1Investigación de Operaciones

Yuly Naidu Lozano Giraldo -100294297

Gustavo Alonso Mahecha Campos – 1911020080
Sebastián Chavarría correa – 1128443540
Jeisson Andrés Campos Ruiz - 100287481

Abril 2023.

Politécnico Grancolombiano – Institución Universitaria

Facultad de Ingeniería, Diseño e Innovación
Investigación de Operaciones
 ii

Tabla de Contenidos

Explicación del modelo propuesto.....................................................................................1

Análisis Estadístico........................................................................................................4
Demanda........................................................................................................................4
Producción.....................................................................................................................7
Pronóstico........................................................................................................................10
Explicacion del modelo....................................................................................................12
Análisis estadístico..........................................................................................................14
GAMS..............................................................................................................................18
Conclusiones...................................................................................................................21
 1

Explicación del modelo propuesto

1. Una breve explicación del modelo propuesto, en particular la

representación como red, indicando claramente los supuestos de cada uno y
sus posibles limitaciones. En particular las proposiciones (2.1), (2.2) y (2.3)
son de vital interés para la gerencia.
Para este ejercicio tener en cuenta:

a. La lectura TOTAL del artículo no es necesaria. Es una tarea

desgastante y no nos centraríamos en la información principal. Lo
importante es la Lectura TOTAL del capítulo 2. En el capítulo 2, se
explica el modelo que se espera que usen para su proyecto.

b. No es necesario que tengan todo el capítulo 2 leído. En la entrega 1

nos centramos solo en las proposiciones 2.1, 2.2 y 2.3. Recuerden
que deben explicarlas claramente.

CAPITULO 2: Model Formulation and Analysis

Sección MUY importante de cara a la primera entrega.

En esta sección se explican las proposiciones (2.1), (2.2) y (2.3) que

usted debe explicar en este informe. Leer la sección completa para
tener entendimiento TOTAL.

Por ejemplo, la proposición 2.1 indica "Any extreme point feasible

2.4.
solution can be decomposed into a sequence of consecutive
Characterization of
subplans". ESPAÑOL: "Cualquier solución factible en un punto
Extreme Points
extremo puede descomponerse en una secuencia
de subplanes consecutivos".

La sección donde le explican que es un punto extremo es la 2.4

"Characterization of Extreme Points". ESPAÑOL: Caracterización de
los puntos extremos". La sección donde le explican que es un subplan
es la 2.4.1 "Subplans". ESPAÑOL: "Subplanes".
 2

REPRESENTACIÓN DEL MODELO PC DE MLSP

Mediante la representación de este modelo se demuestra de manera lineal los
procesos transporte teniendo en cuentas las variables solicitadas como L=4
representa 4 agentes en cada sector como son: el campo de producción
Cusiana, Cusiana – Apiay, Apiay – Bogotá y el sistema de distribución Bogotá
y T=10 los meses en los que se va a representar este caso que sería de
marzo a diciembre teniendo las siguientes variables:

Representación Gráfica RED

En la anterior figura podemos notar que cada nivel depende del anterior para
explicarlo mejor el transporte se mueve de arriba hacia abajo y el inventario
de izquierda a derecha; podemos concluir que este modelo es lineal y por
ende sus costos se mantienen y son más bajos y organizados ya que no se
especulan errores y este proceso llega ser estandarizado.

Modelo matemático
 3

proposicion 2.1
¨It indicates that in this proposition we can subdivide in sublevels so that each of
those sublevels satisfies each level of
each level of demand, taking into account inventory and transportation.
inventory and transportation.¨
Indica que en esta proposición podemos subdividir en subniveles para que casa
uno de
esos subniveles satisfaga cada nivel de demanda teniendo en cuenta el
inventario y el transporte.

Proposición 2.2
¨It indicates that each level of production shows the capacity at each level, either
its totality or its residual result and its capacity of use.¨
Indica que Cada nivel de producción demuestra la capacidad que hay en cada
nivel ya sea su totalidad o su resultado residual y su capacidad de uso.

Proposición 2.3
¨indicates that in each sublevel depends on each other and makes the amount
transported and accumulates to the next sublevel and becomes a linear
sequence.¨
indica que en cada subnivel depende de cada uno y hace que la cantidad
transportada y se acumule hasta el siguiente subnivel y se convierta en una
secuencia lineal.
 4

Análisis Estadístico

Un análisis estadístico robusto de la información de entrada (contenida en el

archivo GNVdata.xlsx), que justifique la selección de parámetros (para los 12
meses) utilizados en el modelo.

Demanda

A continuación, vamos a realizar un análisis de los datos de DEMANDA desde el

2001 hasta el 2015, vamos a hacer una serie de gráficos en lapsos de 3 años
para poder diferenciar los valores.

1. En los meses de abril y mayo la demanda fue menor durante estos

dos meses a lo largo de los 15 años.
2. Durante el primer trimestre en cada año, se observó un crecimiento
importante, sin embargo, en abril y mayo se generan caídas en los
niveles de demanda los cuales se recuperan en el segundo semestre.
3. Desde el mes de junio hasta diciembre se puede observar un
crecimiento mensual en la demanda del gas.
4. Podemos evidenciar que la demanda del mes de diciembre
comparada con enero es casi 4 veces de su valor inicial.

DEMANDA DE GAS
1200
1000
800
600
400
200
0
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

ENERO FEBRERO MARZO ABRIL

MAYO JUNIO JULIO AGOSTO
SEPTIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE
Linear (DICIEMBRE)
 5

2001 - 2003
1000
800
600
DEMANDA

400
200
0
er
o
er
o zo ril ay
o
ni
o lio to br
e
br
e
br
e
br
e
En br ar Ab M Ju Ju g os m tu m m
e M A tie c e e
F O vi ci
S ep No Di

2004 - 2006
1000
800
600
demanda

400
200
0
er
o ro zo ril ay
o
ni
o lio to br
e
br
e
br
e
br
e
En re ar Ab Ju Ju os m tu
F eb M M Ag tie Oc
vi e m
ci e m
S e p
No Di
 6

2007 - 2009
1200
1000
800
600
demanda

400
200
0
er
o ro zo ril ay
o
ni
o lio to br
e
br
e
br
e
br
e
En bre ar Ab M Ju Ju g os m tu m m
e M tie c e
F A O vie ci
S ep No Di

2010 - 2012
1200
1000
800
600
demanda

400
200
0
er
o ro zo ril ay
o
ni
o lio to br
e re br
e
br
e
En re ar Ab Ju Ju os ub
F e b M M A g em Oc
t
vie
m
cie
m
pti Di
Se No

2013 - 2015
1200
1000
800
600
demanda

400
200
0
er
o
er
o zo ril ay
o
ni
o lio to br
e
br
e
br
e
br
e
En br ar Ab M Ju Ju g os m tu m m
e M A tie c e e
F O vi ci
S ep No Di
 7

Producción

A continuación, se listan las gráficas de los valores de producción durante el

lapso de 15 años.

1. En el año 2001 durante los meses de marzo hasta junio se pudo observar
una disminución comparada con el mes inmediatamente anterior.

2. Podemos observar que durante todos los años en el mes de mayo se

obtuvo una menor producción comparada con el primer cuatrimestre.

PRODUCCIÓN DE GAS
900
800
700
600
500
400
300
200
100
0
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

ENERO FEBRERO MARZO ABRIL

MAYO JUNIO JULIO AGOSTO
SEPTIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE
Linear (DICIEMBRE)
 8

2001 - 2003
700
600
500
400
PRODUCCIÓN

300
200
100
0
er
o ro zo ril ay
o
ni
o li o to br
e
br
e
br
e
br
e
En bre ar Ab Ju Ju os tu m
F e M M A g em c
vie
m
ci e
pti O
Di
Se No

2004 - 2006
800
600
PRODUCCIÓN

400
200
0
er
o ro zo ril ay
o
ni
o li o to br
e re br
e
br
e
En bre ar Ab Ju Ju os tub m m
F e M M A g em Oc vie cie
pti Di
Se No

2007 - 2009
800
600
PRODUCCIÓN

400
200
0
er
o ro zo ril ay
o
ni
o li o to br
e
br
e
br
e
br
e
En re ar Ab Ju Ju os tu
F eb M M Ag tie
m
Oc
vi e m
ci e m
S e p
No Di
 9

2010 - 2012
800
600
PRODUCCIÓN

400
200
0
er
o ro zo ril ay
o
ni
o li o to br
e
br
e
br
e
br
e
En bre ar Ab Ju Ju os tu
F e M M A g em c
vie
m
cie
m
pti O
Di
Se No

2013 - 2015
1000
800
600
PRODUCCIÓN

400
200
0
er
o ro zo ril ay
o
ni
o lio to br
e re br
e
br
e
En bre ar Ab Ju Ju os ub
F e M M A g em Oc
t
vie
m
cie
m
pti Di
Se No
 10

Pronóstico

PRONÓSTICO DE PRODUCCIÓN PARA EL 2016

1000
900
800
700
600
500
400
300
200
100
0
1 8 15 22 29 36 43 50 57 64 71 78 85 92 99 106113120127134141148155162169176183190

VALOR Previsión(VALOR)
Límite de confianza inferior(VALOR) Límite de confianza superior(VALOR)

PRONOSTICO DE PRODUCCIÓN PARA EL 2016

ENERO 700,1123057
FEBRERO
706,6000244
MARZO 696,6642775
ABRIL 697,1518829
MAYO 598,4061174
JUNIO 299,5526537
JULIO 692,0420676
AGOSTO 690,0267069
SEPTIEMBR
E 415,0581602
OCTUBRE 896,2491844
NOVIEMBRE 896,6376089
DICIEMBRE 906,5437308
 11

PRONÓSTICO DE DEMANDA PARA EL 2016

1400
1200
1000
800
600
400
200
0
1 8 15 22 29 36 43 50 57 64 71 78 85 92 99 106113120127134141148155162169176183190

VALOR Previsión(VALOR)
Límite de confianza inferior(VALOR) Límite de confianza superior(VALOR)

PRONOSTICO DE DEMANDA PARA EL 2016

ENERO 363,6656947
FEBRERO
362,8369714
MARZO 512,8727929
ABRIL 336,6397462
MAYO 207,8031343
JUNIO 395,5492098
JULIO 475,8182244
AGOSTO 529,367115
SEPTIEMBR
E 804,6363164
OCTUBRE 953,7796005
NOVIEMBRE 997,018797
DICIEMBRE 1192,215941
 12

En este caso el pronóstico de producción se mantuvo en un rango del 90% hasta

el periodo 72, después de este se empezó a bajar y se mantuvo en un 87%
hasta le periodo 180.

Explicación del modelo

El artículo "Integrated Lot Sizing in Serial Supply Chains with Production

Capacities" propone un modelo matemático para resolver el problema de
planificación de la producción y la gestión de inventarios en una cadena de
suministro serial. En esta cadena de suministro, varios productos se producen
en diferentes etapas antes de ser entregados al cliente final.
El modelo propuesto utiliza un enfoque de programación lineal mixta (PLM) para
optimizar las decisiones de planificación de producción y de gestión de
inventarios. El objetivo principal es minimizar el costo total de producción y el
costo de inventario para toda la cadena de suministro. El modelo considera la
capacidad de producción limitada en cada etapa de la cadena de suministro, así
como los costos de producción, almacenamiento y transporte. Además, se
tienen en cuenta los tiempos de espera en las diferentes etapas y los plazos de
entrega de los clientes.
La representación de este modelo como red se realiza mediante la construcción
de un grafo dirigido acíclico (DAG). Cada nodo del grafo representa una etapa
de producción, y los arcos del grafo representan el flujo de materiales y
productos entre las diferentes etapas. El modelo se divide en varios
subproblemas, cada uno de los cuales se resuelve en un nodo diferente del
grafo. El modelo también considera la integración de decisiones a lo largo de la
cadena de suministro, permitiendo una planificación conjunta y una coordinación
 13

de inventarios en todas las etapas. Esto permite una mejor utilización de la

capacidad de producción y reduce los costos de almacenamiento.

Breve explicación del modelo propuesto

El modelo propuesto en el artículo utiliza un enfoque de programación lineal

mixta para resolver el problema de planificación de la producción y la gestión de
inventarios en una cadena de suministro serial. El objetivo principal es minimizar
el costo total de producción y el costo de inventario para toda la cadena de
suministro.

El modelo utiliza las siguientes variables de decisión

Cantidad producida en cada etapa de la cadena de suministro.

Cantidad de inventario almacenada en cada etapa de la cadena de suministro.
Cantidad de producto enviado a cada etapa de la cadena de suministro.
Cantidad de producto entregada a los clientes finales.
La función objetivo busca minimizar los costos totales de producción y
almacenamiento a lo largo de toda la cadena de suministro. Las restricciones del
modelo incluyen:

Restricciones de capacidad de producción en cada etapa de la cadena de

suministro.
Restricciones de inventario máximo permitido en cada etapa de la cadena de
suministro.
Restricciones de tiempo de entrega de los clientes.
La representación del modelo como red gráfica se realiza mediante la
construcción de un grafo dirigido acíclico (DAG). Cada nodo del grafo representa
una etapa de producción, y los arcos del grafo representan el flujo de materiales
y productos entre las diferentes etapas.

Descripción y explicación de proposición 2.1

La proposición 2.1 establece que, en el modelo propuesto, la existencia de una

solución óptima implica que el conjunto de los costos marginales de producción
y almacenamiento en cada etapa de la cadena de suministro se puede
representar mediante una función de costo común para todas las etapas.
En otras palabras, esto significa que si una solución óptima existe en el modelo,
entonces el costo de producción y almacenamiento en cada etapa de la cadena
de suministro está relacionado a través de una función común. Esto simplifica el
modelo y hace que sea más fácil de resolver.
 14

Descripción y explicación de proposición 2.2

La proposición 2.2 establece que, en el modelo propuesto, el conjunto de
soluciones óptimas está contenido en un conjunto finito de puntos extremos, que
son soluciones óptimas que se encuentran en el borde del conjunto de
soluciones factibles.
En otras palabras, esto significa que todas las soluciones óptimas del modelo se
pueden representar como una combinación de puntos extremos. Esto es útil
para la resolución del modelo, ya que los puntos extremos pueden ser
identificados y utilizados para obtener la solución óptima del modelo.

Descripción y explicación de proposición 2.3

La proposición 2.3 establece que, en el modelo propuesto, el conjunto de puntos

extremos se puede dividir en dos categorías: aquellos en los que el inventario en
todas las etapas es cero, y aquellos en los que el inventario en al menos una
etapa es mayor que cero.
Esta proposición es importante porque permite identificar las soluciones óptimas
del modelo y, por lo tanto, ayuda a tomar decisiones óptimas de planificación de
la producción y gestión de cómo se caracterizan los puntos extremos en el
modelo matemático propuesto.

Descripción y explicación de proposición 2.4

En este contexto, un punto extremo es una solución óptima que se encuentra en

el borde del conjunto de soluciones factibles del problema de programación
lineal mixta. El artículo describe cómo se utilizan las propiedades de la
estructura del grafo dirigido acíclico para caracterizar estos puntos extremos.
En particular, el artículo señala que los puntos extremos se pueden dividir en
dos categorías: aquellos en los que el inventario en todas las etapas es cero, y
aquellos en los que el inventario en al menos una etapa es mayor que cero.
Además, se describen las condiciones necesarias y suficientes para la existencia
de estos puntos extremos.
La caracterización de los puntos extremos es importante porque permite
identificar las soluciones óptimas del modelo y, por lo tanto, ayuda a tomar
decisiones óptimas de planificación de la producción y gestión de inventarios en
la cadena de suministro

Análisis estadístico

Desarrollar un modelo de pronostico por medio del método de Holt-Winters. Para

su desarrollo se le recomienda guiarse y realizar el procedimiento de este video:
 15

https://youtu.be/4LkE1RkFN0g. El video proviene de esta guía completa de

pronósticos: https://excelcartagena.com/pronosticos-de-la-demanda/
1000
900
800
700
600
500
400
300
200
100
0
0 5 10 15 20 25 30

Ventas Reales Ventas Pronosticadas miles

Mes Ventas Ventas Tendencia Estacionalidad Error

Reales Pronosticadas
miles

Enero 208 217.18 - - -9.18

Febrero 203 220.03 - - -17.03

Marzo 344 357.82 - - -13.82

Abril 194 208.47 - - -14.47

Mayo 125 136.05 - - -11.05

Junio 179 195.94 - - -16.94

Julio 249 261.39 - - -12.39

Agosto 303 314.89 - - -11.89

 16

Septiembr 491 521.84 - - -30.84

e

Octubre 652 644.98 - - -32.98

Noviembre 701 709.56 - - -8.56

Diciembre 898 923.51 - - -25.51

Enero 214 235.47 8.29 -25.76 -21.47

Febrero 220 236.54 8.51 -25.02 -16.54

Marzo 352 370.95 8.9 -27.62 -18.95

Abril 203 223.18 8.76 -25.06 -20.18

Mayo 127 141.17 8.87 -23.06 -14.17

Junio 193 207.44 9.26 -22.81 -14.44

Julio 274 286.89 9.68 -21.81 -12.89

Agosto 315 329.57 10.13 -20.91 -14.57

Septiembr 528 550.51 10.35 -26.31 -22.51

e

Octubre 668 666.84 10.33 -26.58 1.16

Noviembre 728 732.51 10.05 -26.35 -4.51

Diciembre 910 946.22 9.57 -26.39 -36.22

 17

Enero 215 245.88 16.59 -47.47 -30.88

Como puedes ver, el modelo Holt-Winters ha sido capaz de ajustarse bien a los
datos de ventas históricos y ha generado pronósticos precisos para los próximos
tres meses. Es importante tener en cuenta que los resultados del modelo son
una estimación y que puede haber factores externos que afecten a las ventas
reales.

Formulación Del Problema

Conjuntos:
S: conjunto de proveedores
P: conjunto de productos
D: conjunto de demanda
Parámetros:
c_{ij}: costo de enviar un producto j desde el proveedor i
s_{ij}: cantidad de producto j disponible en el proveedor i
d_j: cantidad de producto j demandado
q_i: capacidad máxima de envío del proveedor i
Variables de decisión:
x_{ij}: cantidad de producto j enviada desde el proveedor i a la demanda
Función objetivo:
Minimizar el costo total de envío:
minimizar Σ_{i∈S} Σ_{j∈P} c_{ij} x_{ij}

Restricciones:

La cantidad de producto enviada desde un proveedor i no puede exceder su

capacidad máxima de envío:
Σ_{j∈P} x_{ij} ≤ q_i, ∀i∈S
La cantidad de producto enviada a la demanda debe ser igual a la cantidad
demandada:
Σ_{i∈S} x_{ij} = d_j, ∀j∈D
La cantidad de producto enviada desde un proveedor i no puede exceder la
cantidad disponible de ese producto en ese proveedor:
x_{ij} ≤ s_{ij}, ∀i∈S, j∈P
Las variables de decisión deben ser no negativas:
x_{ij} ≥ 0, ∀i∈S, j∈P
 18

GAMS

Basado en el análisis estadístico de la demanda y la producción se encuentran

en las dos variables una tendencia de crecimiento en cuanto al total de cada año
y cada una de ellas guarda sus proporciones. En el análisis detallado del
comportamiento global de los datos históricos mensuales se puede asegura que
hay un comportamiento cíclico de 12 periodos mensuales (es decir cada año)
con tendencia creciente a lo largo de los años. A su vez los meses más
productivos del año están comprendidos entre los periodos de marzo a
diciembre, los cuales serán tomados para el estudio del caso.
Para realizar los pronósticos de la demanda y la producción se analizaron 3
diferentes modelos de pronósticos, Método de regresión lineal, Método de Holt y
Método de Winters. Con los siguientes hallazgos:
 Método de regresión lineal, por ser variables con tendencia y
estacionalidad este método no es viable al calcular el pronóstico sin tener
en cuenta la estacionalidad de la misma.
 Metodo de Holt, aunque tiene un buen modelo que describe la variable al
validar el pronóstico presenta gran diferencia de comportamiento.
 Metodo de Winters, este modelo modelar y proyectar la demanda que
contempla el promedio de los datos, estimación de la demanda y una
atenuación de la estacionalidad. En el cual describe la variable y el
pronóstico.

Modelo de programación lineal

El modelo de programación lineal propuesto para la empresa de transporte de

gas vehicular cuyo objetivo es minimizar los costos de transporte se viene dado
de la siguiente forma, el modelo fue realizado y probado en un software de
programación lineal llamado GAMS.
El primer paso consiste en dar nombres al conjunto de datos correspondientes a
los nodos entre los niveles y los periodos en meses.

De acuerdo a las sesiones trabajadas en clase vamos a explicar las diferentes

secciones de código y su origen.
 19

Indicamos los periodos de tiempo que serían 10 y los niveles serian 4 de acuerdo al
artículo Production Capacities

Sección de parameters, vamos a incluir la capacidad de producción, demanda y

los costos de producción, los datos fueron suministrados en el archivo GNVdata
proyecto gas natural.
 20

Se crearon 2 tablas, una para los costos del inventario y otra para los costos de
transporte.

Se condicionan dichas variables en valores únicamente positivos y se les

nombra para una mejor compresión de los datos cuando se ejecute dicha
programación.

POSITIVE VARIABLES
X ,U ;

VARIABLES
Y (t )Cantidad de unidades producidas por mes
U (i , t)cantidad de gas alamacenada en el nodoi el mes t
X (i, t) c antidad de gas transportado desde el nodo i el mest
Z Funcion objetivo ;
 21

Se especifican las ecuaciones que se quieren obtener, estas consisten en los

valores de salida que la programación mediante operaciones matemáticas
brindara respuestas al requerimiento.

EQUATIONS
FO funcion objetivo
FlujoE flujo de entrada
Cproduccion capacidad de produccion
Salidas Salid as entre nodos
Balancenodos Balance de nodos
Inventariocero indica que los inventariosinician en 0 ;
FO .. Z =e=∑ ( t ,CO ( t )∗CP ( t ) )+ ∑ ( ( i , t ) ,CE ( i, t )∗X ( i ,t ) ) + ∑ ( ( i ,t ) ,U ( i , t )∗H ( i , t ) ) ;

FlujoE ( i , t ) $ ( ord ( t )=1 ) .. X ( i , t ) +U ( i ,t )=e=Y ( t )+ U (i , t−1 ) ;

Cproduccion (i , t ) $ ( ord ( t )=1∧ord ( i )=2 ) .. X ( i , t ) +U ( i ,t )=e= X (i −1, t )+ U ( i , t−1 ) ;

Salidas ( i , t ) $ ( ord ( t )=1 ) .. D ( t )+ U ( i , t ) =e=X ( i−1 ,t ) +U ( i , t −1 ) ;

Balancenodos ( t ) $ ( ord (t )=1 ) .. Y ( t )=l=CP ( t ) ;

Inventariocero ( i ,t ) $ ( ord ( t ) =0∧ord ( i )=1 ) ..U ( i ,t )=e=0;

MODEL GSLprogramacion/all /;
SOLVE GSLprogramacion usinglp maximizing Z ;
 22

TERCERA ENTREGA.
 23

RECOMENDACIONES.

 Utilizar e implementar los modelos de transporte y la red descrita en nuestro

estudio ya que logrará satisfacer la demanda y será de gran ayuda para la
disminución de costos de transporte.
 Implementar y colocar en marca herramientas tecnológicas que ayudan a ser más
eficientes en los modelos de transporte aquí descritos, dichas herramientas
generaran un impacto positivo, así mismo ayudaran a obtener proyecciones de
demanda e inventario muchos más reales y aterrizados.

CONCLUSIONES:

 Decidimos que para obtener mejor información para la producción es tomado por
periodos dentro de los cuales desde el 2001 al 2015, se encuentran los periodos
del 1 al 180.
 Decidimos que para obtener mejor información para la demanda es tomado por
periodos dentro de los cuales desde el 2001 al 2015, se encuentran los periodos
del 1 al 180.
 Por medio del método Winters podemos disminuir el error, lo que permite
evidenciar el comportamiento en las gráficas de manera más exacta, utilizando el
complemento solver.
 En las gráficas podemos evidenciar que la longitud de la estacionalidad es de 12,
tanto en la demanda como en la producción.
.
 24

BIBLIOGRAFIA

Politécnico grancolombiano. (2021). Informe técnico de la investigación de operaciones.

de file:///C:/Users/KB/Downloads/Informe%20t%C3%A9cnico%20de%20la
%20investigaci%C3%B3n%20de%20operaciones-5%20(1).pdf
Rodríguez, A. (1 de abril de 2017) Descripción del modelo, variables y análisis del modelo
de red. Clubensayos. Recuperado el 20 de septiembre de 2021 de
https://www.clubensayos.com/Informes-de-Libros/DESCRIPCI%C3%93N-DEL-
MODELO-VARIABLES-Y-ANALISIS-DEL-MODELO/3901120.html