Portafoliodeevidencias 303 B15 Labsistemas Lopezrodriguez Joseelias

UNIVERSIDAD AUTONOMA DE SINALOA
FACULTAD DE INGENIERIA LOS MOCHIS
INGENIERIA CIVIL
MATERIA:
LAB. INGENIERÍA DE SISTEMAS
CARPETA DE EVIDENCIAS PRACTICAS 1-14

PROFESOR:
JAIME EDILBERTO RABAGO AGUIRRE
ALUMNO:
LOPEZ RODRIGUEZ JOSE ELIAS
B: 15
GRUPO:
3-03
LOS MOCHIS, SINALOA,02 DE JULIO DE 2021

Universidad Autónoma de Sinaloa
Facultad de Ingeniería Mochis
Materia:
Laboratorio de Ingeniería de Sistemas
Maestro:
Ing. Jaime Edilberto Rabago Aguirre
Alumno:
López Rodríguez José Elías
Practica No. 1:
Método Simplex (Algebraico)
Grupo:
3-03
Brigada:
No. 15
20 de Marzo de 2021
PRACTICA No.1
MÉTODO SIMPLEX ALGEBRAICO
OBJETIVO: Que el alumno utilice el software TORA para resolver problemas planteados
del método simplex.
EQUIPO Y MATERIAL: Computadora.
FUNDAMENTO TEORICO
El método simplex implica un procedimiento de cómputo que determina en forma

algebraica los puntos de esquina. Esto se logra convirtiendo primero las restricciones de
igualdad en ecuaciones, para después manipular esas ecuaciones en una forma sistemática.
Problema #1
Pinturas COMEX S.A DE C.V fabrica pinturas para exterior e interior de casa habitación
de conjuntos residenciales, la cual distribuye dos tipos de materiales A y B.
Se tiene una disponibilidad de materia prima A de 6 pinturas para exterior y 4 para interior
con una disponibilidad máxima de 24 ton.
En la materia prima B se tiene una para exterior y 2 en interior con una disponibilidad
máxima de 6 ton.
MATERIA PINTURA PINTURA DISPONIBILIDAD

PRIMA EXTERIOR INTERIOR MAXIMA(Ton)
A 6 4 24
B 1 2 6
Un estudio de mercado ha establecido que la demanda diaria para pintura de interior no

debe de ser mayor que la pintura para exterior en más de una tonelada. Así mismo la
pintura para interior esta limitada en 2 ton.
El precio al mayoreo por tonelada es de 6(miles) para pintura en exterior y 4.2(miles) para
pintura en interior.
¿Cuánta pintura para exterior e interior deberá producir la compañía COMEX todos los días
para maximizar el ingreso bruto?
Función Objetivo
Zmax= 6x1+ 4.2x2
Restricciones
6 x1+ 4 x2 ≤ 24 1
x1+ 2 x2 ≤ 6 2
- x1+ x2 ≤ 1 3
x2 ≤2 4
x1 ≥0 5
x2 ≥0 6
Procedimiento:
1.- Abrir el programa TORA.
2.- Dar click en “here”.

3.- Dar click en: “linear programming”.
4. - Dar click en: “Enter new problem” y “Go to input screen”.
5.- Escribimos el nombre del problema, número de variables y número de restricciones.

6.- Seleccionamos: Maximizar; asignamos valores al nombre de las variables x1, x2. Se
introducen los datos de las restricciones y click a “SOLVE MENÚ”.
7.- Guardamos los avances.

8.- Escribimos el nombre del problema y guardar.
9. - Click en “Solve problem”, “Algebraic”, “Iterations” y finalmente “Bounded simplex”.

10. - Seleccionar “Go To Output Screen”.
11. - click en “All iterations” y aceptar.

12.- visualizamos las soluciones (x1, x2 y Zmax) en cada una de las iteraciones.
Iteración 1
Iteración 2
Iteración 3
Iteración 4
Iteración 5
Iteración 6
13. se procede activar el Excel
14. Se necesita activar el método solver, para eso se ira a la pestaña “nuevo” y luego ir al
apartado “opciones”.
15. se deberá darle click al botón “ir”
16. se activa la opción solve y darle aceptar

17. Una vez activado el solve se procede dar click y resolver
17. Se obtendrá el resultado

Conclusión:
Se necesita producir 3 toneladas de pintura exterior y 1.5 toneladas de pintura exterior y 1.5
toneladas de pintura interior y obtenemos una ganancia máxima de 24.3 mil.
Materia:
Maestro:
Alumno:
José Elías López Rodríguez
Practica No. 1:
Método Simplex (Grafico)
Grupo:
3-03
Brigada:
No. 15
21 de Marzo de 2021
Ejercicios:
Problema 1
Del problema Comex S.A. de C.V. Cambiar la función objetivo Zmax = 6 X1 + 4.2 X2,
hacer al planteamiento, la gráfica y determinar la función objetivo a maximizar.
Zmax = 4x1 + 6x2
Restricciones:
6 x1+ 4 x2 ≤ 24 1
x1+ 2 x2 ≤ 6 2
- x1+ x2 ≤ 1 3
x2 ≤2 4
x1 ≥0 5
x2 ≥0 6
1.- Repetimos los pasos 1-4 marcados en la práctica.
2.- En la siguiente ventana se encuentra el problema resuelto, para ver la solución

completa se da click en “Click here to grapgh LP in one stroke”.
3.- Se presenta la gráfica de la solución óptima.
4.- Solución óptima.
Conclusión:
Se requiere de 3 toneladas de pintura exterior y 1.5 de pintura interior para lograr la

ganancia máxima de 21.00 (miles).
Problema 2
Zmax = 2x1 + 3x1
Sujeta a:
3x1 + 2x2 <= 6
-x1 + x2 <= 0
x1 + x2 => 0
1.- Efectuamos los mismos pasos que en la práctica uno y el ejemplo anterior,
cambiando los datos a los del nuevo problema.
2.- Los resultados son:
Conclusión:
X1= 1.20, X2= 1.20 y objetivo= 6

Problema 3
X1>= 0
X2>=0
2.- Obtenemos los siguientes resultados.

Conclusión: X1= 1.88, X2= 1.88 y objetivo= 3.75
Problema 4
2.- Obtenemos los siguientes resultados.

Conclusión:
El problema no es compatible con el método gráfico ya que este método sólo puede ser
utilizado para dos variables.
Materia:
Maestro:
Alumno:
Jose Elias López Rodríguez
Practica No. 1:
Método Simplex (Algebraico)
Grupo:
3-03
Brigada:
No. 15
21 de Marzo de 2021
Practica #1 Método simplex (Algebraico)
Ejercicio 1:
Maximizar Z = f(x, y)= 3x + 2y
Sujeto a: 2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24
x≥ 0 , y≥ 0
1.- Repetimos los pasos hasta el numero 12 marcados en la práctica 1 “método simplex
algebraico”.
2.-Observamos resultados y los comparamos con los obtenidos en el método gráfico.
Conclusión:
X1= 3, X2= 12 y objetivo= 33

Ejercicio 2:
Maximizar Z = f(x1, x2)= 3x1 + 2x2
Sujeto a: 2x1 + x2 ≤ 18
2x1 + 3x2 ≤ 42
3x1 + x2 ≤ 24
x1 ≥ 0, y2 ≥ 0
algebraico”.
Conclusión:
X1= 3, X2= 12 y objetivo= 33

Ejercicio 3:
Maximizar Z = x1 + 9x2 + x3
Sujeto a: x1 + 2x2 + 3x3 ≤ 9
3x1 + 2x2 + 2x3 ≤ 15
x1 ,x2,x3 ≥ 0
algebraico”.
Conclusión:
X2= 0 y objetivo= 0, este problema no es compatible con el método algebraico.

Ejercicio 4:
Maximizar Z = 3x + 2y
Sujeto a: 2x + y ≤ 100
x + y ≤ 80
x ≤0
y ≤0
x≥0,y≥0
algebraico”.
Conclusión:
X1= 40, X2= 0 y objetivo= 80

Materia:
Laboratorio de Ingeniería de Sistemas Aplicada
Maestro:
Alumno:
Practica No. 2:
Método de transporte
Grupo:
3-03
Brigada:
No. 15
11 DE ABRIL DE 2021
PRACTICA No.2
MÉTODO DE TRANSPORTE
OBJETIVO: Que el alumno utilice el software TORA para resolver problemas

planteados del método de transporte.
EQUIPO Y MATERIAL: Computadora.
FUNDAMENTO TEORICO
Problema:
Mg auto tiene 3 plantas: los Ángeles, Detroit y new Orleans, y dos centros
de distribución en Denver y Miami. La capacidad de las tres plantas durante el
próximo trimestre seria 1000, 1500, y 1200. Las demandas trimestrales en los dos
centros de distribución son 2300 y 1400 autos. El kilometraje de las fábricas y los
centros de distribución serán:
Denver Miami
Los Angeles 1000 2690
Detroit 1250 1350
New Orleans 1275 850
La empresa transportista cobra 8 centavos por milla y por auto. El costo de

trasporte por auto, la distintas rutas y redondeado hasta el $ más próximo, se
calcula como se ve en la sig. Tabla.
Denver Miami Oferta

Los Angeles 1000*0.08=$80 2690*0.08=$215 1000
Detroit 1250*0.08=$100 1350*0.08=$108 1500
New Orleans 1275*0.08=$102 850*0.08=$68 1200
Demanda 2300 1400
El modelo de programación lineal es el siguiente minimizar:
80x11 + 215x12 + 100x21 + 108x22 + 102x31 + 68x32

Sujeta a:
x11+x12 = LOS ANGELES

x21+x22 = DETROIT
x31+x32 = NEW ORLEANS
x11 +x21 +x31 = DENVER
+x12 +x22 + x32 = MIAMI
x i j ≥ 0,i= 1,2,3; j = 1,2

Procedimiento:
1.- Abrir el programa TORA.
2.- Dar click en “here”.
3.- Seleccionamos el método de transporte “Transportation model”.

4. - Dar click en: “Enter new problem” y “Go to input screen”.
6.- Se ingresan los datos del problema.

5.- Nos preguntan si queremos guardar el problema, dar click en “si”.
6.- Ingresar el nombre y click en guardar.

5. – Seleccionamos: “Solve problem, Itineration’s y North-west”
6. - Click en “All iterations” y aceptar.
7. - Agrupamos los datos.e interpretamos resultados.

Excel
1.- Se coloca la tabla, se llena con los datos que nos da la ecuación
2.- Se va llenando con fórmulas para obtener los demás resultados

3.- Se actica la herramienta solver
4.- Se ponen todas las condiciones necesarias para que nos den los resultados
correctos.
5.-Se activa el solver para solucionar el problema
6.- Y solver le da solución al problema

1000
1000
Los Angeles
1500 Denver 2300
1300
Detroit
200 Miami 1400
1200
1200
New Orleans
Conclusión:
La solución optima obtenida con tora se resume que se manden 1000 autos de
Los Ángeles a Denver, 1300 de Detroit a Denver, 200 de Detroit a Miami y 1200
de New Orleans a Miami. El costo mínimo de transporte asociado es:
1000 x 80 + 1300 x 100 + 200 x 108 + 1200 x 68 = 313,200.00
ENTREGAR DE REPORTE
1. El alumno explicara el desarrollo de la practica desde donde se enciende la

computadora hasta que le da la solución al problema por el método de
transporte, pegando en cada uno de los paso las pantallas a donde tiene
acceso y explicar cada una de ellas.
2. El alumno dará solución a los problemas planteados en la computadora por

el método de transporte e interpretara los resultados obtenidos.
3. El alumno entregara en forma impresa y en la plataforma del Moodle la

práctica.
INGENIERIA CIVIL
TAREA PRACTICA 2. “METODO DE

TRANSPORTE”
PROFESOR:
ALUMNO:
BRIGADA
15
GRUPO:
3-03
LUGAR Y FECHA:
LOS MOCHIS, SINALOA, 11 DE ABRIL DE
2021
TAREA 2
Problema:
Una compañía constructora recibe 4 pedidos de ladrillos de diferentes obras que está
ejecutando. La empresa puede acudir a 4 proveedores para enviar ladrillos, las empresasy
sus ofertas son:
Rosales: 1200, Zacatecas: 1600, México: 700, América: 1000. Las demandas de las 4
obras son: 800, 1400, 900, 1400, los kilómetros de los proveedores a las obras serán los
siguientes:
OBRA #1 OBRA #2 OBRA #3 OBRA #4 OFERTAS

(1) (2) (3) (4)
Prov. Rosales 1000 500 700 1500 1200
(1)
Prov. 800 1300 2100 1400 1600
Zacatecas (2)
Prov. México 2300 580 830 1400 700
(3)
Prov. 1800 590 1000 990 1000
América (4)
DEMANDAS 800 1400 900 1400
El alumno elaborara:
a) La matriz de costos teniendo un costo de traslado de 33 centavos.

b) El modelo de programación lineal.
c) Diagrama de los orígenes y destinos resueltos por el método de trasporte.
d) La solución del problema utilizando TORA por el método de transporte y todas sus
variantes (pegar las pantallas).
e) La solución del problema utilizando la plantilla SOLVER de Excel (pegar las
pantallas).
a) La matriz de costos teniendo un costo de traslado de 33 centavos.
OBRA #1 OBRA #2 OBRA #3 OBRA #4 OFERTAS
PROVEEDOR X11 X12 X13 X14 1200
ROSALES 0.33*1000= 0.33*500= 0.33*700= 0.33*1500=
$330.00 $165.00 $231.00 $495.00
ZACATECAS 0.33*800= 0.33*1300= 0.33*2100= 0.33*1400=
$264.00 $429.00 $693.00 $462.00
PROVEEDOOR X31 X32 X33 X34 700
MÉXICO 0.33*2300= 0.33*580= 0.33*830= 0.33*1400=
$759.00 $191.00 $274.00 $462.00
AMÉRICA 0.33*1800= 0.33*590= 0.33*1000= 0.33*990=
$594.00 $195.00 $330.00 $327.00
DEMANDAS 800 1400 900 1400 4500
b) El modelo de programación lineal.
MODELO:
Zmin= 330X11 + 165X12 + 231X13 + 495X14 + 264X21 + 429X22 + 693X23 + 462X24 +

759X31 + 191X32 +274X33 + 462X34 + 594X41 + 195X42 + 330X43 + 327X44
SUJETO A:
X11 + X12 + X13 + X14 = 1200
X21 + X22 + X23 + X24 = 1600
X31 + X32 + X33 + X34 = 700
X41 + X42 + X43 + X44 = 1000
X11 + X21 + X31 + X41 = 800 X12
+ X22 + X32 + X42 = 1400X13 +
X23 + X33 + X43 = 900 X14 + X24

+ X34 + X44 = 1400
SOLUCIÓN CON TORA “MÉTODO GRÁFICO”
Paso 1.- Acceder al programa TORA.
Paso 2.- Al hacer click en “Click Here” aparecerá un menú donde presionaremos en
“Transportation model”.
Paso 3.- Presionaremos donde dice “Go to Input Screen”.
Paso 4.- Colocaremos todos los datos de nuestro problema ypresionaremos donde dice “Solve
Menú”.
Paso 5.- Colocaremos el cursor en “Solve Problem”, “final solution” Para que nos muestre
la solución en un solo paso.
Paso 6.- Al presionar “final solution” rápidamente nos muestra la solución final. Después
presionamos donde dice “view/modify imput data” para intentar con otrosmétodos.
Paso 7.- Una vez presionado “view/modify imput data” aparecerá “iterations” y de
ahí presionamos“North-west corner starting solution”
Paso 8.- De nuevo presionamos donde dice “View/Modify Imput Data” para intentar con
otros métodos.
Paso 9.- Una vez presionado “View/Modify Imput Data” aparecerá de nuevo
“iterations” y de ahí presionamos “Least-cost starting solution”.
Paso 10.- Al presionar aparece la solución final. De nuevo presionamos donde dice “View/Modify
ImputData” para intentar con otros métodos.
Paso 11.- Una vez presionado “View/Modify Imput Data” aparecerá de nuevo esta
pantalla donde ahora colocaremos el cursor en “iterations” y de ahí presionamos
“Vogel´s starting solution”.
Una vez realizado los pasos aparecerá el resultado

Paso 12.- Diagrama de los orígenes y destinos
Paso 13.- Solución con plantilla “Solver de Excel”
Paso 14.- Parámetros de Solver.

Paso 15.- Resultados de Solver.
Paso 16.- Solución final.

UNIVERSIDAD AUTONOMA DE
SINALOA FACULTAD DE INGENIERIA
LOS MOCHIS INGENIERIA CIVIL
MATERIA:
PRACTICA #3. “TEORÍA DE COLAS”
PROFESOR:
JAIME EDILBERTO RABAGO
AGUIRRE
ALUMNO:
BRIGADA 1 GRUPO:
3-03
LUGAR Y FECHA:
LOS MOCHIS, SINALOA, 26 DE
ABRIL DE 2021
Objetivo General: Que el alumno plantee problemas de la demanda de un servicio de un servidor
y de varios servidores.
Materiales: Computadora y el Software Tora.
Antecedentes teóricos:
La Teoría de colas es el estudio matemático del comportamiento de líneas de espera. Esta se

presenta, cuando los “clientes” llegan a un “lugar” demandando un servicio a un “servidor”, el
cual tiene una cierta capacidad de atención. Si el servidor no está disponible inmediatamente y el
cliente decide esperar, entonces se forma la línea de espera.
La Teoría de colas es únicamente un Modelo del comportamiento del tráfico que se observa todos
los días, como lo puede ser un semáforo, la espera en un banco, la fila para conseguir el ticket para
un concierto, así como el tráfico que se presenta en el envío de paquetes en redes.
“LA TEORÍA DE COLAS PRESENTA UN PANORAMA DEL COMPORTAMIENTO DE

LA COLA A TRAVÉS DEL TIEMPO Y EL ENTORNO DE LA MISMA”.
Una Cola es una línea de espera y la Teoría de colas es una colección de modelos matemáticos
que describen sistemas de línea de espera particulares o 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.
Los Sistemas de colas son modelos de sistemas que proporcionan servicio. Como modelo, pueden
representar cualquier sistema en donde los trabajos o clientes llegan buscando un servicio de algún
tipo y salen después de que dicho servicio haya sido atendido. Podemos modelar los sistemas de
este tipo tanto como colas sencillas o como un sistema de colas interconectadas formando una red.
El modelo de colas sencillo puede usarse para representar una situación típica en la cual los
clientes llegan, esperan si los servidores están ocupados, son atendidos por un servidor disponible
y se marchan cuando se obtiene el servicio requerido.
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
qué momento llegaran los clientes. También el tiempo de servicio no tiene un horario fijo.
Un Sistema de Colas se especifica por seis características principales:
1) El tipo de distribución de entradas o llegadas (Tiempo entre llegadas).
2) El tipo de distribución de salidas o retiros (Tiempo de servicio).
3) Los Canales de servicio.
4) La disciplina del servicio.
5) El número máximo de clientes permitidos en el sistema.
6) La Fuente o población.
Las Distribuciones de entrada y salida también conocidas como “Distribuciones de llegada y

retiro”, determinan los modelos por los cuales los clientes entran y salen. En estas dos
características se hace referencia a lo que es el tiempo entre llegadas y el tiempo de servicio, éstos
también son conocidos como “PATRONES”.
El Patrón de llegadas de los clientes generalmente está especificado por el tiempo entre llegadas,
que es el tiempo entre las llegadas de los clientes sucesivos a la instalación que ofrece el servicio.
En esta parte es importante indicar que a veces los clientes prefieren no esperar en la cola para
recibir el servicio y es cuando se presentan dos casos:
1) EL RECHAZO: El cliente prefiere no entrar al ver una COLA larga.
2) EL ABANDONO: El cliente está en la cola, pero prefiere dejarla.
Generalmente el “PATRÓN DE SERVICIO” está especificado por el tiempo de Servicio

(Tiempo que le toma a un servidor atender a un cliente). En esta parte es importante determinar si
un servidor atiende por completo a un cliente o si el cliente requiere una secuencia de servidores.
“El canal de servicio” es el proceso o sistema que está efectuando el servicio para el cliente. “El
canal de servicio” puede ser un proceso en serie, paralelo o mixto, es decir, una combinación de
ambas. La diferencia entre un Canal en serie y uno en paralelo es el número de clientes que pueden
ser atendidos de manera simultánea.
En un “Canal en paralelo” se pueden atender varios clientes al mismo tiempo, sin embargo, en
un “Canal en serie” los clientes tendrán que pasar por todos los canales hasta obtener el servicio.
La “DISCIPLINA DE SERVICIO” es una regla para seleccionar clientes de la línea de espera

al inicio de un servidor.
Existen diversas “Disciplinas de servicio”:

1) “FIFO” (First in, First out) el primer cliente en llegar será el primero en salir.
2) “LIFO” (Last in, First out) el último cliente en llegar será el primero en salir.
3) “AL AZAR”.
4) “DE PRIORIDAD”.
Existen tres casos especiales de “Tipos de colas” que son el cimiento del modelo, las cuales
son:
1) M/M/1 (Fuente infinita, cola infinita, servidor simple). - La llegada de los clientes es de
distribución probabilística, se ofrece el servicio de distribución probabilística y contiene un
solo servidor.
2) M/M/1/K (fuente infinita, cola finita, servidor simple
3) M/M/C o M/M/S (fuente infinita, cola infinita, servidor múltiple). - La llegada de los clientes
es de distribución probabilística, se ofrece el servicio en forma de distribución probabilística y
contiene varios servidores
Donde:
λ = Promedio de llegadas (Cliente / Tiempo) – Distribución POISSON
μ = Promedio de atención del servidor (Cliente / Tiempo) – Distribución exponencial
S o C = Numero de servidores
Cola infinita = En esta no hay problema en que lleguen mil clientes ya que todos podrán ser
atendidos.
Cola finita = En esta hay cupo máximo o límite y cuando se llegue a este límite, los clientes serán
rechazados, a este caso se le llama o se le conoce como CASO DE FRUSTRACIÓN.
Fuente o población = Representa un factor importante en el análisis de Teoría de colas ya que el

modelo de llegadas depende de la Fuente o Población de donde provienen los clientes.
Fuente infinita = Es para todo propósito practico, por siempre abundante (como las llamadas que
entran a un conmutador telefónico).
Fuente finita = Limita la cantidad de clientes que llegan (Por ejemplo, las maquinas que solicitan
el servicio de un técnico en mantenimiento).
Objetivos de la Teoría de Colas
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 y eso puede
hacer que un cliente "abandone" el sistema.
Proceso:
MODELO DE UN SERVIDOR
Lavado autómata para automóviles funciona solo con un lugar esta sigue una distribución de
POISSON, con 4 autos por hora que pueden esperar en el estacionamiento de la instalación, si el
lugar de lavado está ocupado, El tiempo para lavar y limpiar es exponencial con un promedio de
10 min. Los automóviles que no se pueden estacionar en la instalación pueden esperar en el arroyo
junto al lavado. Esto requiere decir que para todo fin práctico no hay límite en el tamaño del
sistema. El gerente de la instalación desea determinar el tamaño del estacionamiento.
λ=
μ=
MODELO CON VARIOS SERVIDORES
(M/M/c): (DG/∞/∞). En este modelo hay c servidores en paralelo. La frecuencia de llegadas es λ

y la rapidez de servicio es μ por servidor. Como no hay límite de cantidad en el sistema λef.=λ.
Hay dos empresas revolvedoras que dan servicio a una población. Cada empresa es dueña de dos
revoleras, y se sabe que las dos empresas comparten partes iguales en el mercado. Esto se ve
porque llegan ocho llamadas por hora en la oficina de cada empresa. El tiempo en promedio en el
viaje es de 12 minutos. Las llamadas llegan siguiendo una distribución de POISSON, y el tiempo
de viaje es exponencial. Hace poco, un inversionista compro las dos empresas, y le interesa
consolidarlas en una sola oficina para dar un mejor servicio a los clientes. Analice la propuesta del
nuevo dueño.
Desde el punto de vista de las colas, las revolvedoras son los servidores y el viaje es el servicio.
Se puede representar a cada empresa con el modelo (M/M/2) :(DG/∞/∞).
Escenario 1 (empresas separadas) λ =
Escenario 2 (empresas consolidadas) λ =
Una medida para calcular los modelos, es el tiempo promedio que espera un cliente: Wq.
Conclusión
La teoría de las colas tiene la función de no resolver directamente el problema, pero contribuye con
la información importante que se requiere para tomar las decisiones concernientes prediciendo
algunas características sobre la línea de espera: probabilidad de que se formen, el tiempo de espera
promedio.
UNIVERSIDAD AUTONOMA DE
SINALOA FACULTAD DE INGENIERIA
LOS MOCHIS INGENIERIA CIVIL
MATERIA:
PRACTICA #4. “TEORÍA DE COLAS
(APLICACIÓN DE LA TEORÍA)”
PROFESOR:
ALUMNO:
BRIGADA
15
GRUPO:
3-03
FECHA:
26 DE ABRIL DE 2021
PRACTICA 4: TEORÍA DE COLAS (APLICACIÓN DE LA TEORÍA)
Objetivo General: Que el alumno resuelva problemas de la demanda de un servicio y de varios

servidores y así explicar la solución de los mismos dando solución a cada uno de los servicios que
el planteo.
Materiales: Computadora Software Tora y Word.
Proceso:
MODELO DE UN SERVIDOR:
LAVADO AUTÓMATA PARA AUTOMÓVILES FUNCIONA SOLO CON UN LUGAR ESTA

SIGUE UNA DISTRIBUCIÓN DE POISSON, CON 4 AUTOS POR HORA QUE PUEDEN
ESPERAR EN EL ESTACIONAMIENTO DE LA INSTALACIÓN, SI EL LUGAR DE
LAVADO ESTÁ OCUPADO, EL TIEMPO PARA LAVAR Y LIMPIAR ES EXPONENCIAL
CON UN PROMEDIO DE 10 MIN. LOS AUTOMÓVILES QUE NO SE PUEDEN
ESTACIONAR EN LA INSTALACIÓN PUEDEN ESPERAR EN EL ARROYO JUNTO AL
LAVADO. ESTO REQUIERE DECIR QUE PARA TODO FIN PRÁCTICO NO HAY LÍMITE
EN EL TAMAÑO DEL SISTEMA. EL GERENTE DE LA INSTALACIÓN DESEA
DETERMINAR EL TAMAÑO DE LA INSTALACIÓN.
λ = 4 (autos/hora)
μ = 60/10 = 6 (Autos/hora)
1.- Abrir el programa TORA. Seleccionar “Click Here”.
2.- Al ingresar al programa Tora, después de la pantalla principal, aparece un cuadro con
distintas opciones, se debe seleccionar “Queuning analysis” para cumplir con el dicho proceso
de resolver problemas de teoría de colas (aplicación de la teoría).
3.- Posteriormente existen dos opciones de entrada: En Select Input Mode, se deja seleccionado
“Enter New Problem” y en Select Input Format se ingresa en “Decimal Notation How many N?
“5” Y How many D? “2”, y damos click en “Go to input screen”.
4.- En este caso se ingresa el nombre de la práctica y el número de escenarios y se le da enter,

para pasar al siguiente paso.
5.- A continuación, arroja el siguiente cuadro, donde nos pide “λ”, “μ”, numero de servidores,
el límite del sistema y el límite de la fuente. Y a su vez se ingresan los valores correspondientes.
6.- Una vez que se ingresan los datos correspondiente a cada celda de la tabla, se le dá clic en
SOLVE menú y aparece un mensaje que si desea guardar los datos de la tabla, se le dice que sí,
posteriormente se le asigna un nombre para ser guardado en la computadora.
7.- Una vez guardado el archivo, aparecerá un cuadro con distinta información, se debe indicar
la opción de resolver el problema, “Solve Problem”. Posteriormente además aparece una
pantalla donde se asigna e formato de salida, una vez que se llena hacer clic en “Go To Output
Screen”.
8.- En la pantalla aparece un cuadro titulado QUEVEING OUTPUT ANALYSIS (Select Output
Option) donde se pueden seleccionar distintas opciones. En esta caso Escenario 1 y
Comparative Analysis.
9.- Select Output Option : Seleccionando Escenario 1 y Comparative Analysis Resultado
Análisis comparativo
Conclusión:
Se ve en los resultados de TORA que no es necesario que el dueño contrate a otro empleado ya
que el negocio se atiende óptimamente en un 0.94%.
MODELO CON VARIOS SERVIDORES
HAY DOS EMPRESAS REVOLVEDORAS QUE DAN SERVICIO A UNA POBLACIÓN.

CADA EMPRESA ES DUEÑA DE DOS REVOLERAS, Y SE SABE QUE LAS DOS
EMPRESAS COMPARTEN PARTES IGUALES EN EL MERCADO. ESTO SE VE PORQUE
LLEGAN OCHO LLAMADAS POR HORA EN LA OFICINA DE CADA EMPRESA. EL
TIEMPO EN PROMEDIO EN EL VIAJE ES DE 12 MINUTOS. LAS LLAMADAS LLEGAN
SIGUIENDO UNA DISTRIBUCIÓN DE POISSON, Y EL TIEMPO DE VIAJE ES
EXPONENCIAL. HACE POCO, UN INVERSIONISTA COMPRO LAS DOS EMPRESAS, Y
LE INTERESA CONSOLIDARLAS EN UNA SOLA OFICINA PARA DAR UN MEJOR
SERVICIO A LOS CLIENTES. ANALICE LA PROPUESTA DEL NUEVO DUEÑO.
Escenario 1 (empresas separadas) λ = 8 (llamadas / Hora) ; μ = 60/12 = 5 (servicios / Hora);

C=2
Escenario 2 (empresas consolidada) λ = 16 (llamadas / Hora) ; μ = 60/12 = 5 (servicios /
Hora); C=4
Procedimiento PROBLEMA CON VARIOS SERVIDORES
1.-Encender computadora y buscar el programa Tora. Abrir el programa, hacer clic en “Clic
here” para ingresar.
2.- Al ingresar aparece un cuadro Menú con distintas opciones, en este caso la indicada es
seleccionar “Queuing analysis”. Para desarrollar dicho proceso de los problemas de Teoría de
Colas.
3.- En este cuadro de texto, se selecciona el modo de entrada y formato de entrada; a
continuación se refleja las opciones seleccionadas “Enter new Problem” y “Decimal Notation
How many N? “5” Y How many D? “2”, respectivas cantidades. Y finalmente hacer clic en
“Go to Input Screen”.
4.- En este caso se ingresa el nombre de la práctica y el número de escenarios en este caso son
2 y se le dá enter, para pasar al siguiente paso.
5.- Nos arrojara un cuadro, solo que ahora nos piden los datos de cada uno de los dos escenarios
que nos muestra el modelo, ingresamos los datos que corresponde a cada celda.
6.- Al analizar que la tabla contenga la información correcta de acuerdo al modelo, se hace clic
en “SOLVE menu” y aparecerá un mensaje que indica que si deseas guardar los datos, indicar
que sí. Y Posteriormente se le indica el nombre al archivo, y se selecciona la opción guardar.
7.-Una vez guardado el archivo, aparecerá un cuadro con distinta información, se debe indicar
la opción de resolver el problema, “Solve Problem”. Posteriormente además aparece una
pantalla donde se asigna e formato de salida, una vez que se llena hacer clic en “Go To Output
Screen”.
8.-En la pantalla aparece un cuadro titulado QUEVEING OUTPUT ANALYSIS (Select Output
Option) donde se pueden seleccionar distintas opciones. En esta caso Escenario 1, Escenario 2
y Comparative Analysis
Comparative Analysis
Scenario 1
Scenario 2
Problema 1 (Planteado) MODELO DE UN SERVIDOR
Lavandería autómata funciona con un lugar esta sigue una distribución, con 5 lavadoras por una
hora que pueden estar en el local, si todas las lavadoras están ocupadas, El tiempo para lavar y
secar es exponencial con un promedio de 10 minutos. Las lavadoras que no pueden estar en la
habitación de lavado están en el pasillo. Esto requiere decir que para todo fin práctico no hay
límite en el tamaño del sistema. El gerente de la instalación desea terminar el tamaño del
establecimiento. λ = 5 lavadoras/hora μ = 60/10=lavadoras/hora c = 1 servidor
Procedimiento
1. Abrir TORA y dar clic en Queuing analysis
2. Se deja seleccionado “Enter New Problem” y “Decimal Notation How many N? “5” Y How
many D? “2”, y damos click en “Go to input screen”.
3. Ingresamos el nombre de la práctica y el número de escenarios y le damos enter.
4. A continuación, nos arroja el siguiente cuadro, donde nos pide “λ”, “μ”, numero de
servidores, el límite del sistema y el límite de la fuente.
5. Ingresamos los valores correspondientes.
6. Guardamos nuestro programa.
7. Seleccionar “go to output screen”.
8. Seleccionamos scenario1.
Nos arrojara un cuadro de valores, donde nos muestran los datos como el Wq, Lq, Ls, Ws, que
son los valores que estamos buscando.
MODELO
Scenario 1
Problema 2 (planteado) MODELO CON VARIOS SERVIDORES
(M/M/c): (DG/∞/∞). En este modelo hay c servidores en paralelo. La frecuencia de llegadas es λ
y la rapidez de servicio es μ por servidor. Como no hay límite de cantidad en el sistema 𝜆𝑒𝑓.=λ. Hay
dos negocios de lavanderías que dan servicio a una población. Cada negocio es dueño de 5
lavadoras, y se sabe que los dos negocios comparten partes iguales en el mercado.
Esto se ve porque llegan 9 llamadas por hora en la oficina de cada negocio. El tiempo en promedio
en el viaje es de 15 minutos. Las llamadas llegan siguiendo una distribución de POISSON, y el
tiempo de viaje es exponencial. Hace poco, un inversionista compro los dos negocios, y le interesa
consolidarlas en una sola oficina para dar un mejor servicio a los clientes.
Analice la propuesta del nuevo dueño.
Desde el punto de vista de las colas, las lavadoras son los servidores y el viaje es el servicio. Se
puede representar a cada empresa con el modelo (M/M/2) :(DG/∞/∞).
Escenario 1 (empresas separadas) λ = 9 llamadas/hora; µ = 5 viajes/hora; c = 2 servidores
Escenario 2 (empresas consolidada) λ = 18 llamadas/hora; µ= 5viajes/hora; c= 4 servidores
Procedimiento
Paso 1: Abrir TORA y seleccionar “Queuing analysis”
Paso 2: Se deja seleccionado “Enter New Problem” y “Decimal Notation How many N? “5” Y
How many D? “2”, y damos click en “Go to input screen”.
Paso 3) Ingresamos el nombre de la práctica. Número de escenarios.
Paso 4) Nos arrojara un cuadro, solo que ahora nos piden los datos de cada uno del escenario
que nos muestra el modelo, ingresamos los datos.
Paso 5) guardar el archivo
Paso 6) Seleccionamos comparative Analysis;
Paso 7) Nos muestra un cuadro donde nos arrojan los datos como el Wq, Lq, Ls, Ws para cada
escenario y un análisis comparativo, que son los valores que estamos buscando.
Modelo
Escenario 1
Escenario 2
INGENIERIA CIVIL
MATERIA:
TAREA PRACTICA 4. “TEORÍA DE COLAS

(APLICACIÓN DE LA TEORÍA)”
PROFESOR:
ALUMNO:
BRIGADA
15
GRUPO:
3-03
FECHA:
25 DE ABRIL DE 2021
UNA DOCTORA PASA EN PROMEDIO 20 MINUTOS CON SUS PACIENTES, SI EL
TIEMPO
ESTIMADO DE ESPERA EN LA FILA ES DE 30 MINUTOS, DETERMINE:
a).- Número promedio de llegadas al sistema

b).- Tiempo promedio que pasa un cliente en todo el sistema
c).- Factor de uso del sistema
d).- Número de personas en el sistema
e).- Número de personas en la fila
f).- Probabilidad de que no haya ningún cliente en el sistema
g).- Probabilidad de que haya 3 o menos personas en el sistema
COMPROBACION EN TORA
1. Abrir el programa TORA
2. Click en “CLICK HERE” y seleccionar “QUEUING ANALYSIS”
3. Seleccionar “GO TO INPUT SCREEN” para crear nuevo problema.
4. Se llenan los datos introduciendo el nombre del problema y los números de escenario,
que en este caso es uno.
5. Se da “ENTER” y se llenan los espacios de “LAMNBA”, “MU” y “NO. DE SERVICIO”
6. Una vez llenados los datos, se selecciona “SOLVE MENU” para guardar el problema.
7. Se da clic en “SOLVE PROBLEM”
8. Se selecciona “GO TO OUTPUT SCREEN” para solucionar el problema.
9. Se selecciona “ESCENARIO1”
10. Se presentan los resultados

Materia:
Maestro:
Alumno:
Practica No. 5:
Grupo:
3-03
Brigada:
No. 15
Objetivo General: Que el alumno elabore un modelo de simulación de sistemas.
Equipo y materiales: Computadora y Software Office.
Proceso: Descripción de actividades
SIMULACIÓN CON HOJA DE CÁLCULO
1. Tendrá el siguiente acomodo, aplicando igual el siguiente formulario. Para que den los
resultados debidos.
- Y quedaría así:
Hoja de cálculo de Wilson, con demandas seleccionadas aleatoriamente

- Se anexa otra fórmula en:
Celda Formula Cópiese a
C9 =ENTERO(8+5*ALEATORIO( )) D9:F9
1.- ir a la parte inferior de Excel. Dar clic donde está el circulo con el más ‘’+’’.
2.- Se despliega una hoja de cálculo nueva dentro de la existente.
3.- Da clic derecho, se despliega una barra, en esta busca la de ‘’cambiar nombre’’ y pone
como nombre“100 iteraciones”.
4.- Escriba el valor de comienzo (1) en la celda A2 y oprima Intro.
5.- Haga clic de nuevo en la celda A2.
6.- Ir al menú Inicio en la sección rellenar donde aparece la flecha
de modificar y seleccione Series.
7.- Seleccione la opción Series en columnas y escriba el incremento de 1 y el límite un valor final de
100. Y se da aceptar. Y aparecen las iteraciones de A2 a A101.
Escribimos la siguiente formula en la celda B2 de la nueva hoja de cálculo: poner el signo = (igual)
luego irse a la hoja de cálculo de demanda aleatoria y posicionarse en B19 y darle enter.
Ahora utilizaremos el comando Tabla de datos. Esto se hace como sigue:
1.- Seleccione el rango A2:B101
2.- Haga clic en el menú Datos y después en análisis y sistemas (Análisis de Hipótesis en hojas de Excel
más reciente) y luego Tabla de datos como se muestra a continuación.
3.- En el cuadro de dialogo Tabla, determine que la celda C1 sea la columna de entrada.
Excel entonces sustituirá cada valor en el rango de A2 a A101 en la celda C1 (que no tiene ningún
efecto real), recalculara la hoja de cálculo y guardara los VNA resultantes en las celdas adyacentes
de la columna B. Después de hacer esto, usted deberá tener una lista de los valores en la columna B
respectivamente 100 valores posibles del VNA, similares a los que se muestran en la figura 11.11.
Los números que usted genere no corresponderán con los que aparecen en la figura 11.11.
Recuerde que este procedimiento produce una muestra aleatoria de 100 ensayos a partir de un
número infinito de posibles resultados. Con un poco de suerte, las características generales de su
muestra deberían ser similares a las que aparecen aquí.
A fin de enfocarnos en estas 100 observaciones, vamos a convertir las formulas en los valores
siguiendo un procedimiento simple:
1. Seleccione el rango B2:B101.
2. Dar clic derecho y después en Copiar.

3. Dar clic derecho, después en Pegado especial.
4. Seleccione la opción Valores, después haga clic en Aceptar.
A fin de obtener un resumen de nuestras 100 iteraciones, podemos utilizar la herramienta de análisis
datos predeterminada Excel. Esta herramienta genera numerosas estadísticas descriptivas (por
ejemplo, la media, la desviación estándar, el mínimo, el máximo, etc.) automáticamente. Para
utilizarlo, haga lo siguiente:
1. Selecciono análisis de datos, y después busco estadística descriptiva en las opciones.
2. Después le damos aceptar.
Distribución de resultados.
3. Después selecciono análisis de datos, y después busco histograma en las opciones.

MODELOS PROBABILÍSTICOS
Celda Formula
E21 =$E$4-1.96*$E$8/RAÍZ ($E$16)
E22 =$E$4+1.96*$E$8/RAÍZ ($E$16)

- Conclusión general.
Fue un poco enredosa esta práctica al principio pero fue rápida su realización, y se pudo realizar
correctamente.
.

Materia:
Maestro:
Alumno:
Practica No. 6:
Grupo:
3-03
Brigada:
No. 15
Práctica 6 Simulación de Sistemas (Aplicaciones Generales)
Objetivo General: Que el alumno comprenda la simulación de un sistema con una simulación aleatoria de
las ventas de una empresa de un producto y haga su propia simulación.
Proceso: Descripción de actividades
Materiales: Computadora y Software Office.
SIMULACIÓN CON HOJA DE CÁLCULO

La mayor parte de las simulaciones se llevan a cabo en hojas de cálculo, debido a que el número de cálculos
requeridos sobrepasa pronto las capacidades humanas. Las simulaciones se pueden llevar a cabo con la hoja
de cálculo sola (sin la ayuda de software complementario especial), como se demostrará en esta sección.
Aquí presentaremos un ejemplo del presupuesto de capital para mostrar el uso de una hoja de cálculo en la
simulación y para establecer algunos puntos importantes sobre los resultados de una simulación en una hoja
de cálculo.
EJEMPLO DE PRESUPUESTO DE CAPITAL:
ADICIÓN DE UN PRODUCTO A LA LÍNEA DE PROTAC

Francisco es el administrador de desarrollo de nuevos productos y está considerando las implicaciones
financieras de una posible adición a la línea de equipo pesado de PROTAC. Los costos de la puesta en marcha
para el modelo G-9 propuesto (que incluyen la compra de nuevo equipo, capacitación personal, etc.) están
estimados en $111,000. El nuevo producto será vendido a un precio de $43,000 la unidad. Los costos fijos
están estimados en $20,000 al año, mientras que el costo variable seria de aproximadamente 80% de los
ingresos de cada año. La depreciación fiscal sobre el nuevo equipo sería de $11,000 por año durante los
cuatro años de vida productiva del G-9. El valor de salvamento del equipo final de los cuatro años es incierto,
de modo que Francisco lo estima de manera conservadora en cero. El costo de capital de PROTAC es de 18%
y sutasa de impuestos es de 27%.
El aspecto más incierto de la propuesta es la demanda por el nuevo producto. Si Francisco conociera la
demanda,calcularía fácilmente el valor neto actual (VNA; también conocido como el valor neto presente) de
la propuesta utilizando un programa de hoja de cálculo. Por ejemplo, si María supone la demanda de los G-9
en 11 unidades en cada uno de los siguientes cuatro años, la hoja de cálculo en la figura 11.9 (.XLS) muestra
que el VNA sería de $43,484.87.
EL MODELO CON DEMANDA ALEATORIA

Sin embargo, es poco probable que la demanda sea exactamente igual cada año. Francisco siente que sería
más realista modelar la demanda cada año no como un valor constante común, sino como una secuencia de
variables aleatorias. Este modelo de la demanda es apropiado cuando hay un nivel constante básico de
demanda que está sujeta a fluctuaciones aleatorias de un año a otro. Cuando el nivel básico de demanda es
de 11 unidades, la demanda real para los siguientes cuatro años puede resultar que sea de 10, 9, 12 y 10,
debido a los factores aleatorios que afectan la demanda.
Como hacer una muestra de la demanda con una hoja de cálculo: Francisco decide generar la demanda
aleatoriapara cada uno de los cuatro años para ver cuál es el efecto que tiene la variación de la demanda del
VNA. El supuso inicialmente que la demanda en un año será de 8, 9, 10, 11 o 12 unidades con una misma
posibilidadde que ocurra cada valor. Este es un ejemplo de una distribución discreta uniforme. Ella utiliza
la formula
=ENTERO (8+5*ALEATORIO ( )) para hacer una muestra de la distribución discreta uniforme de los cinco
enteros 8, 9, 10, 11, 12. Debido a que el valor de ALEATORIO ( ) cambiara cada vez que se recalcule la hoja de
cálculo, Francisco puede llevar a cabo fácilmente ensayos múltiples; esto es, obtener una nueva muestra de
la demanda oprimiendo simplemente la tecla de recalculo de su hoja de cálculo (F9 por lo general). Después
dehacer esto varias veces se sorprendió de encontrar que en algunos ensayos obtenía un VNA negativo.
La siguiente figura muestra que el VNA correspondiente a una secuencia aleatoria de demandas es de
$29,729.87 aproximadamente 80% menos que el VNA si la demanda fuera constante en 11 unidades. Si
Francisco volvieraa presionar la tecla F9, obtendría una muestra diferente de la demanda, y por tanto la posibilidad
de un VNA diferente. Debido a que la demanda puede variar de una muestra a otra, también puede variar el
VNA. Dicho de manera más técnica, la demanda consiste en variables aleatorias, por lo tanto, el VNA también
es una variable aleatoria.
Hoja de cálculo inicial

Celda Fórmula Cópiese a
C10 =C9*$B$3 D10:F10
C11 =$B$4 D11:F11
C12 =C10*$D$2 D12:F12
C13 =$B$5 D13:F13
C14 =C10-SUMA(C11:C13) D14:F14
C15 =$D$4*C14 D15:F15
C16 =C14-C15 D16:F16
B17 =-$B$2 ---------
C17 =C16+C13 D17:F17
B19 =VNA($D$3,C17:F17)+B17 --------

Hoja de cálculo, con demandas seleccionadas aleatoriamente
Celda Formula Cópiese a

C9 =ENTERO(8+5*ALEATORIO( )) D9:F9
EVALUACIÓN DE LA PROPUESTA
María se da cuenta de que necesita elaborar un modelo de simulación para que le ayude a responder dos
preguntas acerca de la distribución del VNA: (1) ¿cuál es la media o el valor esperado del VNA? Y (2) ¿cuál
es la probabilidad de que el VNA asuma valor negativo? Entre más grande sea el valor de VNA y –quizás
más importante- entre menos posible sea el VNA logre ser negativo, más atractiva será la propuesta de añadir
el G-9 a la línea de producción de PROTAC.
Así que el siguiente paso es ejecutar automáticamente la simulación cierto número de veces y capturar el
VNA resultante en una hoja de cálculo por separado. Esto se puede hacer con bastante facilidad con el
comando Tabla de datos de la hoja de cálculo, como sigue:
1.- Dar clic derecho en la ceja de la parte inferior izquierda
2.- Seleccione Insertar, después Hoja de Calculo
3.- Hacer doble clic en la nueva ceja de la parte inferior que tenga el nombre de la hoja de cálculo (por lo
general un nombre predeterminado como “Hoja 3”) y poner el nombre de “140 iteraciones”.
4.- Escriba el valor de comienzo (1) en la celda A2 y oprima Intro.
5.- Haga clic de nuevo en la celda A2.

6.- Ir al menú Inicio en la sección rellenar donde aparece la flecha de modificar y seleccione Series.
7.- Seleccione la opción Series en columnas y escriba el incremento de 1 y el límite un valor final de 140.
8.- Haga clic en aceptar.
Excel llenara automáticamente la columna de la celda seleccionada (A2) con valores ascendentes en 1 (el valor inicial)
hasta que alcance el valor de 140. Afín de encontrar el VNA, escribimos la siguiente formula en la celda B2 de la nueva
hoja de cálculo: poner el signo = (igual) luego irse a la hoja de cálculo de demanda aleatoria y posicionarse en B19 y
darle enter.
Ahora utilizaremos el comando Tabla de datos. Esto se hace como sigue:
1.- Seleccione el rango A2:B141
2.- Haga clic en el menú Datos y después en análisis y sistemas (Análisis de Hipótesis en hojas de Excel más reciente) y
luego Tabla de datos como se muestra a continuación.
3.- En el cuadro de dialogo Tabla, determine que la celda C1 sea la columna de entrada
4.- Haga clic en Aceptar.

Excel entonces sustituirá cada valor en el rango de A2 a A141 en la celda C1 (que no tiene ningún efecto real),
recalculara la hoja de cálculo y guardara los VNA resultantes en las celdas adyacentes de la columna B. Después de
hacer esto, usted deberá tener una lista de los valores en la columna B respectivamente 140 valores posibles del
VNA, similares a los que se muestran en la figura 11.11. Los números que usted genere no corresponderán con los
que aparecen en la figura 11.11. Recuerde que este procedimiento produce una muestra aleatoria de 140 ensayos
a partir de un número infinito de posibles resultados. Con un poco de suerte, las características generales de su
muestra deberían ser similares a las que aparecen aquí.
A fin de enfocarnos en estas 140 observaciones, vamos a convertir las formulas en los valores siguiendo un
procedimiento simple:
1. Seleccione el rango B2:B141.

2. Dar clic derecho y después en Copiar.
3. Dar clic derecho, después en Pegado especial.
4. Seleccione la opción Valores, después haga clic en Aceptar.
A fin de obtener un resumen de nuestras 140 iteraciones, podemos utilizar la herramienta de análisis datos
predeterminada Excel. (Si no aparece la opción de análisis de datos en su menú Datos, en la sección herramienta de
datos dar clic derecho después seleccionar “personalizar barra de herramientas de acceso rápido” Seleccione la opción
Complementos del menú Herramientas, después seleccione la opción Complementos de Excel a lado de Administrar
después dar clic en el botón Ir, en el siguiente paso seleccionar la herramienta “Herramientas para Análisis” y después
clic en aceptar). Esta herramienta genera numerosas estadísticas descriptivas (por ejemplo, la media, la desviación
estándar, el mínimo, el máximo, etc.) automáticamente. Para utilizarlo, haga lo siguiente:
Cuadro de complementos
Cuadro de complementos
1. Menú Datos, después análisis de datos (se encuentra en la parte superior derecha).
2. Haga Clic en Estadísticas descriptivas, y complete el cuadro de dialogo que aparece en la figura 11.12.
3. Haga clic en Aceptar.
Tabla 11.11 Resultados de Simulación

Figura 11.12 Cuadro de dialogo Estadísticas Descriptivas
Con base en esta muestra limitada, los resultados aparecen en la figura 11.13, e indican que la media estimada de VNA
es de $26,323.77 y la desviación estándar es más bien grande, de $12,222.21.
Riesgo hacia abajo y riesgo hacia arriba Francisco también desea saber cuál es el mejor y el peor resultado posible. En
estamuestra, podemos ver en la figura 11.13 que el VNA más grande es de $57,134.95 y el menor es de -$7179.75. Esto
le da una mejor idea del rango del VNA posible que puede ocurrir.
Distribución de resultados Aunque los datos de la figura 11.13 ofrecen más información que en el caso básico VNA,
existen otros factores que debemos considerar. ¿Qué tan posible es que ocurran estos resultados extremos (mejor
caso, peor caso)? A fin de responder a esta pregunta, necesitamos saber algo acerca de la distribución de VNA.
Afortunadamente, Excel también tiene algunas características predeterminadas para ayudarnos. Para generar un
histograma (una distribución grafica de los VNA) así como una tabla de frecuencia numérica, solo siga estos pasos:
1. Menú Datos, después en Análisis de datos.

2. Escoja Histograma y complete su cuadro de dialogo como se muestra en la figura 11.14.
3. Haga clic en Aceptar.
MODELOS PROBABILÍSTICOS
FIGURA 11.13 Resumen de las estadísticas Descriptivas.
Celda Formula
E21 =$E$4-1.96*$E$8/RAÍZ ($E$16)
E22 =$E$4+1.96*$E$8/RAÍZ ($E$16)

Cuadro de dialogo del histograma
En este caso, hemos guardado los resultados en una hoja de cálculo llamada “distribución el VNA”. Esta (que se refiere
al valor neto de presente) aparece en la figura 11.15. La columna frecuencia mostrada en la columna B indica el número
de nuestros 140 ensayos que cayeron dentro de los parámetros definidos por Excel en la columna. Por ejemplo, una
observación fue menor que o igual a ($7179.75); 4 observaciones fueron mayores que ($4513.82) y menores que o
iguales a ($1332.96). El mayor número de observaciones (27) ocurrió en el intervalo de mayores que $33,747.78 y
menores que o iguales a $27,900.99. El histograma que se muestra a la derecha de la figura 11.15 de una representación
visual de los resultados posibles para el VNA. Tiene una forma más o menos de campana.
La columna % acumulado que se muestra (la columna C) indica que más de 0.71% de las observaciones VNA fueron
negativas (menores que 0). Estos datos pueden resultar útiles para responder a otras preguntas que podría formular
Francisco o su jefe financiero.
¿Qué tan confiable es la simulación? Francisco ahora tiene las respuestas a sus dos preguntas acerca de la distribución
delVNA: (1) ¿cuál es el valor medio del VNA? (A: $26,323.77), y (2) ¿Cuál es la probabilidad de que el VNA asuma un
valor negativo? (A: > 0.71%). Ahora haremos más preguntas: ¿Cuánta confianza tenemos en las respuestas que obtuvo
Francisco?
¿Tendríamos más confianza si el hiciera más ensayos?
Histograma y tabla de frecuencias
Con certeza, se piensa que entre más ensayos hagamos, más confianza tendremos en nuestras respuestas. Pero ¿Qué
tanta confianza podemos tener en las 140 iteraciones que ya hicimos? Desde el mundo de la estadística, recordemos
que podemos construir intervalos de confianza con base en los resultados obtenidos. Por ejemplo, podemos tener 95%
de confianza en que el verdadero valor medio VNA está dentro del intervalo
De 1.95 desviación estándar reportada, dividida entre la raíz cuadrada del número de ensayos. Este intervalo de 95%
de confianza en la media fue calculado por Francisco y dado a conocer en la figura 11.13 como ($42,298.33, $28,349.12,
dichode otra manera podemos tener 95% de confianza en que la verdad media del VNA está en algún punto entre
$42,298.33 y $28,349.12.
Debemos tener cuidado con no caer en la trampa del “valor esperado”! muchos estudiantes creen que la media realdel
VNA puede calcularse siempre estableciendo todas las variables alectorias por sus valores medios ( establecer todas
las demandas en 11 en este ejemplo).esto es lo que Francisco tenían en su hoja de cálculo inicial (véase la figura 11.9)
pero no hay garantía alguna del que VNA obtenido en esta manera sea también simulada verdadera aunque puede
parecer lógico hay algunas debilidades potenciales en este razonamiento. Primero la manera en que se utiliza de la
demanda para calcular los flujos de efectivo anule para después convertirlos en un solo número de VNA (o cualquier
otra media de desempeño) puede ser altamente no lineal.
Existen casos donde este razonamiento intuitivo puede funcionar, pero esto no ocurrirá siempre:
Un simple ejemplo de una de las expresiones de la vida diaria debería convencerlo de que el VNA(o cualquier otra
media de desempeño) calculada con el valor esperado de las variables alectorias no es necesariamente igual al VNA
esperado, considere una fila o cola de espera en la tienda de comestibles, suponga que el tiempo esperado para atender
a un cliente es de 0.9 minutos y que el tiempo promedio entre la llegada de los clientes es de 1 minuto. Al examinar la
situación utilizando los valores esperados usted presidiría que el tiempo de espera será en promedio de 0 minutos (Los
clientes son atendidos más rápido de lo que llegan) pero todos sabemos que el tiempo de espera promedio es mayor
que 0 minutos a pesar de que a veces somos afortunados y no tenemos que esperar.
En resumen, Francisco necesita más de 140 ensayos si desea respuestas más precisas a sus preguntas ¿Qué es lo que
hemosaprendido?
1. Aumentar el número de ensayos puede dar una mejor estimación del rendimiento esperado, pero incluso con
un mayor número de ensayos puede haber diferencias entre el promedio simulado y el rendimiento esperado
real. Observe que el VNA esperado real en el ejemplo de Francisco resulta ser de $43484.87; el VNA promedio
de 140 muestras fue de $26,323.77
2. Las simulaciones pueden proporcionar información útil sobre la distribución de resultados, incluso con una
muestra pequeña de 140 ensayos hubo una indicación (por probabilidad de mayor de 0.77) de que el proyecto
puede resultar en un VNA negativo. Esta información es muy valiosa y es algo que no se podría haber
determinado con solo el análisis del costo básico, o incluso con un análisis de riesgo hacia arriba/hacia abajo.
3. Los resultados de la simulación son sensibles a las hipótesis que afectan los parámetros de entrada. La sección
siguiente nuestra que si Francisco cambia sus suposiciones acerca de la distribución de la demanda (a una
distribución de POISSON con la misma medida de 15) habría un impacto importante en la probabilidad de que
se produjera un VNA negativo
CONCLUSION:
Esta práctica fue igual a la anterior, se retroalimento lo aprendido lo de la práctica anterior y

fue más rápida y sencilla de hacer esta.
Materia:
Maestro:
Alumno:
Practica No. 7:
Toma de Decisiones
Multicriterio
Grupo:
3-03
Brigada:
No. 15
Práctica 7 Toma de Decisiones Multicriterio (Estrategias Puras).
Objetivo General:
El objetivo de la toma de decisiones multicriterio, es que el alumno tome la mejor
alternativa posible en las distintas situaciones posibles que se le presenten en los problemas.
ÁRBOLES DE DECISIÓN: VENTA DE TRACTORES PARA
JARDÍN Y USO DOMÉSTICO.
Un árbol de decisiones es un dispositivo gráfico para el análisis de decisiones bajo riesgo;
esto es, modelos en los que tanto las decisiones como las probabilidades de los estados de
la naturaleza están definidas. De manera más precisa, los árboles de decisiones fueron
diseñados para utilizarse en modelos de los que hay secuencia de decisiones, cada una de
las cuales podría llevarnos a uno de varios resultados inciertos. Por ejemplo, un
concesionario tiene que decidir típicamente cuanto ofrecer por cada uno de los diversos
locales posibles en la feria estatal. El resultado de esta decisión no es seguro, ya que
depende de cuánto decidirán ofrecer los competidores. Una vez conocida la localización, el
concesionario debe decidir cuanta comida almacenar. El resultado de esta decisión en
términos de utilidades tampoco es seguro, dado que dependerá de la demanda de los
clientes.
Nuestro análisis de los árboles de toma de decisión está organizado de la siguiente manera:
en esta sección hacemos una introducción a los conceptos básicos y a un complemento de
hoja de cálculo, SimpleDecisionTree_V1.4, que elabora los árboles de decisión en una hoja
de cálculo. Todo el análisis está motivado por el siguiente modelo de producción y
mercadotecnia que enfrenta la administración de PROTRAC.
ESTRATEGIAS ALTERNATIVAS DE MERCADOTECNIA DE
PRODUCCIÓN
Acaba de completarse la fase de diseño y prueba del producto para la nueva línea de
tractores para jardín y uso doméstico de PROTRAC. La alta gerencia está tratando de
decidir la estrategia de mercadotecnia y producción apropiadas para usarse con este
producto. Se están considerando tres alternativas principales. Cada una está identificada
mediante una sola palabra.
1. Agresiva (A): Esta estrategia representa un compromiso importante por parte de la
empresa con esta línea de producto. Se incurriría en importantes desembolsos de
capital para una nueva y eficiente planta de producción. Se acumularían grandes
inventarios para garantizar la entrega apropiada de todos los modelos. Se iniciaría
una gran campaña de publicidad incluyendo un patrocinio a nivel nacional de
comerciales en televisión y se arrancaría un programa de descuento a distribuidores.
2. Básica (B): En este plan, la producción del E-4 (la tractor oruga pequeño) sería
trasladada de Joliet a Moline. Este traslado eliminaría el problemático departamento
de producción del pelicano ajustable y del excavador. Al mismo tiempo, la línea E-4
en Joliet sería modificada para producir el nuevo producto para jardín y uso
doméstico. Se mantendrían inventarios solo para los productos más populares. Las
oficinas centrales pondrían fondos a disposición para apoyar esfuerzos locales o
regionales de publicidad, pero no se haría una campaña publicitaria nacional.
3. Cautelosa (C): En este plan, la capacidad sobrante en varias de las líneas E-4 se
utilizaría para manufacturar los nuevos productos. Se desarrollaría un mínimo de
nuevo montaje. La producción se programaría para satisfacer la demanda y la
publicidad correría a cargo del comerciante local.
La administración decide clasificar el estado del mercado (es decir, el nivel de la demanda)
como fuerte (F) o débil (D”) (se escribe D” para diferenciarla de D, que corresponde a
“Desalentador”). En realidad, la demanda se caracteriza por un conjunto de resultados
posibles. En este ejemplo introductorio nos limitaremos a dos estados posibles (fuerte y
débil) para simplificar las cosas. Para un análisis del tema sobre cómo tratar estados de
naturaleza infinitos. Vea la sección 10.11. La hoja de cálculo que se muestra en la figura
10.11 (PROTRACDT.XLS) presenta la tabla de retribuciones y la mejor estimación sobre
las probabilidades de un mercado fuerte o débil hecha por la administración. Las
retribuciones en el cuerpo de la tabla son las utilidades netas medidas en millones de
dólares. Fueron generadas calculando cuidadosamente las ventas, ingresos y costos
asociados con cada combinación de decisión/estado de la naturaleza. Es interesante
observar que una decisión cautelosa (C) reditúa una utilidad mayor con un mercado débil
que con un mercado fuerte. Si el mercado es fuerte y PROTRAC cauteloso, los
competidores no sólo capturaran el mercado de tractores pequeños, sino que, como
resultado del efecto posterior a estas ventas, la competencia penetrará seriamente en la
posición actual de mercado de PROTRAC de accesorios y otros productos domésticos.
Aquí nos estamos enfrentando con lo que hemos llamado decisiones bajo riesgo, además de
que calcularemos el rendimiento esperado para cada decisión y seleccionaremos la mejor de
ellas (como lo hicimos en la sección 10.2), excepto que aquí comenzaremos en una hoja de
cálculo y nos saltaremos el procedimiento “manual”. La fórmula para el rendimiento
esperado se muestra en la barra de ecuaciones de la figura 10.11, así como las retribuciones
esperadas resultante para cada una de las tres decisiones en la columna D. La decisión
optima, si usted es indiferente al riesgo, seria seleccionar (B), la estrategia básica de
producción y mercadotecnia, que produce la más elevada retribución esperada de $12.85
millones.
COMO CREAR UN ÁRBOL DE DECISIONES.
Este modelo de mercadotecnia también puede representarse mediante el árbol de decisiones
que mostraremos abajo. En nuestra exposición de los árboles de decisión, un nodo cuadrado
(nodo de decisión en SimpleDecisionTree_V1.4) representara un punto en el que debe
tomarse una decisión, y cada línea que salga del cuadro representara una posible decisión.
Los nodos circulares (nodos de evento en SimpleDecisionTree_V1.4) representaran
situaciones donde el resultado es incierto. Cada línea proveniente de un círculo representa
un resultado posible. El término ramas se utilizará para las líneas que emanan de nodos,
sean cuadrados o circulares. Los pasos para crear el árbol de decisiones para el modelo
PROTRAC en SimpleDecisionTree_V1.4 son los siguientes:
PASO 1.- Activar Complemento SimpleDecisionTree_V1.4: Dar
clic en Archivo/Opciones
Paso 2.- Dar clic en la ventana complementos, clic en el botón “ir”

Paso 3.- Dar clic en el botón “Examinar” y buscar el complemento
SimpleDecisionTree_V1.4 para activarlo. Dar clic en el botón “Aceptar”.
PASO 4.- Ir a la ventana complementos. Usar los elementos de la barra para armar el
diagrama de árbol. Insertar nodo de decisión.
PASO 5.-Como se requieren tres alternativas en el diagrama haga clic en agregar rama.
PASO 6.- Etiquete las tres ramas como Agresiva, Básica y Cautelosa.
PASO 7.-Insertar los símbolos de posibles estados de la naturaleza para cada decisión
(FUERTE, DÉBIL) con sus respectivas probabilidades. Agregar valores de las
retribuciones en los campos correspondientes.
COMO ESTABLECER LAS PROBABILIDADES Y VALORES TERMINALES.
El árbol de decisiones que se presenta en la figura es una forma eficiente en que la
administración puede visualizar la interacción entre decisiones y eventos no seguros. Sin
embargo, si la administración desea utilizar el árbol de decisiones para seleccionar la
decisión optima, debe de añadirse cierta información al diagrama. En particular, se debe
asignar el rendimiento asociado con cada posición terminal. A esto se le llama valor
terminal. También se debe asignar una probabilidad a cada rama proveniente de cada nodo
circular. Para el modelo básico esta es una tarea relativamente simple, y se puede hacer
como sigue:
COMO PLEGAR EL ÁRBOL.
Al empleo que se le da a un árbol para encontrar la decisión óptima se le llama resolver el
árbol. SimpleDecisionTree_V1.4 hace esto por nosotros automáticamente. Para resolver un
árbol de decisiones se trabaja de atrás hacia delante (es decir, de derecha a izquierda) o en
la jerga correspondiente, plegando el árbol. Primero, las ramas terminales se pliegan
calculando el valor esperado de cada nodo terminal. Por ejemplo, observe el nodo de evento
en la celda G12. El cálculo para obtener el valor esperado para este nodo es:
Valor terminal esperado = 30(0.45) + (-8) (0.55) = 9.10
En otras palabras, el valor esperado a obtenerse si se llega a la celda G12 es 9.10. Ahora las
ramas provenientes de ese nodo particular están plegadas (es decir, eliminadas), el valor
esperado de 9.10 es asignado al nodo, como se muestra en la celda F13 de la figura.
Llevando a cabo los mismos cálculos para los nodos de las celdas G20 y G28 obtenemos
sus valores esperados, como se muestra en las celdas F21 y F29 de la figura. Observe que
los valores terminales esperados en cada uno de estos nodos son idénticos a los valores de
rendimiento esperado calculados antes en esta sección (véase la figura 10.11) para las
decisiones A, B y C, respectivamente. Ahora la administración solo enfrenta el sencillo
problema de elegir la alternativa que de cómo resultado el valor terminal esperado más
elevado. En este caso, como vimos anteriormente, la elección “optima” es la estrategia
básica (la alternativa B), y SimpleDecisionTree_V1.4 lo indica en la celda A21 con un
“12.85”, lo que significa escoger la segunda rama o la estrategia básica.
SimpleDecisionTree_V1.4 puede analizar arboles más complejos siguiendo los mismos

procedimientos. En cada circulo el software determina la suma de los valores esperados de
cada rama que proviene del mismo, mientras que en cada cuadrado elige la “mejor” rama
(valor máximo), yendo de derecha a izquierda.
El análisis anterior nos da un ejemplo simple de cómo se puede analizar el modelo básico
con un árbol de decisiones. En las secciones siguientes usted verá el uso de árboles de
decisión en escenarios más complejos. Sin embargo, este análisis de introducción ilustra un
punto importante: para el modelo básico un árbol de decisiones simplemente proporciona
otra manera más grafica de ver el mismo modelo. Se utiliza exactamente la misma
información, y se realizan los mismos cálculos, ya que se utilicen los pasos descritos en la
sección 10.11 o el árbol de decisiones para resolver el modelo.
Conclusiones:
Esta práctica fue fácil de realizar, muy sencilla la instalación para hacer el diagrama de árbol fue
rápido, estuvo interesante esta práctica.
Materia:
Maestro:
Alumno:
Practica No. 8:
TOMA DE DECISIONES MULTICRITERIO
(ESTRATEGIAS MIXTAS)
Grupo:
3-03
Brigada:
No. 15
RÁCTICA # 8
TOMA DE DECISIONES MULTICRITERIO (ESTRATEGIAS MIXTAS)
OBJETIVO: Que el alumno utilice el software EXCEL, COMPUTADORA O

CALCULADORA para resolver problemas de decisiones multicriterio.
EQUIPO Y MATERIAL: Computadora y calculadora.
FUNDAMENTO TEÓRICO
ANÁLISIS DE DECISIONES Y JUEGOS
En el análisis de decisiones se usa un proceso racional para seleccionar la mejor de varias

alternativas. La “bondad” de una alternativa seleccionada depende de la calidad de los datos que
se usen para describir el caso de la decisión. Desde este punto de vista, un proceso de toma de
decisión puede caer en una de las tres categorías siguientes.
1. Toma de decisiones bajo certidumbre, en la que los datos se conocen en forma

determinada.
2. Toma de decisiones bajo riesgo, en la que los datos se pueden describir con distribución
de probabilidades.
3. Toma de decisiones bajo incertidumbre, en donde a los datos no se les puede asignar
pesos o factores de ponderación que representen su grado de importancia en el
proceso de decisión.
De hecho, bajo certidumbre, los datos están bien definidos y bajo incertidumbre, los datos
son ambiguos. La toma de decisiones bajo riesgo presenta entonces el caso “la mitad del
camino”.
8.1 TOMA DE DECISIONES BAJO CERTIDUMBRE: PROCESO DE JERARQUÍA

ANALÍTICA (AHP)
Los modelos de programación lineal presentados en el capítulo 2 al 8 son ejemplos de tomas de
decisiones bajo certidumbre, en donde todas las funciones están bien definidas. El proceso de
jerarquía analítica (AHP, por sus siglas en inglés: The process of analytical hierarchy) está
diseñado para casos en los que las ideas, sentimientos y emociones se cuantifican con base en
juicios subjetivos para obtener una escala numérica para dar prioridad a las alternativas de
decisión.
Antes de presentar los detalles del proceso de jerarquía analítica usaremos un ejemplo
que muestra la idea general del método.
Ejemplo 1:
Daniel Montero, un brillante egresado de bachillerato, ha recibido tres ofertas de beca completa
en tres instituciones: UDO, UAD y UAS. Para seleccionar una universidad, Daniel enuncia dos
Criterios principales: ubicación y reputación académica. Como es tan buen estudiante, juzga que
la reputación académica es cuatro veces más importante que el lugar, con lo que se tienen pesos
aproximados de 21% de la ubicación y 76% de la reputación. A continuación usa un análisis
sistemático (que detallaremos después) para categorizar las tres universidades desde el punto de
vista del lugar y la reputación. La tabla siguiente clasifica los dos criterios para las tres
universidades:
Estimaciones de peso porcentual para las universidades

Criterio UDO % UAD UAS
Ubicación 10.6 2.60 6.34
Reputación 14.3 28.6 57.10
La estructura del problema de decisión se resume en la figura 8.1. El problema implica una sola
jerarquía (el nivel) con dos criterios (ubicación y reputación) y tres alternativas de decisión:
UDO, UAD y UAS.
La clasificación de las tres universidades se basa en calcular un factor de ponderación o
peso compuesto para cada universidad, como sigue:
UDO = 0.21 * 0.106 + 0.76 * 0.143 = 0.1309
UAD = 0.21 * 0.26 + 0.76 * 0.286 = 0.272
UAS = 0.21 * 0.634 + 0.76 * 0.571 = 0.5671
Con base en estos cálculos, la UAS tiene el mayor peso compuesto y en consecuencia representa
la mejor elección de Daniel.
FIGURA 8.1
Resumen de cálculos del proceso de jerarquía analítica para el ejemplo 8.1-1
8.1 Toma de decisiones bajo certidumbre: proceso de jerarquía analítica (AHP)
FIGURA 8.2
Refinamiento del problema de decisiones del ejemplo 8.1-1
La estructura general del proceso de jerarquía analítica puede comprender varias

jerarquías de criterios. Supongamos que en el ejemplo 8.1-1, Samir, el hermano gemelo de
Gabriel, también fue aceptado con beca total en las tres universidades. Sin embargo, sus padres
estipulan que los dos deben asistir a la misma universidad. La figura 8.2 muestra el problema de
toma de decisiones, que ahora implica dos jerarquías de criterios. Los valores p y q
(posiblemente iguales) en la primera jerarquía representan los pesos relativos asignados a las
opiniones de Samir y de Gabriel acerca del proceso de selección. La segunda jerarquía usa los
pesos (p1, p2) y (q1, q2) para reflejar las opiniones individuales de Samir y de Gabriel sobre los
criterios de ubicación y reputación de cada universidad. El resto de la estructura de decisión se
puede interpretar en forma parecida. Nótese que p + q = 1, p1 + p2 = 1, q1 + q2 = 1,
p11 + p12 + p13 = 1, p21 + p22 + p23 = 1, q11 + q12 + q13 = 1, q21 + q22 + q23 = 1.
La determinación del peso compuesto de Univafu, que se ve en la figura 8.2, demuestra la maneraen que se
hacen los cálculos.
CONJUNTO DE PROBLEMAS 8.1ª
1. Suponga que se asignan los pesos siguientes para el caso de Samir y de Gabriel
p = 0.5, q = 0.5
p1 = 0.17, p2 = 0.83
p11 = 0.129, p12 = 0.277, p13 =0.594
p21 = 0.545, p22 = 0.273, p23 = 0.182
q1 = 0.3, q2 = 0.7
q11 = 0.2, q12 = 0.3, q13 = 0.5
q21 = 0.5, q22 = 0.2, q23 = 0.3
Con base en esta información, clasificar las tres universidades (Hacer los cálculos y el
diagrama del proceso de jerarquía analítica).
Determinación de los factores de ponderación (pesos). El meollo del proceso de jerarquía

analítica es la determinación de pesos relativos, como los que se usaron en el ejemplo 14.1 para
clasificar las alternativas de decisión. Suponiendo que se manejan n criterios en una jerarquía
determinada, el procedimiento establece una matriz de comparación por pares, A, de n * n que
refleja el juicio de quien toma las decisiones acerca de la importancia relativa de los distintos
criterios. La comparación apareada, o por pares, se hace de tal manera que el criterio en el
renglón i (i = 1, 2,…, n) se clasifican en relación de cada uno de los criterios representados por
las n columnas. Si aij define al elemento (i, j) de A, el proceso de jerarquía analítica usa un a
escala discreta de 1 a 9, en el que aij = 1 significa que i y j son igualmente importantes; aij = 5
significa que i es mucho más importante que j, y aij = 9 indica que i es extremadamente más
importante que j. los demás valores intermedios entre 1 y 9 se interpretan en consecuencia. En
áreas de la consistencia, aij = k implica, automáticamente, que aij = 1/k. También, todos los
elementos diagonales aij de A deben ser iguales a 1, porque califican u criterio contra sí mismo.
Ejemplo 8. 1-2
Para mostrar cómo se determina la matriz de comparaciones A en la que el problema en la

Decisión de Daniel en el ejemplo 8.1-1, se comienza con la principal jerarquía correspondiente a los
criterios de ubicación y reputación de una universidad. Según el juicio de Daniel, la reputación de una
universidad es mucho más importante que su ubicación, y en consecuencia asigna el valor a21 = 5. Al
elemento (2, 1) de A. esta asignación implica en forma automática.
Que a12 = 1/5. Si se usan los símbolos L y R para representar ubicación y reputación,la
matriz de comparación correspondiente es:
L R
A= L/R (1/5 1/5/1)

Los pesos relativos de L y R se pueden determinar a partir de A dividiendo los elementos de cada
columna entre la suma de los elementos de la misma columna. Así, se divide los elementos de la
columna 1 (1 + 5 = 6) y los de la columna 2 entre (1/5+ 1 = 1.2) para normalizar a la matriz A. los pesos
relativos que se buscan, wR y wL se calculan entonces como promedios de renglón de la matriz
normalizada resultante. Así:
L R promedio de renglón
N =L/R WL=0.2+0.2/2=0.2
(0.20/0.80 0.20/0.80)
WL=0.8+0.8/2=0.8
El resultado de los cálculos wL = 0.2 y wR = 0.8, son los pesos que se usaron en la figura 8.1.
Las columnas de N son idénticas, característica que solo se presenta cuando quien toma las decisiones tiene una
consistencia perfecta para especificar los elementos de la matriz de comparación A. este punto se descubrirá más
adelante en esta sección.
Los pesos relativos de las alternativas UDO, UAD, UAS se determinan con cada uno de los criterios L y R, usando las
dos matrices de comparación siguientes, cuyos elementos se basan en el juicio de Gabriel acerca de la importancia
relativa de las tres universidades.
Al sumar las columnas se llega a

Suma de las columnas de AL = (9, 4.33, 1.53)
Suma de las columnas de AR = (7, 3.5, 1.75)
Las siguientes matrices normalizadas se determinan dividiendo todos los elementos entre las respectivas sumas de
columna:
A B C promedios de renglón:
A 0.111 0.076 0.131
Nl= B 0.333 0.231 0.216
C 0.555 0.693 0.654
A B C promedio de renglón:
A 0.143 0.143 0.143
Nr= B 0.286 0.286 0.286
C 0.571 0.571 0.571
Los valores (wla, wlb, wlc) = (0.106, 0.26,

0.634), son los pesos respectivos de la UDO, UAD, UAS, desde el punto de vista de la ubicación. De igual forma (wra,
wrb, wrc) = (0.143, 0.286, 0.571), representan los pesos relativos acerca de la reputación académica.
CONSISTENCIA DE LA MATRIZ DE COMPARACIÓN
En el ejemplo. 8.1-2. Todas las columnas de las matrices normalizadas N y Nr son idénticas, y
las de Nl no lo son. Entonces, se dice que las matrices originales de comparación A y Ar son
consistentes, y que Al no lo es.
Consistencia significa que quien toma decisiones muestra un juicio coherente en la

especificación de la comparación por partes de criterios o alternativas. Matemáticamente se dice
que una matriz de comparación A es consistente si:
Aij Ajk= Aik para todas i, j, k
Por ejemplo, en la matriz Ar del ejemplo 8.1-2. A13 = 3 y A12 A23= 2 *3/2 = 3. Esta propiedad
requiere que todas las columnas (y todos los renglones) sean linealmente dependientes. En
particular, las columnas de toda matriz de comparación 2*2 son dependientes y en consecuencia
una matriz de 2*2 siempre es consistente.
Es raro que todas las matrices de comparación sean consistentes. En realidad, así como el juicio
humano es la base de la construcción de esas matrices, cabe de esperar cierto grado de
inconsistencia, que se debe tolerar siempre que no sea irrazonable.
Suma de las columnas P= (13,4.333 ,1.444)
A B C promedios de renglón:
A 0.077 0.077 0.077
P= B 0.231 0.231 0.231
C 0.692 0.692 0.692
Suma de las columnas U= (7,3.5, 1.75)
A 0.143 0.143 0.143
U= B 0.286 0.286 0.286
C 0.571 0.571 0.571
Suma de las columnas C= (12,5.25 ,1.393)
A 0.083 0.048 0.103
C= B 0.333 0.19 0.179
C 0.583 0.76 0.718

Procedimiento:
PASO 1.- Abrimos el programa Excel
PASO 2.- Con base en esta información, clasificar las tres universidades ingresando los
datos al programa.
El diagrama del proceso de jerarquía analítica.
UNIVAFU
D28 = H9*(E13*D16+I13*H16)+P9*(M13*L16+Q13*P16)
= 0.5 (0.17 * 0.129 + 0.83 * 0.545) + 0.5 (0.3 * 0.2 + 0.7 * 0.5) =0.4421
TECNOLOGICO
J28 = H9*(E13*E20+I13*I20)+P9*(M13*M20+Q13*Q20)
= 0.5 (0.17 * 0.277+ 0.83 * 0.273) + 0.5 (0.3 * 0.3 + 0.7 * 0.2) = 0.252
UAS
Q28 = H9*(E13*F16+I13*J16)+P9*(M13*N16+Q13*R16)
= 0.5 (0.17 * 0.594 + 0.83 * 0.182) + 0.5 (0.3 * 0.5 + 0.7 * 0.3) = 0.306
CONCLUSIÓN:
En esta práctica se realizó un proceso racional para escoger la mejor en varias alternativa.
Materia:
Maestro:
Alumno:
Practica No. 9:
Toma de Decisiones
Multicriterio
Grupo:
3-03
Brigada:
No. 15
Práctica 9.- Toma de Decisiones Bajo Riesgo (Modelos de Análisis)
Objetivo General: Que el alumno analice el problema de toma de

decisiones bajo riesgo tomando en cuenta las distintas probabilidades de
ocurrencia de cada caso.
Materiales: Computadora, Windows: Word y Excel, complemento
SimpleDecisionTree_V1.4. Resolver el siguiente ejemplo mediante un árbol de
decisiones:
Suponga que desea invertir $10,000 en el mercado de valores adquiriendo

acciones en una de dos compañías: A y B. Las acciones de la compañía A, aun
cuando son riesgosas, podrían redituar 50% durante el siguiente año. Si las
condiciones del mercado de valores no son favorables (es decir, un mercado
“bajista”) las acciones pueden perder 20% de su valor. La compañía B
proporciona inversiones seguras con 15% de rendimiento en un mercado
“alcista” y de sólo 5% en un mercado “bajista”. Todas las publicaciones que ha
consultado (¡y siempre hay una abundancia de ellas al final del año!) pronostican
una probabilidad de 60% de un mercado “alcista” y 40% de un mercado “bajista”.
¿Cómo debe invertir su dinero?
Resuma el problema de decisión en la siguiente tabla.

Alternativa de decisión Rendimiento a 1 año de la inversión de $10,000
Mercado ‘’Alcista’’ $ Mercado ‘’Bajista’’ $
Acciones de la compañía A $5,000 -$2,000
Acciones de la compañía B $1,500 $500
Probabilidad de ocurrencia 0.6 0.4
Procedimiento:
Paso 1: Entrar a Excel.
Paso 2: Hacer la tabla en Excel.
Paso 3: Hacer el diagrama
- Primero se declara las acciones. En este caso son 2 (A y B).

- Por segundo, se pone un UNC que es una incertidumbre. Esto es debido a que no se
sabe que sucederá en una u otra decisión, como ambas tienen altas y bajas se pone en
ambas DEC un UNC.
- Por tercero, se colocan los datos de la tabla en las ramas correspondientes.

Ya que se colocan los números, automáticamente te da los resultados. De cual es más
favorable.
- Por cuarto y último, se mete una fórmula para que en este caso, nos de el resultado
pero con letras.
En el apartado de comienzo del diagrama donde se encuentra el resultado de $2,200.00, secoloca
abajo esta fórmula.
=SI(D12=I8,H8,SI(D12=I16,H16))
Y ya da el resultado en letra depende de la acciones de la compañía más favorable.
Resultado final:
Conclusión:
Esta práctica fue más sencilla en realizarse que las dos anteriores, fue rapidísima de hacer.
INGENIERIA CIVIL
MATERIA:

PRACTICA: # 10“TOMA DE DECISIONES BAJO RIESGOS (APLICACIONES
GENERALES)”
PROFESOR:
ALUMNO:
B: 15
GRUPO:
3-03
LOS MOCHIS, SINALOA, 6 DE JUNIO DE 2021
PRACTICA 10. TOMA DE DECISIONES BAJO RIESGOS (APLICACIONES
GENERALES)
Objetivo General: Que el alumno aplique el problema de toma de decisiones bajo riesgo
tomando en cuenta las distintas probabilidades de ocurrencia de cada caso y así poder tomar
las mejores decisiones en los posibles problemas planteados.
10.1 INTRODUCCIÓN
El análisis de decisión proporciona un marco para analizar una gran variedad de modelos de
administración. Este marco establece (1) un sistema para clasificar modelos de decisión,
basado en la cantidad de información disponible sobre el modelo, y (2) un criterio de decisión;
esto es una medida de la “bondad” de la decisión para cada tipo de modelo.
En la primera parte de este capítulo presentaremos la estructura de la teoría de decisiones y la
relacionaremos con modelos previamente analizados. La segunda mitad del capítulo está
dedicada a los árboles de decisión. Los árboles de decisión aplican conceptos de teoría de
decisiones a decisiones secuenciales que incluyen eventos inciertos. Son una ayuda pragmática
y practica para la toma de decisiones administrativas.
En términos generales, la teoría de decisión se ocupa de decisiones contra la naturaleza. Esta
frase se refiere a una situación donde el resultado (rendimiento) de una decisión individual
depende de la acción de otro agente (naturaleza) sobre el cual no se tiene control. Por ejemplo,
si la decisión consiste en llevar o no paraguas, el rendimiento (mojarse o no) dependerá del
estado subsiguiente de la naturaleza. Es importante observar que en este modelo los
rendimientos afectan únicamente al que toma la decisión. A la naturaleza no le importa cuál es
el resultado. Esta condición distingue la teoría de decisiones de la teoría de juegos. En la teoría
de juegos ambos jugadores tienen un interés económico en el resultado.
En los modelos de la teoría de decisiones, la pieza fundamental de información es la tabla de
retribuciones como se observa en la tabla 10.1. Las decisiones alternativas están enumeradas
en un lado de la tabla y los posibles estados de la naturaleza están indicados en la parte
superior. Las entradas del cuerpo de tablas son las retribuciones para todas las combinaciones
posibles de decisiones y estados de la naturaleza. El proceso de decisiones como sigue:
1. Usted quien toma la decisión, selecciona una de las decisiones alternativas 𝑑1,.., 𝑑𝑛.
Suponga que elige 𝑑1.
2. Una vez tomada su decisión, ocurre un estado de la naturaleza que queda fuera de su
control. Suponga que ocurre el estado 2.
3. El rendimiento que usted reciba puede ser determinado ahora a partir de la tabla de
retribuciones. Dado que usted tomo la decisión 𝑑1 y ocurrió el estado de la naturaleza
2, el resultado es 𝑟12.
Otra vez la decisión se toma primero, y a continuación ocurre uno de los estados de la
naturaleza. Una vez tomada la decisión, no puede cambiarse después de ocurrido el estado de
la naturaleza.
Tabla 10.1 Tabla De Retribuciones
Decisión Estado De La Naturaleza
1 2 … M
𝑑1 𝑟11 𝑟12 … 𝑟1𝑚
𝑑2 𝑟21 𝑟22 … 𝑟2𝑚
: : : : :
𝑑𝑛 𝑟𝑛1 𝑟𝑛2 … 𝑟𝑛𝑚
En general la pregunta es ¿Cuál de las decisiones debemos seleccionar? Nos gustaría un

rendimiento tan grande como sea posible: esto es el valor de rij mas grande posible, donde i
representa la decisión tomada y j el estado de la naturaleza ocurrido. Es obvio que la decisión
que debemos seleccionar dependerá de lo que creamos que la naturaleza hará, esto es, cuál de
los estados de la naturaleza ocurrirá. Si creemos que el estado 1 ocurrirá seleccionaremos la
decisión asociada con el mayor valor en la columna 1. Si creemos que es más probable que
ocurra el estado 2, escogeremos la decisión a la que corresponde la retribución más alta en la
columna 2, y así sucesivamente.
En la sección siguiente consideramos varias suposiciones sobre el comportamiento humano.

Cada suposición lleva a un criterio diferente para seleccionar la “mejor” decisión y por lo
tanto también nos lleva a un procedimiento diferente.
10.2 TRES CLASES DE MODELOS DE DECISIÓN
Esta sección se ocupa de tres clases de modelos de decisión contra la naturaleza. Cada clase
está definida por una suposición acerca del comportamiento de la naturaleza. Las tres clases
son: decisiones bajo certidumbre, decisiones bajo riesgo y decisiones bajo incertidumbre. De
las tres lo más probable es que nos encontremos ante decisiones bajo riesgo, pero las otras dos
son presentadas para dar una idea más completa.
DECISIONES BAJO CERTIDUMBRE
Una decisión bajo certidumbre es aquella en la que usted sabe cuál es el estado de la
naturaleza que va a ocurrir. De manera alternativa usted puede pensar en ella como un caso
con un solo estado de la naturaleza. Suponga, por ejemplo, que por la mañana usted está
tratando de decidir si debe llevar su paraguas al trabajo, y usted está seguro de que estará
lloviendo para cuando salga de trabajar por la tarde. En la tabla de retribuciones para este
modelo (tabla 10.2) el costo de limpiar su traje si lo sorprende la lluvia es de $7. Entra en la
tabla con un signo de menos, ya que es una tabla de rendimientos, y un costo es un
rendimiento negativo. Obviamente, la decisión óptima es llevar el paraguas.
Todos los modelos de programación lineal, los modelos de programación con enteros, los
modelos de programación no lineal y otros modelos determinísticos como el modelo CEP
(cantidad económica del pedido), pueden considerarse como decisiones contra la naturaleza
debido a que solo hay un estado de la naturaleza. Esto es así dado que estamos seguros (dentro
del contexto del modelo) del rendimiento que obtendremos para cada decisión que tomemos.
Para un ejemplo concreto, considere el modelo PROTRAC E Y F del capítulo 3:
Max 5000E + 4000F
S.a. 10E + 15F ≤ 150
20E + 10F ≤ 160
30E + 10F ≥ 135
E – 3F ≤ 0
E+F≥5
E, F ≥0
La tabla 10.3 presenta este modelo en forma de tabla de retribuciones. En esta tabla se asigna
un valor de –⍶. Para cualquier par (E, F) factible, el rendimiento se mide como el valor de la
función objetivo; es decir, 5000E + 4000F. En el caso de este modelo conocemos exactamente
el resultado que obtenemos para cada decisión (cada decisión para el par E, F). Por lo tanto,
podemos enumerar todos los rendimientos en una columna y considerarla como la
representación de un estado de la naturaleza del cual estamos seguros que ocurrirá.
LLUVIA
Llevar 0
No llevarlo -7.00
Tabla 10.2 Tabla De Retribuciones Del Ejemplo Del Paraguas
Decisión Estado De La Naturaleza

E= 0, F = 0 –∞
E =5, F =4 41.000
: :
E = 6, F = 3.5 44,000
: :
Tabla 10.3. Tabla De Retribución Para El Modelo PROTRAC E Y F
Teóricamente es fácil resolver un modelo con un solo estado de la naturaleza. Simplemente se

selecciona la decisión con el rendimiento más alto. En la práctica de manera contraria a “la
teoría”, encontrar esa decisión es otra historia. Dado que E y F pueden asumir un número
infinito de valores habrá un número infinito de filas para este modelo (véase la tabla 10.3).
Incluso en este modelo simple, no es posible enumerar las alternativas y seleccionar la mejor.
Se necesita un análisis matemático adicional (en este caso el algoritmo Solve de Excel) para
encontrar la decisión óptima.
DECISIÓN BAJO RIESGO
Una falta de certidumbre respecto a los eventos futuros es una característica de muchos, si no
es que de la mayoría de los modelos de decisiones administrativas. Considere como
cambiarían las decisiones de la vicepresidenta financiera de una compañía de seguros si
pudiera saber exactamente qué cambios habrá en el mercado de bonos. Imagine el alivio del
comprador principal de Maxwell House si pudiera saber con exactitud qué tan grande será la
cosecha de café del año siguiente.
Por lo tanto, claro que numerosos modelos de decisión están caracterizados por una falta de
certidumbre. También está claro que aquellos que manejan de manera eficiente estos modelos,
Ya sea por habilidad o por suerte, a menudo son generosamente recompensados por sus
logros. En el primer libro del viejo testamento, José es ascendido de esclavo a asistente del
faraón de Egipto por pronosticar acertadamente siete años de abundancia y siete años de
escases.
En el uso de modelos cuantitativos la falta de certidumbre se puede manejar de varias

maneras. Por ejemplo, en un modelo de programación lineal, una parte de los datos puede
consistir en una estimación del valor futuro. En el modelo PROTAC E Y F ante citado, la
capacidad del mes entrante (disponibilidad de horas) en el departamento A (el lado derecho de
la primera restricción) puede depender de factor que ocurrirán la semana siguiente, pero los
planes de producción, digamos, tienen que ser definidos hoy. Como se dijo anteriormente en el
capítulo 5 (análisis de sensibilidad de programación lineal), la administración puede manejar
esa falta de certidumbre estimando la capacidad en 150 horas y después llevado a cabo en
análisis de sensibilidad.
Definición de riesgo. La teoría de decisiones proporciona procedimientos alternativos para
modelos que tienen menos de una total certidumbre. Uno de esos procedimientos se llaman
decisiones bajo riesgo. En este contexto, el termino riesgo tiene un significado bien definido y
restrictivo. Cuando hablamos de decisiones bajo riesgo, nos referimos a una clase de modelos
de decisión para la cual hay más de un estado de la naturaleza y para la cual suponemos que
quien toma la decisión puede llegar una estimación de probabilidades de la ocurrencia de cada
uno de los diversos estados de la naturaleza. Suponga por ejemplo que hay m>1 estados de la
naturaleza, y p j será la probabilidad estimada de que ocurrirá el estado j. Generalmente
estimaremos la probabilidad de que ocurra el estado j (p j) utilizando frecuencias históricas lo
cual significa que investigaremos a lo largo de la historia y registraremos el porcentaje del
tiempo que ese estado j realmente ocurrió en todas nuestras observaciones. Por ejemplo, si en
los últimos 1000 días encontraremos que llovió en 200, estimaremos la probabilidad futura de
lluvia en un día dado como 0.20(=200/1000). Cuando estos datos históricos no están
disponibles o el administrador siente que no son relevantes para el futuro, el administrador
debe hacer estimaciones subjetivas de estas probabilidades. Este último procedimiento será
expuesto en la sección 10.10.
Recuerde que el valor esperado de cualquier variable aleatoria es el promedio ponderado de

todos los valores posibles de la variable aleatoria, donde los coeficientes de ponderación son
las probabilidades de que los valores ocurran. Dado que los diferentes rendimientos se asocian
a distintos estados de la naturaleza, el rendimiento esperado asociado con la decisión i es la
suma, en todos los estados j posibles de términos de la forma: (rendimiento en el cual j cuando
la decisión es i) multiplicado por (la probabilidad de ocurrencia del estado j), o r ij p j. Entonces
podemos utilizar la siguiente ecuación para calcular ER i el rendimiento esperado si
seleccionamos la decisión i:
ER i = ∑m
j=1 rij= ri1 p 1 + ri2 p 2 + …. + rim p m (10.1)
Para este tipo de modelos, la administración debe entonces tomar aquella decisión que
maximice el rendimiento esperado. En otras palabras, i* es la decisión optima cuando
ERi* = máximo de ERi para todo el valor de i
El modelo del repartidor de periódicos un ejemplo de este tipo de modelos es el siguiente

modelo del repartidor de periódicos. (Se tratan modelos similares en el capítulo 11). Un
repartidor de periódicos puede comprar el Wall Street Journal a 40 centavos cada uno y
venderlo a 75 centavos. Sin embargo, debe adquirir los periódicos antes de saber cuántos
puede vender realmente. Si compra más periódicos de los que puede vender, simplemente
desechará el excedente sin costo adicional. Si no compra suficientes periódicos, pierde ventas
potenciales ahora y posiblemente en el futuro (los clientes disgustados podrían ya no
comprarle). Suponga por el momento que esta pérdida de ventas futuras es representada por un
costo del buen nombre estimado en 50 centavos por cliente insatisfecho. Con propósitos
ilustrativos y para facilitar el cálculo, también suponga que la distribución de la demanda que
enfrenta es
P0= Prob {demanda= 0} =0.15
En este modelo cada uno de los cuatro diferentes valores de la demanda es un estado de la
naturaleza diferente, y el número de periódicos ordenados es la decisión. Los rendimientos o
retribuciones para este modelo se muestran en la tabla 10.4.
Las entradas de esta tabla presentan el flujo de efectivo neto asociado con cada combinación
de cantidad ordenada y cantidad solicitada, menos el costo por la pérdida de la buena
reputación comercial (PBRC) – o también llamada “del buen nombre”- cuando la cantidad
ordenada no es suficiente para satisfacer la demanda. Estas entradas se calculan mediante la
expresión
Retribución = 75 (número de periódicos vendidos) -40 (número de periódicos ordenados) -50

(demanda no satisfecha)
Tabla 10.4 Tabla de retribuciones para el modelo del repartidor de periódicos
ESTADO DE LA NATURALEZA (DEMANDA)
DECISIÓN 0 1 2 3
0 0 -50 -100 -150
1 -40 35 -15 -65
2 -80 -5 70 20
3 -120 -45 30 105
Donde el precio de ventas por periódico es de 75 centavos el costo de comprar un periódico es

de 40 centavos y el costo por desilusionar al cliente es de (el costo PBCR) es de 50 centavos.
Es importante observar que, en este modelo, la venta y la demanda no tienen que ser idénticas.
De hecho, las ventas son el mínimo de las dos cantidades (cantidad ordenada, cantidad
demandada). Por ejemplo, cuando no se ordenan o piden periódicos, claramente se ve que no
se podrá vender ninguno, no importa lo grande que sea la demanda, y la demanda insatisfecha
será igual a la demanda requerida. Por lo tanto, para todas las entradas de la primera fila, la
excreción arriba citada para la retribución es de 75 (0)-40 (0-50(demanda)= -50 (demanda). Si
se ordena 1 periódico y no hay ninguna demanda, no se vende ninguno la demanda
insatisfecha es igual a 0 y la retribución es de 75 (Q)-40(1)-50 (0) = -40, que es la primera
entrada de la fila 2. Sin embargo, si se ordena un periódico y hay demanda de 1 o más
entonces se venderá exactamente 1; la demanda insatisfecha será 1 menor a la demanda y la
retribución se convierte en 75 (1)-40 (1)- 50(demanda -1) = 85-50 (demanda). ¿Puede usted
verificar si los valores restantes de la tabla 10?4 son concretos? También medite por que las
decisiones posibles de ordenar cuatro o más periódicos fueron ignoradas.
Una vez que todos los datos están reunidos en la tabla 10.4 el proceso para encontrar la
decisión óptima es estrictamente mecánico. Utilice la ecuación 10.1 para evaluar el
rendimiento esperado para cada decisión (ER i para i= 0, 1, 2, 3) y escoja el más grande.
Demostraremos este proceso primero a mano y después mostraremos como hacerlo en una
hoja de cálculo. Por ejemplo, si usted ordena dos periódicos,
ER2= -80(0.15) - 5(0.25) + 70(0.25) + 20(0.35) = 11.25
El primer término es el rendimiento si ordenamos 2 periódicos y la demanda es 0, multiplicado

por la probabilidad de que la demanda sea igual a 0. El segundo término es el rendimiento si
ordenamos 2 periódicos y la demanda es de 1 (véase la tabla 10.4) multiplicado por la
probabilidad de que la demanda sea igual a 1. Los otros términos están definidos de manera
similar. Los rendimientos esperados para las otras posibles decisiones están calculados como
sigue:
ER0= 0(0.15) -50(0.25)-100(0.25)-150(0.35) = -90
ER1= -40(0.15) + 35(0.25)-15(0.25)-65(0.35) = -23.75
ER2 =-120(0.15)-45(0.25) + 30(0.25) + 105(0.35) = 15
Dado que ER2 es el mayor de estos cuatro valores la decisión óptima es ordenar dos
periódicos.
Otra manera de comprobar las decisiones es observar una gráfica de sus perfiles de riesgo. El
perfil de riesgo muestra todos los resultados posibles con su probabilidad asociada para una
decisión dada y le da al administrador una idea del rango de resultados posibles. Algunos
administradores encuentran esto más útil que simplemente ver una cifra (por ejemplo, el
rendimiento esperado) que resume toda la información disponible (probabilidades y resultados
potenciales. Los perfiles de riesgo para las cuatro decisiones que enfrenta el repartidor de
periódicos se muestran en la figura 10.1.
Celda formula cópiese a
B7 =$B$1*MIN ($A7, B$6)-$B$2*$A7-$B$3*MAX(B$6-$A7,0) B7:E10
F7=SUMAPRODUCTO (B7:E7, $B$12: $E$12) F8:F10
Podemos ver que los cuatro posibles resultados para “ordenar 0” son menores que o iguales a
cero. El 75% de los resultados para “ordenar 1” son no positivos y 50% de los resultados para
“ordenar 2” y “ordenar 3” son no positivos. También podemos ver que ordenar 2 tiene una alta
probabilidad (40%) de generar la segunda retribución más alta de todos (70 centavos). Por
supuesto toda esta información está disponible en la tabla de retribuciones original, pero a
veces ayuda ver los datos en la gráfica.
El costo por la pérdida de la buena reputación comercial: un análisis de sensibilidad de una

hoja de cálculo. Esta decisión estaba basada en un costo, el costo por la pérdida de la buena
reputación comercial (PBRC) cuyo valor es mucho menos seguro que los otros dos
parámetros: el precio de venta y el costo de la compra ¿Qué le pasaría a la decisión optima si
el costo PBRC fuera diferente? Para responder a esta pregunta llevaremos a cabo un análisis
de sensibilidad sobre el valor del costo PBRC.
Una posible manera de hacer esto sería suponer un valor diferente para el costo PBRC calcular
de nuevo la matriz de retribución, recalcular los rendimientos esperados y ver qué sucede con
la decisión óptima. Seria cansado hacer esto a mano, pero es completamente adecuado para
hacerlo en Excel. La figura 10.2 muestra la hoja de cálculo (NEWSBOY: XLS) para calcular
la matriz de retribución y los rendimientos esperados.
Los precios y costos conocidos se introducen junto con sus etiquetas en las celdas A1: B3. La
retribución para cualquier combinación de decisión / estado de la naturaleza se muestra en el
renglón de ecuación de la figura 10.2 y se calcula como sigue:
El primer término calculo los ingresos por ventas: el precio de venta ($B$1), multiplicado por
la cantidad vendida (la menor entre la cantidad ordenada y la cantidad solicitada, es =MIN –
{$A7, B$6}). El segundo término resta el costo de los periódicos comprados: el precio de
compra ($B$2) multiplicado por la cantidad de periódicos adquiridos ($A7). El ultimo termino
resta el costo PBRC, es decir: el costo PBRC ($B$3) multiplicado por la demanda no
satisfecha (la cantidad mayor entre la demanda menos la cantidad ordenada o 0, = MAX {B$6
- $A7, 0}).
En la fórmula de la celda B7 ha sido establecida cuidadosamente utilizando las referencias de

las celdas relativas y absolutas de Excel de tal forma que pueda ser copiada para obtener todas
las formulas en la matriz de retribución. La columna del rendimiento esperado (columna F) se
puede generar utilizando la formula SUMA PRODUCTO. Por ejemplo, en la celda F7
escribimos = SUMAPRODUCTO (B7:E7, $B$12: $E$12), que es simplemente la suma de los
productos de la probabilidad de recibir una retribución dada multiplicada por la retribución
respectiva.
Utilizando el comando tabla de datos, puede generarse fácilmente una tabla de rendimientos
esperados para un rango de costos PBRC. Hemos llevado esto a cabo en la nueva hoja de
cálculo “Sensibilidad a la buena reputación comercial” en la misma hoja de cálculo
NEWSBOY.XLS. La tabla de datos mostrará los rendimientos esperados correspondientes a
las diferentes cantidades ordenadas y valores del costo PBRC entre 0 y 150, en incrementos de
5 centavos. Para hacerlo usted mismo, siga estos pasos:
1. Lo primero que realizamos es encender la computadora y dirigirnos al menú; buscamos

Excel, después abrimos “libro en blanco”.
2. Copie la hoja de cálculo “Caso básico” a la nueva hoja de cálculo “Sensibilidad a la

buena reputación”.
3. Introduzca en la celda A16 el valor inicial (0) para los costos PBRC que vamos a
investigar.
4. Haga clic de nuevo en la celda A16 y después en el menú Modificar, haga clic en
Rellenar y más tarde en Series.
5. Haga clic en “Series en columnas” escriba un valor incrementar de 5 y un valor final

de 150. Haga clic en aceptar.
6. Queremos que la celda B15 contenga la fórmula que nos dé el rendimiento esperado
cuando ordenemos 0 periódicos (=F7). En las celdas C15:E15 queremos hacer algo
similar, de forma que la tabla nos de los rendimientos esperados para un orden de 1, 2
y 3 periódicos (es decir, escriba =F8, =F9, =F10, respectivamente, en estas celdas).
7. Seleccionar el Rango A15:E46, después haga clic en el menú Datos, después en
análisis de hipótesis y luego en Tabla de datos. Escriba la celda de entrada de la
columna $B$3, como se muestra en la figura 10.3 Con eso estamos indicando a Excel
que ponga los valores contenidos en la columna A en la celda B3 (uno por uno) y
después que nos informe en las columnas B, C, D y E los valores calculados en las
celdas F7: F10.
Después de que la tabla de datos haya hecho sus cálculos, queremos crear una gráfica de los
resultados para ayudarnos a organizar este mar de cifras. Para llevar a cabo esto utilizamos el
asistente de graficas (Graph Wizard) de Excel, como sigue:
1. Seleccione el rango de datos que deseamos graficar (A16:E46).

2. Haga clic en el icono del asistente de graficas de Excel (que nos conduce
automáticamente a través de una serie de pasos): arrástrelo y colóquelo en cualquier
parte de la hoja de cálculo donde usted desee que aparezca la gráfica.
3. En el primer paso, usted escoge el tipo de gráfica que desea. Haga clic en “Línea”,
después haga clic en el subtítulo de la gráfica que prefiera (la predeterminada [la
cuarta] está bien), y después haga clic en “Siguiente”.
4. Ahora el asistente presenta una muestra de la futura apariencia de la gráfica. Solo
necesitamos hacer una modificación aquí. Haga clic en la ceja de “Series” y después
indique que las “Etiquetas del eje de categorías (X)” se encuentran en A16:A46, como
se muestra en la figura 10.4. Después eliminamos Serie 1 del despliegue, ya que ahora
es nuestro rótulo para el eje X. haga clic en “Siguiente”.
Repartidor periodico
50
(En centavos de dolar)

Rendimiento esperado
0 20 40 60 80 100 120 140 160
-50
-100
-150
-200
-250
-300
Costo PBRC
Ordenar 1 Ordenar 2 Ordenar 3 Ordenar 4
FIGURA 10.4 Asistencia de gráficas para el modelo del repartidor de periódicos.
5. A continuación, tenemos la opción de escribir títulos para la gráfica o etiquetas para los
ejes. Escribimos los valores apropiados y después hacemos clic en “Siguiente>”.
6. Finalmente indicamos que queremos la gráfica como un objeto en nuestra hoja de
trabajo actual (que es la opción predeterminada) y hacemos clic en “Terminar”.
7. Aparece desplegada una gráfica parecida a la que se muestra en la figura 10.5. (Hemos
alterado las leyendas de las cuatro series de un “Serie 1, Serie 2, Serie 3, Serie 4”
genérico a “Ordenar 0, …Ordenar 2, Ordenar 3,” utilizando algunas características
avanzadas de Excel.)
Observe que como aumenta el costo PBRC los rendimientos esperados se reducen (cuando se
pide 0,1 o 2 periódicos) o bien permanecen constantes (cuando se piden tres periódicos). Para
los costos PBRC inferiores a 125 centavos, la decisión óptima es pedir 2 periódicos. Para un
costo PBRC de 125 centavos, existen dos decisiones alternativas óptimas: pedir 2 o 3
periódicos. Para un costo PBRC mayor que 125 centavos la decisión optima es pedir tres
periódicos. Por lo tanto, no es necesario conocer el costo PBRC de manera precisa, solo es
necesario saber si es mayor o menor que 125 centavos. Estos resultados nos recuerdan al
análisis de sensibilidad de coeficientes de costo en un modelo de programación lineal donde la
solución óptima no se altera por cambios de valores del coeficiente dentro de un rango
determinado. Con este ejemplo hemos ilustrado la clase más importante de modelos de
decisión (decisiones bajo riesgo) y el criterio de decisión asociado (maximizar el rendimiento
esperado).
CONCLUSIÓN
En la práctica se miró a más profundidad las aplicaciones generales en la toma de decisiones
bajo riesgo, que se centra en un problema sobre la distribución, lo cual viene en el desarrollo
de la práctica. Fue una práctica muy interesante.
INGENIERIA CIVIL
MATERIA:
PRACTICA: # 11 “TEORÍA DE JUEGOS (ESTRATEGIAS MIXTAS)”

PROFESOR:
ALUMNO:
B: 15
GRUPO:
3-03

PRACTICA 11. “TEORÍA DE JUEGOS (ESTRATEGIAS MIXTAS)”
Objetivo General: Que el alumno conozca las distintas estrategias mixtas donde a cada uno
de los jugadores le asigna una probabilidad.
FUNDAMENTO TEÓRICO
La teoría de juegos maneja situaciones de decisión en las que hay dos oponentes inteligentes
que tienen objetivos contrarios. Entre los ejemplos característicos están lanzamientos de
campañas de publicidad para productos que compiten, y la planeación de estrategias bélicas de
los ejecitos contrarios. Estas situaciones contrastan con lo que hemos estudiado hasta ahora, en
las que no se considera que la naturaleza sea un oponente benévolo.
En un conflicto de juegos hay dos oponentes, llamados jugadores, y cada uno tiene una
cantidad (finita o infinita) de alternativas o estrategias. Asociada con cada par de estrategias
hay una recompensa que paga un jugador al otro. A estos juegos se les llama juegos entre
dos personas con suma cero, porque la ganancia de un jugador es igual a la pérdida del otro.
Si se representaban los dos jugadores con A y B, con m y n estrategias, respectivamente, el
juego se suele representar con la matriz de recompensa para el jugador A, que es la siguiente:
B1 B2 … Bn
A1 a11 a12 … a1n

A2 a21 a22 … a2n
:
: : : :
Am
am1 am2 … amn
La representación indica que si A usa la estrategia i y B usa la estrategia j. la recompensa para

A es de an y entonces la recompensa para B es de –an.
Solución óptima de juegos de dos personas de suma cero
Como los juegos tienen su base en el conflicto de interés, la solución óptima escogerá una o
más estrategias para cada jugador de tal modo que cualquier cambio en las estrategias elegidas
no mejore la recompensa para cualquiera de los jugadores. Esas soluciones pueden tener la
forma de una sola estrategia pura o varias estrategias mezcladas de acuerdo con probabilidades
predeterminadas. Los dos ejemplos siguientes muestran los dos casos.
Ejemplo 11.1 -1
Dos empresas A y B venden dos marcas de vacunas para la gripe. La empresa A se anuncia en
radio (A1), en televisión (A2) y en los periódicos (A3). La empresa B además de usar la radio
(B1), la televisión (B2) y los periódicos (B3) también envía folletos por correo (B4). De acuerdo
con el ingenio y la intensidad de la campaña publicitaria, cada empresa puede capturar una
parte del mercado que correspondía a la otra. La matriz siguiente es un resumen del porcentaje
del mercado capturado o perdido por la empresa A.
B1 B2 B3 B4 Min. de renglón
A1 8 -2 9 -3 -3
A2 6 5 6 8 5 Máxima
A3 -2 4 -9 5 -9
Max de columna 8 5 9 8
Mínima
Solución con TORA:
a) Modelo de Programación Lineal:
8x11 – 2x12 + 9x13 – 3x14 < -3

6x21 + 5x22 + 6x23 + 8x24 < 5
-2x31 + 4x32 - 9x33 + 5x34 < -9
8x11 + 6x21 - 2x31 > 8
-2x12 + 5x22 + 4x32 > 5
9x13 + 6x23 - 9x33 > 9
-3x14 + 8x24 + 5x34 > 8
b) Solución paso a paso del Problema: (con TORA)
Pasos para solucionar problemas de teoría de juegos en TORA:
1.- Primeramente, vamos a ejecutar nuestro programa Tora, una vez cambiada la
resolución de nuestra pantalla para que el programa pueda funcionar.
2.- Seleccionamos Click Here.
3.- Después seleccionamos la opción de Zero- sum Games.
4.- En la siguiente pantalla verificamos que en Select Input mode y Select imput
format estén seleccionados “Enter New Problem” y “Decimal Notation” respectivamente, en
caso de que no estén seleccionados se deben seleccionar, después hacemos click “Go to Input
Screen”.
5.- Posteriormente en la siguiente pantalla ingresamos el nombre de la práctica y el
número de estrategias de A y B.
6.- La siguiente pantalla nos arroja la matriz en la cual ingresaremos los datos de
nuestro problema.
7.- Una vez capturada la matriz de datos de nuestro ejercicio, hacemos click en
solve menu y seleccionamos que sí queremos guardar el archivo.
8.- Guardamos nuestro archivo.
9.- Después de guardar el archivo, aparecerá otra pantalla dónde se seleccionará
solve problem y posteriormente LP- based.
10.- En la pantalla siguiente, verificamos que este seleccionado Decimal Notation y
después hacemos click en “Go to Output Screen”.
11.- Finalmente obtenemos la pantalla con el resultado.
 Nota: Aquí puse únicamente la última pantalla (Solución) de TORA para que
observen los datos de la conclusión en el inciso C. ustedes tienen que poner todas las
pantallas de TORA desde el inicio. (En todos los ejercicios del conjunto de
problemas 11.4 A que se encuentran más abajo)
C) Conclusión:
Solución del juego = 5
Jugadores A:
A1= 0%
A2 = 100%
A3 = 0%
Jugadores B:
B1= 0%
B2= 100%
B3= 0%
B4= 0%
La solución del juego se basa en el principio de asegurar lo mejor de lo peor para cada
jugador. Si la empresa A selecciona la estrategia A1 entonces independientemente de lo que
haga B, lo peor que puede suceder es que A pierda el 3% del mercado que adquiere B. esto se
representa con el valor mínimo de los elementos del renglón 1. De igual modo, el peor de los
resultados de la estrategia A3 para A es que B le gane el 9% del mercado. Los resultados se
ponen en la columna “min. del renglón”. Para lograr lo mejor de lo peor la empresa A escoge
la estrategia A2, por que corresponde al valor máximo o sea el elemento mayor de la columna
“min. del renglón”.
A continuación, veamos la estrategia de la empresa B. como la matriz de recompensa dada es

para A el criterio de lo mejor de lo peor de B requiere determinar el valor mínima, para lo cual
B debe seleccionar la estrategia B2.
La solución óptima del juego pide seleccionar la estrategia A2 y B2 esto es, ambas empresas
deben utilizar publicidad por televisión. La recompensa favorecerá a la empresa A, porque su
parte del mercado aumenta 5%. En este caso, se dice que el valor del juego es 5% y que A y B
están usando una solución de estrategia pura de punto de silla.
La solución de punto de silla garantiza que ninguna empresa tenga la tentación de seleccionar
una estrategia mejor. Si B pasa a otra estrategia (B1, B3 o B4) la empresa A puede permanecer
con la estrategia A2 con lo que asegura que B pierda una parte del mercado (6% u 8%). Por la
misma razón, A no desea usar una estrategia distinta, porque si A pasa a la estrategia A3, B
puede cambiar a B3 y realizar un aumento del 9% en su parte del mercado. Se llega a una
conclusión parecida si a cambia a A1.
La solución óptima de un punto de silla para un juego no necesita estar caracterizada por
estrategias puras. En su lugar, la solución puede requerir una mezcla aleatoria de dos o más
estrategias como se verá en el ejemplo siguiente.
Ejemplo 11.1 - 2
Dos jugadores A y B juegan a tirar la moneda. Cada jugador, desconocido para el otro escoge
una cara (H) o una cruz (T). Los dos jugadores dicen su elección al mismo tiempo. Si
coinciden (HH) o (TT) el jugador A recibe $1 del jugador B. En cualquier otro caso A paga $1
a B.
La siguiente matriz de recompensa para el jugador A muestra los valores mínimos de renglón
y máximo de columna que corresponden a las estrategias de A y B, respectivamente.
BH BT Min. de renglón
AH 1 -1 -1
AT -1 1 -1
Max de columna 1 1
Los valores maximin y minimax de los juegos son -$1 y $1, respectivamente. Como los dos
valores no son iguales, el juego no tiene solución de estrategia pura. En particular, si el
jugador A usa AH el jugador B seleccionara BT para recibir $1 de A. si eso sucede A puede
cambiar a la estrategia AT para invertir el resultado del juego, y recibir $1 de B. la tentación
constante de los dos jugadores, de cambiar de estrategia, muestra que no se acepta una
solución de estrategia pura. En lugar de ello, ambos jugadores deben usar mezclas aleatorias
de sus estrategias respectivas. En este caso óptimo del juego estará en algún punto entre los
valores maximin y minimax del juego, esto es, Valor maximin (inferior) ≤ valor del juego ≤
valor minimax (superior)
(Véase el problema 5, conjunto de un problema 11.4a). Así en el ejemplo de lanzar la moneda,

el valor del juego debe estar entre - $1 y + $1.
a) Modelo de Programación.
X11 – X12 ≤ -1
-X21 + X22 ≤ -1
X11 – X21 ≥ 1
-
b) Solución paso a paso del problema en Tora:
1. Abrir el programa TORA de nuestra computadora (previamente poner en resolución de
la pantalla en 800x600) y seleccionamos la opción “Click Here”.
2. Hacemos click en “Zero-Sum Games”.

3. Verificamos que se encuentren las opciones por default (“Enter New Problem” y
“Decimal Notation”) y damos click en la opción “Go to Input Screen”.
4. Una vez aquí, en la primera casilla nombramos al título del problema, después el
número de estrategias correspondiente para cada jugador, luego damos “Enter” y abre
la tabla en la que colocaremos los valores de la matriz de nuestro problema a resolver,
consiguientemente damos click “SOLVE Menu”.
5. Posteriormente nos aparecerá una ventanilla en la cual nos pregunta si queremos
guardar los datos del problema, seleccionamos “si”, y realizamos el proceso de
guardado en el ordenador.
6. Después, nos manda al menú solución en el cual realizamos el siguiente proceso para
la solución del problema: “Solve Problem”  “LP-based”.
7. Por último, dejamos en “Decimal Notation” y damos click en “Go To Output Screen”.
8.- Finalmente, obtenemos la solución en esta pantalla y una vez analizado cerramos con click
en “Exit Tora”.
Conclusión:
Solución del juego = 4
Jugadores A:
A1= 0%
A2 = 100%
A3 = 0%
Jugadores B:
B1= 0%
B2= 0%
B3= 100%
B4= 0
Conjunto de problemas 11.4 A
1. Determine la solución de punto de silla, las estrategias puras asociadas y el valor del juego
para cada uno de los jugadores siguientes. Las recompensas son para el jugador A.
a)
B1 B2 B3 B4
A1 8 6 2 8
A2 8 9 4 5
A3 7 5 3 5
c) Modelo de Programación.
8X11 + 6X12 + 2X13 + 8X14 ≤ 2
8X21 + 9X22 + 4X23 + 5X24 ≤ 4
7X31 + 5X32 + 3X33 + 5X34 ≤ 3
8X11 + 8X21 + 7X31 ≥ 8
6X12 + 9X22 + 5X32 ≥ 9
2X13 + 4X23 + 3X33 ≥ 4
8X14 + 5X24 + 5X34 ≥ 8
d) Solución paso a paso del problema en Tora:

3. Verificamos que se encuentren las opciones por default (“Enter New Problem” y
“Decimal Notation”) y damos click en la opción “Go to Input Screen”.
5. Posteriormente nos aparecerá una ventanilla en la cual nos pregunta si queremos
guardar los datos del problema, seleccionamos “si”, y realizamos el proceso de
guardado en el ordenador.
8. Finalmente, obtenemos la solución en esta pantalla y una vez analizado cerramos con
click en “Exit Tora”.
Conclusión
La solución del juego es 4.
El jugador A tiene las siguientes posibilidades:
A1 = 0%
A2 = 100%
A3 = 0%
El jugador B tiene las siguientes posibilidades:
B1 = 0%
B2 = 0%
B3 = 100%
B4 = 0%.
Nos damos cuenta de que los dos jugadores tienen todo su porcentaje de probabilidad en una
sola estrategia, lo que hace que el juego sea más decisivo entre ellos; el jugador A tiene su
mejor estrategia en A2 y el jugador B en B3.
b)
B1 B2 B3 B4
A1 4 -4 -5 6
A2 -3 -4 -9 -2
A3 6 7 -8 -9
A4 7 3 -9 5
4X11 – 4X12 – 5X13 + 6X14 ≤ -5
-3X21 – 4X22 – 9X23 – 2X24 ≤ -9
6X31 + 7X32 – 8X33 – 9X34 ≤ 6
7X41 + 3X42 – 9X43 + 5X44 ≤ 3
4X11 – 3X21 + 6X31 + 7X41 ≥ 7
-4X12 – 4X22 + 7X32 + 3X42 ≥ 7
-5X13 – 9X23 – 8X33 – 9X43 ≥ -5
6X14 – 2X24 – 9X34 + 5X44 ≥ 6

3. Rectificamos que se encuentren las opciones por default (“Enter New Problem” y
“Decimal Notation”) y damos click en la opción “Go to Input Screen”, en dado caso
que se tenga un archivo, daremos click en la opción “Select Existing File”.
5. Luego, nos aparece que, si queremos guardar los datos del problema, en este caso lo
queremos guardar, por lo que seleccionamos “si”, y realizamos el proceso de guardado
en el ordenador.
Conclusión
A1 = 100%
A2 = 0%
A3 = 0%
A4 = 0%
Y el jugador B tiene las siguientes posibilidades:
B1 = 0%
B2 = 0%
B3 = 100%
B4 = 0%
2 Los juegos siguientes muestran las recompensas de A. determine los valores de p y de q

que hagan que le punto (2,2) de cada juego sea un punto de silla:
a)
B1 B2 B3
A1 1 q 6
A2 p 5 10
A3 6 2 3
Para que el punto (2,2) sea un punto de silla, los valores de p y q pueden ser: q = 4 y p = 6.
X11 + 4X12 + 6X13 ≤ 1
6X21 + 5X22 + 10X23 ≤ 5
6X31 + 2X32 + 3X33 ≤ 2
X11 + 6X21 + 6X13 ≥ 6
4X12 + 5X22 + 2X32 ≥ 5
6X13 +10X23 + 3X33 ≥ 10

en el ordenador.
Conclusión
A1 = 0%
A2 = 100%
A3 = 0%
B1 = 0%
B2 = 100%
B3 = 0%
Los dos jugadores tienen las mismas estrategias y posibilidades.
b)
B1 B2 B3
A1 2 4 5
A2 10 7 q
A3 4 p 6
Para que el punto (2,2) sea un punto de silla, los valores de p y q pueden ser: q = 8 y p = 5.
2X11 + 4X12 + 5X13 ≤ 2
10X21 + 7X22 + 8X23 ≤ 7
4X31 + 5X32 + 6X33 ≤ 4
2X11 + 10X21 + 4X31 ≥ 10
4X12 + 7X22 + 5X32 ≥ 7
5X13 + 8X32 + 6X33 ≥ 8

en el ordenador.
click en “Exit Tora”
Conclusión
A1 = 0%
A2 = 100%
A3 = 0%
B1 = 0%
B2 = 100%
B3 = 0%
3 Determine la solución de punto de silla, las estrategias puras asociadas y el valor del
juego para cada uno de los jugadores siguientes. Las recompensas son para el jugador A.
a)
B1 B2 B3 B4
A1 1 9 6 0
A2 2 3 8 4
A3 -5 -2 10 -3
A4 7 4 -2 -5
X11 + 9X12 + 6X13 +0X14 ≤ 1
2X21 + 3X22 + 8X23 +4X24 ≤ 2
-5X31 – 2X32 + 10X33 –3X34 ≤ -5
7X41 + 4X42 - 2X43 –5X44 ≤ -5
X11 + 2X21 - 5X31 +7X41 ≥ 7
9X12 + 3X22 - 2X32 - 2X42 ≥ 9
6X13 + 8X23 + 10X33 – 2X43 ≥ 10
0X14 + 4X24 - 3X34 – 5X44 ≥ 4

en el ordenador.
Conclusión
La solución del juego es 2.71.
A1 = 0%,
A2 = 86%,
A3 = 0%,
A4 = 14%
B1 = 64%
B2 = 0%
B3 = 0%
B4 = 36%.
b)
B1 B2 B3 B4
A1 -1 9 6 8
A2 -2 10 4 6
A3 5 3 0 7
A4 7 -2 8 4
-X11 + 9X12 + 6X13 + 8X14 ≤ -1
-2X21 + 10X22 + 4X23 + 6X24 ≤ -2
5X31 + 3X32 + 0X33 + 7X34 ≤ 3
7X41 - 2X42 + 8X43 + 4X44 ≤ -2
-X11 - 2X21 + 5X31 + 7X41 ≥ 7
9X12 + 10X22 + 3X32 - 2X42 ≥ 10
6X13 + 4X23 + 0X33 + 8X43 ≥ 8
8X14 + 6X24 + 7X34 + 4X44 ≥ 8

en el ordenador.
Conclusión
A1 = 30%
A2 = 0%
A3 = 47%
A4 = 23%
B1 = 50%
B2 = 38%
B3 = 12%
B4 = 0%.
c)
B1 B2 B3
A1 3 6 1
A2 5 2 3
A3 4 2 -5
3X11 + 6X12 + 1X13 ≤ 1
5X21 + 2X22 + 3X23 ≤ 2
4X31 + 2X32 – 5X33 ≤-5
3X11 + 5X21 + 4X31 ≥ 5
6X12 + 2X22 + 2X32 ≥ 6
1X13 + 3X23 – 5X33 ≥ 3
b)
Solución paso a paso del problema en Tora:
en el ordenador.
la solución del problema: “Solve Problem”  “LP-based”.
Conclusión
A1 = 17%
A2 = 86%
A3 = 0%
B1 = 0%
B2 = 33%
B3 = 67%
d)
3X11 + 7X12 + 1X13 + 3X14 ≤ 1
4X21 + 8X22 + 0X23 – 6X24 ≤ -6
6X31 – 9X32 – 2X33 + 4X34 ≤ 4
3X11 + 4X21 + 6X31 ≥ 6
7X12 + 8X22 – 9X32 ≥ 8
1X13 + 0X23 – 2X33 ≥ 1
3X14 – 6X24 + 4X34 ≥ 4


en el ordenador.
Conclusión
A1 = 100%
A2 = 0%
A3 = 0%
El jugador B tiene las siguientes posibilidades:
B1 = 0%
B2 = 0%
B3 = 100%
B4 = 0%.
4 Dos empresas anuncian dos productos (uno cada una) que compiten. En la actualidad,
cada producto controla el 50% del mercado. Debido a las mejoras recientes en los dos
productos, cada empresa se prepara para lanzar una campaña publicitaria. Si ninguna
empresa anuncia, seguirán las partes iguales en el mercado. Si cualquiera de ellas lanza
una campaña más intensa, es seguro que la otra perderá un porcentaje proporcional de
sus clientes. El estudio de mercado indica que con televisión se puede llegar al 50% de los
clientes potenciales, con periódicos al 30%, y con el radio al 20%.
a) Formule el problema como un juego entre dos personas con suma cero y
seleccione los medios publicitarios adecuados, para cada una de las dos empresas.
B1 B2 B3
A1 5 3 2
A2 10 6 4
A3 15 9 6
5X11 + 3X12 + 2X13 ≤ 2
10X21 + 6X22 + 4X23 ≤ 4
15X31 + 9X32 + 6X33 ≤ 6
5X11 + 10X21 + 15X31 ≥ 15
3X12 + 6X22 + 9X32 ≥ 9
2X13 + 4X23 + 6X33 ≥ 6

en el ordenador.
Conclusión
El jugador A tiene las posibilidades siguientes:
A1 = 0%
A2 = 0%
A3 = 100%
B1 = 0%
B2 = 0%
B3 = 100%
b) Determine un intervalo del valor del juego. ¿puede operar cada empresa con una sola
estrategia pura?
En este caso sí, ya que en ambos casos la estrategia A3 y B3, se llega al 100% por lo que la
empresa A llegaría 3 veces más a los clientes que la empresa B.
5 Sea aij el elemento (i, j)-esimo de una matriz de recompensa con m estrategias para el
jugador A y n estrategias para el jugador B. La recompensa es para el jugador A.
Max min aij ≤ min Max aij

i j j i
Solución de juegos con estrategia mixta

Se pueden resolver en forma gráfica o con programación lineal los juegos con estrategias
mixtas. La solución grafica es adecuada para juegos en los que al menos un jugador tiene
exactamente dos estrategias puras. El método es interesante, porque explica en forma gráfica
la idea de un punto de silla. Se puede usar la programación lineal para resolver cualquier juego
entre dos personas con suma cero.
Solución grafica de juegos. Comenzaremos con el caso de juegos (2 x n) en los que el
jugador A tiene dos estrategias. La recompensa es para el jugador A.
y1 y2 … yn
B1 B2 … Bn a11 a12 … a1m
x1 A1 a21 a22 … a2m

1 - x₂ A2
En el juego se supone que el jugador A mezcla las estrategias A1 y A2 con las probabilidades
respectivas x1 y 1 — x2 0 ≤ x1 ≤ 1. El jugador B mezcla las estrategias B1, B2,…., Bn con las
probabilidades y1, y2,…, siendo y1 ≥ 0 para j = 1, 2,…, n, y y1 + y2 +… + yn = 1. En este caso,
la recompensa esperada por A correspondiente a la j-ésima estrategia pura de B se calcula
como sigue:
(a1j – a2j) x1 – a2j, j = 1, 2,… n

El jugador A trata así de determinar el valor de x1 que maximice las recompensas mínimas
esperadas, esto es,
max min aij {(a1j - 2ij)x1-a2j}
x1 j
CONCLUSIÓN GENERAL
La teoría de juegos tiene la importancia de realizar un análisis eficiente y encuentra la opción

la cual nos dirige al éxito en dicha situación.
INGENIERIA CIVIL
MATERIA:
PRACTICA: # 11: TAREA “TEORÍA DE JUEGOS (ESTRATEGIAS MIXTAS)”

PROFESOR:
ALUMNO:
B: 15
GRUPO:
3-03

TAREA DE LA PRÁCTICA 11
1.- INVESTIGAR LO SIGUIENTE:
a) Que es la Teoría de Juegos

La teoría de juegos es una rama de la economía que estudia las decisiones en las que para que
un individuo tenga éxito tiene que tener en cuenta las decisiones tomadas por el resto de los
agentes que intervienen en la situación. La Teoría de Juegos es una teoría matemática que
estudia las características generales de las situaciones competitivas de manera formal y
abstracta.
b) Historia de la Teoría de Juegos

La primera discusión conocida de la teoría de juegos aparece en una carta escrita por James
Waldegrave en 1713.Aunque el análisis de Cournot es más general que el de Waldegrave, la
teoría de juegos realmente no existió como campo de estudio aparte hasta que John von
Neumann publicó una serie de artículos en 1928. Estos resultados fueron ampliados más tarde
en su libro de 1944, The Theory of Games and Economic Behavior, escrito junto con Oskar
Morgenstern. Este tipo de teoría de juegos analiza las estrategias óptimas para grupos de
individuos, asumiendo que pueden establecer acuerdos entre sí acerca de las estrategias más
apropiadas.
En 1950, aparecieron las primeras discusiones del dilema del prisionero, y se emprendió un
experimento acerca de este juego en la corporación RAND. Alrededor de esta misma época,
John Nash desarrolló una definición de una estrategia óptima para juegos de múltiples jugadores
donde el óptimo no se había definido previamente, conocido como equilibrio de Nash. Este
equilibrio es suficientemente general, permitiendo el análisis de juegos no cooperativos además
de los juegos cooperativos, el valor de Shapley fueron desarrollados. Además, en ese tiempo,
aparecieron las primeras aplicaciones de la teoría de juegos en la filosofía y las ciencias
políticas.
En 1965, Reinhard Selten introdujo su concepto de solución de los equilibrios perfectos del
sub-juego, que más adelante refinó el equilibrio de Nash. En 1967 John Harsanyi desarrolló
los conceptos de la información completa y de los juegos bayesianos. Él, junto con John Nash
y Reinhard Selten, ganaron el Premio Nobel de Economía en 1994.
En la década de 1970 la teoría de juegos se aplicó extensamente a la biología, en gran parte
como resultado del trabajo de John Maynard Smith y su concepto estrategia estable evolutiva.
Además, los conceptos del equilibrio correlacionado, la perfección del temblor de la mano, y
del conocimiento común fueron introducidos y analizados
En 2005, los teóricos de juegos Thomas Schelling y Robert Aumann ganaron el premio Nobel
de Economía. Schelling trabajó en modelos dinámicos, los primeros ejemplos de la teoría de
juegos evolutiva. Por su parte, Aumann contribuyó más a la escuela del equilibrio.
c) Importancia de la Teoría de Juegos
Su enfoque práctico y lógico ha provocado que esta teoría sea usada en muchos escenarios y
para fines diferentes. Esta metodología se emplee en cualquier ámbito donde la estrategia debe
ser el punto fuerte, ya sea el caso de los ejércitos en combate, relaciones políticas o en decisiones
económicas.
Aunque no se explique de forma evidente, muchos métodos de enseñanza que se aplican en los
colegios se basan en esta teoría y en el objetivo de capacitar a los alumnos a usar la lógica y
obtener los mejores incentivos con sus decisiones y acuerdos con otros compañeros.
d) Aplicaciones de la Teoría de Juegos

La Teoría de Juegos actualmente tiene muchas aplicaciones, sin embargo, la economía es el
principal cliente para las ideas producidas por los especialistas en Teoría de Juego. Entre las
disciplinas donde hay aplicación de la Teoría de Juegos tenemos:
En la Ciencia Política:
La Teoría de Juegos no ha tenido el mismo impacto en la ciencia política que en economía. Tal
vez esto se deba a que la gente se conduce menos racionalmente cuando lo que está en juego
son ideas que cuando lo que está en juego es su dinero.
En la Filosofía:
Los especialistas en Teoría de Juegos creen que pueden demostrar formalmente por qué incluso
el individuo más egoísta puede descubrir que con frecuencia, cooperar con sus vecinos en una
relación a largo plazo redundará en su propio interés ilustrado.
2.- CONTESTAR EL SIGUIENTE CUESTIONARIO SOBRE TEORÍA DE JUEGOS.
a) Defina la palabra JUEGO:
Todas las actividades que se realizan con fines recreativos o de diversión, que suponen el goce
o el disfrute de quienes lo practican. El juego establece diferencias con el trabajo, el arte e
incluso el deporte, por lo que no supone una obligación necesaria de concretar. Aun así, el juego
puede ser utilizado con fines didácticos como herramienta educativa.
b) ¿Qué es la Teoría de Juegos?

Teoria matemática que estudia las características generales de las situaciones competitivas de
manera formal y abstracta. Es útil para tomar decisiones en casos donde dos o más personas
que deciden se enfrentan en un conflicto de intereses.
c) ¿Cómo se conforma un cuadro situacional de juego?

Se refieren a la organización y sus productos, mientras que las Oportunidades y Amenazas son
factores externos sobre los cuales la organización no tiene control alguno. Por tanto, deben
analizarse las condiciones en el siguiente orden: Fortalezas, Oportunidades, Amenazas y
Debilidades
d) ¿Para qué se creó la teoría de juegos?

Desarrollada en sus comienzos como una herramienta para entender el comportamiento de la
economía, la teoría de juegos se usa actualmente en muchos campos, como en la biología,
sociología, politología, psicología, filosofía y ciencias de la computación.
e) ¿Cómo aplicarías la teoría de juegos para una situación de ingeniería civil?

La obra podría ser una partida donde cada jugador (contratista, subcontrata, dirección de obra,
etc.) juega su papel para ganar, en este caso se juega a ganar dinero o no perderlo. Si nos
paramos a pensar cada uno lleva su estrategia: el constructor intentará buscar modificados, la
dirección de obra que no se gaste un duro de más, el subcontratista evitar gastar lo más mínimo,
el de seguridad y salud que no haya ningún accidente.
f) ¿Qué es un juego simétrico?
En teoría de juegos, un juego simétrico es un juego donde las recompensas por jugar una
estrategia particular dependen solamente de las otras estrategias empleadas, no de quién las
juegue.
g) Menciona algunos ejemplos de juegos de suma cero:

1.- Ejemplo de juego de suma cero son la mayoría de juegos de azar como el póker. En este
pasatiempo lo que se lleva el ganador es igual a la suma de lo que apostó el resto.
Otro juego de suma cero es cuando debes repartir una cantidad limitada de recursos en partes
iguales. Asimismo, podemos observar algo cercano a un juego de suma cero en el mercado de
valores. Cuando el precio de una acción cae, pierden quienes la compraron esperando que
aumente su valor. En contraste, ganan quienes la vendieron antes que se devaluara. Aunque
este ejemplo no es exacto porque debemos considerar a los intermediarios, quienes cobran una
comisión por lastransacciones.
h) ¿En dónde aparece la primera discusión conocida de la Teoría de Juegos?

Aparece en una carta escrita por James Waldegrave en 1713. En esta carta, Waldegrave
proporciona una solución mínima de estrategia mixta a una versión para dos personas del juego
de cartas le Her. Sin embargo, no se publicó un análisis teórico de la teoría de juegos en general
hasta la publicación de Recherches sur les príncipes mathématiques de la théorie des richesses,
de Antoine Augustin Cournot en 1838. En este trabajo, Cournot considera un duopolio y
presenta una solución que es una versión restringida del equilibrio de Nash.
i) Mencione las aplicaciones de la Teoría de Juegos:
La Teoría de Juegos actualmente tiene muchas aplicaciones, sin embargo, la economía es el

principal cliente para las ideas producidas por los especialistas en Teoría de Juego. Entre las
disciplinas donde hay aplicación de la Teoría de Juegos tenemos:
En la Economía: No debería sorprender que la Teoría de Juegos haya encontrado aplicaciones directas en
economía. Esta triste ciencia se supone que se ocupa de la distribución de recursos escasos. Si los recursos
son escasos es porque hay más gente que los quiere de la que puede llegar a tenerlos.Este panorama
proporciona todos los ingredientes necesarios para un juego. Además, los economistas neoclásicos adoptaron
el supuesto de que la gente actuará racionalmente en este juego. En un sentido, por tanto, la economía
neoclásica no es sino una rama de la Teoría de Juegos.
Sin embargo, aunque los economistas pueden haber sido desde siempre especialistas camuflados
en Teoría de Juegos, no podían progresar por el hecho de no tener acceso a los instrumentos
proporcionados por Von Neumann y Morgenstern.
j) ¿Para qué han usado la Teoría de Juegos los economistas?
Determinar los papeles de conducta racional en situaciones de "juego" en las que los
resultados son condicionales a las acciones de jugadores interdependientes.
k) ¿Qué es el equilibrio de Nash?

Es una situación en donde los individuos o jugadores no tienen ningún incentivo a cambiar su
estrategia tomando en cuenta las decisiones de sus oponentes. En el equilibrio de Nash la
estrategia que elige cada uno de los participantes de un conflicto o juego es óptima, dada la
estrategia que han elegido los demás. En otras palabras, nadie ganará nada si decide cambiar su
estrategia bajo el supuesto de que los demás individuos no cambian la suya.
l) ¿Qué es el dilema del prisionero?

Problema fundamental de la teoría de juegos que muestra que dos personas pueden no
cooperar incluso si ello va en contra del interés de ambas.
m) ¿Hasta qué año fue que comenzó a considerarse la Teoría de Juegos como campo de
estudio gracias a los artículos publicados por John von Neumann?
1944
n) ¿Cuáles son dos de los planteamientos más importantes para la Teoría de Juegos
presentes en el año de 1950?
Albert W. Tucker planteo formalmente “Dilema del prisionero”, fundamental en la teoría de los
juegos, John Forbes Nash, bajo la dirección de Albert W. Tucker, se doctora con una tesis
sobre juegos no cooperativos, que incluye lo que más tarde se denominó como “El equilibrio de
Nash”
Conclusión
Se podría decir que algunas teorías buscan encontrar las estrategias racionales, que se utilizan
en situaciones donde el resultado depende no solamente de las estrategias propias y las
condiciones del entorno, sino también en las estrategias utilizadas por otros jugadores que
posiblemente tienen objetivos distintos.
INGENIERIA CIVIL
MATERIA:
PRACTICA: # 12: TAREA TEORÍA DE JUEGOS (SOLUCIÓN DE JUEGOS)”

PROFESOR:
ALUMNO:
B: 15
GRUPO:
3-03

Practica 12.- Teoría De Juegos (Solución De Juegos)
Objetivo General: Que el alumno conozca las distintas estrategias mixtas y resuelva problemas
donde cada uno de los jugadores le asigne una probabilidad.
Problemas de Teoría de juegos solución de juegos
Problemas a resolver:
Resolver el siguiente juego con programación lineal utilizando el procedimiento que se utilizó
en la práctica 11.
Problema 1
B1 B2 B3 B4 B5 MIN DE RENGLON
A1 3 -2 1 2 -5 -5
A2 2 3 -3 0 1 -3
A3 -1 2 -2 2 3 -2
A4 -1 -2 4 1 -4 -4
A5 -2 5 -6 8 7 -6
MAX DE LA 3 5 4 8 7
COLUMNA
 Modelo De Programación Lineal:

3X11 - 2X12 + X13 + 2X14 - 5X15 ≤ - 5
2X21 + 3X22 - 3X23 + 5X25 ≤ - 3
-X31 + 2X32 - 2X33 + 2X34 + 3X35 ≤ - 2
-X41 - 2X42 + 4X43 + X44 - 4X45 ≤ - 4
-2X51 + 5X52 - 6X53 + 8X54 + 7X55 ≤ - 6
3X11 + 2X21 - X31 - X41 - 2X51 ≥ 3
-2X12 + 3X22 + 2X32 - 2X42 + 5X52 ≥ 5
X13 - 3X23 - 2X33 + 4X43 - 6X53 ≥ 4
2X14 + 2X34 + X44 + 8X54 ≥ 8

-5X15 + X25 + 3X35 - 4X45 + 7X55 ≥ 7
 Solución Paso A Paso Del Problema: (Con TORA)

Pasos para solucionar problemas de teoría de juegos en TORA:
1. Primeramente, vamos a ejecutare nuestro programa TORA, una vez cambiada la
2. Seleccionamos Click Here.
3. Después seleccionamos la opción de Zero-Sum Games.
4. En la siguiente pantalla verificamos que en Select Input Mode y Select Input Format
estén seleccionados “Enter New Problem” y “Decimal Notation” respectivamente, en
caso de que no estén seleccionados se deben seleccionar, después hacemos click “Go to
Input Screen”.
5. Posteriormente en la siguiente pantalla ingresamos el nombre de la práctica y el número
de estrategias de A y B.
6. La siguiente pantalla nos arroja la matriz en la cual ingresaremos los datos de nuestro
problema.
7. Una vez capturada la matriz de datos de nuestro ejercicio, hacemos Click en Solve Menú
y seleccionamos que sí queremos guardar el archivo.
8. Guardamos nuestro archivo.

9. Después de guardar el archivo, aparecerá otra pantalla dónde se seleccionará solve
problem y posteriormente LP- based.
10. En la pantalla siguiente, verificamos que este seleccionado Decimal Notation y después
hacemos click en “Go to Output Screen”.
11. Finalmente obtenemos la pantalla con el resultado.
 La solución del juego es -0.12.

A1 = 0%
A2 = 29%
A3 = 34%
A4 = 36%
A5 = 0%
B1 = 33%
B2 = 0%
B3 = 36%
B4 = 0%
B5 = 31%.
Como podemos notar en este análisis, es que la solución del juego son estrategias mixtas,
no existe una estrategia pura por lo que existen probabilidades de perder o de ganar.
Problema 2
Resolver el siguiente juego con programación lineal.
B₁ B₂ B₃ Min. Del renglón
A₁ 3 -1 -3 -3
A₂ -2 4 -1 -2
A₃ -5 -6 2 -6
Max. De 3 4 2
columna
 Modelo De Programación Lineal:

3X11 - X12 - 3X13 ≤ - 3
3X11 – 2X21 - 5X31 ≥ 3
-2X21 + 4X22 – X23 ≤ - 2
-X + 4X - 6X ≥ 4
-5X31 - 6X32 + 2X33 ≤ - 6
 Pasos para solucionar problemas de teoría de juegos en TORA:
1. Primeramente, vamos a ejecutare nuestro programa TORA, una vez cambiada la
2. Seleccionamos Click Here.
3. Después seleccionamos la opción de Zero-Sum Games.

4. En la siguiente pantalla verificamos que en Select Input Mode y Select Input Format
estén seleccionados “Enter New Problem” y “Decimal Notation” respectivamente, en
caso de que no estén seleccionados se deben seleccionar, después hacemos click “Go to
Input Screen”.
5. Posteriormente en la siguiente pantalla ingresamos el nombre de la práctica y el

número de estrategias de A y B.
6. La siguiente pantalla nos arroja la matriz en la cual ingresaremos los datos de nuestro
problema.
7. Una vez capturada la matriz de datos de nuestro ejercicio, hacemos Click en Solve
Menú y seleccionamos que sí queremos guardar el archivo.
8. Guardamos nuestro archivo.

9. Después de guardar el archivo, aparecerá otra pantalla dónde se seleccionará solve
problem y posteriormente LP- based.
10. En la pantalla siguiente, verificamos que este seleccionado Decimal Notation y

después hacemos click en “Go to Output Screen”.
11. Finalmente obtenemos la pantalla con el resultado.
 La solución del juego es -0.91.
A1 = 39%
A2 = 31%
A3 = 29%
B1 = 32%
B2 = 8%
B3 = 60%.
CONCLUSIÓN
En esta ocasión usamos de base la practica 11 para poder lograr la realización de esta,
utilizamos tres pasos para la resolución de los problemas planteados, primero hacíamos el
modelo de programación lineal que esto es una técnica que nos ayuda a la toma de decisiones,
utiliza un modelo matemático para describir un problema, posterior donde empezamos a
plantear todas nuestras ecuaciones formuladas con A y B, el total de ecuaciones dependía de la
suma de a y b. En el segundo paso procedimos a resolver nuestro problema paso a paso con
TORA hasta tener en la pantalla todos los datos que necesitábamos para hacer el paso tres que
este era, hacer una conclusión con los datos proporcionados, una solución de juego y los
porcentajes que le correspondían a “A” y “B”. Lo mismo se aplicó en los dos problemas.
INGENIERIA CIVIL
MATERIA:
PRACTICA: # 13: TAREA EL PROCESO DE PREPARACIÓN Y EVAL. DE

PROYECTOS (RUTA CRÍTICA)
PROFESOR:
ALUMNO:
B: 15
GRUPO:
3-03
LOS MOCHIS, SINALOA, DE JUNIO DE 2021

PRÁCTICA 13.- EL PROCESO DE PREPARACIÓN Y EVAL. DE PROYECTOS
(RUTA CRÍTICA)
Objetivo General: Que el alumno conozca la ruta más crítica y dando solución a cada una de
las variables de estudio, de inicio a cada una de las actividades secuencialmente, obteniendo así
la solución a los problemas.
Antecedentes Teóricos: Alcance Y Definición De Modelos De Redes

Muchas situaciones de investigación de operaciones pueden modelarse y resolverse como redes
(nodos conectados por ramas); a continuación tenemos algunos ejemplos de aplicación:
1. Diseño de una red de oleoductos para gas natural a una determinada distancia de la costa para
conectar los cabezales de los pozos en el Golfo de México a un punto de distribución costero
con el objetivo de minimizar el costo de construcción de los oleoductos.
2. Determinación de la ruta más corta entre dos ciudades en una red existente de carreteras.
3. Determinación de la capacidad máxima (en toneladas por año) de una red de oleoductos para
lodos de carbón que unen minas de carbón en Wyoming con plantas eléctricas en Houston (los
oleoductos para lodos transportan carbón al bombear agua a través de tuberías especialmente
diseñadas).
4. Determinación del cronograma (fechas de inicio y terminación) para las actividades de un
proyecto de construcción.
5. Determinación del itinerario de flujo de costo mínimo desde campos petroleros hasta
refinerías a través de una red de oleoductos.
La solución de estas situaciones se logra por medio de varios algoritmos de optimización de

redes. A continuación se presentan cuatro de estos algoritmos.
1. Árbol de mínima expansión (situación 1)
2. Algoritmo de la ruta más corta (situación 2)
3. Algoritmo de flujo máximo (situación 3)

4. Algoritmo de la ruta crítica (CPM) (situación 4)
Definiciones de red. Una red se compone de un conjunto de nodos unidos por arcos (o ramas).
La notación para describir una red es (N, A), donde N es el conjunto de nodos, y A es el conjunto
de arcos. A guisa (Guisa
= Modo o manera) de ilustración, la red de la figura 6.1, se describe como:
N = {1, 2, 3, 4, 5}
A = {(1, 2), (1, 3), (2, 3), (2, 5), (3, 4), (3, 5), (4, 2), (4, 5)}
Asociado con cada red hay un flujo (por ejemplo, los productos de petróleo fluyen por un
oleoducto y el tráfico de automóviles fluye por las carreteras). El flujo máximo en una red puede
ser finito o infinito, según la capacidad de sus arcos.
Se dice que un arco está dirigido u orientado si permite el flujo positivo sólo en una dirección.
Una red dirigida tiene todos los arcos dirigidos.
Una ruta es un conjunto de arcos que unen dos nodos distintos, y que pasan a través de otros
nodos en la red.
Por ejemplo, en la figura 6.1 los arcos (1,2), (2,3), (3,4) y (4,5) forman una ruta entre los nodos
1 y 5. Una ruta forma un ciclo o un bucle si conecta un nodo de vuelta a sí mismo a través de
otros nodos. En la figura 6.1, los arcos (2,3), (3,4) y (4,2) forman un ciclo.
Se dice que una red está conectada si cada dos nodos distintos están conectados en al menos
una ruta. La red en la figura 6.1 muestra este tipo de red. Un árbol es una red conectada libre
de ciclos compuesta de un subconjunto de todos los nodos, y un árbol de expansión es un árbol
que une todos los nodos de la red. La figura 6.2 proporciona ejemplos de un árbol y un árbol de
expansión de la red de la figura 6.1.
ALGORITMO DEL ÁRBOL DE MÍNIMA EXPANSIÓN
Este árbol vincula los nodos de una red valiéndose de la longitud mínima total de las ramas de
conexión. Una aplicación común se presenta en la pavimentación de carreteras que unen
poblaciones, o de forma directa, o que pasan por otras poblaciones. La solución del árbol de
mínima expansión proporciona el diseño del sistema de carreteras.
Sea N = {1, 2,..., n} el conjunto de nodos de la red y defina
Ck = Conjunto de nodos que han estado conectados de manera permanente en la iteración k
̅𝑘
𝐶̅= Conjunto de nodos que se construirán permanentemente después de la iteración k.
Ejemplo 1:
Midwest TV Cable Company va a proporcionar servicio de cable a cinco desarrollos

habitacionales. La figura 6.6 ilustra las posibles conexiones de TV a las cinco áreas, con las
millas de cable anexadas a cada arco. El objetivo es determinar la red de cables más económica.
El algoritmo se inicia en el nodo 1 (en realidad, cualquier otro nodo puede ser un punto de
inicio), el cual da por resultado
El árbol de mínima expansión que se muestra en la iteración 6 de la figura 6.7 da la solución.

Las millas de cable mínimas resultantes que se necesitan para proporcionar el servicio de cable
deseado son 1 + 3
+ 4 + 3 + 5 = 16 millas.
Comentarios. En teoría, un árbol de mínima expansión puede formularse y resolverse como un
programa lineal. Sin embargo, la PL no es una opción práctica porque deben agregarse
numerosas restricciones para excluir todos los ciclos y el resultado es una PL enorme, aun para
redes pequeñas.
Solución del ejemplo 1 con TORA
Paso 1.- Abrir TORA y presionar click here:
Paso 2.- En la pantalla que se abre a continuación seleccionar network models, luego minimal
spanning tree.
Paso 3.- En la pantalla siguiente ingresar los datos del diagrama de conexiones.
Paso 4.- Presione o haga click en “SOLVE MENU” (Recordar que TORA preguntará si quiere
guardar el archivo).
Paso 5.- Luego presione “SOLVE PROBLEM”.
Paso 6.- A continuación dar click en “GO TO OUTPUT SCREEN”.

Paso 7.- Aparecerá la siguiente pantalla, hacer click en la pestaña “ALL ITERATIONS”.
Paso 8.- A continuación aparece la siguiente pantalla, hacer click en aceptar.

Pasó 9.- A continuación tenemos la pantalla donde nos arroja el resultado, tanto el total de millas
que en este caso es 16 como las conexiones que deberán hacerse para obtener el mínimo gasto
de conexión.
CONCLUSIÓN: El total mínimo de cableado es de 16 millas.
Paso 10.- A continuación tenemos el diagrama actualizado con los datos que arroja TORA (Este
se hace en Word o en Paint, no lo hace el programa TORA).
CONJUNTO DE PROBLEMAS
Figura a)
1) Determine los nodos y los arcos de cada una de las figuras anteriores:
Nodos: (1, 2, 3, 4,5) Nodos: (1, 2, 3, 4)
Arcos: (1, 2)(1, 3)(2, 5)(3, 4)(3, 5)(4, 2)(4, 5) Arcos: (1, 2)(1, 3)(2, 3)(2, 4)(3, 4)
2) Para cada red de la figura anterior (Figura a), realice el diagrama para c/u de los sig.
Incisos:
(a) Una ruta
Ruta Figura A.- (1,3), (3,4), (4,2), (2,5), se forma una ruta del nodo 1 a 5.
Ruta Figura B.- (1,2), (2,3), (3,4) forman una ruta del nodo 1 al 4.
(b) Un ciclo
Ciclo Figura A.- entre los nodos (1,2), (2,5), (5,1).
Ciclo Figura B.- no hay

(c) Un árbol
Árbol Figura A.- conecta (1,2), (1,3).
Árbol Figura B.- Conecta (1,2), (1,3).

(d) Un árbol de expansión
Árbol de expansión Figura A.- (1,2), (1,5), (1,3), (3,4).
Árbol de expansión Figura B.- (1,3), (1,2), (2,4).
b) Determine el árbol de mínima expansión de la red del ejemplo 1 conforme cada una de las
siguientes condiciones distintas (Obtener paso a paso la solución con TORA y realizar al
diagrama con las conexiones resultante como se hizo en el ejemplo 1):
(1) Los nodos 5 y 6 están unidos por un cable de 2 millas.

(2) Los nodos 2 y 5 no pueden unirse.

(4) El cable entre los nodos 1 y 2 es de 8 millas de largo.
(6) El nodo 2 no puede unirse directamente a los nodos 3 y 5.
Solución con TORA

1.- Abrir TORA y presionar click here:
2.- En la pantalla que se abre a continuación seleccionar network models, luego minimal
spanning tree.
3.- En la pantalla siguiente ingresar los datos del diagrama de conexiones.

Paso 4.- Presione o haga click en “SOLVE MENU” (Recordar que TORA preguntará si quiere
Paso 5.- Luego presione “SOLVE PROBLEM”.

6.- A continuación dar click en “GO TO OUTPUT SCREEN”.
7.- Aparecerá la siguiente pantalla, hacer click en la pestaña “ALL ITERATIONS”.

8.- A continuación aparece la siguiente pantalla, hacer click en aceptar.
9.- A continuación tenemos la pantalla donde nos arroja el resultado, tanto el total de millas que
en este caso es 16 como las conexiones que deberán hacerse para obtener el mínimo gasto de
conexión.
10.- A continuación tenemos el diagrama actualizado con los datos que arroja TORA (Este se
hace en Word o en Paint, no lo hace el programa TORA).
c) Determine el árbol de mínima expansión de la siguiente red (Obtener paso a paso la solución
con TORA y realizar el diagrama con las conexiones resultante como se hizo en el ejemplo 1):
En el transporte intermodal, los camiones de remolque cargados se transportan entre terminales

ferroviarias sobre plataformas especiales. La figura 1 muestra la ubicación de las principales
terminales ferroviarias en los Estados Unidos y las vías de ferrocarril existentes.
El objetivo es decidir qué vías deben ser “revitalizadas” para manejar el tráfico intermodal.
En particular, la terminal de Los Ángeles (LA) debe vincularse directamente a Chicago (CH)
para acomodar el tráfico pesado esperado. Aparte de esa, todas las terminales restantes pueden
vincularse directa o indirectamente, de modo que la longitud total (en millas) de las vías
seleccionadas se minimice. Determine los segmentos de las vías ferroviarias que deben
incluirse en el programa de revitalización.
FIGURA 1:
Solución con TORA
spanning tree.
4.- Presione o haga click en “SOLVE MENU” (Recordar que TORA preguntará si quiere
5.- Luego presione “SOLVE PROBLEM”.

en este caso es 5080.00 como las conexiones que deberán hacerse para obtener el mínimo gasto
de conexión.
CONCLUSIÓN: El total mínimo de cableado es de 5080.00 millas.
d) Determine el árbol de mínima expansión de la siguiente red (Obtener paso a paso la solución
con TORA y realizar al diagrama con las conexiones resultante como se hizo en el ejemplo 1):
La figura 2 da la distancia en millas de los vínculos factibles que conectan nueve cabezales de
pozos de gas natural localizados a una cierta distancia de la costa con un punto de distribución
costero. Como el cabezal del pozo 1 es el más cercano a la costa, dispone de una suficiente
capacidad de bombeo y almacenamiento para bombear la producción de los ocho pozos restantes
al punto de distribución. Determine la red de oleoductos mínima que vincule los cabezales de
los pozos al punto de distribución.
Solución con TORA

spanning tree.
4.- Presione o haga click en “SOLVE MENU” (Recordar que TORA preguntará si quiere
5.- Luego presione “SOLVE PROBLEM”.


en este caso es 41 como las conexiones que deberán hacerse para obtener el mínimo gasto de
conexión.
PROBLEMA DE LA RUTA MÁS CORTA
Este problema determina la ruta más corta entre un origen y un destino en una red de transporte.
El mismo modelo puede representar otras situaciones, como se ilustra con los siguientes
ejemplos.
e) (Reemplazo de equipo)
RentCar está desarrollando una política de reemplazo para su flotilla de automóviles en un

horizonte de planeación de 4 años. Al inicio de cada año, un automóvil se reemplaza o se
conserva en operación durante un año más. Un automóvil debe estar en servicio de 1 a 3 años.
La siguiente tabla proporciona el costo de reemplazo como una función del año en que se
adquiere un automóvil y los años en operación.
El problema puede formularse como una red en la que los nodos 1 a 5 representan el inicio de
los años 1 a 5.
Los arcos a partir del nodo 1 (año 1) pueden llegar a los nodos 2, 3 y 4 porque un automóvil
puede estar en operación de 1 a 3 años. Los arcos a partir de los demás nodos pueden
interpretarse del mismo modo. La longitud de cada arco es igual al costo de reemplazo. La
solución del problema es equivalente a determinar la ruta más corta entre los nodos 1 y 5.
La figura 6.10 muestra la red resultante. Utilizando TORA, 2 la ruta más corta es 1 → 3 → 5.
La solución indica que un automóvil adquirido al inicio del año 1 (nodo 1) debe reemplazarse
después de 2 años al inicio del año 3 (nodo 3). El automóvil de reemplazo se mantendrá entonces
en servicio hasta finales del año 4. El costo total de esta política de reemplazo es de $12,500 (=
$5400 + $7100).
Pasos para resolver con TORA
1.- Buscar el programa Tora y abrirlo.
2.- Hacer click en click here.
3.- Click en Network Models y después en Shortest Route.

4.- click en Go to input screen.
5.- Se escriben los datos y se da click en solver menú.

6.- Tora pregunta si quiere guardar el archivo.
7.- Guardar archivo.
8.- Dar click en Solve Problem y seguido de Shortest Routes.

9.- Dar click en Go To Output Screen.
10.- Aparece la pantalla de resultados.

11.- Observar los resultados y hacer una conclusión indicando la ruta más corta (de que nodo a
que nodo, así como la distancia entre dichos nodos)
La ruta más corta es la que tiene una distancia de 125000, con la ruta 1-3-5, desde el 1 al 5.
f) Una empresa está preparando un presupuesto para el lanzamiento de un producto nuevo. La

tabla siguiente muestra las actividades asociadas y sus duraciones. Formule la red de proyecto.
Pasos para resolver con TORA
1.- Buscar el programa Tora y abrirlo.

2.- Hacer click en click here.
3.- Click en Network Models y después en Shortest Route.
4.- click en Go to input screen.

5.- Se escriben los datos y se da click en solver menú.
6.- Tora pregunta si quiere guardar el archivo.

7.- Guardar archivo.
8.- Dar click en Solve Problem y seguido de Shortest Routes.
9.- Dar click en Go To Output Screen.

10.- Aparece la pantalla de resultados.
11.- Observar los resultados y hacer una conclusión indicando la ruta más corta (de que nodo a
que nodo, así como la distancia entre dichos nodos)
Con una distancia de 5 unidades la ruta más corta es de B-G.

Conclusión
En esta práctica se vio cual es el método más viable para enviar productos de un lugar a otro en
una ruta más óptima y de esa manera optimizar los tiempos.
Con lo presentado anteriormente y concluido podemos observar que el método de la ruta crítica
es una herramienta útil, puede ser utilizada para el control de aspectos tales como una obra para
ing. Civil. Además, este método toma un análisis de un punto de vista objetivo para aprovechar
de una mejor manera todos los recursos presentados.
Se puede decir que es un factor de suma importancia para la planeación de un proyecto y así
mismo asegurar el éxito de este.
INGENIERIA CIVIL
MATERIA:
PRACTICA: # 14: EL PROCESO DE PREPARACIÓN Y EVALUACIÓN DE

PROYECTOS (DIAGRAMA DE TIEMPO Y CONTROL DE PROYECTO).
(RUTA CRÍTICA)
PROFESOR:
ALUMNO:
B: 15
GRUPO:
3-03
LOS MOCHIS, SINALOA,30 DE JUNIO DE 2021

PRÁCTICA #14: EL PROCESO DE PREPARACIÓN Y EVALUACIÓN DE PROYECTOS
(DIAGRAMA DE TIEMPO Y CONTROL DE PROYECTO).
Objetivo General: que el alumno trabaje con proyectos donde genere los tiempos y realice el diagrama de cada
una de las actividades que pueden hacerse simultáneamente para generar su cronograma de actividades y su ruta
más corta.
Materiales: Computadora, Software Tora y Word.
MARCO TEÓRICO
Saber cómo se de optimizar los recursos, como el riesgo y reducir los costes, tener idea de cómo debe ser la gestión
de proyectoscomplejos y lo que estos implica saber tomar las decisiones adecuadas en el momento preciso.
Apoyándose en las herramientas adecuadas con el fin de ser capaz de prever los resultados, familiarizarse con
determinados métodos y técnicas, saber qué herramientas nos ayudara a simplificar la ejecución y dónde encontrarlas
son, entre otros, tareas que un responsable de proyecto no puede obviar.
Saber los límites no tiene cabida y entonces, cuando se trata de gestionar un proyecto de tamaña diversidad, de tal
volumen, con tantas implicaciones.
La representación gráfica del planning de un proyecto es el tablero sobre el que se moverán las fichas del seguimiento.
Cuanto más precisa, detallada, completa, pero a la vez sencilla, comprimida y gráfica sea esta fotografía, mayor
utilidad se desprenderá de ella. Se ha hecho la selección de técnica y herramienta adecuada cuando:
 Su manejo es simple e intuitivo.
 Toda la información que se precisa conocer tiene cabida de forma estructurada.
 Es posible practicar nuevas anotaciones, comentarios, modificaciones y, por supuesto, actualizar los
contenidos en todo momento.
 Permite facilitar la comunicación, es sencilla de compartir y fomenta la colaboración entre todos los
participantes en el proyecto.
En cualquier caso, existen tres métodos que no pueden faltar si se quiere llevar a cabo una administración de proyecto
inteligente, que supedite cada actividad a un control racional y exhaustivo:
 DIAGRAMA DE GANTT: es una herramienta gráfica cuyo objetivo es exponer el tiempo de dedicación
previsto para diferentes tareas o actividades a lo largo de un tiempo total determinado. A pesar de esto, el
diagrama de Gantt no indica las relaciones existentes entre actividades, la utilidad que da a las ingenierías es a
simplificar o tener una mayor idea de cuánto tiempo llevaría una obra en realizarse.
 CPM: El método de la ruta crítica o diagrama CPM (Critical Path Method) es un algoritmo basado en la
teoría de redes que permite calcular el tiempo mínimo de realización de un proyecto. Este método utiliza
intervalos determinísticos, a diferencia de otros como el PERT que se basan en probabilidades, este método
ayudaría en tener la idea más específica y detallada de cuanto llevaría el proyecto de obra en realizarse.
 PERT: La Técnica de Revisión y Evaluación de Programas (o Proyectos) (del inglés PERT, Program
Evaluation and Review Techniques) es una técnica estadística de la administración y gestión de proyectos
que fue diseñada para analizar y representar las tareas involucradas en culminar un proyecto, este método
podría ayudar en la ingeniería en decir cuales tareas podría hacerse y gestionarlas de la mejor forma.
Estos tres métodos pueden aplicarse de forma independiente el emprender la planificación de un proyecto contando
con las tres facilita el éxito en la gestión ya que, pese a ser técnicas muy completas, los vacíos que deja cada una
quedan cubiertos por las demás, brindando así, en conjunto, una visión global muy exacta de las necesidades del
proyecto que permite una toma de decisiones a tiempo y minimizar el riesgo, al proporcionar datos sobre:
 Las actividades en que se sustenta el proyecto y su duración.
 Los recursos humanos necesarios en cada caso.
 Los hitos y/o eventos reseñables a lo largo del periodo de desarrollo de proyecto.
 Los costes y sobrecostes, si los hubiere.
 La existencia de demoras, retrasos o ineficiencias con respecto al planning original.
Si los datos obtenidos reflejan la necesidad de practicar cambios en el calendario inicial debido al aumento de los
plazos de entrega o ejecución de determinadas actividades, puede contemplarse la posibilidad de aplicar técnicas de
aceleración que, aunque acortan efectivamente el tiempo estimado para la conclusión del proyecto, no están exentas
de riesgo.
DESARROLLO DE LA PRÁCTICA:
A continuación tenemos el problema a resolver de nuestra práctica, más abajo se expresan los pasos a seguir en el
programa TORA para dar solución a dicho problema.
Problema:
Calcular el cronograma de actividades para el siguiente diagrama que muestra su número de actividad, tiempo y arco.
Pasos a seguir en TORA para resolver nuestro problema:
1. Como primer paso abrimos el programa Tora y hacemos clic en “Click Here”
2. A continuación colocamos el cursor en la opción: “Project Planning, posteriormente hacemos clic en CPM
– Critical Path Method”
3. En seguida dejamos seleccionada la opción “Enter New Problem” y nos aseguramos que el formato en
decimales “Decimal Notation (NNNNN.DD) sea igual a 5 y en “How many D?” sea igual a 2 y por ultimo
hacemos click en “Go to Input Screen”
4. En la siguiente pantalla colocamos el nombre del problema en la sección de “Problem title” y hacemos click
en enter.
5. A continuación aparecerá una pantalla que contiene una matriz que se debe llenar con los datos que contiene
el diagrama del problema, capturando desde el nodo inicial hasta el nodo final, incluyendo la letra que
identifica al arco y su duración.
6. A continuación, una vez terminada la captura de dicha matriz hacemos clic en “Solve menu” y TORA nos
arrojará la siguiente pregunta: “¿Do you wish to sabe data?” esto es por si queremos guardar el archivo.
7. Después de gurardar nuestra captura hacemos clic en “Solve problem”

8. En la pantalla siguiente nos aseguramos de nuevo que las decimales “Decimal Notation (NNNNN.DD) sea
igual a 5 y en “How many D?” sea igual a 2 y por último hacemos click en “Go to Output Screen”.
9. Después del paso anterior aparece una pantalla en donde se debe seleccionar “CPM Bar Chat”.
10. A continuación se observa la pantalla con la solución del ejercicio (Su solución gráfica y su solución tabular).
11. CONCLUSION:
Para concluir esta práctica fue fácil y rápida de hacer, nos ayudó a saber cómo gestionar de manera adecuada
los proyectos, en este caso las actividades prioritarias serian 1-2: A (1 a 2 días), 2-7: D (de 2 a 4 días), 6-8: I
(De 9 a 13 días) y 7-6: J (de 4 a 9 días). Mientras que las actividades que se pueden hacer de manera
simultánea son 1-6:B, 1-3:C,2-4:E,3-5:G,4-6:F,5-6:H y 7-8:J.Al tener estos conocimientos podremos facilitar
los proyectos y tener una idea más clara de la duración de la obra.
INGENIERIA CIVIL
MATERIA:
TAREA: PRACTICA#14
PROFESOR:
ALUMNO:
B: 15
GRUPO:
3-03
LOS MOCHIS, SINALOA, JUNIO DE 2021

TAREA DE LA PRÁCTICA #14: EL PROCESO DE PREPARACIÓN Y EVALUACIÓN DE
PROYECTOS (DIAGRAMA DE TIEMPO Y CONTROL DE PROYECTO).
Problema:
Las actividades para suministrar un servicio de coro se ven en la lista de la siguiente tabla:
Solución en Tora
1. Como primer paso abrimos el programa Tora y hacemos clic en “Click Here”
2. A continuación colocamos el cursor en la opción: “Project Planning, posteriormente hacemos

clic en CPM – Critical Path Method”
3. En seguida dejamos seleccionada la opción “Enter New Problem” y nos aseguramos que el
formato en decimales “Decimal Notation (NNNNN.DD) sea igual a 5 y en “How many D?” sea
igual a 2 y por ultimo hacemos click en “Go to Input Screen”
4. En la siguiente pantalla colocamos el nombre del problema en la sección de “Problem title”

y hacemos click en enter.
5. A continuación aparecerá una pantalla que contiene una matriz que se debe llenar con los
datos que contiene el diagrama del problema, capturando desde el nodo inicial hasta el nodo
final, incluyendo la letra que identifica al arco y su duración.
6. A continuación, una vez terminada la captura de dicha matriz hacemos clic en “Solve menu”
y TORA nos arrojará la siguiente pregunta: “¿Do you wish to sabe data?” esto es por si queremos
guardar el archivo.
7. Después de gurardar nuestra captura hacemos clic en “Solve problem”
8. En la pantalla siguiente nos aseguramos de nuevo que las decimales “Decimal Notation
(NNNNN.DD) sea igual a 5 y en “How many D?” sea igual a 2 y por último hacemos click en
“Go to Output Screen”.
9. Después del paso anterior aparece una pantalla en donde se debe seleccionar “CPM Bar Chat”.
10. A continuación se observa la pantalla con la solución del ejercicio (Su solución gráfica y su
solución tabular).
SOLUCIÓN TABULAR SOLUCIÓN GRÁFICA

CONCLUSIÓN
Cuando se procedió en la realización de problema, y mirar resultados obtenidos, podemos
concluir que las actividades: “A, B, C, D, E, M, R, T”, deben iniciar y concluir en ciertos días
obligatoriamente, las demás actividades pueden realizarse en otros dias, mas sin embargo no se
deben de olvidar las condiciones y se deberá terminar en el tiempo establecido de 90 días.

Portafoliodeevidencias 303 B15 Labsistemas Lopezrodriguez Joseelias

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

Portafoliodeevidencias 303 B15 Labsistemas Lopezrodriguez Joseelias

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD AUTONOMA DE SINALOA

FACULTAD DE INGENIERIA LOS MOCHIS

LAB. INGENIERÍA DE SISTEMAS

CARPETA DE EVIDENCIAS PRACTICAS 1-14

LOPEZ RODRIGUEZ JOSE ELIAS

LOS MOCHIS, SINALOA,02 DE JULIO DE 2021

EQUIPO Y MATERIAL: Computadora.

El método simplex implica un procedimiento de cómputo que determina en forma

MATERIA PINTURA PINTURA DISPONIBILIDAD

Un estudio de mercado ha establecido que la demanda diaria para pintura de interior no

1.- Abrir el programa TORA.

2.- Dar click en “here”.

4. - Dar click en: “Enter new problem” y “Go to input screen”.

5.- Escribimos el nombre del problema, número de variables y número de restricciones.

7.- Guardamos los avances.

9. - Click en “Solve problem”, “Algebraic”, “Iterations” y finalmente “Bounded simplex”.

11. - click en “All iterations” y aceptar.

13. se procede activar el Excel

16. se activa la opción solve y darle aceptar

17. Se obtendrá el resultado

Zmax = 4x1 + 6x2

1.- Repetimos los pasos 1-4 marcados en la práctica.

2.- En la siguiente ventana se encuentra el problema resuelto, para ver la solución

4.- Solución óptima.

Se requiere de 3 toneladas de pintura exterior y 1.5 de pintura interior para lograr la

X1= 1.20, X2= 1.20 y objetivo= 6

2.- Obtenemos los siguientes resultados.

2.- Obtenemos los siguientes resultados.

Maximizar Z = f(x, y)= 3x + 2y

2.-Observamos resultados y los comparamos con los obtenidos en el método gráfico.

X1= 3, X2= 12 y objetivo= 33

Maximizar Z = f(x1, x2)= 3x1 + 2x2

2.-Observamos resultados y los comparamos con los obtenidos en el método gráfico.

X1= 3, X2= 12 y objetivo= 33

Sujeto a: x1 + 2x2 + 3x3 ≤ 9

3x1 + 2x2 + 2x3 ≤ 15

2.-Observamos resultados y los comparamos con los obtenidos en el método gráfico.

X2= 0 y objetivo= 0, este problema no es compatible con el método algebraico.

2.-Observamos resultados y los comparamos con los obtenidos en el método gráfico.

X1= 40, X2= 0 y objetivo= 80

OBJETIVO: Que el alumno utilice el software TORA para resolver problemas

EQUIPO Y MATERIAL: Computadora.

La empresa transportista cobra 8 centavos por milla y por auto. El costo de

Denver Miami Oferta

El modelo de programación lineal es el siguiente minimizar:

80x11 + 215x12 + 100x21 + 108x22 + 102x31 + 68x32

x11+x12 = LOS ANGELES

x i j ≥ 0,i= 1,2,3; j = 1,2

1.- Abrir el programa TORA.

2.- Dar click en “here”.

3.- Seleccionamos el método de transporte “Transportation model”.

6.- Se ingresan los datos del problema.

6.- Ingresar el nombre y click en guardar.

6. - Click en “All iterations” y aceptar.

7. - Agrupamos los datos.e interpretamos resultados.

2.- Se va llenando con fórmulas para obtener los demás resultados

6.- Y solver le da solución al problema

1. El alumno explicara el desarrollo de la practica desde donde se enciende la

2. El alumno dará solución a los problemas planteados en la computadora por

3. El alumno entregara en forma impresa y en la plataforma del Moodle la

TAREA PRACTICA 2. “METODO DE

OBRA #1 OBRA #2 OBRA #3 OBRA #4 OFERTAS

a) La matriz de costos teniendo un costo de traslado de 33 centavos.