lOMoARcPSD|8391866

Resumen Modelos De Simulación

Modelos de simulación (Universidad Siglo 21)

Studocu is not sponsored or endorsed by any college or university

Downloaded by Agostina Plaza (agostinaalitdemarchi@gmail.com)
 lOMoARcPSD|8391866

MODELOS DE SIMULACIÓN …. PRIMER PARCIAL

1. Introducción a los modelos.

1.1. Concepto de modelo.

Una conversión de esa situación mediante objetos matemáticos que los representen conservando las
condiciones, restricciones, conexiones y relaciones entre los objetos originales. Experimentar con el modelo
matemático permite arribar a soluciones en la teoría que luego podrán ser implementadas en el caso real.
Los modelos pueden servir para predecir el valor de las variables en el futuro, hacer hipótesis y evaluar los
efectos de una determinada política o actividad, entre otros.

Características de un modelo matemático

➔ Variables: Son los conceptos u objetos que se busca entender o analizar. Sobre todo, con respecto a
su relación con otras variables. Así, por ejemplo, una variable puede ser el salario de los trabajadores y
lo que queremos analizar son sus principales determinantes (por ejemplo: años de estudio, educación
de los padres, lugar de nacimientos, etc.).

➔ Parámetros: Se trata de valores conocidos o controlables del modelo.

➔ Restricciones: Son determinados límites que nos indican que los resultados del análisis son
razonables. Así, por ejemplo, si una de las variables es el número de hijos de una familia, una
restricción natural es que este valor no puede ser negativo ni contener fracciones de la unidad.

➔ Relaciones entre las variables: El modelo establece una determinada relación entre las variables
apoyándose en teorías económicas, físicas, estadísticas, etc.

➔ Representaciones simplificadas: Los modelos matemáticos se caracterizan por permitir representar

las relaciones entre los datos y las variables involucradas mediante ecuaciones, fórmulas o funciones
matemáticas.

1.2. El arte del modelado.

La realidad es compleja e imposible de ser representada en su totalidad; no obstante, para poder tomar
decisiones de manera racional es necesario conocer las posibilidades de las que disponemos y de sus
efectos.
Los modelos son transformadores de esa complejidad en análisis y cálculos que permitan aprehender la
realidad para dar solución a los problemas que en ella se generan.

El arte de crear modelos requiere mucha experiencia, pero también técnica y un poco de filosofía al
reconocer que los modelos siempre son representaciones de una realidad que asumimos que existe y es
percibida de modo diferente por diferentes actores en función de sus necesidades.

Propiedades en el arte del modelado: Cuando se diseña un modelo, se crea una herramienta robusta y
efectiva que responda a la problemática planteada sin fisuras. Para ello debe construirse dotándolo de un
conjunto de propiedades, entre las que se pueden destacar:

➔ Simplicidad: Objetivos principales es simplificar la realidad para poder entenderla mejor.

➔ Objetividad: No debe presentar sesgos ni teóricos ni de los prejuicios o ideas de sus diseñadores.

➔ Sensibilidad: Es preciso que refleje los efectos de pequeñas variaciones.

➔ Estabilidad: El modelo no puede sufrir alteraciones significativas cuando hay cambios pequeños en
las variables.
➔ Universalidad: Debe ser aplicable a varios contextos y no solo a un caso particular.

1.3. Clasificación de los distintos tipos de modelo.

1.3.1. Modelos descriptivos.

Estos incluyen las técnicas de modelado que no poseen la definición de estructuras matemáticas que definen
una solución como la deseable para ser implementada. Ejemplos son los de cola (línea de espera) y los
modelos simulación.
Downloaded by Agostina Plaza (agostinaalitdemarchi@gmail.com)
 lOMoARcPSD|8391866

1.3.2. Modelos Normativos.

Aquellos modelos en los que es posible una formulación matemática concreta del problema, que, en su
mayoría, se realiza a través de una función o fórmula con sus restricciones. Dentro de este grupo, están los
modelos de optimización, como los de programación matemática, donde es posible encontrar una solución
concreta del modelo. La dificultad en los modelos de optimización está en la construcción del modelo.

1.3.3. Modelos determinísticos y estocásticos.

Son aquellos en los que cada grupo de variables está determinado por los parámetros del modelo y por los
estados anteriores. Para un conjunto de parámetros de entrada, un modelo determinista se comporta
siempre igual. Por su parte, los modelos estocásticos se caracterizan porque sus variables se muestran por
distribuciones de probabilidad y, ante esto, el modelo incluye aleatoriedad o incertidumbre.

1.3.4. Modelos lineales y no lineales.

Los modelos lineales son unos de los más utilizados a la hora de modelar una situación real, por lo que se
han convertido en el estándar para muchos de los problemas que enfrentan las organizaciones. Así se
denominan a aquellas situaciones factibles de ser representadas por funciones lineales expresadas
matemáticamente como F(x) = a × x + b, cuyos gráficos asociados son rectas.
El motivo principal para la elección de este modelo es su simplicidad a la hora de encontrar soluciones al
problema. Un modelo lineal “compatible” (que las restricciones no generen un conjunto vacío) siempre tiene
solución, por lo que es posible hallar la solución óptima del problema. Otro motivo es que es muy utilizado es
que muchos modelos no lineales pueden “linealizarse”, es decir, aproximar las relaciones entre las variables y
las restricciones del problema por funciones lineales. Cabe destacar que en estos casos suelen perderse
aspectos relevantes del problema.

1.3.5. Modelos de simulación.

Se denominan así a los diseñados en problemas cuya complejidad impide describirlos o resolverlos mediante
ecuaciones matemáticas ordinarias. Generalmente, son descriptivos no normativos. Existe una enorme
variedad de modelos de simulación empleados en múltiples disciplinas, y son asistidos por métodos
computacionales que aceleran los cálculos y minimizan considerablemente los márgenes de error
considerando muchísimas alternativas en solo segundos.

No siempre es necesario un modelo matemático

Existen algunas situaciones o problemas que se presentan en una organización en la que no es necesaria la
construcción de un modelo matemático para poder resolverlo. Después de la correcta definición del
problema, no se debe pasar inmediatamente a la construcción de su modelo matemático. Primero se debe
analizar detalladamente e intentar algunos métodos más sencillos para la resolución, como promedios,
histogramas, etcétera. En algunos casos, podrá encontrarse una solución de sentido común a la que
llegaremos a través del análisis detallado de la situación.
Como el factor humano tiene mucho peso, tanto en el problema como en su solución, algunos estudios
psicológicos (como el comportamiento) pueden resolver la situación.

1.4. Técnica de solución de modelos.

1.4.1. Programación lineal.

Los modelos lineales son unos de los más utilizados a la hora de modelar una situación real, por lo que se
han convertido en el estándar para muchos de los problemas que enfrentan las organizaciones. El motivo
principal para la elección es su simplicidad a la hora de encontrar soluciones al problema. Un modelo lineal
“compatible” (que las restricciones no generen un conjunto vacío) siempre tiene solución, por lo que es posible
hallar la solución óptima del problema. Otro motivo por el cual el modelo lineal es muy utilizado es que
muchos modelos no lineales pueden “linealizarse”, es decir, aproximar las relaciones entre las variables y las
restricciones del problema por funciones lineales.

Forma estándar de un modelo de programación lineal

Para poder implementar un modelo lineal, es necesario comprobar que las relaciones entre las variables sean
lineales, así como la función objetivo, nombre que, de ahora en más, llevará aquella construcción matemática
que desee maximizarse o minimizarse para obtener la solución ideal al problema planteado. En todo
problema se dan restricciones que acotan las posibles soluciones; tal es el caso de números que deben ser
positivos, enteros, mayores o menores a otro, etcétera. La formulación matemática de estas restricciones
también debe ser lineal para que sea factible implementar la forma estándar de un modelo de programación
lineal.

Downloaded by Agostina Plaza (agostinaalitdemarchi@gmail.com)

 lOMoARcPSD|8391866

Cuando las relaciones entre las variables son lineales, la función objetivo queda determinada así:

Donde los xi’s son las variables y los ci’s son los coeficientes del modelo.

Como las restricciones también se relacionan de forma lineal, son expresadas así:

Y, además, tenemos la condición de no negatividad de las variables:

Observación: si bien, en la expresión general de un modelo lineal, las restricciones están expresadas con la
desigualdad (≤), puede suceder también la condición de mayor o igual (≥) o de igualdad (=). El motivo de usar
el signo ≤ es por consistencia y simplificación de la notación.

Método gráfico para solución de programación lineal

Consiste de dos pasos:

1. Determinar el espacio de soluciones definido por las restricciones del problema que se denomina
espacio factible de soluciones.
2. Determinar la solución óptima dentro de este espacio factible.

Gráficamente, las limitaciones o restricciones determinan la siguiente región del

plano determinado por un polígono de vértices A, B, C, D y E, señalado
en la Figura 2 como “Área de soluciones”:
Una vez encontrado el espacio de soluciones, pasamos a buscar la solución óptima
del modelo. Para ello vamos a utilizar la función que queremos maximizar: Z = 3x1 +
5x2. Debemos determinar la dirección en la que crece esta función y para ello damos
valores arbitrarios y crecientes a Z.

1.4.2. Programación entera.

En muchos problemas, las variables de decisión tienen sentido solo si son valores enteros; por ejemplo,
cantidad de autos por comprar, proyectos por aprobar, etcétera. Inclusive, podemos tener problemas cuyas
variables de decisión no sean valores numéricos y que las opciones sean sí o no.

Los problemas de programación entera son aquellos en los cuales todas las variables de decisión o una
parte de ellas son enteras. Los problemas de programación entera con algunas variables enteras (no todas)
se denominan mixtos. Un ejemplo de esto es la incorporación de costos fijos: tenemos un modelo de costos y
nuevas acciones pueden adicionar cierto costo fijo. Las variables de estos nuevos costos toman los valores 1
o 0, dependiendo de si se agregan o no respectivamente.

Cuando las variables de decisión son todas enteras, los problemas se denominan puros. Un ejemplo es el de
asignación: una empresa tiene varios proyectos para implementar con sus tiempos y costos de ejecución, y
cierto dinero disponible para usar. La idea es determinar la mejor combinación de proyectos. En este caso,
todas las variables son enteras: 1 o 0, proyecto aprobado o proyecto rechazado.

1.4.3. Programación dinámica.

La técnica de programación dinámica es utilizada frecuentemente en problemas en los que hay que tomar
una serie de decisiones que están relacionadas de alguna manera. La solución óptima de un problema de
programación dinámica se encuentra descomponiéndose en etapas y resolviendo cada uno de los
subproblemas. Es un procedimiento sistemático para determinar cuál es la combinación de decisiones que
llevan a la solución óptima del problema. Los subproblemas que se generan pueden ser diferentes, por lo que
no hay un método estándar para problemas de programación dinámica.

Downloaded by Agostina Plaza (agostinaalitdemarchi@gmail.com)

 lOMoARcPSD|8391866

1.4.4. Programación de red.

Existen muchos problemas de programación matemática que pueden resolverse mediante la modelación de
redes que incluye algoritmos especiales, éstos se diseñan exclusivamente conforme al objetivo planteado
para resolver esos problemas. Ejemplos de modelación de redes pueden encontrarse en modelos de
transporte y transbordo así como en aquellos modelos que se diseñan para determinar cronogramas de
actividades para proyectos.

1.4.5. Programación no lineal.

La gran diversidad de modelos matemáticos no siempre supone la aplicación de funciones lineales. Cuando
la función objetivo o alguna de las restricciones consideradas para un modelo de optimización no son
lineales, el modelo corresponde a Programación no Lineal. Es el caso de funciones cuadráticas, cúbicas,
exponenciales, trigonométricas, o cualquiera que no conserve proporcionalidad ni el formato de función
lineal. Las variaciones no lineales de los comportamientos de mercado, por ejemplo, no pueden modelarse
con funciones lineales. Si la empresa de nuestro caso práctico deseara programar un modelo que lo
represente, su equipo deberá recurrir a una alternativa de programación no lineal.

1.5. Fases del estudio de investigación de operaciones ligado al modelado.

Modelado e investigación de operaciones: Las organizaciones de hoy se enfrentan constantemente a
problemas, nuevos desafíos y situaciones por resolver. Con base en esto, tienen que tomar decisiones para
definir acciones y actividades que permitan abordar dichas complicaciones.

La investigación de operaciones (conocida por sus siglas IO) es una disciplina que tiene como base el método
científico, cuyo objetivo es ayudar a las organizaciones en la toma de decisiones. Para ello se vale de la
modelización mediante sistemas determinísticos y probabilísticos de problemas cuyo origen radica en el
Gobierno, en negocios, en ingeniería, en economía, en ciencias sociales o naturales, y se caracterizan por la
necesidad de minimizar recursos que suelen ser limitados o maximizar ingresos. En estas situaciones, el uso
de modelos es de vital importancia, ya que, a partir del análisis científico, se obtienen soluciones óptimas o,
al menos, se tiende a ellas.
La contribución del abordaje de la investigación de operaciones deriva principalmente de lo siguiente:

1. Estructuración de la situación de vida real en un modelo matemático, abstrayendo los elementos

esenciales para que pueda ser buscada una solución relevante para los objetivos de los que toman las
decisiones. Esto significa mirar el problema dentro del contexto del sistema entero.

2. Exploración de la estructura de tales soluciones y desarrollo de procedimientos sistemáticos para

obtenerlos.

3. Desarrollo de una solución, incluyendo la teoría matemática, si fuera necesario, que permita un valor
óptimo del sistema de medida que sea deseable.

Este estudio se lleva a cabo por un equipo de trabajo. Generalmente, este equipo está formado por
administradores, matemáticos, personas del área del problema que se tiene, e inclusive puede contar con
psicólogos y especialistas en comportamientos. Esta diversidad permite considerar diferentes puntos de
vista, de modo de obtener una definición más clara de lo que se está analizando.

Fases de una investigación de operaciones

Un estudio de investigación de operaciones es un proceso y, por lo tanto, sigue una serie de fases o etapas:

1. Definición del problema: Es la fase en la que se determinan el problema y su alcance. Es una tarea que
involucra todo el equipo de una IO. Como fin de esta etapa, debe quedar definido lo siguiente:

a. Descripción de las alternativas del problema (alternativas de decisión): Identificación de las

opciones de las que se dispone para tomar la decisión. Ejemplos son: producir o no un determinado
producto, cantidad que se va a producir, brindar o no un servicio, cómo modificar un determinado
proceso, etcétera.

b. Objetivo del estudio: Consiste en determinar el criterio para la toma de una decisión, ya sea para
maximizar las utilidades, minimizar el tiempo de producción, minimizar el uso de recursos o
cuestiones semejantes.

c. Limitaciones o restricciones del problema que quedan conformadas por las condiciones externas
que lo limitan: Tal es el caso de la cantidad de productos, que debe ser menor que la capacidad de
Downloaded by Agostina Plaza (agostinaalitdemarchi@gmail.com)
 lOMoARcPSD|8391866

producción, o el tiempo de producción no puede ser inferior o superior a una determinada

cantidad de minutos u horas.

2. Construcción del modelo: Un modelo permite representar de forma abstracta una situación real. En un
estudio de investigación de operaciones, este modelo es, en la mayoría de los casos, matemático. Esta
tarea es llevada a cabo, generalmente, por matemáticos o especialistas en campos afines. Es una
etapa clave y difícil del proceso de IO. Implica creatividad y poder de abstracción para poder
transformar las informaciones del problema en variables y relaciones entre ellas. En muchos casos, se
puede obtener una función o fórmula cerrada, lo que “facilita” la fase de solución del modelo.
Alternativamente, pueden ocurrir relaciones matemáticas complejas entre las variables que impiden
una fórmula cerrada y dan lugar al uso de simulaciones.

3. Solución del modelo: Es la otra etapa “matemática” de una IO. Se buscan las soluciones analíticas del
modelo matemático construido. Una solución se dice viable o factible si satisface todas las
restricciones del problema y se dice óptima si es viable y, además, es la mejor (en términos del objetivo
de estudio).

4. Validación del modelo: Se comprueba si las soluciones obtenidas del modelo se corresponden con la
realidad. Se pretende responder a las siguientes preguntas:
a. ¿Tiene sentido la solución?
b. ¿Los resultados son razonablemente aceptables?
c. ¿Predice adecuadamente el comportamiento del sistema que se estudia?

Un método que se utiliza para responder estas preguntas y comprobar la validez de un modelo es
compararlo con resultados históricos (en caso de que los haya). Si los resultados son comparables,
esto puede indicar que el modelo está bien. Si, por el contrario, las soluciones obtenidas no son
razonables o no son las que se espera, hay que, primero, revisar si el problema está bien definido y,
luego, verificar que el modelo construido sea el adecuado para el problema que tenemos.
Generalmente, la etapa de solución del modelo no contiene errores, ya que son utilizados métodos
computacionales.

5. Implementación de la solución: Una vez validada la solución del modelo, esta debe transformarse en
sugerencias o instrucciones de operación. La decisión de la implementación o no de las
recomendaciones está a cargo de la gerencia o de los responsables del área del problema inicial.

2. Modelos de Inventarios.
2.1. Modelo general de inventarios.

Cuando se habla de modelos de inventarios, se trata de armar una función que, a fin de cuentas, minimice los
costos sin dejar de considerar la demanda. Para ello se tendrán en cuenta lo siguientes costos:

➔ Costo de compra: Costo unitario de comprar o producir un artículo de inventario. Puede ser constante
o variable, dependiendo, por ejemplo, de la aplicación de descuentos por un volumen determinado de
compra.

➔ Costo de preparación: Es el costo fijo cuando se realiza el pedido. Es independiente del volumen del
pedido o de la cantidad de artículos.

➔ Costo de almacenamiento: Costo de mantener un inventario, entre lo que se cuenta el alquiler de un

depósito, gastos de energía para climatizar el lugar o manejo del stock. Este costo está asociado a la
permanencia del producto durante un cierto tiempo.

➔ Costo de faltante: Se genera por la falta de inventario, como la pérdida potencial de determinada
ganancia.

Por otra parte, el sistema de inventario necesita ser revisado. Esta revisión puede ser de las siguientes formas:

➔ Periódica: El nivel de inventario es monitoreado cada un determinado tiempo (semanal, mensual, etc.).
La política de pedido puede ser fija cada cierto período (todos los meses) o se puede pedir luego de
observar que el inventario está en un nivel de quiebre, denominado punto de reorden.

➔ Continua: El monitoreo es continuo y, cuando baja hasta el nivel del punto de reorden, se emite un
nuevo pedido.
Downloaded by Agostina Plaza (agostinaalitdemarchi@gmail.com)
 lOMoARcPSD|8391866

Otro factor que considerar en los problemas de inventario es la demanda de los artículos. Dichos inventarios,
de acuerdo con el tipo de demanda, se clasifican así:

➔ Determinísticos: La demanda del artículo se conoce con certeza.

➔ Probabilísticos: La demanda es una variable aleatoria, por lo que se estima usando probabilidad.

En ambos casos, puede suceder que la demanda sea estática (constante) en el tiempo, o dinámica, que varíe
con el tiempo.

2.2. Modelos estáticos de cantidad de pedidos económicos.

2.2.1. Modelo clásico de la cantidad económica de pedidos (CEP).

Se mantiene constante en el tiempo. Se supondrá también que la entrega es inmediata y sin faltante. Además,
vamos a suponer que tenemos variación en el precio de compra (descuento) por compras superiores a un
número determinado. El caso de un modelo de precio constante se obtiene de manera análoga simplificando
este modelo, que es general.

En estas condiciones se llama cantidad económica de pedido a la cantidad óptima de unidades que pedir
para abastecer un inventario, minimizando costos y abasteciendo la demanda sin faltantes. Se definen las
siguientes variables:

➔ y = cantidad pedida (cantidad de unidades).

➔ D = tasa de demanda (unidades por unidad de tiempo).

➔ t0 = duración del ciclo de pedido (unidades de tiempo)

Cuando el inventario es cero, se realiza el pedido de y unidades, y la entrega es inmediata. Luego, las
unidades se van consumiendo a una tasa constante de demanda D.

Nivel de inventario en el tiempo

Para determinar el modelo de costo, necesitamos dos parámetros:

➔ K = costo de preparación correspondiente al pedido.
➔ h = costo de almacenamiento (por unidad en cada unidad de tiempo).

Downloaded by Agostina Plaza (agostinaalitdemarchi@gmail.com)

 lOMoARcPSD|8391866

2.2.2. CEP con discontinuidades.

CEP con tiempo de espera y punto de reorden: Un nuevo pedido no se recibe en el instante en que se pide.
Generalmente, puede transcurrir un tiempo de espera L, positivo, entre el momento del pedido y su recepción.
Para evitar el desabastecimiento, se debe considerar ese tiempo de anticipación L. En este caso el momento
de volver a pedir el llamado “punto de reorden” ocurre cuando el nivel del inventario se reduce a LD unidades.

Esta asume que el tiempo de espera L es menor que la duración del

ciclo.
Cuando el tiempo de espera L no es menor que la duración del ciclo, se
define un tiempo de espera efectivo como 𝐿𝑒 = 𝐿 − 𝑛. 𝑡0. En esta fórmula

𝑛es el valor entero más grande no mayor a

𝐿
𝑡0

2.2.3. CEP de varios artículos con limitaciones de almacenamiento.

Resuelve las fluctuaciones de inventarios de varios artículos individualmente en las que no se permiten
faltantes de ninguno de ellos, pero donde el espacio disponible para su almacenamiento es limitado. Con el
subíndice i (i = 1, 2, … , n), se define cada artículo, por lo que se tiene:

➔ Di = tasa de demanda del artículo i.

➔ Ki = costo de preparación del artículo i.
➔ hi = costo de almacenamiento unitario por unidad de tiempo.
➔ yi = cantidad de pedido.
➔ ai = requerimiento de área de almacenamiento por unidad de inventario.
➔ A = área de almacenamiento máxima disponible para todos los n artículos.

2.3. Modelos dinámicos de cantidad de pedidos económicos.

2.3.1. Modelo CEP sin costo de preparación.

Analiza lo que ocurrirá en un lapso de n períodos iguales. En cada uno de ellos, la capacidad de producción
es limitada, pero en el período determinado se puede producir una cantidad superior a la demanda
inmediata para satisfacer la necesidad de períodos posteriores, en cuyo caso ocurre un costo de
almacenamiento. Las suposiciones generales del modelo son:
➔ No se registran costos de preparación en ningún período.

➔ No se permite que haya faltantes.

➔ La función de costo de producción unitario en cualquier período es constante o tiene costos

marginales crecientes (convexos).

➔ El costo de almacenamiento unitario en cualquier período es constante.

La ausencia de faltantes requiere que la capacidad de producción acumulada para los períodos 1, 2, … , e i
sea igual, al menos, a la demanda acumulada durante los mismos períodos.
Downloaded by Agostina Plaza (agostinaalitdemarchi@gmail.com)
 lOMoARcPSD|8391866

Considérese una planificación de inventario de n períodos con k niveles de producción por período. La
cantidad de oferta es la cantidad de producción generada por las k × n fuentes de nivel de producción. Las
demandas de cada período constituyen la cantidad de demanda. El costo unitario de una fuente en un
período es la suma de los costos de almacenamiento y producción de cada unidad. La solución que se busca
en esta situación es determinar la cantidad de producción con costo mínimo en cada uno de los niveles de
producción.

➔ 𝑅𝑖 = nivel de producción en el período 𝑖 durante el tiempo normal.

➔ 𝑂i = nivel de producción en el período 𝑖 durante el tiempo extra (𝑖 = 1, 2,3,4).

2.3.2. Modelo CEP con costo de preparación.

Se sigue conservando la suposición de que no puede registrarse faltante y se agrega un costo de

preparación cada vez que se inicia un pedido. Repasando las variables con las que se realizan los cálculos, si
se tiene un problema definido en n períodos (i = 1, 2, …, n), para cada uno de ellos se tiene lo siguiente:
➔ xi = inventario al inicio del período.
➔ Zi = cantidad del pedido.
➔ Di = demanda en el período i.

Por su parte, los costos que se consideran son los siguientes:

➔ Ki = costo de preparación en el período i.
➔ hi = costo de almacenamiento durante el tiempo entre el período i e i+1.

La función de costo de producción asociado para el período i es:

Se puede armar un algoritmo de programación dinámica general.

Sin faltantes, el modelo de inventario se basa en minimizar la suma de los costos de producción y
almacenamiento en los n períodos. Se supone, para simplificar, que el costo de retención en el período i se
basa en el inventario de final de período, definido así: 𝑥 𝑖 + 1 = 𝑥𝑖 + 𝑧𝑖 − 𝐷𝑖

Para la ecuación recursiva hacia adelante, o de avance, el estado en el período i se define como 𝑥𝑖 + 1, el nivel
del inventario al final del período. En el caso extremo, el inventario restante, 𝑥𝑖 + 1, puede satisfacer la
demanda en todos los períodos restantes.

Si se introduce la función 𝑓𝑖(𝑥𝑖 + 1), se podrá calcular el costo mínimo del inventario para los períodos 1, 2, … ,
e i, dado el inventario al final del período xi+1. La ecuación recursiva hacia adelante es:
𝑓1(𝑥2) = 𝑚𝑖𝑛 {𝐶1(𝑧1) + ℎ1 × 𝑥2} 𝑐𝑜𝑛 𝑧1 = 𝐷1 + 𝑥2 − 𝑥1

Y en general: 𝑓𝑖(𝑥𝑖 + 1) = 𝑚𝑖𝑛 {𝐶𝑖(𝑧𝑖) + ℎ𝑖 × 𝑋𝑖 + 1 + 𝑓𝑖 − 1(𝑥𝑖 + 1 + 𝐷𝑖 − 𝑧𝑖 )} 𝑐𝑜𝑛 𝑖 = 1, 2, … 𝑛

Observa que, durante el período 1, 𝑧1 es exactamente igual a 𝐷1 + 𝑥2 − 𝑥1. Para 𝑖 > 1, zi puede ser cero
porque Di puede satisfacerse a partir de la producción en períodos precedentes.

3. Modelos de decisión.
3.1. Toma de decisiones bajo certidumbre. Proceso de jerarquía analítica.

La toma de decisiones es el resultado de atravesar un proceso de análisis que, como todo proceso, consta de
varias etapas.
1. Debe definirse con precisión el problema que quiere resolverse o el objetivo que se quiere lograr.
2. Se establecen los criterios de decisión, es decir, se especifican las razones por las que una alternativa
será mejor que otra al momento de evaluarlas. Para ello se comparan los datos que las definen y que
pueden ser conocidos con certeza o estar sujetos a las ocurrencias del azar.

Cuando los datos que definen cada alternativa pueden ser determinados con exactitud antes de tomar la
decisión, se dice que es un modelo de toma de decisiones bajo certidumbre. Estos suelen resolverse mediante
modelos de programación matemática, lineal o entera, aunque también se implementan otros métodos, como
el que se verá a continuación.

Downloaded by Agostina Plaza (agostinaalitdemarchi@gmail.com)

 lOMoARcPSD|8391866

Proceso de jerarquización analítica

Para los casos en que la toma de decisiones involucra muchos criterios que pueden determinarse con certeza
y antelación, existe una herramienta muy efectiva que se conoce con el nombre de proceso de jerarquización
analítica o proceso analítico de jerarquía. Se implementa para resolver toda situación en la que las
decisiones que haya que tomar dependan de varios criterios que pueden jerarquizarse para facilitar la
selección de una alternativa. El método consiste en establecer la importancia relativa que se le dará a cada
criterio en la evaluación de las alternativas. Para ello, se hace una comparación, tomando de a dos criterios,
según la cual el tomador de decisiones determina el grado de importancia de uno sobre el otro.

No necesariamente debe trabajarse con estos grados de importancia para las comparaciones, pero la tabla
anterior los presenta como posibilidades. Los valores intermedios quedan disponibles para casos en los que
haya más variantes en la relevancia de un criterio sobre otro. El tomador de decisiones seleccionará aquellos
que considere pertinentes.

Vector de peso de los criterios

En el proceso de jerarquización analítica, se estableció la importancia relativa de un criterio respecto de otro.

Para determinar los pesos de cada uno de los criterios de forma independiente, se construye, en primera
instancia, una matriz A de dimensión n × n, en la que n es el número de criterios considerados y cada
elemento aij representa el grado de importancia del criterio i respecto al criterio j. Por lo tanto, se tiene:

➔ si la entrada aij > 1, el criterio i es más importante que el criterio j.

➔ si la entrada aij = 1, el criterio i es igualmente importante que el criterio j.

➔ si la entrada aij < 1, el criterio i es menos importante que el criterio j.

Por la formación de la matriz A, se cumple que aii = 1 y el producto ai jx aji = 1, lo que significa que la diagonal
de la matriz tendrá unos y las componentes recíprocas serán inversos multiplicativos.
Para establecer el grado de importancia relativa de un criterio respecto de otro, se usará la Tabla 1 de escalas
de importancias con los valores que el tomador de decisiones considere.
Una vez construida la matriz A, se procede a su normalización. Esta nueva matriz, que denotamos con Anor,
es definida por sus componentes:

El vector de peso de los criterios se compone de n componentes, uno por cada criterio, y queda definido así:

Matriz de valores de las alternativas

El vector de pesos de cada criterio será usado ahora para calcular los valores de las distintas alternativas.
Para ello se construye una nueva matriz B, de dimensiones n × m (cantidad de criterios por cantidad de
alternativas, en la que cada entrada bij representa el valor de la alternativa j respecto del criterio i). Para
calcular cada componente, fijamos un criterio i y se comparan las alternativas de dos en dos respecto de ese
criterio. Esto determina una matriz Si cuyas entradas representan la importancia relativa entre las
alternativas respecto al criterio i. Este procedimiento es el mismo que define la matriz A. Obtenemos así,
luego de normalizar, un vector de pesos de las alternativas respecto del criterio i que define la fila i de la
matriz B: (b1, b2, b3)
Downloaded by Agostina Plaza (agostinaalitdemarchi@gmail.com)
 lOMoARcPSD|8391866

Consistencia de las matrices de comparación de las alternativas

Las matrices de comparación se construyen para determinar la importancia relativa entre dos criterios, pero
es el tomador de decisiones quien, según su opinión, otorga los valores de las comparaciones entre ellos, por
lo que es factible que se produzcan inconsistencias. Esto significa que no guarda coherencia al definir el
peso de un criterio sobre otro. Por ejemplo, si el criterio 1 es más importante que el criterio 2, y el criterio 2
más importante que el criterio 3, no puede ser el criterio 3 más importante que el criterio 1.

El proceso de jerarquización analítica provee también un método práctico para determinar el grado de
consistencia de las matrices de comparación mediante una simple fórmula. Si A es la matriz de comparación
de dimensión n × n, Anor es la matriz normalizada y w es el vector de pesos de los criterios, se dice que la
matriz A es consistente si se satisface que A × w = n × w. Si la matriz de comparaciones no resultara
consistente, se procede a calcular su radio de consistencia, que, en definitiva, indica si la inconsistencia es
aceptable o no. En este último caso, el tomador de decisiones deberá reevaluar sus juicios en las
comparaciones.

Primero se calcula el índice de consistencia (CI) como el cociente entre la diferencia entre x y n, y n-1, en donde
x es la suma de los elementos del vector A × w, es decir:

El radio de consistencia, simbolizado por CR, se calcula entonces como CR =

Si CR ≤ 0,1, se dice que la inconsistencia de la matriz es aceptable. En caso contrario, la inconsistencia será
alta y el tomador de decisiones deberá revisar cada una de las comparaciones.

3.2. Toma de decisiones en condiciones de riesgo.

Si la decisión que debe tomar un individuo, una empresa o una organización se basa en datos inciertos, se
pierde el control de las consecuencias de la acción tomada. Esta falta de seguridad puede provenir de la
aleatoriedad en los eventos o de información no disponible o insuficiente. En todo caso, se puede generalizar
este proceso de toma de decisiones, considerando que se dispone de n opciones, alternativas o cursos de
acción que se denotarán con a1 ... an. Los m estados de naturaleza (s1 ... sm), también llamados sucesos, son
los eventos que el tomador de decisiones no controla, aunque en algunos casos pueda estimarse la
probabilidad de que sucedan.
Con estos datos se puede denotar con X (ai, sj), con i = 1 ... n, y con j = 1 … m, al valor o resultado de elegir la
opción ai respecto de la opción sj.

Si se pueden estimar las probabilidades de que sucedan los distintos estados de naturaleza, ellas serán
denotadas con pi, considerando que el subíndice i hace alusión a que ocurra el estado de naturaleza si
dentro de los m posibles.

Para facilitar el análisis de las alternativas en un proceso de toma de decisiones bajo riesgo, en el que las
alternativas son a1 ... an, y sus estados de naturaleza son si con i = 1 ... m, con sus respectivas probabilidades,
se construye una tabla que será denominada matriz de rendimientos, como se presenta a continuación.

3.2.1. Basado en el criterio del valor esperado.

Cuando existe riesgo, los estados de naturaleza tienen determinada probabilidad de suceder y la empresa
debe estimar las consecuencias de cada una de las alternativas de elección que tiene.
Downloaded by Agostina Plaza (agostinaalitdemarchi@gmail.com)
 lOMoARcPSD|8391866

Si bien se carece de certezas respecto a la ocurrencia de los sucesos, se estima, para cada alternativa de
decisión ai, un valor respecto al estado de naturaleza sj que se reflejaba en la Tabla de arriba y que se
denotaba con X(ai, sj). Como esos valores están condicionados por la probabilidad de sj, se puede estimar un
determinado valor considerando esos datos, según la alternativa elegida. Se construye, para ello, un cálculo
del valor esperado que se simboliza como EV(ai), que puede interpretarse como el valor que se espera para
una determinada alternativa ai en cualquiera de los estados de naturaleza posibles de ocurrencia. Se calcula
como la suma de los productos entre los valores que las alternativas pueden tomar y las probabilidades que
ellos tienen de ocurrir:

Finalmente, se compararán los valores esperados para cada alternativa seleccionando aquella más
conveniente. Dependiendo siempre del caso problema del que se trate, se elegirá la alternativa con mayor o
menor valor EV (ai) obtenido.

3.2.2. Variantes del criterio del valor medio esperado.

Para la aplicación del criterio del valor esperado, hay variantes que resultan útiles para la determinación de
probabilidades a posteriori basadas en experimentación, así como el uso de la utilidad contra el valor real
del dinero.

➔ Probabilidades a posteriori (o de Bayes): Las probabilidades que se usan para calcular el valor
esperado provienen, generalmente, de la proyección de datos históricos. Estos valores estimados
pueden establecerse con mayor precisión si se implementa una experimentación adicional cuyos
resultados se conocen como probabilidades a posteriori (o de Bayes), en contraste con las
probabilidades a priori, que pueden ser determinadas a partir de datos fijos. Para comprender mejor
esta variante, se enuncia el teorema de Bayes, que es el constructo teórico que la fundamenta.

◆ Se supone la existencia de m sucesos, s1 ... sm, mutuamente excluyentes y colectivamente

exhaustivos, lo cual significa que no hay casos comunes a dos de ellos y que la unión de todos
cubre la totalidad de las posibilidades. Se denota como P(si) a la probabilidad de ocurrencia de
si.

◆ Si es Y algún otro suceso cuya probabilidad de ocurrencia es P(Y), se denotará como P(si|Y) a la
probabilidad condicionada de que ocurra si dado que ya haya ocurrido el suceso Y, y como
P(Y|si) a la probabilidad de que ocurra Y dado que ya ha ocurrido el suceso si. En esas
condiciones se dice:

◆ Ante la presencia de un problema general en el que se debe tomar una decisión entre n
opciones a1 ... an, y conociendo m estados de naturaleza si con respectivas probabilidades pi, i
= 1 ... m, se denota con X(ai, sj) al valor o resultado de la opción ai respecto del estado de
naturaleza sj.

◆ Supongamos que existen, además, dos sucesos Y1 e Y2 que afectan a cada una de las posibles
opciones, y que se dispone de información adicional acerca de las probabilidades de
ocurrencia de ellos, dado previamente si, es decir, son conocidas las probabilidades P(Yk|si). En
estas condiciones es posible calcular el valor esperado de cada acción considerando las
probabilidades a posteriori, es decir, el valor esperado de la acción ai respecto del suceso Yk
denotado por EV(ai, Yk) como

Función de utilidad

No en todos los casos es aconsejable aplicar el criterio del valor esperado cuando haya que tomar una
decisión bajo riesgo. Los siguientes dos ejemplos dan prueba de ello.

Downloaded by Agostina Plaza (agostinaalitdemarchi@gmail.com)

 lOMoARcPSD|8391866

1. Seguros de vida: Muchas personas contratan un seguro de vida como alternativa de ahorro o ayuda
económica a sus beneficiarios en caso de fallecimiento. Las compañías de seguros estiman la
probabilidad de vida de esa persona y, con base en eso, definen la tarifa. Esta tarifa cubre los gastos
estimados en caso de fallecimiento del contratante, y además genera un cierto beneficio. Por lo tanto,
el rendimiento esperado de la póliza es menor que su costo.

2. Inversiones: Cuando se dispone de dinero para invertir en acciones de empresas, un curso de acción
es calcular el valor esperado de cada inversión y colocar todo el dinero en la empresa que genera el
mayor valor esperado. Sin embargo, muchos inversores deciden dividir sus inversiones en varias
empresas para reducir posibles pérdidas.

En ambas situaciones, la decisión no fue tomada siguiendo el criterio del valor esperado. En ambos casos, el
tomador de decisiones consideró el riesgo de cada decisión. En el primer caso, la persona sabe que tiene un
valor esperado negativo a cambio de tener la posibilidad de grandes rendimientos en caso de muerte. A este
tipo de acciones se las denomina preferencia por el riesgo. El inversor, en cambio, tiene una acción
denominada aversión al riesgo, es decir, prefiere que las posibilidades de pérdidas sean menores, aunque eso
implique menos beneficios.

En estas situaciones, el tomador de decisiones no considera solo el valor esperado de la acción, sino que
también analiza la utilidad o conveniencia de tomar esa decisión. La determinación de la función utilidad de
una acción es subjetiva y depende de cada tomador de decisiones.

Considera ahora que quieres construir la función de utilidad para un problema de decisión bajo riesgo en el
que H y L sean los rendimientos esperados máximos y mínimos, respectivamente.

1. Se asigna la utilidad 0 al rendimiento L y el valor 100 al rendimiento H.

2. Se desarrolla un paso fundamental, aunque más complejo, que consiste en analizar para cualquier
valor l de rendimiento, entre L y H, debiéndose hallar la probabilidad p tal que el tomador de
decisiones sea indiferente ante estas dos situaciones:

a. recibir el rendimiento I con seguridad

b. recibir el rendimiento H con una probabilidad p y el rendimiento L con una probabilidad de 1 −
p.

Es decir, se le pregunta al tomador de decisiones si prefiere el rendimiento I garantizado o entrar en el

juego de azar de recibir H con una probabilidad p, y L con una probabilidad de 1 − p.

3. El tercer paso es calcular la utilidad del rendimiento I para la probabilidad de indiferencia. Esta
utilidad está dada por U(I) = 100 p.

Se realiza este procedimiento varias veces para determinar la probabilidad p tal que las alternativas sean
indiferentes para el tomador de decisiones; de esta manera, se obtienen algunos puntos que permitan
determinar una aproximación de la función mediante métodos de regresión o interpolación de puntos.

Cuando un tomador de decisiones es indiferente al riesgo, la función utilidad es U(I) = 100 p con 0 ≤ p ≤ 1. En
este caso, no se tiene en cuenta el riesgo de las acciones, y la representación gráfica de la función utilidad es
igual a una recta que une los puntos (L, 0) y (H, 100).

3.3. Toma de decisiones bajo incertidumbre.

Cuando hay que tomar una decisión en la que se desconocen las posibles soluciones e incluso son inciertas
las repercusiones que podría tener la selección de alguna de ellas. En estos escenarios en los que ni siquiera
pueden conocerse las probabilidades de ocurrencia, las variables son incontrolables y la interacción entre
ellas es impredecible. Las decisiones bajo incertidumbre son aquellas en las cuales los estados de naturaleza
son aleatorios, y se desconocen o no se pueden calcular las probabilidades de ocurrencia de estos.

También en estos casos se denotarán con a1 ... an a las alternativas posibles y con si con i = 1 ... m a los
distintos estados de la naturaleza. Por esto puede usarse la notación X (ai, sj), con i = 1 ... n, y con j = 1 … m, al
valor o resultado de elegir la opción ai respecto de la opción sj, y con ellos construir la tabla de
representación de la relación acción-suceso, como se muestra a continuación en la Tabla.

Downloaded by Agostina Plaza (agostinaalitdemarchi@gmail.com)

 lOMoARcPSD|8391866

3.3.1. Criterio Laplace.

Se basó en el principio de la razón insuficiente para decisiones bajo incertidumbre. Como en ellas no se
conocen a priori las probabilidades de ocurrencia de los estados de naturaleza, este principio supone que
cada suceso tiene la misma probabilidad, por lo cual se estima la probabilidad de cada uno como 1/m , si
tenemos m estados de naturaleza, por lo que resulta p(si) = 1/m para todo si con i = 1 … m.
Volviendo al criterio de valor esperado visto en la lectura anterior, este puede calcularse así:

Propone elegir el valor máximo o mínimo de estas sumas correspondientes a cada alternativa, según sea
conveniente para la situación dada.

3.3.2. Criterio Minimax (Maximin).

Considerado como un criterio conservador o pesimista, el criterio minimax parte del supuesto de que cada
alternativa, dentro de las posibles, tendrá el resultado más desfavorable y elije, de entre esos peores, la
opción que resulte más favorable para el tomador de decisiones.

Aplicando esto a la matriz de rendimiento, el primer paso es seleccionar el peor rendimiento de cada acción
respecto de todos los estados de naturaleza posibles, es decir, el mínimo valor por fila si se trata de
ganancias. Para cada ai se determina el valor mínimo de la fila i, i = 1 … n:

Luego, el máximo de esos mínimos:

3.3.3. Criterio Savage.

El tomador de decisiones puede determinar las pérdidas que tendrá al no elegir la mejor alternativa. Se lo
conoce también como criterio de pesadumbre o arrepentimiento, ya que se estima la “pena” o
“arrepentimiento” por no elegir una cierta acción.

Se construye, para Savage, una nueva matriz de pérdidas a partir de la matriz de rendimientos. Las entradas
de la matriz de pérdidas contienen, para cada estado de la naturaleza, las pérdidas que suponen no haber
elegido la mejor opción en cada estado de la naturaleza. Por lo tanto, una vez seleccionado el máximo valor
de cada estado (columna), se hacen las diferencias entre ese máximo y cada uno de los rendimientos de las
demás alternativas para ese estado de la naturaleza.

Cuando se calculan pérdidas, la nueva matriz se construye a partir de las diferencias entre el máximo valor
de rendimiento en ese estado de la naturaleza y los demás valores registrados para cada alternativa. El
criterio minimax o maximin aplicado a esta última matriz es el que determina la acción que elegir sugerida
por Savage. La matriz de pérdidas contiene, entonces, los siguientes valores:

Downloaded by Agostina Plaza (agostinaalitdemarchi@gmail.com)

 lOMoARcPSD|8391866

Obsérvese que, en el primer caso, los resultados obtenidos serán negativos para todas las celdas y cero para
la celda del máximo.

La elección del criterio de Savage se caracteriza por dar como resultado la acción que tiene la menor
pérdida de oportunidades que puede asegurarse.

3.3.4. Criterio Hurwicz.

Usado para tomar una decisión bajo incertidumbre en el que se desconocen las probabilidades de
ocurrencia de cada estado de la naturaleza, pero el tomador de decisiones determina, a priori y teniendo en
cuenta alguna información o su propia experiencia, una probabilidad de ocurrencia del mejor valor
registrado para cada estado de naturaleza, por lo que queda para el peor valor la probabilidad
complementaria. Así, si al mejor valor se le da la probabilidad α, al peor se le dará la probabilidad (1 − α).

Al valor α se lo denomina índice de optimismo y, como es una probabilidad y (1 − α) también, siempre se

cumplirá que 0 ≤ α ≤ 1 y 0 ≤ (1 − α) ≤ 1.

Cuando la tabla de rendimientos original es sobre ganancias, el criterio sugiere elegir la acción que responda
a

Con i = 1 ... n y j = 1 … m, en donde los valores de X(ai, sj) son valores de una matriz de ganancia.

Notemos que, cuando α = 0, el tomador de decisiones es pesimista, y estamos en el criterio minimax. Cuando
α = 1, la persona es optimista y, en consecuencia, elige la opción que más ganancias le da.

Cuando la tabla de rendimientos es sobre pérdidas, entonces la acción sugerida en este criterio es:

Con i = 1 ... n y j = 1 … m en donde los valores de X(ai, sj) son valores de una matriz de pérdidas.

Downloaded by Agostina Plaza (agostinaalitdemarchi@gmail.com)