios con el nodo 1 de los destinos.

Para las restricciones tenemos las siguientes desigualdades:
𝑋NN + 𝑋NQ + 𝑋NR ≤ 50
𝑋QN + 𝑋QQ + 𝑋QR ≤ 50
Para explicar las dos restricciones anteriores, son las referentes a los nodos de inicio, ya que la
suma de todo lo que sale de estos dos nodos no puede superar la oferta que este tiene, por eso
se pone la desigualdad con el signo de menor o igual a la oferta del mismo. Mientras que las
restricciones para los nodos de destino tienen que estar igualadas a la demanda de cada uno de
ellos, ya que se debe cumplir con la demanda de cada uno de ellos, como lo veremos a
continuación:
𝑋NN + 𝑋QN = 25
𝑋NQ + 𝑋QQ = 45
𝑋NR + 𝑋QR = 10
Por ultimo debemos definir la condición de no negatividad que es primordial, ya que no me puede
dar un numero negativo de unidades.
𝑋NN , 𝑋QN , 𝑋NQ , 𝑋QQ , 𝑋NR , 𝑋QR ≥ 0
Por lo tanto, el modelo completo quedará de la siguiente manera
𝑋NN + 𝑋NQ + 𝑋NR ≤ 50
𝑋NN + 𝑋QN = 25
𝑋NQ + 𝑋QQ = 45
𝑋NR + 𝑋QR = 10
Para solucionar el modelo podemos utilizar el método simplex (explicado en la unidad anterior),
o simplemente podemos utilizar la herramienta de solver en Excel. Para ejemplificar este caso
vamos a usar la herramienta de solver de Excel, pero primero re escribiremos el modelo de
manera organizada para poderlo escribir en Excel correctamente.
1 ∗ 𝑋NN + 1 ∗ 𝑋NQ + 1 ∗ 𝑋NR + 0 ∗ 𝑋QN + 0 ∗ 𝑋QQ + 0 ∗ 𝑋QR ≤ 50
0 ∗ 𝑋NN + 0 ∗ 𝑋NQ + 0 ∗ 𝑋NR + 1 ∗ 𝑋QN + 1 ∗ 𝑋QQ + 1 ∗ 𝑋QR ≤ 50
1 ∗ 𝑋NN + 0 ∗ 𝑋NQ + 0 ∗ 𝑋NR + 1 ∗ 𝑋QN + 0 ∗ 𝑋QQ + 0 ∗ 𝑋QR = 25
Como se escribió ahora, el modelo es para decir cuales variables de decisión se encuentran en la
tabla y cuáles no, por ejemplo, las variables que están multiplicadas por 0 son inexistentes, pero
de esta manera se pueden escribir más fácil cada una de las ecuaciones.

Tenga en cuenta que si no han activado la herramienta solver de Excel en el instructivo que está
en curso encontraran como hacerlo. Ahora la tabla de Excel quedará de la siguiente manera.
Tabla 2. Ejercicio en Excel.
FUNCION OBJETIVO Z MIN 0
24 30 40 30 40 42
X11 X12 X13 X21 X22 X23
CELDAS CAMBIANTES
1 1 1 0 0 0 <= 50
0 0 0 1 1 1 <= 50
1 0 0 1 0 0 = 25
0 1 0 0 1 0 = 45
0 0 1 0 0 1 = 10
Ya con la tabla podemos aplicar solver, para tener claro las celdas que están en naranja serán las
celdas de formulación de las restricciones, mientras que las que están en amarillo claro serán las
que corresponden a la solución dada por solver, pero antes de eso debemos formular en una de
las celdas de la tabla la multiplicación de la función objetivo, ósea el costo por la celda cambiante
correspondiente a la variable de decisión, tal y como se ve en la figura 3.
Figura 3. Formulación en Excel de la función objetivo
Proseguimos a realizar la formulación de cada una de las restricciones en las celdas que están en
blanco antes de cada uno de los signos, como se ve en la figura 4.
Figura 4. Formulación de las restricciones

Ahora, así como en la figura 4 se realiza la multiplicación de cada una de las celdas cambiantes
por el valor de la constante que la acompaña, se fijan las celdas cambiantes para poder desplazar
la formula hasta la última. Quedando el modelo como se muestra en la figura 5.
Figura 5. Modelo completo en Excel
Ya teniendo la tabla completa podemos dirigirnos a buscar la herramienta solver.
Figura 6. Buscando la herramienta solver
Figura 7. Buscando Solver

Figura 8. Presentación de solver
Ya encontrando la herramienta, vemos que como en primera instancia nos pide una celda
objetivo, la cual será la celda donde tenemos formulada la función objetivo, después debemos
definir si queremos maximizar o minimizar la función objetivo (para el caso del modelo de
transporte es minimizar). El espacio que dice celdas cambiantes son las celdas vacías que dejamos
y con las que formulamos cada una de las ecuaciones. En el recuadro grande adjuntamos cada
una de las restricciones y por ultimo escogemos el método SIMPLEX LP en el desplegable del
método de solución. Veamos en las siguientes figuras como se realiza este hecho

Figura 9. Instrucciones para utilizar la herramienta
Figura 10. Como agregar restricciones

Figura 11. Como ingresar las restricciones
Como se muestra en la figura 11, debemos realizar el ingreso de cada una de las restricciones
teniendo en cuenta que la celda de referencia será donde tenemos formulada la ecuación, el
signo debe ser el mismo que el que tiene la restricción en el modelo, por ultimo agregamos el
valor al que se debe asemejar el resultado.
Después de ingresar cada una de las restricciones del problema quedará el solver como se
muestra en la figura 12.
Figura 12. Modelo completo en la herramienta solver

Después de tener el modelo completo simplemente le damos que lo soluciones y él nos mostrará
un recuadro como se muestra en la figura 13.
Figura 13. Solución de solver
Lo que nos pregunta en la figura 13 Excel es que, si queremos mantener la solución que nos da
solver, y podemos imprimir los reportes que son el de resultados, análisis de sensibilidad y los
limites correspondientes al sistema, que los veremos en la siguiente semana. Por el momento le
damos que mantenga los valores.
Figura 14. Solución del modelo por medio de la herramienta Solver
Ya solver nos deja solucionado con cuantas unidades por arco se van a transportar (el valor de
cada una de las celdas cambiantes), también nos muestra de una vez el valor de la función
objetivo que será el costo total de la operación.
Traduciendo lo que nos da solver como solución;
• Se envían 5 unidades de la planta 1 a Nortwood.

• Se envían 45 unidades de la planta 1 a Westwood.
• No se envían unidades de la planta 1 a Eastwood.
• Se envían 20 unidades desde la planta 2 a Nortwood.
• No se envían unidades desde la planta 2 a Westwood.
• Se envían 10 unidades de la planta 2 a Eastwood.
Según los resultados del modelo el costo mínimo para el problema de transporte es de 2490.
2. Modelo de asignación
Para el problema de asignación es básicamente otra aplicación del problema de transporte, en el
cual se busca asignar una cantidad de agentes a una cantidad predeterminada de tareas. Se debe
tener en cuenta que cada una de las asignaciones tiene un costo.
Como desarrollo del modelo de asignación se debe tener en cuenta que se asume que todas las
tareas son desarrollas y que todos los agentes son asignados.
Este modelo, como ya se dijo, se basa en el modelo de transporte, pero con la gran diferencia que
todas las ofertas y todas las demandas son consideradas como 1, lo que quiere decir que solo se
puede asignar un agente a una tarea, por lo tanto el modelo en sus restricciones queda como una
noción binaria (de 1 y 0).
Para realizar la representación como red se define que cada uno de los agentes y las tareas se
representan como nodos, mientras que las asignaciones se representan como arcos, los arcos son
los que definen las posibles asignaciones entre el agente y la tarea con los que contamos. Cada
uno de los arcos se les asigna un costo, a diferencia del modelo de transporte se asigna una
demanda y una oferta. Para evidenciarlo de manera más clara podremos en la figura 15 como se
dibujaría la red.

Figura 15. Red del modelo de asignación
Debemos tener en cuenta que siempre en un modelo de asignación se busca minimizar los costos
de asignar un agente a una determinada tarea. Para definir el modelo de manera matemática
tenemos las siguientes ecuaciones:
9 8
𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑂𝑏𝑗𝑒𝑡𝑖𝑣𝑜 ∶ 𝑀𝑖𝑛 𝐶"$ ∗ 𝑋"$

" $
𝑆𝑢𝑗𝑒𝑡𝑎 𝑎: 𝑋"$ = 1 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑎𝑔𝑒𝑛𝑡𝑒.

$
𝑋"$ = 1 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑡𝑎𝑟𝑒𝑎 𝑎 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟.

"
𝑋"$ = 0 ó 1 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖 𝑦 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑗
La función objetivo es la suma los costos por la tarea que se cumple, mientras que las restricciones
suman 1, porque por definición los agentes quedaran asignados por lo menos 1 a cada tarea.
También para el modelo de asignación tenemos casos especiales como lo son;
• Si el número de agentes excede al número de tareas

8
𝑋"$ ≤ 1
$
• El número de tareas excede el número de agentes; se deben añadir el número de

agentes falsos con un coeficiente 0 para poder solucionar el problema.
• Las asignaciones se realizan en términos de beneficios; se resuelve el problema por
medio de criterio de maximización.
• Que un agente pueda realizar más de una tarea
8
𝑋"$ ≤ 𝑎
$
• Si una asignación no es aceptada simplemente se elimina del modelo.
Un contratista paga sus empleados un sueldo base más una comisión proporcional a la distancia
recorrida para hacer el trabajo. En un día en particular el contratista tiene que cumplir con tres
trabajos eléctricos asociados a diferentes proyectos. A continuación, se presentan las distancias
de los empleados a cada proyecto.

Tabla 3. Ejercicio del modelo de asignación
PROYECTOS
EMPLEADOS A B C
W 50 36 16
F 28 30 18
G 35 32 20
U 25 25 14
¿Cómo debería realizarse la asignación para el caso expuesto?
Inicialmente debemos dibujar la red correspondiente al ejercicio.

Figura 16. Red del ejemplo del modelo de asignación
Definiendo el modelo queda de la siguiente manera.
𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑂𝑏𝑗𝑒𝑡𝑖𝑣𝑜:
𝑀𝑖𝑛 50 ∗ 𝑋NN + 36 ∗ 𝑋NQ + 16 ∗ 𝑋NR + 28 ∗ 𝑋QN + 30 ∗ 𝑋QQ + 18 ∗ 𝑋QR + 35

∗ 𝑋RN + 32 ∗ 𝑋RQ + 20 ∗ 𝑋RR + 25 ∗ 𝑋YN + 25 ∗ 𝑋YQ + 14 ∗ 𝑋YR
Para las restricciones debemos tener en cuenta que el modelo es un caso especial en el que tengo
más agentes que tareas por lo tanto el modelo queda de la siguiente manera.
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎: 𝑋NN + 𝑋NQ + 𝑋NR ≤ 1
𝑋RN + 𝑋RQ + 𝑋RR ≤ 1
𝑋YN + 𝑋YQ + 𝑋YR ≤ 1
𝑋NN + 𝑋QN + 𝑋RN + 𝑋YN = 1
𝑋NQ + 𝑋QQ + 𝑋RQ + 𝑋YQ = 1
𝑋NR + 𝑋QR + 𝑋RR + 𝑋YR = 1

Ahora, ya teniendo la definición de modelo lo pasamos a Excel como se muestra en la figura 17.
Figura 17. Ejemplo de asignación en Excel
Se colocan las restricciones en solver como se muestra en la figura 18.
Figura 18. Como quedarían las restricciones en solver
El Resultado del modelo, es que se asigna al trabajador W a la tarea 3, generando una distancia
de 16. Se asigna al trabajador F a la tarea 1, dando así una distancia de 28. El trabajador G no se
le asigna ninguna tarea. Por último el trabajador U se le asigna la tarea 2 con una distancia de 25,
por lo tanto en el total de las distancias a recorrer será de 69. La solución en solver se ve como se
presenta en la figura 19.

Figura 19. Solución del modelo de asignación


REFERENCIAS
Limusa.
McGraw-‐Hill.
Hall.
Winston, W. (2005). Investigación de Operaciones Aplicaciones y Algoritmos (Cuarta Edición

MODELO DE TRANSBORDO Y
ANALISIS DE SENSIBILIDAD
AUTOR:Gabriel Mauricio Yañez Barreto

INDICE

1. Modelo de transbordo
1.1. Ejemplo ilustrativo del modelo de transbordo.
2. Análisis de sensibilidad
• Referencias
1. Modelo de transbordo
El modelo de transbordo es otra aplicación del modelo de transporte, solo que aquí se añaden
unos nodos de paso entre los inicios y los finales, estos pueden ser convertidos en problemas de
transporte más grandes y solucionados como modelos de transporte.
Para realizar la representación como red de este tipo de modelo tenemos tres grupos de nodos,
los cuáles serán los correspondientes a los inicios, transbordos y por último los destinos. Cada
uno de estos conjuntos de nodos, se encuentran unidos por arcos que son los que definen los
caminos que se pueden seguir.
Teniendo en cuenta que es una forma de un modelo de transporte, también se tiene en cuenta
el costo por transportar un “bien” de un punto a otro, pero pasando por un punto intermedio.
Por lo tanto, cada uno de los nodos de inicio cuenta con una oferta, mientras que los nodos de
finalización cuentan con una demanda que se debe cumplir.

Figura 1. Red del modelo de transbordo
Debemos tener en cuenta que siempre en un modelo de transbordo se busca minimizar los costos
de transportar un bien, desde un origen hasta un final, pasando por un transbordo con un costo
relacionado por realizar el envío desde el inicio hasta el transbordo y después otro costo por
enviar del transbordo hasta el destino final. Para definir el modelo de manera matemática
tenemos las siguientes ecuaciones;
7 6
𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑂𝑏𝑗𝑒𝑡𝑖𝑣𝑜 ∶ 𝑀𝑖𝑛 𝐶23 ∗ 𝑋23

2 3
𝑆𝑢𝑗𝑒𝑡𝑎 𝑎: 𝑋23 ≤ 𝑆2 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑜𝑟𝑖𝑔𝑒𝑛.

3
6 7
𝑋23 − 𝑋23 = 0 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑡𝑟𝑎𝑛𝑠𝑏𝑜𝑟𝑑𝑜

3 2
𝑋23 = 𝐷3 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑑𝑒𝑠𝑡𝑖𝑛𝑜 𝑗

2
𝑋23 ≥ 0 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖 𝑦 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑗
Lo que nos dice que la función objetivo es básicamente de la misma manera que el modelo de
transporte que es la sumatoria de los costos por las variables de decisión, la diferencia en este
caso es que tenemos más variables de decisión ya que contamos con más arcos.

Para las restricciones tenemos que por cada uno de los nodos contaremos con una restricción, si
estamos hablando de los nodos de inicio la restricción es que la suma de todo lo que sale del nodo
tiene que ser menor o igual a la oferta de este nodo. Para los nodos de transbordo tenemos que
la restricción es que la suma de todo lo que entra al nodo menos todo lo que sale de él debe ser
0, ya que en un transbordo no se almacena mercancía. Por ultimo para los nodos de destino
tenemos que la suma de todo lo que entra en un nodo de destino es igual a la demanda del
mismo.
1.1. Ejemplo ilustrativo del modelo de transbordo
Thomas Industries y Washburn Corporation proveen a tres firmas (Zrox, Hewes, Rockwright) las
cuales personalizan los estantes para sus oficinas. Ambos ordenan los estantes a los mismos
fabricantes, Arnold Manufacturers y Supershelf, Inc.
Actualmente las demandas semanales por parte de sus clientes son: 50 para Zrox, 60 para Hewes,
y 40 para Rockwright. Tanto Arnold como Supershelf pueden entregar a lo sumo 75 unidades
semanalmente.
Debido a largos contratos, basados en acuerdos especiales, los costos unitarios para cada estante
varían para cada cliente. Éstos son:
Tabla1. Ejemplo ilustrativo del modelo de transbordo
Thomas Washburn
Arnold 5 8
Supershelf 7 4
El costo de instalación es diferente para cada una de las firmas como se ve en la tabla #2.
Tabla 2. Segunda parte del ejemplo
Zrox Hewes Rockwright
Thomas 1 5 8
Washburn 3 4 4
Para construir la red para el ejemplo tenemos que definir cuál será el grupo de nodos de inicio,
cuáles serán los transbordos y por ultimo cuáles serán los destinos. Por lo tanto, si analizamos
bien las empresas Arnold y Supershelf será nuestros nodos de inicio cada uno con una oferta de
75, mientras que nuestros transbordos serán Thomas y Washburn, por ser los transbordos ellos
no cuentan con mercancía en stock. Por ultimo encontramos que los finales serán Zrox Hewes y
Rockwright.
Dibujamos la red teniendo en cuenta el análisis realizado en el párrafo anterior.
Figura 2. Red inicial del ejercicio

Ya teniendo la red inicial podemos iniciar a colocar a cada uno de los nodos los datos completos,
como para cada nodo de inicio la oferta inicial es de 75, el costo entre cada camino que está
relacionado en las tablas, y las demandas de cada uno de los finales que son 50, 60 y 40
respectivamente. Ya en la figura 3 veremos la red completa.
Figura 3. Red del ejemplo de transbordo
Ahora definimos las variables de decisión para este caso de manera más clara que en la red.
𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑑𝑒 𝑑𝑒𝑐𝑖𝑠𝑖ó𝑛:
𝑋23 = 𝑙𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑒𝑛𝑣𝑖𝑎𝑑𝑎 𝑑𝑒𝑠𝑑𝑒 𝑙𝑎 𝑓á𝑏𝑟𝑖𝑐𝑎 𝑖 ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑖𝑑𝑜𝑟 𝑗.
𝑥3O = 𝑙𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑒𝑛𝑣𝑖𝑎𝑑𝑎 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑖𝑑𝑜𝑟 𝑗 ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑑𝑒𝑠𝑡𝑖𝑛𝑜 𝑘.
𝐷𝑜𝑛𝑑𝑒 𝑖 = 1 𝑎𝑟𝑛𝑜𝑙𝑑 , 𝑖 = 2 𝑆𝑢𝑝𝑒𝑟𝑠ℎ𝑒𝑙𝑓 , 𝑗 = 3 𝑇ℎ𝑜𝑚𝑎𝑠 , 𝑗 = 4 𝑤𝑎𝑠ℎ𝑏𝑢𝑟𝑛 ,
𝑘 = 5 𝑍𝑟𝑜𝑥 , 𝑘 = 6 ℎ𝑒𝑤𝑒𝑠 , 𝑘 = 7 𝑅𝑜𝑐𝑘𝑤𝑟𝑖𝑔ℎ𝑡 .
Para definir la función objetivo debemos tener en cuenta que es la suma de los costos
multiplicados por las variables de decisión, por lo tanto, la función objetivo quedara de la
siguiente manera;
min 5 ∗ 𝑋ab + 8𝑋ae + 7 ∗ 𝑋fb + 4 ∗ 𝑋fe + 1 ∗ 𝑋bg + 5 ∗ 𝑋bh + 8 ∗ 𝑋bi + 3 ∗ 𝑋eg + 4

∗ 𝑋eh + 4 ∗ 𝑋ei
Para las restricciones vamos a escribirlas de manera separada para que queden totalmente claras,
entonces por cada uno de los inicios tenemos;
𝑋ab + 𝑋ae ≤ 75 𝐸𝑠𝑡𝑎 𝑠𝑒𝑟í𝑎 𝑝𝑎𝑟𝑎 𝑙𝑜 𝑞𝑢𝑒 𝑝𝑢𝑒𝑑𝑒 𝑒𝑛𝑣𝑖𝑎𝑟 𝐴𝑟𝑛𝑜𝑙𝑑.
𝑋fb + 𝑋fe ≤ 75 𝐸𝑠𝑡𝑎 𝑠𝑒𝑟í𝑎 𝑝𝑎𝑟𝑎 𝑙𝑜 𝑞𝑢𝑒 𝑝𝑢𝑒𝑑𝑒 𝑒𝑛𝑣𝑖𝑎𝑟 𝑆𝑢𝑝𝑒𝑟𝑠ℎ𝑒𝑙𝑓
Ahora para cada uno de los transbordos tenemos las siguientes expresiones;
𝑋ab + 𝑋fb − 𝑋bg − 𝑋bh − 𝑋bi = 0 𝐸𝑠𝑡𝑎 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛 𝑠𝑒𝑟í𝑎 𝑝𝑎𝑟𝑎 𝑇ℎ𝑜𝑚𝑎𝑠.
𝑋ae + 𝑋fe − 𝑋eg − 𝑋eh − 𝑋ei = 0 𝐸𝑠𝑡𝑎 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛 𝑒𝑠 𝑝𝑎𝑟𝑎 𝑊𝑎𝑠ℎ𝑏𝑢𝑟𝑛.
Ahora para cada uno de los finales tendremos también una serie de restricciones;
𝑋bg + 𝑋eg = 50 𝐸𝑠𝑡𝑎 𝑠𝑒𝑟í𝑎 𝑝𝑎𝑟𝑎 𝑍𝑟𝑜𝑥, 𝑠𝑒𝑔𝑢𝑛 𝑙𝑎 𝑑𝑒𝑚𝑎𝑛𝑑𝑎.
𝑋bh + 𝑋eh = 60 𝐸𝑠𝑡𝑎 𝑠𝑒𝑟í𝑎 𝑝𝑎𝑟𝑎 𝐻𝑒𝑤𝑒𝑠, 𝑠𝑒𝑔𝑢𝑛 𝑠𝑢 𝑑𝑒𝑚𝑎𝑛𝑑𝑎.
𝑋bi + 𝑋ei = 40 𝐸𝑠𝑡𝑎 𝑒𝑠 𝑝𝑎𝑟𝑎 𝑅𝑜𝑐𝑘𝑤𝑟𝑖𝑔ℎ𝑡, 𝑠𝑒𝑔𝑢𝑛 𝑠𝑢 𝑑𝑒𝑚𝑎𝑛𝑑𝑎.
Por ultimo tendremos una restricción que es súper importante, la de no negatividad ya que no
podemos tener un numero negativo de unidades.
𝑋23 , 𝑋3O ≥ 0
Por lo tanto, el modelo completo quedará de la siguiente manera:
min 5 ∗ 𝑋ab + 8𝑋ae + 7 ∗ 𝑋fb + 4 ∗ 𝑋fe + 1 ∗ 𝑋bg + 5 ∗ 𝑋bh + 8 ∗ 𝑋bi + 3 ∗ 𝑋eg + 4

∗ 𝑋eh + 4 ∗ 𝑋ei
Sujeto a; 𝑋ab + 𝑋ae ≤ 75
𝑋fb + 𝑋fe ≤ 75
𝑋ab + 𝑋fb − 𝑋bg − 𝑋bh − 𝑋bi = 0

𝑋ae + 𝑋fe − 𝑋eg − 𝑋eh − 𝑋ei = 0
𝑋bg + 𝑋eg = 50
𝑋bh + 𝑋eh = 60
𝑋bi + 𝑋ei = 40
𝑋23 , 𝑋3O ≥ 0
Ahora nos dirigimos a Excel a montar el ejemplo en un cuadro, para solucionarlo con solver:

Figura 4. Montaje del modelo en Excel
Si nos fijamos tenemos algunos de los valores en -‐1, toca de esta manera para poder lograr
formular la resta de manera sencilla, tengamos en cuenta que en los transbordos se suma lo que
entre y se le resta lo que salga del mismo. Ahora nos dedicamos a montar cada una de las
restricciones en solver.

Figura 5. Restricciones en solver
Ahora le damos que solucione el modelo y nos arroja el resultado de la figura 6.

Figura 6. Solución del problema en solver
Fuente: Elaboración propia 2016.

Teniendo en cuenta el resultado nos damos cuenta que el costo de la operación total será de
1150, enviando 75 unidades desde la fábrica de Arnold a Thomas, 75 unidades desde Supershelf
a Washburn, enviando las 50 unidades demandas desde Thomas a Zrox, Pero desde Thomas
también se le envían 25 unidades a Hewes, para completar la demanda de Hewes se deben enviar
las 35 unidades faltantes desde Washburn, por último se cumple con las 40 unidades de
Rockwright con lo que quedaba en Washburn.
2. Análisis de sensibilidad
Análisis de Sensibilidad (o análisis post-‐‑optimalidad) es utilizado para determinar como la

solución óptima es afectada por cambios, en rangos específicos, en:
• Los coeficientes de la función objetivo

• Los valores del lado derecho
Es importante para quien administra un sistema en un ambiente dinámico e impreciso en la

estimación de los coeficientes.
Permite responder preguntas del tipo “¿Qué pasaría si?” acerca del problema.
Ejemplo de análisis de sensibilidad:
• max 𝑧 = 5 ∗ 𝑥a + 7 ∗ 𝑥f
• 𝑠. 𝑎. 𝑥a ≤ 6
• 2 ∗ 𝑥a + 3 ∗ 𝑥f ≤ 19
• 𝑥a + 𝑥f ≤ 8
• 𝑥a , 𝑥f ≥ 0
•
Figura 7. Solución óptima por método gráfico
El rango de optimalidad de cada coeficiente provee el rango de valores sobre el cual la actual
solución permanecerá óptima.
Se debe enfocar los esfuerzos en aquellos coeficientes que tienen un rango de optimalidad más
estrecho y en aquellos más cerca de los bordes del intervalo.
Gráficamente, los límites del rango de optimalidad son encontrados cambiando la pendiente de
la línea de la función objetivo dentro de los límites de las pendientes de las restricciones activas.
La pendiente de la línea de la función objetivo, max 𝑐a 𝑥a + 𝑐f 𝑥f , es−𝑐a /𝑐f , y la pendiente de una
restricción, 𝑎a 𝑥a + 𝑎f 𝑥f = 𝐵 , es −𝑎a /𝑎f
El rango de optimalidad para 𝑐a
La pendiente de la línea de la función objetivo es −𝑐a /𝑐f . La pendiente de la primera restricción
𝑥a + 𝑥f ≤ 8 es -‐1 y de la segunda restricción 2 ∗ 𝑥a + 3 ∗ 𝑥f ≤ 19
es -‐2/3. Dejando 𝑐f fijo en el valor de 7, tenemos que: -‐‑1 < 𝑐a /7 < -‐‑2/3
Despejando 𝑐a se obtiene: 14/3 < 𝑐a < 7


Figura 8. Solución óptima con z=51
Figura 9. Solución con z =44.3
Rango de optimalidad para 𝑐f
La pendiente de la línea de la función objetivo es −𝑐a /𝑐f . La pendiente de la primera

restricción𝑥a + 𝑥f ≤ 8 es -‐1 y de la segunda restricción 2 ∗ 𝑥a + 3 ∗ 𝑥f ≤ 19
Dejando 𝑐a fijo en el valor de 5, tenemos que: -‐‑1 < 5 /𝑐f < -‐‑2/3

Despejando 𝑐f se obtiene: 5 <𝑐f < 15/2

Ahora también en solver podemos pedir que nos entregue varios informes en donde
encontraremos los rangos para cada una de las variables. Veamos como lo hacemos
Figura10. Como solicitar los informes
Como vemos en la figura 10, cuando solver nos dice que si quiere conservar la solución en el lado
derecho podemos seleccionar los informes que queremos, por lo tanto pedimos el informe de
sensibilidad.

Figura 11. Informe de sensibilidad
Las columnas que nos importan son las 3 últimas de las celdas variables que son las que nos dan
los datos más importantes de las variaciones con sus límites correspondientes a cada una de las
variables.
Para analizar los datos del lado derecho de cada una de las ecuaciones tenemos.
Un cambio en el lado derecho de una restricción puede afectar la región factible y tal vez cause
un cambio en la solución óptima.
La mejora en el valor de la solución óptima por unidad incrementada en el lado derecho es

conocido como precio sombra (costo reducido).
El rango de factibilidad es el rango sobre el cual el precio sombra es aplicable.
Cuando el RHS incrementa, otras restricciones se pueden convertir en activas y limitan el cambio
en el valor de la función objetivo.
Mientras que para el precio sombra:
Gráficamente, un precio sombra es determinado al añadir +1 al lado derecho en cuestión y

resuelva la solución óptima en términos de las mismas restricciones activas.
• El precio sombra es la diferencia entre los valores de las funciones objetivo del problema
nuevo y del problema original.
• El precio sombra para una restricción No-‐‑activa es 0.
• Un precio sombra negativo (en un problema de Max) indica que la función objetivo no
mejorará si el RHS es incrementado.
• El rango de factibilidad para un cambio en el RHS es el rango de valores que puede tomar
dicho coeficiente sin que el precio sombra cambie.
• Gráficamente, el rango de factibilidad se determina encontrando los valores del RHS
que no cambian ninguna restricción activa a No-‐‑activa.


Actividad en Arco Es una red en la que las actividades son representadas con el uso de
(AOA): arcos.
Actividad en Nodo Es una red en la que las actividades son representadas con el uso de
(AON): nodos. 
Trabajo en el que se invierte tiempo y que es parte esencial del

Actividad:
proyecto total.
Proceso que nos permite determinar el nivel de sensibilidad de la mejor
solución ante los cambios de los valores que se usaron en las
ecuaciones. También estudia el grado de sensibilidad de la mejor
Análisis de Sensibilidad:
solución ante hipótesis de modelo y actualización de información. En
estos casos se le conoce como Análisis de Postoptimalidad.
Enunciado matemático del objetivo de una organización con el que se
Función Objetivo: intenta maximizar o minimizar una cantidad de gran importancia como
ganancias o gastos.
Red Representación gráfica de un proyecto, sus actividades y eventos.

REFERENCIAS
Limusa.

Hillier, F. &. (2008). Métodos Cuantitativos para Administración (Tercera Edición ed.). México:
McGraw-‐Hill.
Hall.
Winston, W. (2005). Investigación de Operaciones Aplicaciones y Algoritmos (Cuarta Edición ed.).
México: Thomson.

TEORÍA & LEY DE COLAS
MODELO PARA LA TOMAS DE DECISIONES
ÍNDICE
 Introducción
a. Teoría de colas
b. Ley de Little
c. Colas Markovianas
d. Ejemplo
 Referencias
INTRODUCCIÓN
En esta cartilla se revisarán los temas relacionados con la toma de decisiones por medio del uso de la
distribución de tareas y asignaciones para un sistema completo de colas, donde se encuentran
relacionadas la cantidad de servidores y de colas según sea necesario, con la finalidad de evitar que el
usuario demore mucho dentro del sistema logrando un tiempo acorde entre el momento que entra al
sistema y el momento en el que sale. Tenga en cuenta que es importante que tome nota de lo que está
realizando y que realice los ejercicios desarrollados para un mayor entendimiento de los mismos.
Estimados estudiantes a lo largo de la cartilla encontrarán las aplicaciones de la programación lineal,

recuerden que deben realizar un resumen de las nociones más importantes dentro de la cartilla para su
estudio autónomo. Desarrolle de manera individual cada uno de los ejercicios que se le presentan como
ejemplo dentro de esta cartilla.
Para profundizar un poco más en el tema no olviden que dentro de los recursos virtuales de la institución
puede encontrar varios tipos de documentos que pueden ser útiles, como lo son libros de investigación
de operaciones o de administración científica, también puede encontrar artículos y documentos
investigativos de aplicación.
a. Teoría de colas
El origen de la Teoría de Colas está en el esfuerzo de Agner Krarup Erlang (Dinamarca, 1878 - 1929)
(Anderson, 2005) en 1909 para analizar la congestión de tráfico telefónico con el objetivo de cumplir la
demanda incierta de servicios en el sistema telefónico de Copenhague. Sus investigaciones acabaron en
una nueva teoría llamada teoría de colas o de líneas de espera. Esta teoría es ahora una herramienta de
valor en negocios debido a que muchos de sus problemas pueden caracterizarse como problemas de
congestión llegada - partida.
Una cola es una línea de espera y la teoría de colas es una colección de modelos matemáticos que
describen sistemas de líneas de espera particulares o de sistemas de colas. Los modelos sirven para
encontrar un buen compromiso entre costes del sistema y los tiempos promedio de la línea de espera
para un sistema dado.
El problema es determinar qué capacidad o tasa de servicio proporciona el balance correcto. Esto no es
sencillo, ya que un cliente no llega a un horario fijo, es decir, no se sabe con exactitud en que momento
llegarán los clientes.
Cabe notar que el tiempo de servicio no tiene un horario fijo.
Los problemas de colas se presentan permanentemente la vida diaria: un estudio de EE.UU. concluyó
que un ciudadano medio pasa 5 años de su vida esperando en distintas colas, y de ellos casi 6 meses
parado en los semáforos.
Tabla 1. Casos de colas en la vida diaria
Mecanismo de
Situación Llegadas Cola
servicio
Aeropuerto Pasajeros Salas de espera Avión
MODELOS DE TOMA DE DECISIONES 3

Compañía celular Números marcados Llamadas Conmutador
Panadería Clientes Clientes con número Vendedor
Carga de camiones Camiones Camiones en espera Muelle de carga
Entonces por definición, la teoría de Colas es el estudio matemático del comportamiento de líneas de
espera. Estas se presentan cuando "clientes" llegan a un "lugar" demandando un servicio a un "servidor"
el cual tiene cierta capacidad de atención. Si el servidor no está disponible inmediatamente y el cliente
decide esperar, entonces se forma en la línea de espera.
Figura 1. Esquema de un sistema de colas

A continuación realizaremos el estudio de los conceptos básicos necesarios para el caso de las teorías de
colas.
Clientes: término usado en un sistema de colas para referirse a:
 Gente esperando líneas telefónicas desocupadas
 Máquinas que esperan ser reparadas
 Aviones esperando aterrizar.

Instalaciones de Servicio: este término se usa para referirse a:
 Líneas telefónicas
 Talleres de reparación
 Pistas de aeropuerto
Llegadas: es el número de clientes que llegan a las instalaciones de servicio.
Tasa de Servicio: este término se usa para designar la capacidad de servicio, por ejemplo:
 Un sistema telefónico entre dos ciudades puede manejar 90 llamadas por minuto
 Una instalación de reparación puede de media, reparar máquinas a razón una cada 8
horas.
 Una pista de aeropuerto en la que aterrizan dos aviones por minuto.

Número de servidores de servicio: Es la cantidad de servidores de que disponemos:
 Número de conmutadores telefónicos
 Número de puestos de reparación.
 Número de pistas de aterrizaje de un aeropuerto.
El número de servidores no tiene porqué ser siempre en paralelo, es decir, puede que un sistema de
colas tenga varias fases.
Tabla 2. Tipos de colas dependiendo de la cantidad de servidores y fases

Servidores Fases Ejemplo
Uno Una Tienda con un solo empleado.
Línea de producción
Uno Varias
secuencial.
Funcionamiento de
Varios Una
operaciones bancarias.
Centros de exámenes
Varios Varias
médicos.
Ahora revisaremos los costes que van asociados a las teorías de las colas.
¿Por qué es necesario contar con herramientas de optimización para los problemas de colas?
Normalmente en cualquiera de estos sistemas existen dos tipos de costes:
a. Los costes asociados a la espera de los clientes
Por ejemplo, el valor del tiempo perdido o la gasolina malgastada en los atascos o los semáforos.
Lo normal es pensar que estos costes de espera decrecen conforme aumenta la capacidad de servicio del
sistema.
b. Los costes asociados a la expansión de la capacidad de servicio

Contra la reducción anterior de costes de espera, es también normal que el coste asociado a incrementar
la capacidad de servicio crezca con alguna proporcionalidad en relación a esta capacidad.
c. Los costes totales del sistema de servicio
La suma de los dos costes anteriores da una función de costes totales del sistema en función de la
capacidad, que tendrá una forma similar a la siguiente:

Figura 2. Costos de las colas
¿Cuál será el objetivo de la teoría de colas?
Dada la función de costes anterior, los objetivos de la Teoría de Colas consisten en:
 Identificar el nivel óptimo de capacidad del sistema que minimiza el coste global del mismo
 Evaluar el impacto que las posibles alternativas de modificación de la capacidad del sistema
tendrían en el coste total del mismo
 Establecer un balance equilibrado (“óptimo”) entre las consideraciones cuantitativas de costes y

las cualitativas de servicio.
Hay que prestar atención al tiempo de permanencia en el sistema o en la Cola: la “paciencia” de los
clientes depende del tipo de servicio específico considerado, eso puede hacer que un cliente “abandone”
el sistema.
Según el tipo de sistema de colas, tenemos varios tipos de éstas, las cuales son:
 Una línea, un servidor
 El primer sistema que se muestra se llama un sistema de un servidor y una cola o puede describir
una consulta de un médico.
 Una línea, múltiples servidores
 El segundo, una línea con múltiples servidores, es típico de una peluquería o una panadería en
donde los clientes toman un número al entrar y se les sirve cuando les llega el turno.
 Varias líneas, múltiples servidores
 El tercer sistema, en que cada servidor tiene una línea separada, es característico de los bancos y
las tiendas de autoservicio. Para este tipo de servicio pueden separarse los servidores y tratarlos
como sistemas independientes de un servidor y una cola. Esto sería válido sólo si hubiera muy
pocos intercambios entre las colas.

Figura 3. Tipos de colas
Notación de Kendall (Anderson, 2005)
David G. Kendall introdujo una notación de colas A/B/C en 1953 para describir las colas y sus
características. Esta ha sido desde entonces extendida a 1/2/3/ (4/5/6) donde los números se
reemplazan con :
Un código que describe el proceso de llegada. Los códigos usados son:
a. M para "Markoviano" (la tasa de llegadas sigue una distribución de Poisson), significando una
distribución exponencial para los tiempos entre llegadas.
b. D para unos tiempos entre llegadas "determinísticas".
c. G para una "distribución general" de los tiempos entre llegadas o del régimen de llegadas.
1. Un código similar que representa el proceso de servicio (tiempo de servicio). Se usan los mismos
símbolos.  
2. El número de canales de servicio (o servidores).
3. La capacidad del sistema o el número máximo de clientes permitidos en el sistema incluyendo

esos en servicio.  
4. El orden de prioridad en la que los trabajos en la cola son servidos:
 First Come First Served (FCFS) ó First In First Out (FIFO)
 Last Come First Served (LCFS) o Last In First Out (LIFO), 6. El tamaño de la población desde donde
los clientes vienen.
Figura 4. Distribución de las colas según la notación de Kendall

Según la Figura 4, las colas pueden tomar la distribución de tiempo de arribos y tiempo de servicio como
exponenciales, constantes o determinísticas según sea el caso, por ejemplo, nombrar una cola M/M/1,
sería una cola con tiempo de arribo exponencial, con un tiempo de servicio exponencial y con solo un
servidor.

Ahora para definir de manera correcta cada una de las ecuaciones, debemos tener en cuenta la siguiente
notación básica:
𝜆 = 𝐿𝑎 𝑡𝑎𝑠𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑎𝑟𝑟𝑖𝑏𝑜𝑠

1
= 𝑇𝑖𝑒𝑚𝑝𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑒𝑛𝑡𝑟𝑒 𝑎𝑟𝑟𝑖𝑏𝑜𝑠.
𝜆
𝜎𝑎 = 𝐷𝑒𝑠𝑣𝑖𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 𝑑𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛𝑡𝑟𝑒 𝑎𝑟𝑟𝑖𝑏𝑜𝑠.
𝜇 = 𝑇𝑎𝑠𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜.
1
= 𝑇𝑖𝑒𝑚𝑝𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜.
𝜇
𝜎𝑠 = 𝐷𝑒𝑠𝑣𝑖𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 𝑑𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜.
𝜌 = 𝑈𝑡𝑖𝑙𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎.
𝐿𝑠 = 𝑁ú𝑚𝑒𝑟𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑒𝑛𝑡𝑖𝑑𝑎𝑑𝑒𝑠 𝑒𝑛 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜.
𝐿 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑛𝑡𝑖𝑑𝑎𝑑𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎.
𝐿𝑞 = 𝑁ú𝑚𝑒𝑟𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑒𝑛𝑡𝑖𝑑𝑎𝑑𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎.
𝑊 = 𝑇𝑖𝑒𝑚𝑝𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑒𝑠𝑝𝑒𝑟𝑎.

𝑊𝑞 = 𝑇𝑖𝑒𝑚𝑝𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑒𝑠𝑝𝑒𝑟𝑎.
𝑊𝑠 = 𝑇𝑖𝑒𝑚𝑝𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜.

𝑃𝑜 = 𝑃𝑜𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑞𝑢𝑒 𝑒𝑙 𝑠𝑒𝑟𝑣𝑖𝑑𝑜𝑟 𝑒𝑠𝑡𝑒 𝑑𝑒𝑠𝑜𝑐𝑢𝑝𝑎𝑑𝑜.
𝑃𝑛 = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑛 𝑒𝑛𝑡𝑖𝑑𝑎𝑑𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎.
𝑃𝑤 = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑞𝑢𝑒 𝑢𝑛𝑎 𝑒𝑛𝑡𝑖𝑑𝑎𝑑 𝑡𝑒𝑛𝑔𝑎 𝑞𝑢𝑒 𝑒𝑠𝑝𝑒𝑟𝑎𝑟.
b. Ley de Little
La ley de Little establece las ecuaciones o formas de encontrar los datos más importantes dentro de un
problema de colas, para establecer de manera concreta cuales serán la cantidad de clientes dentro de
una cola, el tiempo que se demora un cliente en una cola, la cantidad de clientes que están siendo
atendidos o la probabilidad que un servidor se encuentre ocupado, por lo tanto tendremos las siguientes
expresiones;
Si se desea calcular el número medio de clientes en el sistema y en la cola se pueden calcular de la

siguiente manera:
∞
𝐿 = 𝐸 [𝑛] = ∑ 𝑛 ∗ 𝑃𝑛
𝑛=0
∞
𝐿𝑞 = 𝐸[𝑛𝑞 ] = ∑ (𝑛 − 𝑐) ∗ 𝑃𝑛
𝑛=𝑐+1
También se debe tener que el tiempo de estancia de un cliente en el sistema va directamente

relacionado con el tiempo de un cliente en la cola, por lo tanto, tendremos la siguiente ecuación:
1
𝑊 = 𝑊𝑞 +
𝜇
El número promedio de clientes que se estarán atendiendo será:
𝜆
𝐿 − 𝐿𝑞 = 𝜆 ∗ (𝑊 − 𝑊𝑞 ) =
𝜇
Ahora para la probabilidad que un servidor (un servidor de c servidores en paralelo) esté ocupado
tenemos la siguiente expresión:
𝜆
𝑃𝑏 = 𝜌 =
𝑐∗𝜇
c. Colas Markovianas
Las colas markovianas son básicamente aquellas con distribuciones exponenciales, ya sean en el tiempo
de arribo como en el tiempo de servicio. Por lo tanto, debemos tener en cuenta las colas M/M/1 o las
M/M/c, que son las que veremos a continuación;

M/M/1: Son colas con tiempo de arribo exponencial y con tiempo de servicio exponencial, que cuentan
con un solo servidor. Por lo tanto, de la ley de Little se derivan las siguientes ecuaciones que son las que
definen el modelo.
𝜆 𝜆
𝐿= 𝜌=
𝜇−𝜆 𝜇
𝜆2
𝐿𝑞 = 𝑃𝑛 = 𝜌𝑛 ∗ (1 − 𝜌)
𝜇∗(𝜇−𝜆)
𝜆
𝐿𝑠 =
𝜇
1
𝑊=
𝜇−𝜆
𝜆
𝑊𝑞 =
𝜇∗(𝜇−𝜆)
1
𝑊𝑠 =
𝜇
Ahora debemos tener en cuenta que para poder utilizar este modelo se debe tener una condición de
estabilidad la cual está definida de la siguiente manera:
𝜆<𝜇
Ahora, para estandarizar los modelos tenemos las siguientes ecuaciones que definen el modelo
independientemente de la cantidad de servidores con los que se cuente, por lo tanto;
Para la probabilidad que el sistema cuente con n unidades en el sistema
Las principales medidas de desempeño tenemos
d. Ejemplo

A una caseta de peaje, en donde sólo hay una ventanilla de atención, llegan 10 vehículos
aproximadamente cada hora. El cajero tarda en promedio 4 minutos en atender cada vehículo.
Asumiendo que tanto los tiempos entre arribos como los tiempos de servicio se distribuyen
exponenciales, calcule:
a. La probabilidad de que el sistema este desocupado
b. El tiempo promedio que un vehículo tardará desde que llega al peaje hasta que lo cruza
c. El número promedio de vehículos en el peaje
d. El número promedio de vehículos en la fila del peaje
e. El tiempo promedio que tarda un vehículo en la fila, antes de ser atendido.
La caseta de peaje se puede modelar como un sistema M/M/1, con tasa de arribos =10 v/h y tasa de
servicio =15 v/h. Note que se cumple la condición de estabilidad (10 < 15).
a. Probabilidad que el sistema este desocupado se halla de la siguiente manera

10 2
𝜌= =
15 3
2 0 2 1
𝑃𝑛 = ( ) ∗ (1 − ) =
3 3 3
b. Tiempo promedio desde que un vehículo llega al peaje hasta que lo cruza.
1 1
𝑊= = ℎ𝑜𝑟𝑎 = 12 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
15 − 10 5
c. El numero promedio de vehículos en el peaje
10
𝐿= = 2 𝑣𝑒ℎí𝑐𝑢𝑙𝑜𝑠
15 − 10
d. El numero promedio de vehículos en la cola
102 4
𝐿𝑞 = = 𝑣𝑒ℎí𝑐𝑢𝑙𝑜𝑠.
15 ∗ (15 − 10) 3
e. El tiempo promedio en la fila antes de ser atendido es
10 2
 𝑊𝑞 = = 𝐻𝑜𝑟𝑎 = 8 𝑚𝑖𝑛𝑢𝑡𝑜𝑠.
15∗(15−10) 5

f. La proporción del tiempo que el cajero debe trabajar.
10 2
 𝜌= =
15 3
REFERENCIAS
Anderson, D. S. (2005). Métodos Cuantitativos para los Negocios (Novena ed.). México: Cengage Learning
Editores.

Bazaraa, M. J. (1996). Programación Lineal y Flujo en Redes (Segunda ed.). México: Limusa.
Bazarra, M., & Jarvis, J. J. (2005). Programación lineal y flujo en redes. (Segunda ed.). México: Limusa
Editores. .

Hillier, F. &. (2006). Texto principal: Introducción a la Investigación de Operaciones. (6ª ed.). N/A:
McGraw Hill. .
Hillier, F. &. (2006). Investigación de Operaciones (Octava Edición ed.). México: McGraw-Hill.
Hillier, F. &. (2008). Métodos Cuantitativos para Administración (Tercera ed.). México: McGraw-Hill.
Taha, H. (1997). Investigación de Operaciones: Una Introducción (Sexta ed.). NY: Prentice Hall.
Winston, W. (2005). Investigación de Operaciones Aplicaciones y Algoritmos (Cuarta ed.). México:

Thomson.

FORMULACIÓN DE PROBLEMAS

MODELO
PARA LA TOMAS DE DECISIONES

AUTOR:
Gabriel Mauricio Yañez Barreto

ÍNDICE

1. Formulación de problemas.
2. Matriz de pagos
3. Criterios de manejo de toma de decisiones.
3.1. Criterio optimista.
3.2. Criterio conservador.
3.3. Criterio minimax.
4. Árboles de decisión.

1. Formulación de problemas.

Para analizar un problema de toma de decisiones debemos tener en cuenta las características
que lo definen, como lo son los estados de la naturaleza que son los que nos definen las
decisiones como tal y también encontramos la matriz de los pagos que es la que nos define los
costos y las posibles decisiones a tomar.
Las alternativas de decisión definen las alternativas posibles para las estrategias que podemos
tener en cuenta y cuál de estas será la ideal para la persona que define cual se deberá utilizar.
Por lo tanto, para definir los estados de la naturaleza de un problema tenemos que son los
eventos futuros que no están bajo el control de la persona encargada de tomar las decisiones,
los cuales deben ser exhaustivos y mutuamente excluyentes, lo que quiere decir que son hechos
de alta importancia y además que el movimiento o acción sobre uno de ellos no afectará al otro.
2. Matriz de pagos

La matriz de pagos es la combinación de las posibles alternativas con las que se cuentan para los
estados de la naturaleza, la cual se encuentra relacionada cada una de ellas por un pago.
Teniendo en cuenta estas posibles combinaciones tenemos definidos cuáles serán las posibles
“rutas” a seguir.

Los pagos tienen diferentes tipos de interpretaciones, ya que pueden ser utilidades, costos,
tiempos, distancia o cualquier medida que sea adecuada al problema como tal.

Ahora para realizar la toma de decisiones se tienen varios criterios si no se cuenta con una tabla
de datos probabilísticos, los cuales son dependientes de las matrices de pagos de cada uno de
los estados de la naturaleza.

Estos criterios son:
• Criterio Optimista.
• Criterio Conservador.
• Criterio Minimax(Arrepentimiento).
3. Criterios de manejo de la toma de decisiones.

Para realizar el estudio de cada uno de los criterios tomaremos un ejemplo y lo desarrollaremos
explicando cada uno de los pasos.

Ejemplo

La compañía ACME está considerando construir una planta para la fabricación de una nueva
high-‐tech trampa para correcaminos. Debido a los diferentes factores que influyen, es muy
difícil saber cuál va a ser la demanda del producto. Se ha estimado que la demanda puede ser
alta (A), media (M) o baja (B). La compañía puede construir una planta pequeña (P), una planta
normal (N) o una planta grande (G). Las utilidades promedio (en millones) para cada escenario
se muestran a continuación.

Tabla 1. Matriz de pagos.

Demanda
Alta Media Baja

Pequeña 4 4 -‐2
Tamaño de la
Mediana 0 3 -‐1
planta
Alta 1 5 -‐3

3.1. Criterio Optimista

i. El criterio optimista es utilizado cuando la persona que define la ruta a seguir

cuenta con que los estados de la naturaleza tienen un comportamiento
favorable.
ii. Selecciona la mejor de las decisiones posibles en cuanto a los estados de la

naturaleza.
MODELOS PARA LA TOMA DECISIONES 3

iii. Si la tabla está en función de los costos selecciona la mejor de las soluciones,
ósea el menor de los costos posibles.
Ahora para resolver el problema de la compañía ACME tenemos que en la tabla de escenarios
posibles (ver tabla1.) los estados de la naturaleza serán qué tipo de planta abriremos, por lo que
se define que el criterio optimista toma el mejor de los casos para cada uno de los estados de la
naturaleza del problema y de ellos se toma el mejor por lo tanto tendíamos los siguiente tabla.

Tabla 2. Criterio Optimista.
Demanda
Alta Media Baja MAX

Pequeña 4 4 -‐2 4
Tamaño de la
Mediana 0 3 -‐1 3
planta
Alta 1 5 -‐3 5

La mejor de las alternativas seria construir una planta con una demanda media, según lo que
nos muestra la tabla 1, por lo tanto, el tomador de decisiones se enfoca en esta decisión como
tal.
3.2. Criterio Conservador.

i. El criterio conservador se usa cuando el tomador de decisiones, prefiere tomar

una decisión intermedia y estar más seguro de los resultados que desea obtener
ii. Para tomar la decisión se toma la peor de las opciones y de las peores se toma la
mejor o que genere mejor pago.
iii. Si la tabla está en función de los costos se toman primero los peores pagos y de
estos se escoge el mejor.
Ahora para resolver el problema de la compañía ACME tenemos que en la tabla de escenarios
posibles (ver tabla1.) los estados de la naturaleza serán qué tipo de planta abriremos, por lo que
se define que el criterio conservador se toma el peor de los casos y de este se toma la mejor
solución. Por lo tanto, tendremos la siguiente tabla

Tabla 3. Criterio Conservador.
Demanda
Alta Media Baja MAX

Pequeña 4 4 -‐2 -‐2
Tamaño de la
Mediana 0 3 -‐1 -‐1
planta
Alta 1 5 -‐3 -‐3

Al considerar el peor de los escenarios se toma la mejor de las soluciones del mismo por lo tanto
la solución es una planta mediana.
3.3. Criterio Minimax (arrepentimiento)

i. Se debe construir una tabla de costos de oportunidad (arrepentimiento).
ii. La tabla se construye al calcular, para cada estado de la naturaleza, la diferencia
entre el pago de cada alternativa con el mejor pago para dicho estado de la
naturaleza.
iii. A cada alternativa se le asigna el mayor costo de oportunidad posible, luego se
selecciona la alternativa con el menor de los costos asignados. Es decir, se
selecciona la alternativa con el mínimo de los costos de oportunidad máximos.

Para resolver el problema por medio del criterio minimax tenemos
Tabla 4. Creación de la nueva matriz de pagos.
Demanda
Alta Media Baja

Pequeña 4-‐4 5-‐4 -‐1+2
Tamaño de la
Mediana 4-‐0 5-‐3 -‐1+1
planta
Alta 4-‐1 5-‐5 -‐1+3


A partir de la nueva matriz tomamos el menor de los máximos costos.
Tabla 5. Matriz de pagos minimax.
Demanda
Alta Media Baja MAX

Pequeña 0 1 1 1
Tamaño de la
Mediana 4 2 0 4
planta
Alta 3 0 2 3
La planta a construir será una planta pequeña.

Toma de decisiones considerando probabilidades.
a. Criterio del valor esperado.
i. Si existe información disponible sobre el comportamiento probabilístico de los

estados de la naturaleza, se puede usar el criterio del valor esperado (EV).
ii. El pago esperado de cada decisión es calculado al ponderar los pagos bajo cada
estado de la naturaleza con la probabilidad respectiva de cada estado.
iii. La decisión escogida será la que presente el mejor valor esperado.
iv. El valor esperando de la decisión 𝑑" esta dado por la siguiente expresión ;
)
𝐸𝑉 𝑑" = 𝑃 𝑠( 𝑉"(
(*+
Donde
N=Numero de estados de la naturaleza.
𝑃 𝑠( =Probabilidad de que ocurra el estado di.
𝑉"( =el pago obtenido por di y el estado de la naturaleza sj.
4. Arboles de decisión

Un árbol de decisión es una representación cronológica del problema.
Existen dos tipos de nodos: círculos (estados de la naturaleza) y cuadrados (alternativas de
decisión).

Las ramas del árbol dejando cada círculo representa a cada estado de la naturaleza, mientras las
ramas que dejan cada cuadrado representa a cada alternativa de decisión.

Al final de cada rama-‐fin del árbol se encuentran los pagos acumulados de todas las ramas
desde el inicio hasta la rama-‐fin

Ejemplo 2.

El restaurante Burger Prince está considerando construir un nuevo restaurante en la carrera
séptima. Se ha estimado que la tasa de arribo de clientes al restaurante puede ser de 80
clientes/hora (s ) con una probabilidad del 40%, 100 clientes/hora (s ) con una probabilidad del
1 2
20% y 120 clientes/hora (s ) con una probabilidad del 40%. El restaurante puede abrir uno de
3
tres tipos de locales (d , d o d ). Las utilidades promedio (en dólares) para cada escenario se
1 2 3
muestran a continuación.

Tabla 6. Matriz del ejemplo2.
Demanda
80c/h 100 c/h 120 c/h
D1 10000 15000 14000
Modelo Local D2 8000 18000 12000
D3 6000 16000 21000
Figura 1. Arbol de decision ejemplo 2.

Fuente : Elaboración propia 2016.

Figura 1. Arbol de decision ejemplo 2 desarrollado.
Por lo tanto, la respuesta para el ejemplo será el estado 3 o D3.

Valor esperado de la información perfecta:
Con frecuencia, antes de tomar una decisión, se puede contar con información que permite
mejorar la estimación de las probabilidades de los estados de la naturaleza.

• El Valor Esperado de la Información Perfecta (EVPI) corresponde al incremento

en el valor esperado si se sabe con certeza cuál estado de la naturaleza va a
ocurrir.
• El EVPI ofrece un valor límite del precio que se deberá pagar por la información
muestral.

Pasos para Calcular el EVPI: 
• Determine el pago óptimo para cada estado de la naturaleza.
• Calcule el valor esperado con esos valores óptimos y las probabilidades

correspondientes.
• Halle la diferencia entre el Valor Esperado (EV) de la mejor decisión y el valor

esperado con los pagos óptimos. El resultado será el EVPI.

Ahora lo primero es que hallan los mejores pagos para cada estado de la naturaleza

80 c/h 100 c/h 120 c/h
Pago optimo 10000 18000 21000

Por lo tanto hallamos 0.4*10000+0.2*18000+0.4*21000= 16000 , por lo tanto como el valor
esperado del mejor de los resultados es 14000 el EVPI será de :

EVPI= 16000-‐14000=2000

Probabilidades Posteriores.

• La información muestral puede ayudar a estimar mejor las probabilidades de

ocurrencia de un estado de la naturaleza.
• Las estimaciones iniciales son llamadas probabilidades anteriores (a priorí).
• Utilizando probabilidades condicionales, las probabilidades anteriores se pueden

actualizar utilizando el teorema de Bayes.
• Las probabilidades actualizadas se conocen como probabilidades posteriores (a

posteriorí).
Pasos para el cálculo:

• Para cada estado de la naturaleza multiplique la probabilidad anterior por la

correspondiente probabilidad condicional del indicador, así se obtiene la
probabilidad conjunta.
• Sume las probabilidades conjuntas del mismo indicador sobre todos los estados
de la naturaleza, así se obtiene la probabilidad marginal.
• Para cada estado de la naturaleza, divida la probabilidad conjunta sobre la

probabilidad marginal del indicador. El resultado será la probabilidad posterior.
• El Valor Esperado de la Información Muestral (EVSI) corresponde al incremento

en el valor esperado si se obtiene información a través de un estudio o muestra.
• Su valor está acotado por el valor de la información perfecta.


Pasos para Calcular el EVSI:

• Determine la decisión óptima y el pago esperado para cada estado de la

naturaleza utilizando las probabilidades posteriores.
• Calcule el valor esperado con los valores obtenidos y las probabilidades

marginales.
• Halle la diferencia entre el Valor Esperado (EV) de la mejor decisión con las
probabilidades anteriores y el valor esperado con las probabilidades posteriores.
El resultado será el EVSI.
La eficiencia de la Información Muestral es la razón entre el EVSI y el EVPI.
Lo eficiencia siempre es un número entre 0 y 1.


Criterio Optimista: Se le dice así al criterio maximax.

Gráfica que nos muestra la relación entre la utilidad y los valores
Curva de Utilidad monetarios; al trazarse esta curva se pueden utilizar los valores de utilidad
en la toma de las decisiones.

Distribución de
Se utiliza frecuentemente para calcular el tiempo y variaciones de
Probabilidades
terminación de las actividades en las redes.
Beta:

Conjunto de relaciones existente en cualquier sistema de colas de un
Ecuación de Little:
estado estable.

Estado de la

Resultado en el que el administrador tiene poco o nulo control.
Naturaleza:

Línea de Espera Uno o más clientes u objetos que permanecen en modo de espera para
(Cola): recibir un servicio.
M/D/1: Notación Kendall para el modelo constante de tiempos de servicio.
Notación Kendall para el modelo de único canal con llegadas Poisson y
M/M/1:
tiempos de servicio exponenciales.
Notación Kendall para el modelo de colas multicanal con m servidores,
M/M/m:
llegadas Poisson y tiempos de servicio exponenciales.
Criterio optimista para tomar una decisión; se presenta cuando se opta
Maximax:
por la alternativa con el rendimiento posible más alto.

Criterio pesimista para tomar una decisión, en esta alternativa se busca
Maximin: maximizar la ganancia mínima seleccionando la opción con las mejores y
peores ganancias.
Método de clasificación de sistema de colas basado en la distribución de
Notación Kendall:
llegadas, de tiempos de servicio y de la cantidad de canales de servicio.

REFERENCIAS

Anderson, D. S. (2005). Métodos Cuantitativos Para Los Negocios (Novena Edición ed.). Mexico:

Limusa.

BAZARRA, M., & JARVIS, J. J. (2005). Programación lineal y flujo en redes. (Segunda Edición. ed.).

Castillo. (20 de Noviembre de 2007). Departamento Unican. Obtenido de Unican:

HILLIER, F. &. (2006 ). Texto principal: Introducción a la Investigación de Operaciones. (6ª
Edición. ed.). N/A: McGraw Hill. .

Hillier, F. &. (2006). Investigación De Operaciones (Octava Edición ed.). México: McGraw-‐Hill.

McGraw-‐Hill.


TAHA, H. ( 1997). Investigación de Operaciones: Una Introducción (Sexta edición ed.). NY:
Prentice Hall.

WINSTON, W. (2005). Investigación De Operaciones Aplicaciones Y Algoritmos (Cuarta Edición
ed.). México : Thomson.


Toma 1 A 8 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Toma 1 A 8 PDF

Cargado por

Copyright:

Formatos disponibles

REDES PARA LA ADMINISTRACIÓN

Estimados estudiantes, a lo largo de la cartilla encontrarán la fundamentación y desarrollo de la teoría

DESARROLLO DE CADA UNA DE LAS UNIDADES TEMÁTICAS

1. Redes para la administración de proyectos CPM

1.1. Representación como red

Nodo: es la representación de cada una de las actividades del proyecto.

Para entender esto de manera correcta tenemos el siguiente ejemplo:

Un proyecto con 5 actividades debe cumplir las siguientes restricciones:

MODELO PARA LA TOMAS DE DECISIONES 3

Ahora realizaremos la construcción de la red según las restricciones de la tabla 1.

Figura 1. Representación como red del ejemplo

Fuente: Elaboración propia (2016)

Actividad Predecesor Tiempo

Fuente: Elaboración propia (2016)

 Earlist start (ES): es el tiempo más temprano de iniciación de una tarea

Figura 2. Estructura de una actividad en una red

Fuente: Elaboración propia (2016)

1. El ES será el máximo de los tiempos de finalización de las actividades que preceden a la

MODELO PARA LA TOMAS DE DECISIONES 5

Fuente: Elaboración propia (2016)

Figura 4. Primer paso del desarrollo de una red

Fuente: Elaboración propia (2016)

Empezamos a encontrar el tiempo de inicialización temprana de las actividades C y D. Entonces, para el

MODELO PARA LA TOMAS DE DECISIONES 7

Fuente: Elaboración propia (2016)

Figura 6. Hallar el valor de ES de E

Fuente: Elaboración propia (2016)

Hallamos el valor de EF de la actividad E, que es básicamente sumar el Es hallado anteriormente más el

Fuente: Elaboración propia (2016)

Fuente: Elaboración propia (2016)

Ahora el tiempo LF o de terminación tardía de las actividades C y D es básicamente el tiempo de

Fuente: Elaboración propia (2016)

Figura 10. Como hallar el LF de la actividad A

Fuente: Elaboración propia (2016)

Ahora ya para finalizar la red quedará como se muestra en la figura 10.

Figura 11. Red completa

MODELO PARA LA TOMAS DE DECISIONES 9

Figura 12. Holguras de cada una de las actividades

Fuente: Elaboración propia (2016)

1.2. Ruta crítica

Actividad Predecesores Tiempo

Figura 13. Red del ejemplo 2

Fuente: Elaboración propia (2016)

Fuente: Elaboración propia (2016)

MODELO PARA LA TOMAS DE DECISIONES 11

Fuente: Elaboración propia (2016)

Castillo. (20 de Noviembre de 2007). Departamento Unican. Recuperado de Unican:

Hopp, W. &. (2008). M. Factory Physics. NY: McGraw Hill.

Winston, W. (2005). Investigación De Operaciones Aplicaciones Y Algoritmos (Cuarta Edición ed.).

MODELO PARA LA TOMAS DE DECISIONES 13

Estimados estudiantes a lo largo de la cartilla encontrarán la fundamentación y desarrollo de la teoría

 La producción es instantánea: no se tienen restricciones de capacidad y el lote completo es

𝐷 = 𝑇𝑎𝑠𝑎 𝑑𝑒 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑜𝑟 𝐴ñ𝑜.

𝐶 = 𝐶𝑜𝑠𝑡𝑜 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛, 𝑛𝑜 𝑖𝑛𝑐𝑙𝑢𝑦𝑒 𝑛𝑖 𝑎𝑙𝑖𝑠𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 𝑛𝑖 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠.

𝐶𝑜 = 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑜𝑟𝑑𝑒𝑛𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑜 𝑑𝑒 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟 𝑢𝑛 𝑝𝑒𝑑𝑖𝑑𝑜.

𝐶ℎ = 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜 𝑝𝑜𝑟 𝑎ñ𝑜. 𝑠𝑖 𝑠𝑜𝑙𝑜 𝑠𝑒 𝑡𝑖𝑒𝑛𝑒 𝑒𝑛 𝑐𝑢𝑒𝑛𝑡𝑎 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑒𝑠 𝑑𝑒𝑙

𝑑𝑖𝑛𝑒𝑟𝑜 𝑖𝑛𝑣𝑒𝑟𝑡𝑖𝑑𝑜 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝐶ℎ = 𝑖 ∗ 𝐶 𝑑𝑜𝑛𝑑𝑒 𝑖 𝑒𝑠 𝑙𝑎 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑖𝑛𝑡𝑒𝑟𝑒𝑠 𝑎𝑛𝑢𝑎𝑙.

𝑙 = 𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑒𝑛𝑡𝑟𝑒𝑔𝑎 𝑑𝑒𝑙 𝑝𝑒𝑑𝑖𝑑𝑜.

Figura 1. Inventario EOQ.

Fuente: Elaboración propia (2016)

Cantidad óptima para ordenar será:

El número de órdenes por año que se deberán solicitar son:

Para hallar el tiempo entre pedidos será: