Tema 6.

Modelo de asignación I
Introducción

Existen problemas de programación lineal que pueden ser resueltos mediante

los modelos de transporte. La característica principal de este modelo es que busca
minimizar los costos relacionados al envío de mercancía desde el origen hasta el destino.

A pesar de que este modelo es empleado principalmente para programas de transporte o

envíos, es útil también en la definición de programas de producción y afilado o cambio de
herramientas.

Los modelos de transporte pueden ser resueltos mediante el método de la esquina

noroeste, costo mínimo y aproximación de Vogel.

Explicación

6.1 Definición de un modelo de transporte

Dentro de los tipos de problemas de programación lineal, están los modelos de

transporte, su mayor aplicación es definir la transportación óptima de bienes. Puede ser
usado también para la programación de la producción.

Si nos referimos al problema general de modelos de transporte, quiere decir que

estamos buscando el canal de distribución de cualquier mercancía desde el
origen i (centros de suministro) hacia su destino j (centros de recepción), que minimice los
costos totales de distribución.

Cada origen tendrá una capacidad de suministro de unidades i y cada destino una
demanda j a ser satisfecha por el origen. El total de la oferta deberá de ser igual al total de
la demanda.

Los modelos de transporte se basan en dos supuestos, de acuerdo con Hiller y

Lieberman (2006):

Supuesto de
Supuesto de costo
requerimientos
 • El costo de distribución
• Cada origen tiene
es directamente
una capacidad de
proporcional al total de
suministro en
unidades distribuidas.
unidades fija.
• El costo es igual al costo
• Cada destino
unitario de distribución
tiene una
multiplicado por el
demanda fija a
número de unidades
ser satisfecha.
distribuidas.

Veamos un ejemplo:

Autopartes JM tiene tres plantas, una en Monterrey, una en Guadalajara y otra en Cd. de
México; además de dos centros de distribución en Juárez y Celaya, respectivamente. Las
plantas tienen una capacidad trimestral de 1000, 1500 y 1200 mofles cada una y los
centros de distribución una demanda durante el mismo periodo por 2300 y 1400 mofles
respectivamente.

Transportes Terrestres, su compañía transportista cobra $0.08 por milla recorrida por
camión.

Costo de transporte por camión

Juárez (1) Celaya (2)

Monterrey (1) $ 80 $ 215

Guadalajara (2) $ 100 $ 108

 Cd. de México (3) $ 102 $ 68

El modelo de programación lineal es el siguiente:

Minimizar 80 X11 + 215 X12 + 100 X21 + 108 X22 + 102 X31 + 68 X32
X11 + X12 = 1000 (Monterrey)
X21 + X22 = 1500 (Guadalajara)
X31 + X32 = 1200 (Cd. de México)
Sujeto a
X11 + X21 + X31 = 2300 (Juárez)
X12 + X22 + X32 = 1400 (Celaya)
Xij ≥0, i = 1,2,3, j =1,2
Oferta = 1000 + 1500 + 1200 = 3700
Demanda = 2300 + 1400 = 3700

Basado en el costo de transporte, capacidad de las plantas y demanda de los centros de

distribución, la solución óptima sería:

El costo total del transporte sería

(1000) (80) + (1300) (100) + (200) (108) + (1200) (68) = $313,200

6.2 Modelos de transporte tradicionales

Como modelos de transporte tradicionales tenemos los siguientes: control de

producción e inventario y servicio de afilado de herramientas.

Control de producción e inventario

Termos Uresti fabrica termos, la demanda durante el periodo pico de mayo a agosto de
cada año es 100, 200, 180 y 300 unidades respectivamente. Uresti emplea mano de obra
de tiempo parcial para solventar las fluctuaciones de la demanda. Se estima que la
compañía puede producir 50, 180, 280 y 270 unidades de Mayo a Agosto. La demanda del
mes en curso la pueden satisfacer de tres maneras:

• La producción del mes al costo de $40 por termo

• La producción excedente de un mes anterior a un costo de retención adicional
de $0.50
• La producción excedente en un mes posterior, pedido en espera, a una
penalización adicional de $2 por termo por mes

La compañía quiere determinar el programa óptimo de producción para los cuatro meses.

Costo unitario = producción + retención + penalización

Mayo (1) Junio (2) Julio (3) Agosto (4) Capacidad

Mayo (1) $ 40,00 $ 40,50 $ 41,00 $ 41,50 50

Junio (2) $ 42,00 $ 40,00 $ 40,50 $ 41,00 180

Julio (3) $ 44,00 $ 42,00 $ 40,00 $ 40,50 280

Agosto (4) $ 46,00 $ 44,00 $ 42,00 $ 40,00 270

Demanda 100 200 180 300

Basado en la capacidad u oferta y en la demanda por mes, se hace la distribución de la
producción.

Costo unitario periodo 1 = producción + retención + penalización

Costo unitario periodo 1 = (50) ($40) + 0 + (50) ($42) = 4100

Costo unitario periodo 2 = producción + retención + penalización

Costo unitario periodo 2 = (130) ($40) + 0 + (70) ($42) = 8140

Costo unitario periodo 3 = producción + retención + penalización

Costo unitario periodo 3 = (180) ($40) + (30) ($40.5) + 0 = 8140

Costo unitario periodo 4 = producción + retención + penalización

Costo unitario periodo 4 = (270) ($40) + 0 + 0 = 10800

Costo Total = 31455

Servicio de afilado de herramientas

Papelera Vázquez se dedica al corte de cartón de diferentes tipos y espesores.

Dependiendo el tipo de cartón a cortar será la demanda de la hoja de corte. Varía entre
un día y otro en la misma semana, de acuerdo a lo siguiente:

Día Lunes Martes Miércoles Jueves Viernes Sábado Domingo

Demanda de
24 12 14 20 18 14 22
hoja de corte

Papelera Vázquez puede satisfacer la demanda de la siguiente manera:

 • Hoja de corte nueva a $12 c/u
• Servicio de afilado nocturno $6 / hoja de corte
• Servicio de afilado en un día $5 / hoja de corte
• Servicio de afilado en dos días $3 / hoja de corte

1. 2. 3. 4. 5. 6. 7.
• Desech
Lune Marte Miércole Jueve Vierne Sábad Doming
o
s s s s s o o
$12 $12 $12 $12 $12 $12 $12 $0 12
1. Nueva
$24 $24 88 4

$6 $5 $3 $3 $3 $3 $0
2. Lunes M 24
14 10
$6 $5 $3 $3 $3 $0
3. Martes M M 12
12
4. $6 $5 $3 $3 $0
Miércole M M M 14
s 10 4

$6 $5 $3 $0
5. Jueves M M M M 20
2 18

6. $6 $5 $0
M M M M M 18
Viernes 14 4

7. $6 $0
M M M M M M 14
Sábado 14

8. $0
M M M M M M M 22
Domingo 22
24 12 14 20 28 14 22 124

La distribución de las hojas de corte por día se hace tomando en cuenta un origen nuevo,
en el supuesto que se compran todas las hojas para el consumo de la semana y a partir
de ahí la distribución por día es realizada tomando en cuenta el requerimiento de la
semana al menor costo posible.

El costo total sería $818, calculándolo a partir de la sumatoria de las multiplicaciones

individuales de la cantidad de hojas por su costo, según lo indicado en la tabla.

6.3 Algoritmo de transporte

Para resolver un algoritmo de transporte seguimos los mismos pasos básicos que en el
método simplex.

De acuerdo con Taha (2006), los pasos de este algoritmo son:

1. Determine una solución factible básica inicial y vaya al paso 2.

2. Use la condición de optimalidad del método simplex para determinar la
variable de entrada de entre todas las variables no básicas. Si se satisfacen las
condiciones de optimalidad, deténgase. De lo contrario, avance al paso 3.
3. Use la condición de factibilidad del método simplex para determinar la variable
de entrada de entre todas las variables básicas actuales y halle la nueva
solución básica. Regrese al paso 2.

Y pueden ser resueltos por los métodos siguientes:

• Método de la esquina noroeste: naturaleza mecánica e implica la mínima

cantidad de cálculos.
• Método del costo mínimo: heurístico, solución inicial de mejor calidad con
valor objetivo más pequeño.
• Método de aproximación de Vogel: heurístico, solución inicial de mejor
calidad con valor objetivo más pequeño, además, es considerado mejor que el
método del costo mínimo.

Los modelos de transporte tienen m + n (m = origen, n = destino) ecuaciones de

restricción tanto para el origen como para el destino. Los modelos siempre deben estar
balanceados, es decir, el total de la oferta debe de ser igual al total de la demanda.
Además, una de las restricciones es redundante, por lo que tanto para las ecuaciones
independientes como para las variables básicas tendríamos m + n – 1 respectivamente.

A partir del siguiente ejemplo, se explicaran cada uno de los métodos de solución para
el algoritmo de transporte.

Una compañía transporta maíz de tres silos diferentes a cuatro molinos para su
procesamiento. La siguiente tabla muestra también la oferta y la demanda en camiones
cargados y los costos de transporte en cientos de dólares. El objetivo es determinar el
programa de envíos con el menor costo entre silos y molinos.

Molino
1 2 3 4 Oferta
10 2 20 11
1 15
X11 X12 X13 X14
Silos
20 7 9 20
2 25
X21 X22 X23 X24
 4 14 16 18
3 10
X31 X32 X33 X34
Demanda 5 15 15 15

Solución inicial = m + n – 1
Solución inicial = 3 + 4 – 1
Solución inicial = 6

Método de la esquina noroeste

De acuerdo con Taha (2006), los pasos para el método de la esquina noroeste son los
siguientes:

1. Asigne lo más posible a la celda seleccionada y ajuste

las cantidades asociadas de oferta y demanda
restando la cantidad asignada.
2. Tache la columna o fila con oferta o demanda cero
para indicar que no se hagan más asignaciones ahí. Si
una fila y una columna dan cero al mismo tiempo,
tache sólo una, y deje una oferta o demanda cero en
la fila o columna no tachada.
3. Si se deja sin tachar exactamente una fila o columna,
deténgase. De lo contrario, muévase a la celda a la
derecha si acaba de tachar una columna, o abajo si
acaba de tachar una fila. Vaya al paso 1.

El costo del programa de envíos es de $520

5x10 + 10x2 + 5x7 + 15x9 + 5x20 + 10x18 = 520

Método del costo mínimo
De acuerdo con Taha (2006), el método del costo mínimo sigue los siguientes pasos:

1. Determina una mejor solución inicial al concentrarse

en las rutas más económicas.
 2. Asigna lo más posible a la celda con el costo unitario
mínimo; los empates se rompen arbitrariamente.
3. Luego se tacha la fila o columna satisfecha y se
ajustan las cantidades de oferta y demanda como
corresponda. Si una fila o una columna se satisfacen
al mismo tiempo, sólo se tacha una, igual que en el
método de la esquina noroeste.
4. A continuación, seleccione la celda no tachada con el
costo unitario mínimo y repita el proceso hasta que se
deje sin tachar.

El costo del programa de envíos es de $475

15x2 + 5x4 + 15x9 + 0x11 + 5x18 + 10x20 = 475

Método de aproximación de Vogel
De acuerdo con Taha (2006), el método de aproximación de Vogel se resuelve de la
siguiente manera:

1. Para cada fila y columna determine una medida de

penalización restando el elemento de costo unitario
mínimo en la fila o columna del siguiente elemento de
costo mínimo en la misma.
2. Identifique la fila o columna con la penalización
máxima que rompa los empates arbitrariamente.
Asigne lo más posible a la variable con el costo
unitario mínimo en la fila o columna seleccionada.
Ajuste la oferta y la demanda, y tache la fila o columna
satisfecha. Si una fila y una columna se satisfacen al
mismo tiempo, sólo se tacha una de las dos, y a la
restante se le asigna una oferta o demanda cero,
según sea el caso.
3. Si exactamente una fila o columna con oferta o
demanda cero permanece sin tachar, deténgase. Si
una fila o columna) con oferta o demanda positiva
permanece sin tachar, determine las variables básicas
mediante el método del costo mínimo. Deténgase. Si
 todas las filas y columnas no tachadas tienen oferta y
demanda cero (restantes), determine las variables
básicas cero por el método del costo mínimo.
Deténgase. De lo contrario, vaya al paso 1.

El costo del programa de envíos es de $475

5x4 + 15x2 + 15x9 + 10x20 + 5x18 = 475

Cierre

Hemos aprendido a solucionar problemas o modelos de transporte, como un programa

de transporte, producción o afilado de herramientas.
Para la solución de este tipo de problemas, nos podemos apoyar del método de esquina
noroeste, costo mínimo o aproximación de Vogel, en los que analizamos las filas y
columnas, es decir la oferta y demanda, además de los costos para, a partir de las
particularidades de cada método, definir el mejor programa que minimice la función
objetivo.

Tema 7. Modelo de asignación II

Introducción

Los modelos de asignación son un caso especial de la programación lineal, que busca, de
igual manera que en los modelos de transporte, la minimización de los costos de
asignación; con la única diferencia que lo que aquí se asigna son principalmente tareas a
trabajadores o empleados, pero también es usado para la asignación de máquinas,
vehículos, periodos y otros similares.

Para obtener la solución a este tipo de problemas o modelos, es posible apoyarse de

cálculos manuales como el método húngaro.

Explicación

7.1 Solución al modelo de asignación

Otro de los tipos especiales de la programación lineal y de los modelos de transporte, es

el modelo de asignación. Las variables en este modelo son asignados; por ejemplo,
empleados, máquinas, vehículos, plantas, periodos, y tareas. Es decir, a cada asignado le
corresponderá una tarea a realizar y el objetivo es que esta asignación represente el
menor costo.

Para definir un Modelo de Asignación se debe considerar lo siguiente:

• La cantidad de asignados (n) debe de ser igual a la cantidad de tareas (N)

• Cada asignado tienen sólo una tarea asignada
• Cada tarea es realizada por un solo asignado
• Siempre habrá un costo (cij) asociado a la asignación de tareas por asignado

Los modelos de asignación pueden ser resueltos por el método húngaro y método
húngaro con simplex.

7.2 Método húngaro y método húngaro con simplex

El método húngaro busca la optimización de los modelos de asignación. Fue diseñado
principalmente para cálculos manuales, los cuales son ahora sustituidos por aplicaciones
de computadora que simplifican la solución de problemas de asignación.

La solución de este método, según Taha (2006), consta de tres pasos:

1. Determine pi, el elemento de costo mínimo en la fila i de la matriz de costos

original, y réstelo de todos los elementos de la fila i.
2. Para la matriz creada en el paso 1, determine qj, el elemento de costo mínimo
de la columna j, y réstelo de todos los elementos de la columna j.
3. A partir de la matriz del paso 2, intente determinar una asignación factible
entre todas las entradas cero resultantes.
a. Si puede hallarse esa asignación, es óptima.
b. De lo contrario, se requieren más cálculos:
i. Trace el mínimo de líneas horizontales y verticales en la
última matriz reducida para cubrir todas las entradas
cero.
ii. Seleccione la entrada mínima no cubierta y réstela de
cada entrada no cubierta, luego súmela a cada entrada
en la intersección de dos líneas.
iii. Si no puede determinar una asignación factible entre las
entradas cero resultantes, repita el paso 3a. La
aplicación del paso 3b a la última.

Ejemplo:

Un granjero está requiriendo los servicios de podar, plantar y recolectar en tres diferentes
viveros, A, B y C, por lo que le solicitan sus cotizaciones.

Podar Plantar Recolectar

Vivero A $ 15 $ 10 $9

Vivero B $9 $ 15 $ 10

Vivero C $ 10 $ 12 $8

Solución:
 Podar Plantar Recolectar Costo mínimo

Vivero A $ 15 $ 10 $9 $9

Vivero B $9 $ 15 $ 10 $9

Vivero C $ 10 $ 12 $8 $8

Podar Plantar Recolectar

Vivero A $6 $1 $-

Vivero B $- $6 $1

Vivero C $2 $4 $-

Podar Plantar Recolectar

Vivero A $6 $1 $-

Vivero B $- $6 $1

Vivero C $2 $4 $-

Costo mínimo $- $1 $-
 Podar Plantar Recolectar

Vivero A $6 $- $-

Vivero B $- $5 $1

Vivero C $2 $3 $-

La asignación que minimizaría los costos para el granjero es Vivero A – Plantar, Vivero B –
Podar y Vivero C – Recolectar.

Costo de asignación = $27

9 + 10 + 8 = 27

Para concluir, podemos decir que el método húngaro está basado en el método
simplex.

Cierre

La asignación de recursos no sólo significa transporte, producción o herramientas, sino

también tareas a cualquiera que las pueda realizar, ya sean personas o máquinas.

Para este tipo de asignaciones aplicamos los modelos de asignación, donde no

necesariamente el número de fuentes será igual al número de destinos, por ejemplo para
una vacante casi siempre hay más de un solo aspirante.
El método húngaro es el medio más conocido para la solución de problemas de
asignación puro, que como hemos visto la finalidad es ir reduciendo la matriz hasta que
sus costos sean cero y así determinar la solución que minimice los costos de asignación.

Tema 8. Análisis de decisiones y juegos

Introducción

En la vida diaria se presentan situaciones en las que se requiere tomar decisiones; para
que éstas no sean tomadas al azar podemos apoyarnos de procesos establecidos, como
la jerarquía analítica cuando estamos hablando de datos conocidos, es decir, bajo
certidumbre, usar árboles de decisión apoyados por el criterio de valor esperado; o
función de utilidad cuando los datos son probabilísticas o bajo riesgo. Ambos nos darán
una guía de la decisión a tomar basada en cálculos matemáticos y probabilísticas.

Explicación

8.1 Toma de decisiones bajo certidumbre

Los procesos de toma de decisiones pueden clasificarse en toma de decisiones bajo

certidumbre y en condiciones de riesgo, esto depende del tipo de datos que tengamos.
Será bajo certidumbre cuando los datos son conocidos y en condiciones de
riesgo cuando los datos pueden ser obtenidos por distribuciones probabilísticas.

La toma de decisiones bajo certidumbre apoyada del proceso de jerarquía

analítica (PJA o AHP por sus siglas en inglés Analytic Hierarchy Process), busca no
necesariamente la solución correcta, sino aquella que satisfaga las necesidades de quien
tiene el problema, cuantificando los sentimientos, ideas y emociones para priorizar las
opciones o alternativas.

Ejemplo:

Una empresa recibió cotizaciones muy similares de tres proveedores, A, B y C, por lo que
debe tomar la decisión de qué proveedor seleccionar basado en otros criterios, como
reputación y ubicación, por lo que la empresa asigna valores de 83% y 17%
respectivamente. Después asigna un valor para cada proveedor de acuerdo a la siguiente
tabla.

Criterio Proveedor A Proveedor B Proveedor C

Reputación 54.5 27.3 18.2

Ubicación 12.9 27.7 59.4

Para seleccionar al proveedor con mayor peso, realizamos los siguientes cálculos

Proveedor A 0.83x0.545 + 0.17x0.129 = 0.4742

Proveedor B 0.83x0.273 + 0.17x0.277 = 0.2736
Proveedor C 0.83x0.182 + 0.17x0.594 = 0.2529

Proveedor A sería la opción seleccionada, debido a que en el proceso de jerarquía

analítica es el que obtiene un mayor peso.

8.2 Toma de decisiones en condiciones de riesgo

La toma de decisiones en condiciones de riesgo quiere decir que estamos trabajando

bajo incertidumbre, ya que existe determinada cantidad de resultados posibles, pero se
desconoce la distribución de sus probabilidades.
Para estos casos las decisiones pueden ser tomadas en base al criterio de valor esperado,
maximización de la utilidad o minimización del costo.

De acuerdo con Taha (2006), “el criterio de valor esperado busca maximizar la utilidad
esperada (promedio) o la minimización del costo esperado”, asumiendo que los datos son
probabilísticas.

Algunos ejemplos donde vemos aplicado el concepto son cambios en la economía o

situación política de un país, el comportamiento real de la demanda contra el pronóstico o
la aceptación de un nuevo producto lanzado en el mercado. En pocas palabras, cualquier
situación en la que se carece de probabilidades reales para tal caso.

8.3 Árbol de decisiones, variantes del criterio del valor esperado

Ahora bien, podemos hacer uso del árbol de decisiones (representación visual del
despliegue del problema) para el análisis del criterio del valor esperado. En su
construcción el punto de decisión estará representado por un cuadro y los eventos
aleatorios por un círculo.

Ejemplo:

Una compañía textilera desea comprar acciones a una de dos empresas, A y B, invirtiendo
un total de $10 000. Si analizamos la compañía A, sus acciones podrían redituar 50%
durante el siguiente año aún y cuando son riesgosas y si el mercado se comportara bajista
podría perder 20% de su valor. En el caso de la compañía B, en un mercado alcista seguro
da un rendimiento de 15% y en un mercado bajista 5%. Las publicaciones del mercado
pronostican una probabilidad de 60% para el mercado alcista y 40% en el mercado bajista.
¿Cuál deberá de ser la decisión de inversión?

Alternativas Mercado alcista Mercado bajista

Empresa A $ 5,000 -$ 2,000

Empresa B $ 1,500 $ 500

Probabilidad 0.6 0.4

Empresa A 5000x0.6 + (-2000)x0.4 = 2200

Empresa B 1500x0.6 + 500x0.4 = 1100

La decisión de la compañía textilera deberá ser invertir sus acciones en la empresa A, ya

que es la que le generaría mayor rendimiento.

Dentro de las variantes del criterio del valor esperado están, según Taha (2006), la
determinación de probabilidades a posteriori (basada en experimentación) y el uso de la
utilidad contra el valor real del dinero.
Cuando queremos mejorar la precisión de la estimación del valor esperado se puede
realizar una experimentación adicional o posteriori de Bayes.

Tomando como base el ejemplo anterior, sólo que ahora la compañía realiza su propia
investigación del mercado para ver la probabilidad de un mercado alcista y bajista,
obteniendo que ahora haya un 90% de probabilidad en el mercado alcista de que la
recomendación sea a favor y la bajista disminuye a 50%.

Lo anterior quedaría expresado de la siguiente manera.

v1 = vota a favor
v2 = voto en contra
m1 = mercado alcista
m2 = mercado bajista

P{v1| m1} = .9, P{v2| m1} = .1

P{v1| m2} = .5, P{v2| m2} = .5

v1 v2

m1 0.9 0.1

m2 0.5 0.5

Probabilidades a priori 0.6 y 0.4 (de acuerdo al problema inicial)

Probabilidades a posteriori

v1 v2

m1 0.54 0.06

m2 0.2 0.2

0.74 0.26
Las cuales se obtienen multiplicando 0.6 x 0.9, 0.6 x 0.1 y 0.4 x 0.5, 0.4 x 0.5, para luego
sumar los valores obtenidos por columna. Después se dividirán cada uno de los valores
entre el valor de la suma de la columna. Serán estos últimos datos los que se utilizarán
para la construcción del nuevo árbol de decisión.

v1 v2

m1 0.730 0.231

m2 0.270 0.769
El cálculo de toma de decisión se realiza de la misma manera.

Voto a favor Empresa A = 3110

Empresa A = 1230

Voto en contra Empresa A = - 383

Empresa B = 731
En la Función de Utilidad al contrario del criterio de valor esperado en lo que se analiza
realmente es dinero, aquí el análisis va en función de la retribución que se espera ganar o
perder dependiendo el enfoque que tenga la persona sobre el problema planteado.

Cierre

La toma de decisiones, dependiendo el tipo de datos con los que se cuentan, puede ser
bajo certidumbre o bajo riesgo; el análisis de estas decisiones puede ser apoyado por el
proceso de jerarquía analítica o árbol de decisiones respectivamente, los cuales nos
ayudarán a tomar decisiones evitando la arbitrariedad.

El proceso de jerarquía analítica basada en las matemáticas y la psicología, nos permite

tomar decisiones que mejor se alinean a nuestras necesidades, dejando a un lado el
concepto de solución o decisión correcta.

Los árboles de decisión nos permitirán observar gráficamente las opciones que tenemos y
los resultados que obtendríamos a partir de ciertos datos o probabilidades para de esta
manera simplificar la toma de decisiones.

Tema 9. Decisión bajo incertidumbre

Introducción

Ya has visto el proceso de toma de decisiones cuando los datos se conocen con certeza, o
bien, cuando se conoce la probabilidad de que sucedan. Ahora analizarás los casos en los
que no es posible asignar probabilidades, se les llama decisiones bajo incertidumbre.

Además aplicaremos el concepto de teoría de juegos muy útil entre jugadores o

contendientes, donde la finalidad es determinar cuál será la estrategia ante el adversario
que dará los mejores resultados.

Explicación

9.1 Teoría de juegos

Se dice que una decisión es bajo incertidumbre cuando no es posible asignar

probabilidades a los eventos posibles del problema o situación.

Los problemas de decisión bajo incertidumbre pueden ser analizados usando alguno de
los siguientes criterios:
 • Laplace. Basado en el principio de razón insuficiente, lo que significa que
como no existe información a priori, no hay razón para creer que las
probabilidades de los estados de la naturaleza sean diferentes, es decir todos
tienen la misma probabilidad de ocurrir.
• Maximin, minimax. De acuerdo con Taha (2006) consiste en hacer la mejor
de las peores condiciones posibles. Si es una pérdida, entonces seleccionamos
la acción que corresponde al criterio minimax. Si es una ganancia, utilizamos el
criterio maximin.
• Criterio de lamento de Savage. Pérdida relativa o pérdida de oportunidad.
• Criterio de Hurwicz. Es una media entre los niveles de seguridad y optimismo.

Veamos un ejemplo en el que podamos aplicar cada uno de los criterios.

La industria manufacturera está planeando una expo para la que estima una asistencia de
200, 250, 300 o 350 personas. El costo de la Expo será mínimo si la cantidad de asistentes
es exacta a la planeada. Asistencia por arriba o debajo de lo planeado significaría costos
adicionales, por tener capacidad de sobra o falta. En la tabla se muestran los costos en
miles de dólares dependiendo el caso.

Nivel de asistencia
200 250 300 350
200 5 10 18 25
250 8 7 12 23
Capacidad planeada
300 21 18 12 21
350 30 22 19 15

Laplace

Capacidad de 200 = ¼ (5+10+18+25) = 14500

Capacidad de 250 = ¼ (8+7+12+23) = 12500
Capacidad de 300 = ¼ (21+18+12+21) = 18000
Capacidad de 350 = ¼ (30+22+19+15) = 21500

Minimax

Nivel de asistencia
200 250 300 350 Valor máximo
200 5 10 18 25 25
Capacidad planeada 250 8 7 12 23 23
300 21 18 12 21 21
 350 30 22 19 15 30

Savage

Nivel de asistencia
200 250 300 350
200 5 10 18 25
250 8 7 12 23
Capacidad planeada
300 21 18 12 21
350 30 22 19 15

A los datos de la tabla se selecciona el valor más pequeño por columna y se le resta a los
demás valores de la misma columna.

Nivel de asistencia
200 250 300 350 Valor máximo
200 0 3 6 10 10
250 3 0 0 8 8
Capacidad planeada
300 16 11 0 6 16
350 25 15 7 0 25

Hurwicz

Capacidad Valor mínimo por Valor máximo por α(Fila mín) + (1 -

planeada fila fila α)(Fila máx)
200 5 25 25 - 20α
250 7 23 23 - 16α
300 12 21 21 - 9α
350 21 30 30 - 15α

Para este caso habrá que asignar un valor a α y efectuar la operación, el valor mínimo
será la capacidad planeada óptima.
De acuerdo con Hillier y Lieberman (2006), la teoría de juegos es una teoría matemática
que estudia las características generales de situaciones competitivas de manera formal y
abstracta, donde el resultado final depende de la combinación de estrategias
seleccionadas por los adversarios.

9.2 Solución óptima de juegos y con estrategias combinadas

Entre los tipos de teoría de juegos están los de solución óptima de juegos de suma
cero entre dos personas. En este tipo de juegos, sólo son dos los participantes o
jugadores y lo que uno gana, el otro lo pierde, por lo que la suma de las ganancias netas
será cero.

Ejemplo: dos cadenas de supermercado llevan a cabo diferentes campañas de publicidad.

El supermercado A cuenta con tres estrategias y el supermercado B con 4. El porcentaje
de mercado acaparado o perdido por A se muestra en la siguiente tabla.

B1 B2 B3 B4 Valor máximo
A1 8 -2 9 -3 -3
A2 6 5 6 8 5 Maximin
A3 -2 4 -9 5 -9
Valor máximo 8 5 9 8
Minimax

Lo que indica esta tabla y sus resultados es que tanto el supermercado A y B, deberán
implementar la campaña de publicidad 2 de cada uno, ya que cualquier otra opción le
estaría dando la ventaja al otro. A este tipo de decisiones en las que no es factible
moverse de estrategia se le llama punto de silla.

Cuando contamos con estrategias combinadas, la solución de juegos puede resolverse

a través del método gráfico cuando el problema sólo muestra dos estrategias por jugador
y mediante programación lineal.

Cierre

Sabemos que tomar una decisión en cualquier ámbito, ya sea personal o laboral, en
ocasiones suele ser complicado, más cuando la decisión tomada es bajo incertidumbre, es
decir cuando son tomadas basadas en la experiencia y no en históricos o probabilidades
como lo hacíamos en el tema anterior. Pero para reducir el riesgo hemos aprendido que
nos podemos apoyar de métodos como: Laplace, maximin/minimax, criterio de lamento
de Savage y criterio de Hurwicz.

En la teoría de juegos las decisiones estarán basadas no sólo en las estrategias que
podamos tener como personas o empresas, sino que además se deberán suponer las
reacciones o decisiones del rival. Por su naturaleza, este concepto es muy utilizado en
política, economía, estrategias de penetración de mercados y hasta en juegos de póker o
Texas.

Tema 10. Modelos de inventario probabilístico

Introducción

El manejo de inventarios representa para una compañía un tema delicado ya que implica
un costo, pero además requiere de una buena planeación para asegurar que cualquier
bien necesario estará disponible en el momento de necesitarlo.

Actualmente existen diferentes metodologías para el manejo y control de inventarios,

pero desde el punto de vista de modelos de decisión podemos resaltar tres: los de
revisión continua, de un solo periodo y de varios periodos.

La finalidad de cualquier modelo será definir el nivel óptimo de inventario, que minimice
sus costos, pero a la vez determine la cantidad y tiempo de reordenamiento de bienes.

Explicación

Sabemos que el concepto de inventario se refiere al almacenamiento temporal de un bien

para su uso o venta en el futuro y que siempre incurre en un costo, por lo que el objetivo
de todo negocio debe de ser que sea el menor posible; para ello es importante
determinar los niveles óptimos de inventario.

Existen diferentes maneras de establecer los niveles óptimos de inventarios, pero si nos
enfocamos a las opciones que se tienen mediante modelos de investigación de
operaciones, el resultado sería el siguiente:
De acuerdo con Hillier y Lieberman (2006), los modelos de inventario tienen los siguientes
elementos:

• Costo de ordenar o fabricar: este costo es directamente proporcional a la

cantidad ordenada o producida e incluye los costos fijos.
• Costo de mantener o almacenar: asociado con el almacenamiento del
inventario hasta que se vende o se usa.
• Costos de penalización por faltantes o demanda insatisfecha: se incurre en
este costo cuando la cantidad demandada es mayor a la que está disponible
en inventario.
• Costos de recuperación: asociado al valor del rescate, que es cuando existen
bienes que ya no son requeridos en el inventario.
• Tasa de descuento: toma en cuenta el valor del dinero en el tiempo.

10.1 Modelos de revisión continua

Modelo EOQ determinístico: este modelo supone que la demanda es constante y que el
inventario será consumido en determinada cantidad de tiempo, por esta razón lo que se
busca determinar es la frecuencia y cantidad de reabastecimiento del inventario para así
evitar desabasto.

Modelo EOQ probabilístico: la finalidad de este modelo es la misma que para el EOQ
determinístico, la diferencia es que no hay certeza sobre la demanda, es decir, no es un
valor constante, por lo que se deberá estimar la cantidad y tiempo de reorden.

El modelo está basado en tres suposiciones según Taha (2006):

1. La demanda no satisfecha durante el tiempo de espera se pone en rezago

2. No se permite más de un pedido pendiente
3. La distribución de la demanda durante el tiempo de espera permanece
estacionaria con el tiempo.
Los costos asociados a estos modelos son:

• Costo de mantener o almacenar por unidad de inventario por unidad de

tiempo
• Costos de penalización por faltantes o demanda insatisfecha por unidad de
inventario
• Costo de ordenar o fabricar

10.2 Modelos de uno y varios periodos

Los modelos de un solo periodo están enfocados a bienes que sólo pueden ser usados
por un tiempo específico, es decir que son perecederos, que caducan o expiran.

Algunos ejemplos de bienes aplicables a este modelo son periódicos, revistas, frutas,
verduras, flores, medicamentos, artículos de temporada, autos al final del año modelo y
reservaciones aéreas.

Los costos asociados a este modelo son:

• Costo de ordenar o fabricar

• Costo de mantener o almacenar
• Costos de penalización

Como se mencionaba anteriormente, los modelos de un solo periodo pueden dividirse en

modelos con y sin preparación, la diferencia entre ellos será como su nombre lo dice, si se
incurre o no en costos de ordenar o fabricar.

Modelo sin preparación

También conocido como newsvendor (periodiquero) ya que se relaciona con el almacenaje

y venta de periódico.

De acuerdo con Taha (2006), las suposiciones para este modelo son:

• La demanda ocurre al instante en el inicio del periodo inmediatamente

después de que se recibe el pedido
• No se incurre en ningún costo de preparación

Modelo con preparación

En este modelo si se incurre en costos de ordenar o fabricar. La política que se sigue es
que si el inventario disponible es menor al inventario de seguridad, se deberá de ordenar
o fabricar.

Modelos de varios periodos

Para los modelos de varios periodos debemos de estar en el supuesto de que no hay
costos de ordenar o fabricar, permite un retraso en el cumplimiento de la demanda, pero
no permite un retraso en la entrega.

Cierre

Para cualquier empresa dedicada a la compra y venta de bienes o servicios los inventarios
son de suma importancia, ya que representan un costo que tendrá que ser registrado en
su manejo contable y que a su vez le permitirá cumplir en tiempo y forma con los
compromisos convenidos con sus clientes y programas de producción.

Un incorrecto control de los inventarios podría causarle a las empresas grandes pérdidas
de dinero, prestigio y contratos futuros.

A través de este tema hemos aprendido algunos modelos de administración de

inventarios, como modelos de revisión continua, modelos de un solo periodo y modelos
de varios periodos.

La finalidad de toda administración de inventarios es mantener la certeza de las

cantidades de material que se tienen en físico, el monto de dinero que estos representan,
la definición de fechas reales y oportunas de reorden y el mejor modelo de acuerdo a las
necesidades, que les permita mantener lo antes mencionado bajo un estricto control.