Metodos Cuantitativos para Los Negocios

Métodos cuantitativos
para los negocios Decimosegunda edición
¡Incluye código
de acceso
para descargar
Excel QM
y POM-QM!
BARRY RENDER • RALPH M. STAIR, JR.

MICHAEL E. HANNA • TRE VOR S. HALE
ACCESO A LOS MÓDULOS ADICIONALES
Y PROGRAMAS MENCIONADOS EN EL LIBRO
Para acceder a los Módulos y a los programas Excel QM y POM-QM mencionados en el texto
visite el sitio web de este libro o acceda directamente a:
http://www.biblionline.pearson.com
Seleccione la opción Registrarse e ingrese sus datos

junto con el siguiente código.
(Utilice una moneda para descubrir el código de registro.
No use objetos filosos porque podría dañar el código).
IMPORTANTE
¡Este código de registro sólo puede usarse una vez y no será reemplazado en caso de daño!
Asegúrese que no aparezca descubierto.

Métodos cuantitativos
para los negocios
DECIMOSEGUNDA EDICIÓN
BARRY RENDER
Profesor distinguido Charles Harwood de Ciencias de la Administración
Crummer Graduate School of Business, Rollins College
RALPH M. STAIR, JR.

Profesor de Ciencias de la Información y la Administración
Florida State University
MICHAEL E. HANNA
Profesor de Ciencias de la Decisión
University of Houston-Clear Lake
TREVOR S. HALE
Profesor Asociado de Ciencias de la Administración
University of Houston-Downtown
TRADUCCIÓN
Jesús Elmer Murrieta Murrieta
Maestro en Investigación de Operaciones
Tecnológico de Monterrey—Campus Morelos
REVISIÓN TÉCNICA
María de Guadalupe Arroyo Santisteban
Eduardo López Chávez
Iren Castillo Saldaña
Vinicio Pérez Fonseca
José Cruz Ramos Báez
Academia de Matemáticas
Escuela de Ciencias Económicas y Empresariales (ECEE)
Universidad Panamericana
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd i 4/26/16 2:00 PM

Datos de catalogación bibliográfica
RENDER, BARRY, STAIR, RALPH M.,

HANNA, MICHAEL E., HALE, TREVOR S.
Métodos cuantitativos para los negocios

Decimosegunda edición
PEARSON EDUCACIÓN, México, 2016
ISBN: 978-607-32-3761-1
Área: Matemáticas
Formato: 21.5 * 27.5 cm Páginas: 608
Authorized translation from the English Language edition entitled Quantitative Analysis for Management, 12th
Edition, by Barry Render, Ralph M. Stair, Jr., Michael E. Hanna and Trevor S. Hale, published by Pearson
Education, Inc., Copyright © 2015. All rights reserved.
ISBN 9780133507331
Traducción autorizada de la edición en idioma inglés titulada Quantitative Analysis for Management, 12a edición,
por Barry Render, Ralph M. Stair, Jr., Michael E. Hanna y Trevor S. Hale, publicada por Pearson Education, Inc.,
Copyright © 2015. Todos los derechos reservados.
Esta edición en español es la única autorizada.
Edición en español
Director General: Sergio Fonseca Garza
Director de Contenidos y Servicios Digitales: Alan David Palau
Gerente de Contenidos y Servicios Editoriales: Jorge Luis Íñiguez Caso
Coordinador de Contenidos, Educación Superior: Guillermo Domínguez Chávez
guillermo.dominguez@pearson.com
Especialista en Contenidos de Aprendizaje: Rosa Díaz Sandoval
Especialista en Desarrollo de Contenidos: Bernardino Gutiérrez Hernández
Supervisor de Arte y Diseño: José Hernández Garduño
DECIMOSEGUNDA EDICIÓN, 2016
D.R. © 2016 por Pearson Educación de México, S.A. de C.V.

Antonio Dovalí Jaime núm. 70,
Torre B, Piso 6, Col. Zedec Ed Plaza Santa Fe
Delegación Álvaro Obregón
C.P. 01210, Ciudad de México
Cámara Nacional de la Industria Editorial Mexicana. Reg. núm. 1031.
Reservados todos los derechos. Ni la totalidad ni parte de esta publicación pueden reproducirse, registrarse o
transmitirse, por un sistema de recuperación de información, en ninguna forma ni por ningún medio, sea electró-
nico, mecánico, fotoquímico, magnético o electroóptico, por fotocopia, grabación o cualquier otro, sin permiso
previo por escrito del editor.
El préstamo, alquiler o cualquier otra forma de cesión de uso de este ejemplar requerirá también la autorización
del editor o de sus representantes.
ISBN VERSIÓN IMPRESA: 978-607-32-3761-1

ISBN VERSIÓN E-BOOK: 978-607-32-3762-8
Impreso en México. Printed in Mexico.

1 2 3 4 5 6 7 8 9 0 - 19 18 17 16
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd ii 4/26/16 10:04 AM

ACERCA DE LOS AUTORES
Barry Render es profesor emérito, distinguido como profesor titular de la cátedra Charles Harwood de
Administración de operaciones en la Crummer Graduate School of Business, del Rollins College, en Winter
Park, Florida. Obtuvo los grados de licenciatura en Matemáticas y en Física de la Roosevelt University, el
grado de maestría en Investigación de operaciones y el doctorado en Análisis cuantitativo de la University
of Cincinnati. Anteriormente fue profesor en la George Washington University, en la University of New
Orleans, en la Boston University y en la George Mason University, donde ocupó la cátedra de la Fundación
Mason en Ciencias de las Decisiones y fue presidente del Departamento de Ciencias de las Decisiones. El
doctor Render también ha trabajado en la industria aeroespacial para General Electric, McDonnell Douglas
y en la NASA.
El doctor Render es coautor de 10 libros de texto publicados por Pearson, entre ellos Administración
de operaciones (Operations Management) Managerial Decision Modeling with Spreadsheets, Principles
of Operations Management, Service Management, Introduction to Management Science y Cases and
Readings in Management Science. Más de 100 de sus artículos con temas relacionados con la administra-
ción han aparecido en publicaciones como Decision Sciences, Production and Operations Management,
Interfaces, Information and Management, Journal of Management Information Systems, Socio-Economic
Planning Sciences, IIE Solutions y Operations Management Review, entre otras.
El doctor Render ha sido honrado como miembro de la sociedad AACSB y fue nombrado dos veces
Senior Fulbright Scholar. Fue vicepresidente del Instituto de Ciencias de las Decisiones en la Región
Sudeste, y se desempeñó como revisor de software para Decision Line durante seis años, y como editor
de los temas especiales de Administración de operaciones en el New York Times durante cinco años. De
1984 a 1993, el doctor Render fue presidente de Management Service Associates of Virginia, Inc., cuyos
clientes incluyen al FBI, la Marina de Estados Unidos, el Condado de Fairfax, Virginia y C&P Telephone.
Actualmente es editor consultor de la Financial Times Press.
El doctor Render ha impartido cursos de Administración de operaciones en la Rollins College para los
programas de maestría en Administración de Negocios, incluyendo la maestría ejecutiva. Recibió el Premio
Welsh de esa escuela como profesor líder y fue seleccionado por la Roosevelt University para recibir el
Premio St. Claire Drake en 1996 por su destacada labor como académico. En 2005 recibió el premio de
los estudiantes de la maestría en Administración de Negocios en la Rollins College por impartir el mejor
curso y, en 2009, fue nombrado Profesor del Año por los estudiantes de tiempo completo en la maestría en
Administración de Negocios.
Ralph Stair es profesor emérito en la Florida State University. Obtuvo el grado de licenciatura en Ingeniería
química de la Purdue University y el grado de maestro de la Tulane University. Bajo la dirección de Ken
Ramsing y Alan Eliason, recibió el grado de doctor en Administración de operaciones de la University of
Oregon. Ha sido catedrático en la University of Oregon, la University of Washington, la University of New
Orleans y la Florida State University.
En dos ocasiones, ha sido profesor de intercambio en Londres por parte de la Florida State University.
Por muchos años su enseñanza se ha concentrado en las áreas de Sistemas de información, Investigación de
operaciones y Administración de operaciones.
El doctor Stair es miembro de varias organizaciones académicas, entre las que destacan el Decision
Science Institute e INFORMS; asimismo, participa regularmente en reuniones nacionales en su campo
de especialidad. Ha publicado numerosos artículos y libros, entre ellos Managerial Decision Modeling
with Spreadsheets, Introduction to Management Science, Cases and Readings in Management Science,
Production and Operations Management: A Self-Correction Approach, Fundamentals of Information
Systems, Principles of Information Systems, Introduction to Information Systems, Computers in Today’s
iii
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd iii 4/21/16 3:36 PM

iv ACERCA DE LOS AUTORES
World, Principles of Data Processing, Learning to Live with Computers, Programming in BASIC, Essentials
of BASIC Programming, Essentials of FORTRAN Programming y Essentials of COBOL Programming.
El doctor Stair divide su tiempo entre Florida y Colorado. Disfruta esquiar, montar en bicicleta, navegar en
kayak y realizar otras actividades al aire libre.
Michael E. Hanna es profesor de Ciencias de las decisiones en la University of Houston-Clear Lake

(UHCL). Posee un grado de licenciatura en Economía, una maestría en Ciencias matemáticas y un docto-
rado en Investigación de operaciones de la Texas Tech University. Durante más de 25 años ha impartido
cursos de estadística, ciencias de la administración, pronósticos y otros métodos cuantitativos. Su dedica-
ción a la enseñanza ha sido reconocida con el premio Beta Alpha Psi al profesorado en 1995 y el Premio
Outstanding Educator en 2006 por el Southwest Decision Sciences Institute (SWDSI).
El doctor Hanna ha sido autor de libros de texto en ciencias de la administración y métodos cuantitati-
vos, ha publicado numerosos artículos y trabajos profesionales, y ha sido miembro de la Junta de Asesoría
Editorial de Computers and Operations Research. En 1996 el Capítulo UHCL de Beta Gamma Sigma le
entregó un galardón por su alto desempeño académico.
El doctor Hanna está muy activo en el Decision Science Institute, donde ha sido miembro del Comité
de Educación Innovadora, el Comité Consultivo Regional y el Comité de Nominaciones. Ha sido miem-
bro de la junta de directores del Decision Sciences Institute (DSI) durante dos periodos y también fue electo
vicepresidente regional del DSI. En el SWDSI, ha ocupado diversos cargos, entre ellos el de presidente;
además, recibió el Premio Distinguished Service del SWDSI en 1997. Por su servicio general a la profesión
y a la universidad, recibió también el Premio Distinguished Service por parte del Presidente de la UHCL
en 2001.
Trevor S. Hale es profesor asociado de Ciencias de la administración en la University of Houston-

Downtown (UHD). Recibió el grado de Ingeniero industrial de la Penn State University, el de maestría
en Gestión de ingeniería de la Northeastern University, y el de doctor en Investigación de operaciones de
la Texas A&M University. Anteriormente perteneció al profesorado de la Ohio University-Atenas y de la
Colorado State University-Pueblo.
El doctor Hale fue honrado tres veces como Oficial de la Sociedad de Investigación Naval Superior.
Pasó los veranos de 2009, 2011 y 2013 realizando investigación en seguridad y ciberseguridad energética
para la Marina de Estados Unidos en la Base Naval del Condado de Ventura en Port Hueneme, California.
El doctor Hale ha publicado decenas de artículos en las áreas de investigación de operaciones y aná-
lisis cuantitativo en revistas como International Journal of Production Research, European Journal of
Operational Research, Annals of Operations Research, Journal of the Operational Research Society y la
International Journal of Physical Distribution and Logistics Management, entre otras. Imparte cursos de
análisis cuantitativo en la University of Houston-Downtown en el programa de maestría en Administración
de Negocios y el programa ejecutivo de la maestría en Administración de la Seguridad. Es un miembro de
alto rango del Decision Sciences Institute y de INFORMS.
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd iv 4/21/16 3:36 PM

CONTENIDO BREVE
CAPÍTULO 1 Introducción al análisis cuantitativo 1 CAPÍTULO 12 Modelos de líneas de espera

y teoría de colas 435
CAPÍTULO 2 Conceptos de probabilidad
y aplicaciones 23 CAPÍTULO 13 Modelos de simulación 469
CAPÍTULO 3 Análisis de decisiones 65 CAPÍTULO 14 Análisis de Markov 509
CAPÍTULO 4 Modelos de regresión 113 CAPÍTULO 15 Control estadístico de la calidad 537
CAPÍTULO 5 Pronósticos 149 MÓDULOS EN EL SITIO WEB

1 Proceso analítico de jerarquías M1-1
CAPÍTULO 6 Modelos de control de inventarios 187
2 Programación dinámica M2-1
CAPÍTULO 7 Modelos de programación lineal: métodos
3 Teoría de decisiones y la distribución
gráficos y computacionales 239
normal M3-1
CAPÍTULO 8 Aplicaciones de programación lineal 291 4 Teoría de juegos M4-1
5 Herramientas matemáticas:
CAPÍTULO 9 Modelos de transporte, asignación
Determinantes y matrices M5-1
y redes 323
6 Optimización basada en el Cálculo M6-1
CAPÍTULO 10 Programación entera, programación por
7 Programación lineal:
metas y programación no lineal 363
el método símplex M7-1
CAPÍTULO 11 Gestión de proyectos 395 8 Algoritmos de transporte, asignación
y redes M8-1
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd v 4/21/16 3:36 PM

CONTENIDO
PREFACIO XIII CAPÍTULO 2 Conceptos de probabilidad

y aplicaciones 23
2.1 Introducción 24
CAPÍTULO 1 Introducción al análisis cuantitativo 1
2.2 Conceptos fundamentales 24
1.1 Introducción 2
Dos reglas básicas de la probabilidad 24
1.2 ¿Qué es el análisis cuantitativo? 2
Tipos de probabilidad 25
1.3 Análisis de negocios 3
Eventos mutuamente excluyentes y colectivamente
1.4 El enfoque del análisis cuantitativo 4 exhaustivos 26
Definición del problema 4
Uniones e intersecciones de eventos 27
Desarrollo de un modelo 4
Reglas de probabilidad para uniones,
Adquisición de datos de entrada 5 intersecciones y probabilidades condicionales 28
Desarrollo de una solución 5 2.3 Revisión de probabilidades con el teorema
Pruebas a la solución 6 de Bayes 29
Análisis de resultados y análisis de sensibilidad 6 Forma general del teorema de Bayes 31
Implementación de los resultados 6 2.4 Revisiones de probabilidad adicionales 31
Enfoque del análisis cuantitativo y modelado 2.5 Variables aleatorias 32
en el mundo real 8 2.6 Distribuciones de probabilidad 34
1.5 Cómo se desarrolla un modelo de análisis Distribución de probabilidad de una variable
cuantitativo 8 aleatoria discreta 34
Las ventajas del modelado matemático 9 Valor esperado de una distribución de
Modelos matemáticos clasificados según probabilidad discreta 34
su riesgo 9 Varianza de una distribución de probabilidad
1.6 El papel de las computadoras y los modelos discreta 35
de hoja de cálculo en el enfoque del Distribución de probabilidad de una variable
análisis cuantitativo 10 aleatoria continua 36
1.7 Problemas potenciales en el enfoque 2.7 La distribución binomial 37
del análisis cuantitativo 13 Resolución de problemas con la fórmula
Definición del problema 13 binomial 38
Desarrollo de un modelo 14 Resolución de problemas con tablas binomiales 39
Adquisición de datos de entrada 15 2.8 La distribución normal 40
Desarrollo de una solución 15 Área bajo la curva normal 42
Pruebas a la solución 16 Uso de la tabla normal estándar 42
Análisis de los resultados 16 Ejemplo de la compañía Haynes Construction 43
1.8 La implementación no es solamente el paso La regla empírica 46
final 17 2.9 La distribución F 46
Falta de compromiso y resistencia al cambio 17
2.10 La distribución exponencial 48
Falta de compromiso de los analistas
Ejemplo de Arnold’s Muffler 49
cuantitativos 17
2.11 La distribución de Poisson 50
Resumen 17 Glosario 18 Ecuaciones clave 18
Autoevaluación 18 Preguntas para análisis Resumen 52 Glosario 52 Ecuaciones clave 53
y problemas 19 Estudio de caso: Alimentos y Problemas resueltos 54 Autoevaluación 56
bebidas en los partidos de fútbol americano de la Preguntas para análisis y problemas 57
Southwestern University 21 Bibliografía 21 Estudio de caso: WTVX 63 Bibliografía 63
Apéndice 2.1: Deducción del teorema de Bayes 63
vi
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd vi 4/21/16 3:36 PM

CONTENIDO vii
CAPÍTULO 3 Análisis de decisiones 65 4.8 Análisis de regresión múltiple 128

3.1 Introducción 66 Evaluación del modelo de regresión múltiple 129
3.2 Los seis pasos para la toma de decisiones 66 Ejemplo de Jenny Wilson Realty 130
3.3 Tipos de entornos en la toma de decisiones 67 4.9 Variables binarias o ficticias 131
3.4 Toma de decisiones con incertidumbre 68 4.10 Construcción del modelo 132
Optimista 68 Regresión por pasos 133
Pesimista 69 Multicolinealidad 133
Criterio de realismo (criterio de Hurwicz) 69
4.11 Regresión no lineal 133
Igualmente probable (Laplace) 70
4.12 Advertencias y trampas en el análisis
Arrepentimiento minimax 70 de regresión 136
3.5 Toma de decisiones con riesgo 71
Resumen 137 Glosario 137
Valor monetario esperado 71 Ecuaciones clave 138 Problemas resueltos 139
Valor esperado de información perfecta 72 Autoevaluación 141 Preguntas para análisis y
Pérdida de oportunidad esperada 74 problemas 141 Estudio de caso: North-South
Análisis de sensibilidad 74 Airline 146 Bibliografía 147
3.6 Un ejemplo de minimización 75 Apéndice 4.1: Fórmulas para los cálculos de regresión 147
3.7 Uso de software para problemas con tablas
de pago 77
QM para Windows 77 CAPÍTULO 5 Pronósticos 149
Excel QM 78 5.1 Introducción 150
3.8 Árboles de decisión 79 5.2 Tipos de modelos de pronósticos 150
Eficiencia de la información muestral 84 Modelos cualitativos 150
Análisis de sensibilidad 84 Modelos causales 151
3.9 Cómo estimar valores de probabilidad Modelos de series de tiempo 151
mediante el análisis bayesiano 85
5.3 Componentes de una serie de tiempo 151
Cálculo de probabilidades revisadas 85
Problema potencial del uso de los resultados
5.4 Medidas de la precisión del pronóstico 153
de la encuesta 87 5.5 Modelos de pronósticos: sólo variaciones
3.10 Teoría de la utilidad 88 aleatorias 156
Medición de la utilidad y construcción de una Promedios móviles 156
curva de utilidad 89 Promedios móviles ponderados 156
Utilidad como criterio en la toma de decisiones 92 Suavización exponencial 158
Resumen 94 Glosario 94 Uso de software para el pronóstico de series
Ecuaciones clave 95 Problemas resueltos 95 de tiempo 160
Autoevaluación 100 Preguntas para análisis
y problemas 101 Estudio de caso: Starting 5.6 Modelos de pronósticos: variaciones de
Right Corporation 109 Estudio de caso: Blake tendencia y aleatorias 163
Electronics 110 Bibliografía 112 Suavización exponencial con tendencia 163
Proyecciones de tendencia 165
CAPÍTULO 4 Modelos de regresión 113 5.7 Ajuste para variaciones estacionales 167
4.1 Introducción 114 Índices estacionales 168
4.2 Diagramas de dispersión 114
Cálculo de índices estacionales sin tendencia 168
4.3 Regresión lineal simple 115
Cálculo de índices estacionales con
4.4 Medición del ajuste del modelo de tendencia 169
regresión 117
Coeficiente de determinación 118
5.8 Modelos de pronósticos: variaciones de
tendencia, estacionales y aleatorias 170
Coeficiente de correlación 118
El método de descomposición 170
4.5 Supuestos del modelo de regresión 120
Software para la descomposición 173
Estimación de la varianza 121
4.6 Prueba de la significancia del modelo 121 Uso de la regresión con tendencia y de los
componentes estacionales 174
Ejemplo de Triple A Construction 123
5.9 Seguimiento y control de los pronósticos 175
Tabla del análisis de varianza (ANOVA) 123
Ejemplo de ANOVA para Triple A Suavización adaptativa 177
Construction 124 Resumen 177 Glosario 178
4.7 Uso de software de computadora para Ecuaciones clave 178 Problemas resueltos 179
la regresión 124 Autoevaluación 180 Preguntas para análisis y
problemas 181 Estudio de caso: Pronóstico de
Excel 2013 124 asistencia a los partidos de fútbol americano en la
Excel QM 125 SWU 184 Estudio de caso: Pronóstico mensual
QM para Windows 127 de ventas 185 Bibliografía 186
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd vii 4/21/16 3:36 PM

viii CONTENIDO
CAPÍTULO 6 Modelos de control de inventarios 187 CAPÍTULO 7 Modelos de programación lineal: métodos
6.1 Introducción 188 gráficos y computacionales 239
6.2 Importancia del control de inventarios 189 7.1 Introducción 240
Función de desacoplamiento 189 7.2 Requisitos de un problema de programación
Almacenamiento de recursos 189 lineal 240
Oferta y demanda irregulares 189 7.3 Formulación de problemas de PL 241
Descuentos por cantidad 189 Compañía Flair Furniture 241
Prevención del desabasto y la escasez 189 7.4 Solución gráfica a un problema de PL 243
6.3 Decisiones de inventario 190 Representación gráfica de las restricciones 243
6.4 Cantidad económica de pedido: Método de solución de la recta de isoutilidad 247
determinación de la cantidad a ordenar 191 Método de solución de los vértices 250
Costos de inventario en la situación de la Holgura y excedente 252
EOQ 192 7.5 Resolución del problema de PL de Flair
Determinación de la EOQ 194 Furniture usando QM para Windows,
Ejemplo de la compañía Sumco Pump 194 Excel 2013 y Excel QM 253
Costo de compra de los artículos en Uso de QM para Windows 253
inventario 195 Uso del comando Solver de Excel para resolver
Análisis de sensibilidad con el modelo de la problemas de PL 254
EOQ 196 Uso de Excel QM 257
6.5 Punto de reorden: determinación de cuándo 7.6 Resolución de problemas de minimización 259
hacer un pedido 197 Rancho Holiday Meal Turkey 259
6.6 EOQ sin el supuesto de recepción 7.7 Cuatro casos especiales de PL 263
instantánea 198 Solución no factible 263
Costo anual de almacenamiento para el modelo
Región no acotada 263
de corrida de la producción 199
Redundancia 264
Costo anual de instalación o costo anual
de pedido 199 Soluciones óptimas múltiples 265
Determinación de la cantidad óptima de 7.8 Análisis de sensibilidad 266
producción 200 Compañía High Note Sound 267
Ejemplo de Brown Manufacturing 200 Cambios en los coeficientes de la función
6.7 Modelos de descuento por cantidad 202 objetivo 268
Ejemplo de la tienda departamental Brass 204 QM para Windows y cambios en los coeficientes
de la función objetivo 268
6.8 Uso del inventario de seguridad 206
Solver de Excel y cambios en los coeficientes de la
6.9 Modelos de inventario de un solo periodo 211 función objetivo 269
Análisis marginal con distribuciones
Cambios en los coeficientes tecnológicos 270
discretas 212
Cambios en los recursos o valores del lado
Ejemplo del Café du Donut 213
derecho 271
Análisis marginal con la distribución normal 214
QM para Windows y los cambios en los valores
Ejemplo del periódico 214 del lado derecho 272
6.10 Análisis ABC 216 Solver de Excel y cambios en los valores del lado
6.11 Demanda dependiente: el caso de la planeación derecho 272
de las necesidades de materiales 216 Resumen 274 Glosario 274
Árbol de estructura de materiales 217 Problemas resueltos 275 Autoevaluación 279
Plan de necesidades brutas y netas de Preguntas para análisis y problemas 280
material 218 Estudio de caso: Trabajo en Mexicana Wire 288
Bibliografía 290
Dos o más productos finales 219
6.12 Control de inventarios justo a tiempo 221 CAPÍTULO 8 Aplicaciones de programación lineal 291
6.13 Planeación de recursos empresariales 222 8.1 Introducción 292
Resumen 223 Glosario 223 8.2 Aplicaciones al marketing 292
Ecuaciones clave 224 Problemas resueltos 225 Selección de medios de comunicación 292
Autoevaluación 227 Preguntas para análisis y
problemas 228 Estudio de caso: Martin-Pullin Investigación de mercado 293
Bicycle Corporation 235 Bibliografía 236 8.3 Aplicaciones a la manufactura 296
Apéndice 6.1: Control de inventarios con QM para Mezcla de producción 296
Windows 237 Programación de la producción 297
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd viii 4/21/16 3:36 PM

CONTENIDO ix
8.4 Aplicaciones a la programación de Limitación en el número de alternativas

empleados 301 seleccionadas 372
Planeación de la mano de obra 301 Selecciones dependientes 372
8.5 Aplicaciones financieras 303 Ejemplo de un problema de cargo fijo 372
Selección del portafolios 303 Ejemplo de inversiones financieras 374
Problema del camión de carga 306 10.4 Programación por metas 374
8.6 Aplicaciones a la mezcla de ingredientes 308 Ejemplo de programación por metas: una revisión
Problemas de dieta 308 de la compañía Harrison Electric 376
Problemas de mezcla de ingredientes 309 Extensión a múltiples metas igualmente
importantes 377
8.7 Otras aplicaciones de la programación
lineal 311 Clasificación de metas con niveles de
prioridad 377
Resumen 313 Autoevaluación 313
Problemas 314 Estudio de caso: Cable & Programación por metas ponderadas 378
Moore 321 Bibliografía 322 10.5 Programación no lineal 379
Función objetivo no lineal y restricciones
CAPÍTULO 9 Modelos de transporte, asignación lineales 380
y redes 323 Función objetivo no lineal y restricciones
9.1 Introducción 324 no lineales 380
9.2 El problema de transporte 325 Función objetivo lineal con restricciones no
Programación lineal para el ejemplo de lineales 382
transporte 325 Resumen 382 Glosario 383
Resolución de problemas de transporte mediante Problemas resueltos 383 Autoevaluación 386
el uso de software de computadora 325 Preguntas para análisis y problemas 387
Estudio de caso: Schank Marketing
Un modelo general de PL para problemas de Research 392 Estudio de caso: Puente sobre
transporte 326 el río Oakton 393 Bibliografía 394
Análisis de la localización de instalaciones 327
9.3 El problema de asignación 330 CAPÍTULO 11 Gestión de proyectos 395
Problema de programación lineal para un 11.1 Introducción 396
ejemplo de asignación 330 11.2 PERT/CPM 397
9.4 El problema de transbordo 332 Ejemplo de PERT/CPM para General
Problema de programación lineal para un Foundry 397
ejemplo de transbordo 332 Trazado de la red PERT/CPM 399
9.5 Problema del flujo máximo 335 Tiempos de actividad 399
Ejemplo 335 Cómo encontrar la ruta crítica 400
9.6 Problema de la ruta más corta 337 Probabilidad de terminación del proyecto 405
9.7 Problema del árbol de expansión mínima 338 Qué puede proporcionar PERT 406
Resumen 342 Glosario 343 Uso de Excel QM para el ejemplo de General
Problemas resueltos 343 Autoevaluación 345 Foundry 406
Preguntas para análisis y problemas 346 Análisis de sensibilidad y gestión de
Estudio de caso: Andrew-Carter, Inc. 357 proyectos 407
Estudio de caso: Northeastern Airlines 358
Estudio de caso: Problemas de tránsito en la 11.3 PERT/Costo 409
Southwestern University 359 Bibliografía 360 Planeación y programación de los costos
del proyecto: proceso de presupuesto 409
Apéndice 9.1: Uso de QM para Windows 360
Seguimiento y control de los costos del
CAPÍTULO 10 Programación entera, programación por proyecto 412
metas y programación no lineal 363 11.4 Aceleración del proyecto 414
10.1 Introducción 364 Ejemplo de General Foundry 415
10.2 Programación entera 364 Aceleración de un proyecto con programación
lineal 416
Ejemplo de programación entera para la
compañía Harrison Electric 364 11.5 Otros temas en la gestión de proyectos 419
Uso de software para resolver el problema de Subproyectos 419
programación entera de Harrison 366 Hitos 419
Ejemplo de un problema de programación Nivelación de recursos 419
entera 368 Software 419
10.3 Modelado con variables 0-1 (binarias) 370 Resumen 419 Glosario 420
Ejemplo de presupuesto de capital 370 Ecuaciones clave 420 Problemas resueltos 421
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd ix 4/21/16 3:36 PM

x CONTENIDO
Autoevaluación 423 Preguntas para análisis 13.3 Simulación de Monte Carlo 472
y problemas 424 Estudio de caso: Construcción Ejemplo de Harry’s Auto Tire 472
del estadio de la Southwestern University 429
Estudio de caso: Centro de Investigación sobre Uso de QM para Windows en la simulación 477
Planificación Familiar en Nigeria 430 Simulación con hojas de cálculo de Excel 478
Bibliografía 432 13.4 Simulación y análisis de inventarios 480
Apéndice 11.1: Gestión de proyectos con QM para Ferretería Simkin 480
Windows 432
Análisis de los costos de inventario de
Simkin 483
CAPÍTULO 12 Modelos de líneas de espera y teoría
de colas 435 13.5 Simulación de un problema de colas 484
Puerto de Nueva Orleans 484
Uso de Excel para simular el problema de colas
12.2 Costos de las líneas de espera 436
del puerto de Nueva Orleans 486
Ejemplo de la compañía Three Rivers
Shipping 437
13.6 Modelo de simulación para una política
de mantenimiento 487
12.3 Características de un sistema de colas 438
Compañía Three Hills Power 487
Características de llegada 438
Análisis de costos de la simulación 489
Características de la línea de espera 438
13.7 Otros aspectos de la simulación 492
Características de las instalaciones de
Dos tipos distintos de modelos de
servicio 439
simulación 492
Identificación de modelos mediante la notación
Verificación y validación 493
Kendall 439
Papel de las computadoras en la simulación 494
12.4 Modelo de colas con un solo canal, llegadas de
Poisson y tiempos de servicio exponenciales Resumen 494 Glosario 494
(M/M/1) 442 Problemas resueltos 495 Autoevaluación 498
Preguntas para análisis y problemas 499
Supuestos del modelo 442
Estudio de caso: Alabama Airlines 504
Ecuaciones de colas 442 Estudio de caso: Corporación Statewide
Caso del taller Arnold’s Muffler 443 Development 505 Estudio de caso: FB Badpoore
Mejora del entorno de la cola 447 Aerospace 506 Bibliografía 508
12.5 Modelo de colas con múltiples canales, CAPÍTULO 14 Análisis de Markov 509
llegadas de Poisson y tiempos de servicio
exponenciales (M/M/m) 447 14.1 Introducción 510
Ecuaciones para el modelo de colas con múltiples 14.2 Estados y probabilidades de estado 510
canales 448 Vector de probabilidades de estado para
Revisión del taller Arnold’s Muffler 448 el ejemplo de las tres tiendas de
comestibles 511
12.6 Modelo con tiempo de servicio constante
(M/D/1) 450 14.3 Matriz de probabilidades de transición 512
Ecuaciones para el modelo con tiempo de servicio Probabilidades de transición para las tres tiendas
constante 450 de comestibles 513
García-Golding Recycling, Inc. 451 14.4 Predicción de las participaciones de mercado
futuras 513
12.7 Modelo de población finita (M/M/1 con
fuente finita) 452 14.5 Análisis de Markov en operaciones de
maquinaria 514
Ecuaciones para el modelo de población
finita 452 14.6 Condiciones de equilibrio 515
Ejemplo del Departamento de Comercio 453 14.7 Estados absorbentes y la matriz fundamental:
aplicación a cuentas por cobrar 518
12.8 Algunas relaciones características generales
de funcionamiento 454 Resumen 522 Glosario 523
Ecuaciones clave 523 Problemas resueltos 523
12.9 Modelos de colas más complejos y el uso de la Autoevaluación 527 Preguntas para análisis y
simulación 454 problemas 527 Estudio de caso: Rentall
Resumen 455 Glosario 455 Trucks 532 Bibliografía 533
Ecuaciones clave 456 Problemas resueltos 457 Apéndice 14.1: Análisis de Markov con QM para
Autoevaluación 460 Preguntas para análisis y Windows 533
problemas 461 Estudio de caso: New England
Foundry 465 Estudio de caso: Winter Park Apéndice 14.2: Análisis de Markov con Excel 535
Hotel 467 Bibliografía 467
Apéndice 12.1: Uso de QM para Windows 468 CAPÍTULO 15 Control estadístico de la calidad 537
CAPÍTULO 13 Modelos de simulación 469 15.2 Definición de la calidad y la TQM 538
13.1 Introducción 470 15.3 Control estadístico de procesos 539
13.2 Ventajas y desventajas de la simulación 471 Variabilidad en el proceso 539
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd x 4/21/16 3:36 PM

CONTENIDO xi
15.4 Gráficas de control para variables 541 M2.3 Terminología de la programación

Teorema del límite central 541 dinámica M2-6
Determinación de los límites de la gráfica x 542 M2.4 Notación de la programación dinámica M2-8
Determinación de los límites de la gráfica M2.5 Problema de la mochila M2-9
de rangos 545 Tipos de problemas de la mochila M2-9
15.5 Gráficas de control para atributos 546 Problema del servicio de transporte aéreo de
Gráficas p 546 Roller M2-9
Gráficas c 548 Resumen M2-16 Glosario M2-16 Ecuaciones
Resumen 550 Glosario 550 clave M2-16 Problema resuelto M2-16
Ecuaciones clave 550 Problemas resueltos 551 Autoevaluación M2-18 Preguntas para
Autoevaluación 552 Preguntas para análisis y análisis y problemas M2-19 Caso de estudio:
problemas 552 Bibliografía 555 United Trucking M2-22 Estudio de caso en
Internet M2-22 Bibliografía M2-22
Apéndice 15.1: Uso de QM para Windows en el SPC 555
MÓDULO 3 Teoría de decisiones y la distribución
APÉNDICES 557 normal M3-1
APÉNDICE A Área bajo la curva normal estándar 558 M3.1 Introducción M3-2
APÉNDICE B Probabilidades binomiales 560 M3.2 Análisis del punto de equilibrio y la
APÉNDICE C Valores de e -l para su uso en la distribución normal M3-2
Decisión de un nuevo producto en la compañía
distribución de Poisson 565
Barclay Brothers M3-2
APÉNDICE D Valores de la distribución F 566 Distribución de probabilidad de la
APÉNDICE E Uso de POM-QM para Windows 568 demanda M3-3
APÉNDICE F Uso de Excel QM y complementos Uso del valor monetario esperado para tomar una
decisión M3-5
de Excel 571
M3.3 Valor esperado de la información perfecta y
APÉNDICE G Soluciones a problemas seleccionados 572 la distribución normal M3-6
APÉNDICE H Soluciones a las autoevaluaciones 576 Función de la pérdida de oportunidad M3-6
Pérdida de oportunidad esperada M3-6
ÍNDICE 579 Resumen M3-8 Glosario M3-8 Ecuaciones
clave M3-8 Problemas resueltos M3-9
Autoevaluación M3-9 Preguntas para análisis y
MÓDULOS EN EL SITIO WEB
problemas M3-10 Bibliografía M3-11
MÓDULO 1 Proceso analítico de jerarquías M1-1 Apéndice M3.1: Obtención del punto de equilibrio M3-11
M1.1 Introducción M1-2 Apéndice M3.2: Integral normal de pérdida unitaria M3-12
M1.2 Proceso de evaluación multifactorial M1-2
M1.3 Proceso analítico de jerarquías M1-4 MÓDULO 4 Teoría de juegos M4-1
Decisión de la computadora para Judy M4.1 Introducción M4-2
Grim M1-4 M4.2 Lenguaje de los juegos M4-2
Uso de comparaciones por pares M1-5 M4.3 El criterio minimax M4-3
Evaluaciones para el Hardware M1-7 M4.4 Juegos de estrategia pura M4-4
Determinación de la relación de M4.5 Juegos de estrategia mixta M4-5
consistencia M1-7
Evaluaciones para los demás factores M1-9
M4.6 Dominancia M4-6
Determinación de los pesos de los Resumen M4-7 Glosario M4-7 Problemas
factores M1-10 resueltos M4-7 Autoevaluación M4-8
Preguntas para análisis y problemas M4-9
Clasificación general M1-10 Bibliografía M4-10
Uso de la computadora para resolver problemas
con el proceso analítico de jerarquías M1-10 MÓDULO 5 Herramientas matemáticas: Determinantes
M1.4 Comparación de la evaluación multifactorial y matrices M5-1
con el proceso analítico de jerarquías M1-11
M5.1 Introducción M5-2
Resumen M1-12 Glosario M1-12 Ecuaciones
clave M1-12 Problemas resueltos M1-12 M5.2 Matrices y operaciones con matrices M5-2
Autoevaluación M1-14 Preguntas para análisis y Suma y resta de matrices M5-2
problemas M1-14 Bibliografía M1-16 Multiplicación de matrices M5-3
Apéndice M1.1: Apéndice M1.1: Uso de Excel para el proceso Notación matricial para sistemas de
analítico de jerarquías M1-16 ecuaciones M5-6
MÓDULO 2 Programación dinámica M2-1 Matriz transpuesta M5-6
M2.1 Introducción M2-2 M5.3 Determinantes, cofactores y adjuntas M5-7
M2.2 Resolución del problema de la ruta más corta Determinantes M5-6
mediante programación dinámica M2-2 Matriz de cofactores y adjunta M5-8
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xi 4/21/16 3:36 PM

xii CONTENIDO
M5.4 Encontrar la inversa de una matriz M5-10 M7.9 Revisión de los procedimientos para resolver
Resumen M5-11 Glosario M5-11 problemas de minimización de PL M7-27
Ecuaciones clave M5-11 Autoevaluación M5-12 M7.10 Casos especiales M7-28
Preguntas para análisis y problemas M5-12 Infactibilidad M7-28
Bibliografía M5-13
Soluciones no acotadas M7-28
Apéndice M5.1: Uso de Excel para cálculos matriciales M5-13
Degeneración M7-29
Más de una solución óptima M7-30
MÓDULO 6 Optimización basada en el Cálculo M6-1
M6.1 Introducción M6-2 M7.11 Análisis de sensibilidad con la tabla
simplex M7-30
M6.2 Pendiente de una línea recta M6-2
Revisión de la compañía High Note
M6.3 Pendiente de una función no lineal M6-3 Sound M7-30
M6.4 Algunos derivadas comunes M6-5 Cambios en los coeficientes de la función
Segundas derivadas M6-6 objetivo M7-31
M6.5 Máximos y mínimos M6-6 Cambios en los recursos o en los valores del lado
derecho M7-33
M6.6 Aplicaciones M6-8
M7.12 El dual M7-35
Cantidad económica de pedido M6-8
Pasos para formar un dual M7-37
Ingreso total M6-9
Resolución del dual del problema de la compañía
Resumen M6-10 Glosario M6-10 Ecuaciones High Note Sound M7-37
clave M6-10 Problema resuelto M6-11
Autoevaluación M6-11 Preguntas de análisis y M7.13 Algoritmo de Karmarkar M7-39
preguntas M6-12 Bibliografía M6-12 Resumen M7-39 Glosario M7-39 Ecuación
Clave M7-40 Problemas resueltos M7-41
MÓDULO 7 Programación lineal: el método Autoevaluación M7-44 Preguntas para análisis
y problemas M7-45 Bibliografía M7-53
simplex M7-1
MÓDULO 8 Algoritmos de transporte, asignación
M7.2 Cómo establecer la solución simplex y redes M8-1
inicial M7-2
Conversión de restricciones en ecuaciones M7-3
M8.2 El algoritmo de transporte M8-2
Determinación algebraica de una solución
inicial M7-3 Desarrollo de una solución inicial: Regla de la
esquina noroeste M8-2
La primera tabla Simplex M7-4 Método del cruce del arroyo: Determinación de
M7.3 Procedimientos de solución simplex M7-8 una solución de costo mínimo M8-4
M7.4 La segunda tabla simplex M7-9 M8.3 Situaciones especiales con el algoritmo de
Interpretación de la segunda tabla M7-12 transporte M8-9
M7.5 Desarrollo de la tercera tabla M7-13 Problemas de transporte desequilibrados M8-9
M7.6 Revisión de los procedimientos para resolver Degeneración en los problemas de
problemas de maximización de PL M7-16 transporte M8-10
M7.7 Excedente y variables artificiales M7-16 Más de una solución óptima M8-13
Variables excedentes M7-17 Problemas de transporte de maximización M8-13
Variables artificiales M7-17 Rutas inaceptables o prohibidas M8-13
Variables excedentes y artificiales en la función Otros métodos de transporte M8-13
objetivo M7-18 M8.4 El algoritmo de asignación M8-13
M7.8 Resolución de problemas de El método húngaro (Técnica de Flood) M8-14
minimización M7-18 Realización de la asignación final M8-18
Ejemplo de la compañía Muddy River M8.5 Situaciones especiales con el algoritmo de
Chemical M7-18 asignación M8-18
Análisis gráfico M7-19 Problemas de asignación desequilibrados M8-18
Conversión de las restricciones y la función Problemas de asignación de
objetivo M7-20 maximización M8-19
Reglas del método simplex para problemas M8.6 Problema del flujo máximo M8-20
de minimización M7-21 Técnica del flujo máximo M8-20
Primera tabla simplex para el problema de la M8.7 Problema de la ruta más corta M8-23
compañía Muddy River Chemical M7-21
Técnica de la ruta más corta M8-23
Desarrollo de una segunda tabla M7-23
Resumen M8-25 Glosario M8-25 Problemas
Desarrollo de una tercera tabla M7-24 resueltos M8-26 Autoevaluación M8-32
Cuarta tabla para el problema de la compañía Preguntas para análisis y problemas M8-33
Muddy River Chemical M7-26 Casos M8-42 Bibliografía M8-42
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xii 4/21/16 3:36 PM

PREFACIO
INFORMACIÓN GENERAL
Bienvenido a la decimosegunda edición de Métodos cuantitativos para los negocios. Nuestro objetivo es
ofrecer a los estudiantes de licenciatura y posgrado una base genuina para el análisis de negocios, los mé-
todos cuantitativos y las ciencias de la administración. Al hacerlo, agradecemos a los cientos de usuarios
y decenas de colaboradores que nos han brindado consejos invaluables y asesoría pedagógica durante más
de 30 años.
Para ayudar a los estudiantes a entender cómo las técnicas presentadas en este libro se aplican en el
mundo real, en la presente edición se hace un énfasis especial en las aplicaciones y los ejemplos con el uso de
computadoras. Se presentan modelos matemáticos, con todas las premisas necesarias, en forma clara y con
lenguaje sencillo. Después, se aplican los procedimientos de solución correspondientes a problemas de ejem-
plo, junto con instrucciones paso a paso que explican “cómo se hace”. Hemos encontrado que este método
de presentación es muy eficaz y los estudiantes agradecen este enfoque. Cuando los cálculos matemáticos
son complejos, los detalles se presentan de manera tal que el profesor puede omitir esas secciones sin inte-
rrumpir el flujo de información. El uso de software de computadora permite que el docente se enfoque en
el problema de administración y dedique menos tiempo a los detalles de los algoritmos. A lo largo del libro
se presentan muchos ejemplos de resultados obtenidos por computadora.
El único requisito matemático previo para este libro es el álgebra. En el texto se incluye un capítulo
sobre probabilidad y otro sobre análisis de regresión, los cuales ofrecen la cobertura introductoria de estos
temas. En todo el libro se emplea notación, terminología y ecuaciones estándar. Se presenta una explicación
cuidadosa de la notación matemática y de las ecuaciones que se utilizan.
NOVEDADES EN ESTA EDICIÓN
● Se presenta una introducción al análisis de negocios.

● Se incorpora Excel 2013 a lo largo del texto.
● Los modelos de transporte, asignación y redes se conjuntaron en un capítulo que se enfoca en el
modelado con programación lineal.
● Los algoritmos especializados para los métodos de transporte, asignación y redes se combinaron en
el módulo 8 (en el sitio web).
● A lo largo del libro, se agregaron nuevos ejemplos, más de 25 problemas, 8 análisis cuantitativos
en aplicaciones prácticas, 4 modelados en el mundo real y 3 estudios de caso inéditos. Además, se
actualizaron otros problemas y estudios de caso.
xiii
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xiii 4/21/16 3:36 PM

xiv PREFACIO
CARACTERÍSTICAS ESPECIALES
En ediciones anteriores ha habido muchas características de gran aceptación, las cuales se actualizaron y
ampliaron. Entre ellas se encuentran:
● Las secciones Modelado en el mundo real muestran el enfoque del análisis cuantitativo para cada
técnica estudiada en el libro. Se agregaron cuatro nuevas secciones.
● Los recuadros de Procedimiento resumen las técnicas cuantitativas más avanzadas, presentándolas
como una serie de pasos fáciles de entender.
● Las notas al margen destacan los temas importantes en el texto.
● Los recuadros de Historia narran cuestiones interesantes relacionadas con el desarrollo de las técni-
cas y las personas que las originaron.
● Las secciones AC en acción ilustran la forma como las organizaciones reales han utilizado el análisis
cuantitativo para resolver problemas. Se incorporaron varios recuadros inéditos de AC en acción.
● Los problemas resueltos, que se incluyen al final de cada capítulo, sirven como ejemplo para que los
estudiantes resuelvan sus propios problemas de tarea.
● Las preguntas para análisis, presentadas al final de cada capítulo, ponen a prueba la comprensión del
alumno acerca de los conceptos estudiados y las definiciones presentadas en el capítulo.
● Los problemas incluidos en cada capítulo están orientados a las aplicaciones y evalúan la capacidad
del estudiante para resolver problemas similares a los que se presentan en exámenes. Los problemas
se clasifican de acuerdo con su nivel de dificultad: introductorios (una viñeta), moderados (dos viñe-
tas) y difíciles (tres viñetas). Se agregaron más de 40 problemas.
● Las autoevaluaciones permiten que los estudiantes pongan a prueba su conocimiento de términos y
conceptos importantes al prepararse para sus exámenes parciales y finales.
● Los estudios de caso, al final de cada capítulo, proporcionan interesantes aplicaciones administrati-
vas adicionales.
● El glosario, al final de cada capítulo, define los términos más importantes.
● Las ecuaciones clave, que se incluyen en la parte final de cada capítulo, listan las ecuaciones que se
presentaron en el texto.
● La bibliografía al final del capítulo presenta una selección actualizada de los libros y artículos más
avanzados.
● El software POM-QM para Windows usa todas las capacidades de Windows para resolver problemas
de análisis cuantitativo.
● Se utilizan Excel QM y Excel 2013 para resolver problemas en todo el libro.
● Los archivos de datos con hojas de cálculo en Excel y POM-QM para Windows, que contienen to-
dos los ejemplos del libro impreso, están disponibles para que los estudiantes los descarguen desde
el sitio web. Los profesores que utilicen este libro como texto en un curso pueden descargar archivos
adicionales, los cuales contienen soluciones en computadora a los problemas de fin de capítulo más
relevantes.
● Los módulos proporcionan una cobertura adicional de temas sobre análisis cuantitativo.
● El sitio web del libro ofrece, además de los módulos, muchos recursos; entre ellos problemas adicio-
nales, casos y material adicional para casi todos los capítulos.
CAMBIOS SIGNIFICATIVOS EN LA DECIMOSEGUNDA EDICIÓN
En esta nueva edición hemos introducido Excel 2013 en todos los capítulos. Se han integrado capturas de
pantalla, donde consideramos pertinente, de manera que los estudiantes puedan aprender fácilmente cómo
utilizar Excel en sus cálculos. El complemento QM de Excel, utilizado con Excel 2013, permite que los
estudiantes con escasa experiencia en el manejo de Excel realicen fácilmente los cálculos necesarios. Esto
también hace que los alumnos mejoren sus habilidades con Excel al ver las fórmulas escritas automática-
mente en Excel QM.
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xiv 4/21/16 3:36 PM

PREFACIO xv
En el sitio web del libro, los estudiantes pueden acceder a los archivos de todos los ejemplos en Excel
2013, QM para Windows y Excel QM utilizados en el texto impreso. Asimismo, los profesores disponen de
archivos con todos los problemas que se encuentran al final de los capítulos y que involucran esas herra-
mientas de software.
El análisis de negocios, uno de los temas más candentes en el mundo empresarial actual, hace un
amplio uso de los modelos presentados en este libro. Se presenta un estudio de las categorías del análisis
de negocios y las técnicas más relevantes de las ciencias de la administración se ubican en sus categorías
correspondientes.
Los modelos de transporte, transbordo, asignación y redes se combinaron en un capítulo que se en-
foca en el modelado con programación lineal. Los algoritmos especializados para estos modelos se com-
binaron en un nuevo módulo online.
Los ejemplos y problemas se actualizaron y en muchos casos se sustituyeron por nuevos. Se inclu-
yen nuevas capturas de pantalla para casi todos los ejemplos del libro. A continuación, se presenta un re-
sumen de los cambios específicos por capítulo.
Capítulo 1 Introducción al análisis cuantitativo. Se añadió una sección sobre el análisis de negocios, se
modificó la autoevaluación y se agregaron dos nuevos problemas.
Capítulo 2 Conceptos de probabilidad y aplicaciones. La presentación de los conceptos fundamentales

de probabilidad se modificó y reorganizó de manera significativa. Se incorporaron dos nuevos problemas.
Capítulo 3 Análisis de decisiones. En una sección nueva se incluye un análisis más exhaustivo de los
problemas de minimización con tablas de pagos. Se amplió la presentación del uso de software con tablas
de pagos; además se agregaron dos nuevos problemas.
Capítulo 4 Modelos de regresión. Se trasladó de un apéndice al cuerpo de este capítulo el uso de dife-
rentes paquetes de software para el análisis de regresión.
Capítulo 5 Pronósticos. La presentación de los modelos de pronóstico de series de tiempo se modificó

en forma significativa; ahora se centra en la identificación de la técnica apropiada que debe usarse, con
base en los componentes de las series de tiempo que están presentes en los datos. Se agregaron cinco nue-
vos problemas y los casos se actualizaron.
Capítulo 6 Modelos de control de inventarios. Se actualizaron los cuatro pasos del proceso de produc-
ción Kanban y su explicación se presenta de forma más clara. Se incluyen dos recuadros de AC en acción,
cuatro problemas inéditos y una nueva sección Modelado en el mundo real.
Capítulo 7 Modelos de programación lineal: métodos gráficos y computacionales. Se presenta un aná-

lisis más profundo de Solver. Se incluyó una nueva sección Modelado en el mundo real y se modificaron
los problemas resueltos.
Capítulo 8 Aplicaciones de programación lineal. El modelo de transporte se cambió al capítulo 9 y se

agregó una sección que describe otros modelos. Las preguntas de autoevaluación se modificaron y se aña-
dieron un problema, un recuadro inédito AC en acción y un estudio de caso.
Capítulo 9 Modelos de transporte, asignación y redes. Este nuevo capítulo presenta todos los modelos
de transporte, asignación y redes que se encontraban dispersos en dos capítulos. Se enfatizó el enfoque en
el modelado, y los algoritmos de propósito específico se trasladaron a un módulo en el sitio web. Asimismo,
se añadió un estudio de caso inédito de Northeastern Airlines.
Capítulo 10 Programación entera, programación por metas y programación no lineal. En este capítulo
los cambios fueron en el uso de Excel 2013 y nuevas capturas de pantalla.
Capítulo 11 Gestión de proyectos. Se agregaron dos nuevos problemas al final del capítulo y tres recua-
dros inéditos de AC en acción.
Capítulo 12 Modelos de líneas de espera y teoría de colas. Se añadieron dos nuevos problemas al final
del capítulo.
Capítulo 13 Modelos de simulación. Se incorporaron una sección Modelado en el mundo real, un

recuadro inédito de AC en acción y un nuevo estudio de caso.
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xv 4/21/16 3:36 PM

xvi PREFACIO
Capítulo 14 Análisis de Markov. Se agregaron un recuadro de AC en acción y dos problemas inéditos

al final del capítulo.
Capítulo 15 Control estadístico de la calidad. Se incorporaron una nueva sección Modelado en el

mundo real, un recuadro inédito AC en acción y dos nuevos problemas al final del capítulo.
Módulos 1 a 8 El único cambio significativo en estos módulos es la adición del módulo 8, Algoritmos
de transporte, asignación y redes, el cual incluye algoritmos de propósito específico para modelos de trans-
porte, asignación y redes.
MÓDULOS EN EL SITIO WEB
Para agilizar la lectura del texto dispone de ocho temas en los módulos que se encuentran en el sitio web
de este libro.
1. Proceso analítico de jerarquías
2. Programación dinámica
3. Teoría de decisiones y la distribución normal
4. Teoría de juegos
5. Herramientas matemáticas: determinantes y matrices
6. Optimización basada en cálculo
7. Programación lineal: método símplex
8. Algoritmos de transporte, asignación y redes
SOFTWARE
Excel 2013 A lo largo de todo el libro se presentan instrucciones y capturas de pantalla para utilizar
Excel 2013. Las instrucciones para activar los complementos de Solver y Analysis Toolpack en Excel 2013
se incluyen en un apéndice. El uso de Excel es más frecuente en esta edición que en las anteriores.
Excel QM Este complemento de Excel crea automáticamente hojas de trabajo para resolver problemas.
Lo anterior resulta muy útil para los profesores que eligen utilizar Excel en sus clases pero que tal vez
tengan alumnos con escasa experiencia en su manejo. Los estudiantes aprenden fácilmente al examinar las
fórmulas que se han creado y las entradas que se generan de forma automática para utilizar el complemento
Solver de programación lineal.
POM-QM para Windows Este software, desarrollado por el profesor Howard Weiss, está a disposi-
ción de los estudiantes en el sitio web del libro. Es muy fácil de usar y ha demostrado ser una herramienta
muy apreciada por nuestros usuarios. Existen módulos disponibles para cada tipo principal de problema
que se presenta en el texto.
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xvi 4/21/16 3:36 PM

PREFACIO xvii
ARCHIVOS DE EJEMPLO EN EL SITIO WEB (EN INGLÉS)
Archivos para los ejemplos en Excel, Excel QM y POM-QM para Windows. Los lectores pueden descargar
los archivos (en inglés) que se utilizaron para elaborar los ejemplos de este libro. Esto les ayudará a fami-
liarizarse con el software y a entender cómo introducir los datos y las fórmulas para resolver los ejemplos.
Estudios de caso en Internet Hemos colocado muchos estudios de caso adicionales (en inglés) para
la mayoría de los capítulos.
RECURSOS ADICIONALES PARA LOS PROFESORES

QUE ADOPTEN ESTE LIBRO EN SUS CURSOS
El sitio web de este libro ofrece magníficos recursos (en inglés) a los profesores que utilicen nuestro texto
en un curso. Solicite su clave de acceso a su representante de Pearson.
● Archivos electrónicos de los datos de Excel y POM-QM para Windows de todos los ejemplos rele-
vantes y los problemas de final de capítulo.
Manual de soluciones para el profesor El Manual de soluciones para el profesor, actualizado

por los autores, también incluye las soluciones a los estudios de caso en Internet.
Presentaciones en PowerPoint Un amplio conjunto de diapositivas en PowerPoint que apoyan la

explicación de los temas.
TestGen Es un paquete computarizado (que incluye software y banco de exámenes compatibles con pla-
taformas como Blackboard, WebCT y Course Compass) que permite a los profesores personalizar, guardar
y generar exámenes en el salón de clases. Asimismo, pueden editar, agregar y eliminar preguntas del banco
de exámenes; editar gráficas y crear nuevas; analizar los resultados de los exámenes y organizar una base de
datos con esos resultados. Este software ofrece muchas opciones para organizar y mostrar los exámenes, e
incluye funciones de búsqueda y clasificación, lo que hace que los profesores se beneficien con su amplia
flexibilidad y facilidad de uso.
Banco de exámenes Un Banco de exámenes totalmente actualizado.
AGRADECIMIENTOS
Agradecemos cordialmente a los usuarios de las ediciones anteriores y a los revisores que aportaron valio-
sas sugerencias e ideas para esta edición. Su opinión es muy útil en nuestros esfuerzos de mejora continua.
El éxito constante de Métodos cuantitativos para los negocios es resultado directo de la retroalimentación
de los profesores y estudiantes, algo que realmente apreciamos.
Los autores están en deuda con muchas personas que han hecho importantes contribuciones a este
proyecto. Damos un agradecimiento especial a los profesores Faizul Huq, F. Bruce Simmons III, Khala
Chand Seal, Victor E. Sower, Michael Ballot, Curtis P. McLaughlin y Zbigniew H. Przanyski por sus contri-
buciones a los excelentes casos que se incluyen en esta edición.
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xvii 4/21/16 3:36 PM

xviii PREFACIO
Agradecemos a Howard Weiss por proporcionar Excel QM y POM-QM para Windows, dos de los
paquetes más destacados en el área de los métodos cuantitativos. También nos gustaría expresar nuestra
gratitud a los revisores que han ayudado a hacer de este libro de texto el más ampliamente utilizado en el
campo del análisis cuantitativo:
Stephen Achtenhagen, San Jose University Shahriar Mostashari, Campbell University

M. Jill Austin, Middle Tennessee State University David Murphy, Boston College
Raju Balakrishnan, Clemson University Robert C. Myers, University of Louisville
Hooshang Beheshti, Radford University Barin Nag, Towson State University
Jason Bergner, University of Central Missouri Nizam S. Najd, Oklahoma State University
Bruce K. Blaylock, Radford University Harvey Nye, Central State University
Rodney L. Carlson, Tennessee Technological University Alan D. Olinsky, Bryant College
Edward Chu, California State University, Dominguez Hills Savas Ozatalay, Widener University
John Cozzolino, Pace University–Pleasantville Young Park, California University of Pennsylvania
Ozgun C. Demirag, Penn State–Erie Cy Peebles, Eastern Kentucky University
Shad Dowlatshahi, University of Wisconsin, Platteville Yusheng Peng, Brooklyn College
Ike Ehie, Southeast Missouri State University Dane K. Peterson, Southwest Missouri State University
Richard Ehrhardt, University of North Carolina–Greensboro Sanjeev Phukan, Bemidji State University
Sean Eom, Southeast Missouri State University Ranga Ramasesh, Texas Christian University
Ephrem Eyob, Virginia State University William Rife, West Virginia University
Mira Ezvan, Lindenwood University Bonnie Robeson, Johns Hopkins University
Wade Ferguson, Western Kentucky University Grover Rodich, Portland State University
Robert Fiore, Springfield College Vijay Shah, West Virginia University–Parkersburg
Frank G. Forst, Loyola University of Chicago L. Wayne Shell, Nicholls State University
Ed Gillenwater, University of Mississippi Thomas Sloan, University of Massachusetts–Lowell
Stephen H. Goodman, University of Central Florida Richard Slovacek, North Central College
Irwin Greenberg, George Mason University Alan D. Smith, Robert Morris University
Nicholas G. Hall, Ohio State University John Swearingen, Bryant College
Robert R. Hill, University of Houston–Clear Lake F. S. Tanaka, Slippery Rock State University
Gordon Jacox, Weber State University Jack Taylor, Portland State University
Bharat Jain, Towson University Madeline Thimmes, Utah State University
Vassilios Karavas, University of Massachusetts Amherst M. Keith Thomas, Olivet College
Darlene R. Lanier, Louisiana State University Andrew Tiger, Southeastern Oklahoma State University
Kenneth D. Lawrence, New Jersey Institute of Technology Chris Vertullo, Marist College
Jooh Lee, Rowan College James Vigen, California State University, Bakersfield
Richard D. Legault, University of Massachusetts–Dartmouth William Webster, University of Texas at San Antonio
Douglas Lonnstrom, Siena College Larry Weinstein, Eastern Kentucky University
Daniel McNamara, University of St. Thomas Fred E. Williams, University of Michigan–Flint
Peter Miller, University of Windsor Mela Wyeth, Charleston Southern University
Ralph Miller, California State Polytechnic University Oliver Yu, San Jose State University
Estamos muy agradecidos con todo el personal de Pearson que trabajó arduamente para hacer que este libro
fuera un éxito, especialmente con Donna Battista, editora en jefe; Mary Kate Murray, gerente de proyecto, y
Kathryn Dinovo, gerente general de producción. También damos las gracias a Tracy Duff, nuestra directora
de proyecto en PreMediaGlobal. Expresamos nuestra gratitud para Annie Puciloski por su incansable tra-
bajo en la revisión del libro de texto. ¡Gracias a todos!
Barry Render
brender@rollins.edu
Ralph Stair
Michael Hanna
hanna@uhcl.edu
Trevor S. Hale
halet@uhd.edu
A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xviii 4/21/16 3:36 PM

CAPÍTULO 1
Introducción al análisis
cuantitativo
OBJETIVOS DE APRENDIZAJE
Después de estudiar este capítulo, el alumno será capaz de:
1. Describir el enfoque del análisis cuantitativo. 5. Usar modelos en computadora y en hoja de
2. Entender la aplicación del análisis cuantitativo cálculo para realizar análisis cuantitativo.
en una situación real. 6. Analizar los problemas potenciales en el uso
3. Explicar las tres categorías del análisis de negocios. del análisis cuantitativo.
4. Describir el uso de modelos en el análisis 7. Realizar un análisis del punto de equilibrio.
cuantitativo.
CONTENIDO DEL CAPÍTULO

1.1 Introducción 1.6 El papel de las computadoras y el modelo de hoja
1.2 ¿Qué es el análisis cuantitativo? de cálculo en el enfoque del análisis cuantitativo
1.3 Análisis de negocios 1.7 Problemas potenciales en el enfoque del análisis
cuantitativo
1.4 El enfoque del análisis cuantitativo
1.8 La implementación no es solamente el paso final
1.5 Cómo se desarrolla un modelo de análisis
cuantitativo
Resumen • Glosario • Ecuaciones clave • Autoevaluación • Preguntas para análisis y problemas • Estudio de caso:
Alimentos y bebidas en los partidos de fútbol americano de la Southwestern University • Bibliografía
M01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_C1_001-022_3761-1.indd 1 4/13/16 1:45 PM

2 CAPÍTULO 1 • INTRODUCCIÓN AL ANÁLISIS CUANTITATIVO
1.1 Introducción
Las personas han estado utilizando herramientas matemáticas para ayudarse a resolver problemas durante
miles de años; no obstante, el estudio formal y la aplicación de técnicas cuantitativas para la toma de de-
cisiones en la práctica es, en gran medida, un producto del siglo xx. Las técnicas que estudiamos en este
libro se han aplicado con éxito a una gama cada vez más amplia de problemas complejos en los negocios,
el gobierno, el cuidado de la salud, la educación y varias otras áreas. Muchos de estos usos exitosos se
analizan en el presente texto.
Sin embargo, no basta con conocer las matemáticas de cómo funciona una técnica cuantitativa en
particular; también es necesario estar familiarizados con las limitaciones, los supuestos y la aplicabilidad
específica de la técnica. Por lo general, el uso exitoso de las técnicas cuantitativas resulta en una solución
oportuna, precisa, flexible, económica, confiable, y fácil de entender y utilizar.
En éste y otros capítulos, se presentan recuadros de AC (análisis cuantitativo) en acción, que presentan
historias de éxito al aplicar las ciencias de la administración. Estos recuadros muestran la forma en que las
organizaciones han utilizado técnicas cuantitativas para tomar mejores decisiones, funcionar de manera más
eficiente y generar mayores utilidades. Taco Bell reporta el ahorro de más de 150 millones de dólares* de-
bido a un mejor pronóstico de la demanda y una mejor programación de sus empleados. La cadena de televi-
sión NBC aumentó sus ingresos por publicidad en más de 200 millones entre 1996 y 2000, gracias al uso de
un modelo que ayuda a desarrollar planes de ventas para sus anunciantes. Continental Airlines ahorra más
de 40 millones anuales mediante el uso de modelos matemáticos que le ayudan a recuperarse rápidamen-
te de las interrupciones y retrasos causados por fenómenos climatológicos y otros factores. Éstas son sólo
algunas de las muchas empresas estudiadas en los recuadros AC en acción a lo largo del presente libro.
Para conocer otros ejemplos de cómo las empresas utilizan el análisis cuantitativo o la investigación de
operaciones para funcionar mejor y de manera más eficiente, consulte el sitio web www.scienceofbetter.org.
Los casos de éxito presentados ahí se clasifican por industria, área funcional y beneficio obtenido. Se trata de
historias de éxito que ilustran la forma de cómo la investigación de operaciones es realmente la “ciencia
de lo mejor”.
1.2 ¿Qué es el análisis cuantitativo?

El análisis cuantitativo utiliza un El análisis cuantitativo es el enfoque científico para la toma de decisiones administrativas. Este campo
enfoque científico para la toma de estudio recibe diferentes nombres, incluyendo análisis cuantitativo, ciencias de la administración e
de decisiones. investigación de operaciones. Los términos anteriores se emplean indistintamente en este libro. Asimismo,
muchos de los métodos de análisis cuantitativo presentados en el texto se utilizan ampliamente en análisis
de negocios.
El capricho, las emociones y las conjeturas no forman parte del enfoque del análisis cuantitativo. El
enfoque inicia con los datos. Del mismo modo que la materia prima en una fábrica, estos datos se manipu-
lan o se transforman en información que resulta valiosa para quienes tomen decisiones. Este procesamiento
y manipulación de los datos brutos para volverlos información significativa es el corazón del análisis cuan-
titativo. Las computadoras han sido fundamentales en el uso creciente del análisis cuantitativo.
Para la resolución de un problema, los administradores deben tener en cuenta factores tanto cualita-
tivos como cuantitativos. Por ejemplo, podríamos considerar varias alternativas de inversión diferentes,
incluyendo certificados de depósito en un banco, inversiones en el mercado de valores y una inversión en
el sector inmobiliario. Podemos utilizar el análisis cuantitativo para determinar cuál será el rendimiento
futuro de una cantidad invertida, mediante el depósito en un banco a una tasa de interés determinada por
cierto número de años. El análisis cuantitativo es útil también para calcular las razones financieras de los
balances de varias empresas, cuyas acciones estamos considerando. Algunas empresas inmobiliarias han
desarrollado programas de computadora que utilizan el análisis cuantitativo para analizar los flujos de
efectivo y las tasas de rendimiento para las inversiones en bienes raíces.
Es necesario tomar en cuenta los Además del análisis cuantitativo, también deben considerarse factores cualitativos. El clima, las le-
factores tanto cualitativos como gislaciones estatal y federal, los nuevos avances tecnológicos, el resultado de una elección, etcétera, son
cuantitativos. factores que resultan difíciles de cuantificar.
Debido a la importancia de los factores cualitativos, el papel del análisis cuantitativo en el proceso de
toma de decisiones puede variar. Cuando se carece de factores cualitativos y cuando el problema, el modelo
y los datos de entrada son iguales, los resultados del análisis cuantitativo pueden automatizar el proceso de
toma de decisiones. Por ejemplo, algunas compañías utilizan modelos cuantitativos de inventarios para
determinar automáticamente cuándo deben ordenar materiales adicionales. Sin embargo, en la mayoría de
los casos, el análisis cuantitativo es de gran ayuda para el proceso de toma de decisiones. Los resultados
del análisis cuantitativo se combinarán con otra información (cualitativa) para tomar las decisiones.
*
A menos que se indique otra unidad, las cantidades referidas representan dólares estadounidenses. (Nota del editor).

1.3 ANÁLISIS DE NEGOCIOS 3
El análisis cuantitativo ha sido particularmente importante en muchas áreas de la administración. El

campo de la administración de la producción, que se convirtió en la administración de operaciones/pro-
ducción (POM, production/operations management) a medida que la sociedad se orientó más hacia los
servicios, utiliza el análisis cuantitativo de manera amplia. Mientras que la POM se centra en las operacio-
nes internas de la empresa, el campo de la administración de la cadena de suministro tiene una visión más
completa de la empresa, y considera todo el proceso de obtención de materias primas de los proveedores,
la utilización de las materias primas para el desarrollo de productos y la distribución de tales productos
hacia los consumidores finales. La administración de la cadena de suministro emplea de forma extensa mu-
chos modelos de las ciencias de la administración. Otra área de gestión que no existiría sin los métodos de
análisis cuantitativo presentados en este libro, y tal vez la disciplina más intensa en los negocios actuales,
es el análisis de negocios.
1.3 Análisis de negocios

El análisis de negocios es un enfoque basado en datos que permite a las empresas tomar las mejores de-
cisiones. El estudio del análisis de negocios implica la utilización de grandes cantidades de datos, lo cual
significa que la tecnología de la información relacionada con la gestión de datos es muy importante. Se
utiliza el análisis estadístico y cuantitativo para analizar los datos y proporcionar información útil a quienes
toman decisiones.
El análisis de negocios suele dividirse en tres categorías: descriptivo, predictivo y prescriptivo. El
análisis descriptivo implica el estudio y la consolidación de los datos históricos de un negocio o una in-
dustria. Ayuda a medir cómo se ha desempeñado una compañía en el pasado y cómo lo está haciendo en
el momento actual. El análisis predictivo está dirigido a pronosticar los resultados futuros, con base
en los patrones de los datos históricos. Para este propósito se utilizan ampliamente los modelos estadísticos
y matemáticos. El análisis prescriptivo implica el uso de métodos de optimización para ofrecer nuevas y
mejores formas de operar, con base en los objetivos específicos del negocio. Los modelos de optimización
que se presentan en este libro son muy importantes para el análisis prescriptivo. Aunque sólo hay tres ca-
tegorías de análisis de negocios, muchas de las decisiones en este ámbito se toman con base en la informa-
ción obtenida a partir de dos o tres de tales categorías.
Muchas de las técnicas de análisis cuantitativo presentadas en los capítulos de este libro se utilizan
ampliamente en el análisis de negocios. La tabla 1.1 destaca las tres categorías del análisis de negocios, y
ubica muchos de los temas y capítulos de este libro en la categoría correspondiente. Observe que algunos
Las tres categorías del análisis temas (y de hecho algunos capítulos con conceptos y modelos múltiples) podrían colocarse en una categoría
de negocios son descriptivo, diferente. Parte del material de este libro podría abarcar dos o incluso tres de las categorías. Sin embargo,
predictivo y prescriptivo. todas esas técnicas de análisis cuantitativo son herramientas muy importantes para el análisis de negocios.
TABLA 1.1
CATEGORÍA DEL ANÁLISIS TÉCNICA DE ANÁLISIS CUANTITATIVO
Análisis de negocios DE NEGOCIOS (CAPÍTULO)
y modelos de análisis
cuantitativo Análisis descriptivo ● Medidas estadísticas como medias y desviaciones estándar
(capítulo 2)
● Control estadístico de la calidad (capítulo 15)
Análisis predictivo ● Análisis de decisiones y árboles de decisión (capítulo 3)
● Modelos de regresión (capítulo 4)
● Pronósticos (capítulo 5)
● Programación de proyectos (capítulo 11)
● Modelos de líneas de espera (capítulo 12)
● Simulación (capítulo 13)
● Análisis de Markov (capítulo 14)
Análisis prescriptivo ● Modelos de inventario como la cantidad económica
de pedido (capítulo 6)
● Programación lineal (capítulos 7 y 8)
● Modelos de transporte y asignación (capítulo 9)
● Programación entera, programación por objetivos
y programación no lineal (capítulo 10)
● Modelos de redes (capítulo 9)

HISTORIA El origen del análisis cuantitativo
muchas organizaciones contratan personal de investigación de opera-

E l análisis cuantitativo ha existido desde el comienzo de la histo-
ria, pero fue Frederick W. Taylor quien a inicios del siglo XX estableció
ciones o de ciencias de la administración, o bien a consultores exter-
nos, para aplicar los principios de la administración científica con la
los principios del enfoque científico para la administración. Durante finalidad de resolver sus problemas y aprovechar sus oportunidades.
la Segunda Guerra Mundial, se desarrollaron muchas nuevas técnicas El origen de muchas de las técnicas descritas en este libro se
científicas y cuantitativas para ayudar a los militares. Estos nuevos de- puede rastrear hasta los individuos y organizaciones que han apli-
sarrollos tuvieron tanto éxito que, después de la Segunda Guerra Mun- cado los principios de la administración científica desarrollados en
dial, muchas empresas comenzaron a usar técnicas similares en la toma primer lugar por Taylor, los cuales se analizan en los recuadros de
de decisiones para la administración y la planeación. En la actualidad, Historia distribuidos a lo largo de todo el libro.
1.4 El enfoque del análisis cuantitativo

La definición del problema puede El enfoque del análisis cuantitativo consiste en definir un problema, desarrollar un modelo, adquirir datos
ser el paso más importante. de entrada, desarrollar una solución, poner a prueba la solución, analizar los resultados y aplicar los resul-
tados (vea la figura 1.1). No es necesario terminar un paso por completo antes de iniciar el siguiente: en la
Concéntrese sólo en pocos
problemas.
mayoría de los casos, uno o más de estos pasos se modificará hasta cierto punto antes de aplicar los resulta-
dos finales. Esto haría que cambien todos los pasos posteriores. En algunos casos, las pruebas a la solución
FIGURA 1.1 podrían revelar que el modelo o los datos de entrada no son correctos, lo cual significaría que tendrían que
El enfoque del análisis modificarse todos los pasos que siguen a la definición del problema.
cuantitativo
Definición del problema
Definición El primer paso en el enfoque cuantitativo es desarrollar un enunciado claro y conciso del problema. Este
del problema enunciado dará sentido y significado a los siguientes pasos.
En muchos casos, la definición del problema es el paso más importante y el más difícil. Es esencial ir
más allá de los síntomas del problema e identificar las verdaderas causas. Un problema puede estar relacio-
Desarrollo de nado con otros problemas; la solución a un problema que no toma en cuenta otros problemas relacionados
un modelo
suele empeorar toda la situación. Por lo tanto, es importante analizar la forma en que la solución a un pro-
blema afectará otros problemas o la situación general.
Adquisición de
Es probable que una organización tenga varios problemas. Sin embargo, es común que un grupo de
datos de entrada análisis cuantitativo no pueda hacer frente a todos los problemas de la organización al mismo tiempo.
Por consiguiente, es recomendable concentrarse sólo en unos cuantos problemas. Para la mayoría de las
empresas, esto significa seleccionar aquellos problemas cuyas soluciones se traducirán en un mayor incre-
Desarrollo de mento de las utilidades o una reducción de los costos para la compañía. La importancia de seleccionar los
una solución problemas correctos que habrán de resolverse no puede pasarse por alto. La experiencia ha demostrado
que la mala definición del problema es una de las principales razones del fracaso de los grupos de ciencias
de la administración, o investigación de operaciones, al tratar de servir eficientemente a sus organizaciones.
Pruebas Cuando el problema es difícil de cuantificar, quizá se requiera el desarrollo de objetivos específicos
a la solución y medibles. Un problema podría ser la prestación inadecuada de servicios de salud en un hospital. Los ob-
jetivos serían aumentar el número de camas, reducir el número promedio de días que un paciente pasa en
el hospital, aumentar la relación del médico con el paciente, etcétera. Sin embargo, cuando se utilicen ob-
Análisis
de resultados
jetivos, siempre debería tenerse en mente el problema real. Es importante evitar la definición de objetivos
específicos y medibles que no resuelvan el problema real.
Implementación Desarrollo de un modelo

de resultados Después de seleccionar el problema que debe analizarse, el siguiente paso es desarrollar un modelo. En
pocas palabras, un modelo es una representación (normalmente matemática) de una situación.
A pesar de que las personas no estén conscientes de ello, la mayor parte ha estado utilizando modelos
a lo largo de su vida. Es posible que hayan desarrollado modelos sobre el comportamiento de las demás per-
sonas. Su modelo podría ser que la amistad se basa en la reciprocidad, es decir, el intercambio de favores. Si
Entre los tipos de modelos están usted necesita un favor, como un pequeño préstamo, el modelo sugeriría que se lo pidiera a un buen amigo.
los modelos físicos, a escala, Desde luego, hay muchos otros tipos de modelos. En ocasiones, los arquitectos hacen un modelo fí-
esquemáticos y matemáticos. sico de un edificio que se va a construir. Los ingenieros desarrollan modelos a escala de las plantas quími-
cas, llamadas plantas piloto. Un modelo esquemático es una imagen, un dibujo o una gráfica que representa
la realidad. Los automóviles, las podadoras de césped, los engranajes, los ventiladores, las máquinas de
escribir y muchos otros dispositivos tienen modelos esquemáticos (dibujos y fotografías) que revelan su

1.4 EL ENFOQUE DEL ANÁLISIS CUANTITATIVO 5
EN ACCIÓN Investigación de operaciones y derrames de petróleo
de medidas adoptadas para minimizar los impactos a largo plazo de

L os investigadores de operaciones y los científicos de las decisiones
han estado investigando estrategias para dar respuesta y mitigar los
un desastre específico, después de que la situación inmediata se haya
estabilizado.
derrames de petróleo, desde mucho antes de que sucediera el de- Muchas de las herramientas cuantitativas han ayudado en las
sastre del derrame petrolero de British Petroleum (BP) en 2010 en el áreas de análisis de riesgo, seguros, preparación logística y gestión
Golfo de México. Ha surgido un sistema de clasificación de cuatro de suministros, planes de evacuación y desarrollo de sistemas de co-
fases para investigar la respuesta a los desastres: mitigación, pre- municación. Investigaciones recientes han demostrado que, si bien se
paración, respuesta y recuperación. La mitigación implica reducir la han logrado muchos avances y descubrimientos, todavía se necesita
probabilidad de que se produzca un desastre y la implementación de bastante investigación. Ciertamente, cada una de las cuatro áreas de
estrategias sólidas con visión de futuro para reducir los efectos de un respuesta a desastres podrían beneficiarse de una investigación adi-
desastre que pudiera ocurrir. La preparación es cualquier esfuerzo de cional, pero la recuperación parece ser motivo de especial preocu-
la organización que se realiza antes de la ocurrencia de un desastre. La pación y tal vez el más prometedor para futuras investigaciones.
respuesta es la ubicación, la distribución y la coordinación general de Fuente: Basado en N. Altay y W. Green. “OR/MS Research in Disaster Opera-
los recursos y procedimientos durante el desastre, que tienen por ob- tions Management”, European Journal of Operational Research 175, 1 (2006):
jetivo preservar la vida y la propiedad. La recuperación es el conjunto 475-493.
funcionamiento. Lo que diferencia el análisis cuantitativo de las demás técnicas es que los modelos utiliza-
dos son matemáticos. Un modelo matemático es un conjunto de relaciones matemáticas. En la mayoría de
los casos, estas relaciones se expresan en forma de ecuaciones y desigualdades, como si estuvieran en un
modelo de hoja de cálculo que realiza sumas, calcula promedios y obtiene desviaciones estándar.
Aunque existe una considerable flexibilidad en el desarrollo de modelos, la mayor parte de los mode-
los presentados en este libro contienen una o más variables y parámetros. Una variable, como su nombre
lo indica, es una magnitud medible que puede variar o está sujeta a cambios. Las variables pueden ser
controlables o incontrolables. Una variable controlable también se denomina una variable de decisión. Un
ejemplo sería el número de artículos de inventario que deben ordenarse. Un parámetro es una cantidad
medible que es inherente al problema. El costo de hacer un pedido de más artículos de inventario es un
ejemplo de un parámetro. En la mayoría de los casos, las variables son cantidades desconocidas, mientras
que los parámetros son cantidades conocidas. Todos los modelos se deberían desarrollar con cuidado. Tie-
nen que ser solucionables, realistas y fáciles de entender y modificar; en tanto que los datos de entrada re-
queridos deben ser obtenibles. El desarrollador de un modelo necesita tener cuidado de incluir los detalles
adecuados para que el modelo sea solucionable y, al mismo tiempo, realista.
Adquisición de datos de entrada

Una vez que se ha desarrollado un modelo, es necesario obtener los datos que se utilizarán en el modelo (da-
tos de entrada). La obtención de datos precisos para el modelo resulta esencial; incluso si el modelo es una
Basura que entra, sale basura representación perfecta de la realidad, los datos inapropiados producirán resultados erróneos o engañosos.
significa que los datos inadecuados Esta situación se denomina basura que entra, sale basura. Para los problemas más grandes, la recolección
darán lugar a resultados erróneos. de datos precisos puede ser uno de los pasos más difíciles en la realización de un análisis cuantitativo.
Existe una variedad de fuentes que se pueden utilizar en la recolección de datos. En algunos casos,
los informes y documentos de la compañía se utilizan para obtener los datos necesarios. Otra fuente con-
siste en entrevistas con los empleados u otras personas relacionadas con la empresa. En ocasiones, estos in-
dividuos ofrecen información excelente y su experiencia y juicio suelen ser muy valiosos. Un supervisor de
producción, por ejemplo, sería capaz de indicar con un alto grado de exactitud la cantidad de tiempo que se
requiere para producir un bien determinado. La toma de muestras y la medición directa proporcionan otras
fuentes de datos para el modelo. Es posible que se requiera conocer cuántas libras de materia prima se uti-
lizan en la producción de un nuevo producto fotoquímico. Esta información puede obtenerse mediante una
visita a la planta, para medir en la realidad la cantidad de materia prima que se utiliza. En otros casos, se
pueden utilizar procedimientos de muestreo estadístico para obtener los datos.
Desarrollo de una solución

El desarrollo de una solución implica la manipulación del modelo para llegar a la mejor solución (la so-
lución óptima) del problema. En algunos casos, esto requiere la resolución de una ecuación para tomar la
mejor decisión posible. En otros casos, es posible utilizar un método de prueba y error, al ensayar distintos
enfoques y elegir aquel que genere la mejor decisión. Para algunos problemas, quizá sea deseable probar
todos los valores posibles de las variables en el modelo para llegar a la mejor decisión. Esto se denomina

enumeración completa. En este libro también se muestra cómo resolver problemas muy difíciles y com-
plejos mediante la repetición de unos cuantos pasos sencillos hasta encontrar la mejor solución. Una serie
de pasos o procedimientos que se repiten se denomina algoritmo, llamado así en honor a Algorismus, un
matemático árabe del siglo ix.
La precisión de una solución depende de la exactitud de los datos de entrada y del modelo. Si los
Los datos de entrada y el modelo datos de entrada tienen una precisión de tan sólo dos cifras significativas, entonces los resultados pueden
determinan la exactitud de la tener una precisión de sólo dos cifras significativas. Por ejemplo, el resultado de dividir 2.6 entre 1.4 de-
solución. bería ser 1.9, y no 1.857142857.
Pruebas a la solución
Antes de analizar los resultados Antes de que una solución pueda analizarse e implementarse, tiene que probarse por completo. Puesto que
es necesario poner a prueba la solución depende de los datos de entrada y del modelo, ambos requieren someterse a prueba.
los datos y el modelo. Las pruebas a los datos de entrada y al modelo incluyen la determinación de la exactitud e integridad
de los datos utilizados en el modelo. Los datos inexactos conducirán a una solución inexacta. Existen
varias maneras de probar los datos de entrada. Un método para someterlos a prueba consiste en recopilar
datos adicionales de una fuente diferente. Si los datos originales se recolectaron a través de entrevistas,
quizá pueden recabarse algunos datos adicionales por medición directa o muestreo. Entonces, los datos
adicionales pueden compararse con los datos originales, y emplear pruebas estadísticas para determinar si
existen diferencias entre los datos originales y los datos adicionales. Si hay diferencias significativas, será
necesario realizar un mayor esfuerzo para obtener datos de entrada exactos. Si los datos resultan exactos
pero los resultados son inconsistentes con el problema, es posible que el modelo no sea el adecuado. El
modelo se puede poner a prueba para asegurarse de que sea lógico y represente la situación real.
Aunque la mayoría de las técnicas cuantitativas estudiadas en este libro se ejecutan en computadora,
es probable que usted deba resolver una variedad de problemas en forma manual. Para ayudarse a detectar
errores tanto lógicos como computacionales, será necesario que compruebe los resultados para asegurarse
de que sean consistentes con la estructura del problema. Por ejemplo, (1.96)(301.7) está cerca de (2)(300),
que es igual a 600. Si sus cálculos son significativamente diferentes de 600, usted sabrá que ha cometido
un error.
Análisis de resultados y análisis de sensibilidad

El análisis de resultados comienza con la determinación de las implicaciones de la solución. En la ma-
yoría de los casos, una solución a un problema dará lugar a algún tipo de acción o cambio de la forma
en que funciona una organización. Las implicaciones de estas acciones o cambios deben determinarse y
analizarse antes de que se implementen los resultados.
Debido a que un modelo es solamente una aproximación a la realidad, la sensibilidad de la solución
ante cambios en los datos de entrada y en el modelo es una parte muy importante del análisis de re-
El análisis de sensibilidad determina sultados. Este tipo de análisis se denomina análisis de sensibilidad o análisis post-óptimo. Determina
la forma en que las soluciones cuánto cambiaría la solución si hubiera cambios en el modelo o en los datos de entrada. Cuando la solu-
cambiarían con un modelo diferente ción es sensible a cambios en los datos de entrada y en la especificación del modelo, es necesario reali-
o con datos de entrada distintos. zar pruebas adicionales para asegurarse de que los datos de entrada y el modelo sean válidos y exactos.
Si el modelo o los datos son erróneos, la solución podría estar equivocada, lo cual daría como resultado
pérdidas financieras o una reducción en las utilidades.
La importancia del análisis de sensibilidad no puede pasarse por alto. Dado que es posible que
los datos de entrada no sean precisos o que los supuestos del modelo no sean totalmente adecuados, el
análisis de sensibilidad puede llegar a ser una parte importante del enfoque del análisis cuantitativo. La
mayoría de los capítulos de este libro cubren el uso del análisis de sensibilidad como parte del proceso
de toma de decisiones y resolución de problemas.
Implementación de resultados
El paso final es implementar los resultados. Este proceso consiste en incorporar la solución dentro de la
compañía. Lo anterior puede ser mucho más difícil de lo que cabría imaginar. Incluso cuando la solución
es óptima y se traduce en millones de dólares en ganancias adicionales, si los gerentes se resisten a dicha
solución nueva, todos los esfuerzos analíticos carecerían de valor. La experiencia ha demostrado que un
gran número de equipos de análisis cuantitativo han fracasado en sus esfuerzos, debido a fallas en la imple-
mentación adecuada de una solución correcta y viable.
Después de haber implementado la solución, ésta debe vigilarse de manera estricta. Con el tiempo,
quizás haya numerosos cambios que requieran modificaciones de la solución original. Una economía
cambiante, la fluctuación de la demanda y mejoras al modelo solicitadas por los gerentes y tomadores
de decisiones son sólo unos cuantos ejemplos de los cambios que podrían requerir una modificación del
análisis.

1.4 EL ENFOQUE DEL ANÁLISIS CUANTITATIVO 7
Compañía ferrocarrilera utiliza modelos

MODELADO EN EL MUNDO REAL de optimización para ahorrar millones
Definición
del problema CSX Transportation, Inc., tiene 35,000 empleados e ingresos anuales de 11 mil millones. Ofrece servicios de
flete ferroviario a 23 estados al este del río Mississippi, así como a partes de Canadá. CSX recibe pedidos
que deben ser entregados mediante el servicio ferroviario y tiene que enviar vagones vacíos hasta la ubica-
ción de los clientes. El traslado de estos vagones vacíos se traduce en el recorrido de cientos de miles de mi-
llas cada día. Si la asignación de vagones a los clientes no se realiza correctamente, pueden surgir problemas
de costos excesivos, desgaste del sistema y congestión tanto en las vías como en los patios de ferrocarril.
Desarrollo Desarrollo de un modelo

de un modelo Con la finalidad de proporcionar un sistema de programación más eficiente, CSX empleó 2 años y 5 mi-
llones para el desarrollo de su sistema dinámico de planeación de vagones (DCP, por las siglas de dynamic
car-planning). Este modelo minimizará los costos, incluyendo la distancia que viajan los vagones, los costos
por el manejo de los vagones en los patios de ferrocarril, el tiempo de traslado y los costos por llegar antes o
después de la hora pactada. El modelo hace esto al mismo tiempo que cumple con todos los pedidos, asegu-
rándose de que el tipo de vagón adecuado se asigne al trabajo correcto y consiguiendo que el vagón llegue
a su destino en el tiempo admisible.
Adquisición de Adquisición de datos de entrada

datos de entrada En el desarrollo del modelo, la compañía utilizó datos históricos para realizar pruebas. Al ejecutar el modelo,
el DCP utiliza tres fuentes externas para obtener información sobre los pedidos de los clientes, los vagones
disponibles del tipo necesario y los estándares de tiempo en tránsito. Además, dos fuentes de entrada inter-
nas proporcionan información sobre las prioridades y preferencias de los clientes y sobre los parámetros de
costo.
Desarrollo de Desarrollo de una solución

una solución Este modelo requiere aproximadamente 1 minuto en cargarse pero sólo 10 segundos en resolverse. Debido
a que la oferta y la demanda están en constante cambio, el modelo se ejecuta aproximadamente cada 15
minutos. Lo anterior permite que las decisiones finales se retrasen hasta que sean absolutamente necesarias.
Pruebas Pruebas a la solución

a la solución El modelo fue validado y verificado a partir de los datos existentes. Las soluciones encontradas utilizando el
DCP resultaron ser muy buenas en comparación con las asignaciones realizadas sin él.
Análisis Análisis de resultados

de resultados Desde la implementación del DCP en 1997, se han ahorrado más de 51 millones anualmente. Debido a la
mejora en su eficiencia, se estima que CSX evitará el gasto de otros 1,400 millones por la compra adicional
de 18,000 vagones, que habrían sido necesarios sin el uso del DCP. Otros beneficios incluyen la reducción de
las congestiones en los patios de ferrocarril y en las vías, que son dos aspectos de suma importancia. El incre-
mento en la eficiencia implica que es posible enviar más carga por ferrocarril que por camión, lo cual da como
resultado beneficios públicos significativos. Estos beneficios incluyen la reducción de la contaminación y de los
gases de efecto invernadero, una mejora de la seguridad en las carreteras y una disminución en los costos de
mantenimiento de las carreteras.
Implementación Implementación de resultados

de resultados Tanto los gerentes de alto nivel que defendieron el DCP, como los expertos en distribución en vagones que
apoyaron el nuevo enfoque, fueron fundamentales para lograr la aceptación del nuevo sistema y superar los
problemas durante la implementación. La descripción del trabajo de los distribuidores en vagones se cambió
de asignadores de vagones a técnicos en costos, quienes son responsables de que se introduzca la informa-
ción precisa de costos al DCP y de gestionar las excepciones que deben realizarse. Recibieron una amplia
capacitación sobre el funcionamiento del DCP para que pudieran comprender y aceptar de mejor manera
el nuevo sistema. Gracias al éxito del DCP, otras organizaciones ferrocarrileras han implementado sistemas
similares y han logrado beneficios similares. CSX continúa mejorando el DCP para hacerlo aún más amigable
con el cliente y mejorar los pronósticos de la entrega del pedido.
Fuente: Basado en M. F. Gorman et al. “CSX Railway Uses OR to Cash in on Optimized Equipment Distribution”, Interfa-
ces 40, 1 (enero-febrero de 2010): 5-16.

Enfoque del análisis cuantitativo y modelado en el mundo real

El enfoque del análisis cuantitativo se utiliza ampliamente en el mundo real. Estos pasos, que se presen-
taron en la figura 1.1 y que se describen en esta sección, son los componentes básicos de cualquier utili-
zación exitosa del análisis cuantitativo. Como se ve en nuestro primer recuadro de Modelado en el mundo
real, los pasos del enfoque del análisis cuantitativo pueden utilizarse para ayudar a una empresa grande,
como CSX, a planear sus necesidades de programación crítica ahora y durante décadas en el futuro. A lo
largo de este libro, verá cómo se utilizan los pasos del enfoque del análisis cuantitativo para ayudar a países
y empresas de todos los tamaños a ahorrar millones de dólares, planear su futuro, aumentar sus ingresos, y
ofrecer productos y servicios de mayor calidad. Los recuadros de Modelado en el mundo real en cada capí-
tulo demostrarán el poder y la importancia de un análisis cuantitativo para la solución de problemas reales
en organizaciones reales. Sin embargo, el seguimiento de los pasos del análisis cuantitativo no garantiza el
éxito. Estas medidas deben aplicarse con cuidado.
1.5 Cómo se desarrolla un modelo de análisis cuantitativo

El desarrollo de un modelo es una parte importante del enfoque del análisis cuantitativo. Ahora veremos
cómo puede usarse el siguiente modelo matemático, que representa la utilidad:
Utilidad = Ingresos - Gastos
Los gastos incluyen los costos fijos En muchos casos, es posible expresar los ingresos como el precio por unidad multiplicado por el nú-
y variables. mero de unidades vendidas. Con frecuencia, los gastos pueden determinarse al sumar los costos fijos y
el costo variable. El costo variable se expresa a menudo como el costo variable por unidad multiplicado
por el número de unidades. Por lo tanto, la utilidad también se puede expresar con el siguiente modelo
matemático:
Utilidad = Ingresos - 1Costo fijo + Costo variable2

Utilidad = 1Precio de venta por unidad2 1Número de unidades vendidas2
- 3 Costo fijo + 1Costo variable por unidad2 1Número de unidades vendidas2 4
Utilidad = sX - 3 f + nX4
Utilidad = sX - f - nX (1-1)
donde
s = precio de venta por unidad
f = costo fijo
n = costo variable por unidad
X = número de unidades vendidas
Los parámetros de este modelo son f, n y s, ya que son las entradas inherentes al modelo. El número de
unidades vendidas (X) es la variable de decisión de interés.
EJEMPLO: PIEZAS DE TIEMPO PRECIOSO DE PRITCHETT Usaremos el ejemplo del taller de repara-
ción de relojes de Bill Pritchett para demostrar el uso de los modelos matemáticos. La compañía de Bill,
Piezas de Tiempo Precioso de Pritchett, compra, vende y repara relojes y piezas de relojería antiguos.
Bill vende resortes reconstruidos por un precio unitario de $8. El costo fijo del equipo para reconstruir
resortes es de $1,000. El costo variable por unidad es de $3 para el material del resorte. En este ejemplo,
s = 8
f = 1,000
n = 3
El número de resortes vendidos es X, y nuestro modelo de utilidad se convierte en
Utilidad = +8X - +1,000 - +3X
Si las ventas son 0, Bill tendrá una pérdida de $1,000. Si las ventas son 1,000 unidades, obtendrá una ga-
nancia de $4,000 ($4,000 = ($8)(1,000) - $1,000 - ($3)(1,000)). Vea si se puede determinar la utilidad
para otros valores de unidades vendidas.

1.5 CÓMO SE DESARROLLA UN MODELO DE ANÁLISIS CUANTITATIVO 9
Además de los modelos de utilidad mostrados aquí, los tomadores de decisiones están interesados en
El BEP resulta en $0 utilidades. el punto de equilibrio (BEP por break-even point), que es el número de unidades vendidas que se tradu-
cirá en $0 utilidades. Si se iguala la utilidad a $0 y se despeja X, el número de unidades del BEP es:
0 = sX - f - nX
Esto se puede escribir como
0 = 1s - n2 X - f
Si despejamos X, resulta
f = 1s - n2 X
f
X =
s - n
Esta cantidad (X) que se traduce en una utilidad de cero es el BEP, y ahora se tiene este modelo para el
BEP:
Costo fijo
BEP =
1Precio de venta por unidad 2 - 1Costo variable por unidad 2
f
BEP = (1-2)
s - n
Para el ejemplo de Piezas de Tiempo Precioso de Pritchett, el BEP se calcula de la siguiente manera:
BEP = +1,000>1+8 - +32 = 200 unidades, o resortes, en el BEP.
Las ventajas del modelado matemático

Existen varias ventajas del uso de modelos matemáticos:
1. Los modelos pueden representar con precisión la realidad. Si se formula adecuadamente, un modelo
puede ser extremadamente preciso. Un modelo válido es aquel que es exacto y representa correc-
tamente el problema o el sistema que se investiga. El modelo de utilidad en el ejemplo es exacto y
válido para muchos problemas de negocios.
2. Los modelos pueden ayudar a un tomador de decisiones a formular problemas. En el modelo de
utilidad, por ejemplo, un tomador de decisiones puede determinar los factores importantes o que con-
tribuyen a los ingresos y gastos, como las ventas, las devoluciones, los gastos de venta, los costos
de producción y los costos de transporte.
3. Los modelos suelen proporcionar comprensión e información. Por ejemplo, al utilizar el modelo de
utilidad de la sección anterior, es posible ver el impacto que los cambios en los ingresos y los gastos
tendrán sobre las utilidades. Como se analizó en la sección anterior, el estudio del impacto de los
cambios en un modelo, como un modelo de utilidad, se llama análisis de sensibilidad.
4. Los modelos pueden ahorrar tiempo y dinero en la toma de decisiones y la resolución de problemas.
Por lo general toma menos tiempo, esfuerzo y gastos analizar un modelo. Un modelo de utilidad
puede utilizarse para analizar el impacto de una nueva campaña de marketing en las utilidades, los
ingresos y los gastos. En la mayoría de los casos, el uso de modelos es más rápido y menos costoso
que realmente probar una nueva campaña de marketing en un entorno empresarial real y observar los
resultados.
5. Un modelo puede ser la única manera de resolver algunos problemas grandes o complejos en el
momento oportuno. Una gran empresa, por ejemplo, puede producir literalmente miles de tamaños
de tuercas, tornillos y elementos de fijación. Es posible que la empresa quiera obtener las mayores
ganancias posibles dadas sus limitaciones de fabricación. Un modelo matemático puede ser la única
manera de determinar las ganancias más altas que puede lograr la empresa en tales circunstancias.
6. Un modelo sirve para comunicar problemas y soluciones a los demás. Un analista de decisiones
puede compartir su trabajo con otros analistas. Las soluciones a un modelo matemático son utiliza-
das por los gerentes y ejecutivos para tomar las decisiones finales.
Modelos matemáticos clasificados según su riesgo

Algunos modelos matemáticos, como los modelos de utilidad y de punto de equilibrio analizados previa-
Determinista significa con seguridad mente, no implican un riesgo o una posibilidad. Se supone que conocemos todos los valores utilizados en
completa. el modelo con toda seguridad. Éstos son los llamados modelos deterministas. Por ejemplo, es posible que

una compañía desee reducir al mínimo los costos de fabricación mientras mantiene un cierto nivel de cali-
dad. Si conocemos todos estos valores con certeza, el modelo es determinista.
Otros modelos implican riesgo o posibilidad. Por ejemplo, el mercado de un nuevo producto podría
ser “bueno” con una posibilidad de 60% (una probabilidad de 0.6), o “no ser bueno” con una posibilidad de
40% (una probabilidad de 0.4). Los modelos que implican la posibilidad o el riesgo, con frecuencia medi-
dos como un valor de probabilidad, se denominan modelos probabilísticos. En este libro se investigarán
tanto los modelos deterministas como los probabilísticos.
1.6 El papel de las computadoras y los modelos de hoja de cálculo

en el enfoque del análisis cuantitativo
El desarrollo de una solución, la puesta a prueba de la solución y el análisis de los resultados son pasos
importantes en el enfoque del análisis cuantitativo. Debido a que se utilizarán modelos matemáticos, estos
pasos requieren cálculos matemáticos. Para realizarlos se puede usar Excel 2013 y, en ciertos capítulos,
se mostrarán algunas hojas de cálculo desarrolladas en Excel. Sin embargo, varias de las técnicas que se
presentan en este libro requieren hojas de cálculo sofisticadas y su desarrollo resulta bastante tedioso. Por
fortuna, hay dos programas de software disponibles en el sitio web, complementarios a este libro, que faci-
litan el proceso en gran medida:
1. POM-QM para Windows es un programa de fácil uso que sirve de apoyo en la toma de decisiones,
el cual fue desarrollado para cursos de administración de operaciones/producción (POM) y méto-
dos cuantitativos (QM). En un inicio, POM para Windows y QM para Windows eran paquetes de
software independientes para cada tipo de curso. Ahora, están combinados en un programa llamado
POM-QM para Windows. Como se ve en el programa 1.1, es posible visualizar todos los módu-
los, sólo los módulos de POM o sólo los módulos de QM. Por lo general, las imágenes de este
libro muestran únicamente los módulos de QM. Por lo tanto, casi siempre se hará referencia a QM
para Windows. En el apéndice E, al final del libro, se ofrece más información acerca de QM para
Windows.
Con la finalidad de utilizar QM para Windows para resolver el problema de punto de equili-
brio presentado anteriormente, en el menú desplegable Module seleccione Breakeven/Cost-Volume
Analysis. Después, seleccione New Breakeven Analysis para introducir el problema. Cuando se abra
la ventana, escriba un nombre para el problema y seleccione OK. Al hacer esto, verá la pantalla que
se muestra en el programa 1.2A. La solución se ilustra en el programa 1.2B. Observe el resultado
adicional disponible en el menú desplegable de la ventana.
PROGRAMA 1.1
Menú principal de QM
para Windows
Seleccione un módulo
del menú desplegable.
Para ver los módulos relevan-

tes para este libro, seleccione
Display QM Modules.

1.6 EL PAPEL DE LAS COMPUTADORAS Y LOS MODELOS DE HOJA DE CÁLCULO EN EL ENFOQUE DEL ANÁLISIS CUANTITATIVO 11
PROGRAMA 1.2A
Introducción de los datos
para el ejemplo de Piezas
de Tiempo Precioso de
Haga clic en Solve (Solver)
Pritchett en QM para para ejecutar el programa.
Windows
Introduzca los datos.
PROGRAMA 1.2B
Hay resultados adicionales
Pantalla de solución
disponibles en el menú Window.
de QM para Windows
para el ejemplo de Piezas
de Tiempo Precioso de
Pritchett
Los archivos para los ejemplos resueltos con QM para Windows a lo largo del libro pueden des-
cargarse desde la página web complementaria. En estos archivos puede observarse cómo se ingresan
los datos para los diferentes módulos de QM para Windows.
2. También es posible utilizar Excel QM, un suplemento de Excel, para realizar los cálculos matemáti-
cos de las técnicas descritas en cada capítulo. Cuando se instala en Excel 2013, Excel QM aparecerá
como una pestaña en la barra superior. Desde esa pestaña, se puede seleccionar el modelo apropiado
de un menú como el mostrado en el programa 1.3. El apéndice F presenta más información al res-
pecto. Los archivos de Excel con los problemas de ejemplo mostrados pueden descargarse desde la
página web complementaria.
Para utilizar Excel QM en Excel 2013 con la finalidad de resolver el problema de punto de
equilibrio presentado anteriormente, desde el menú Alphabetical (Alfabético) (vea el programa 1.3)
seleccione Breakeven Analysis (Análisis del punto de equilibrio). Al hacer esto, se prepara una hoja
de trabajo de manera automática y el usuario simplemente introduce el costo fijo, el costo variable y
los ingresos (precio de venta por unidad) como se indica en el programa 1.4. La solución se calcula
después de haber introducido todos los datos.
Excel 2013 contiene algunas funciones, características especiales, fórmulas y herramientas que
ayudan a algunas de las preguntas que pueden plantearse en el análisis de un problema de negocios.
Una de estas características, Goal Seek (Buscar objetivo), se muestra en el programa 1.5 aplicada
al ejemplo de punto de equilibrio. Excel 2013 también cuenta con algunos suplementos que deben
activarse antes de utilizarlos por primera vez. Entre éstos se encuentran Data Analysis (Análisis de
datos) y Solver, que se estudiarán en capítulos posteriores.

PROGRAMA 1.3
Excel QM en la barra de herramientas de Excel 2013 y menú de técnicas
Seleccione la pestaña
de Excel QM.
Seleccione el menú Alphabetical

(Alfabético) para ver las técnicas.
PROGRAMA 1.4
Introducción de los datos para el ejemplo de Piezas de Tiempo Precioso de Pritchett
en Excel QM dentro de Excel 2013
Los datos del problema

se introducen aquí.
Los resultados se
muestran aquí.

1.7 PROBLEMAS POTENCIALES EN EL ENFOQUE DEL ANÁLISIS CUANTITATIVO 13
PROGRAMA 1.5
Uso de Goal Seek (Búsqueda de objetivos) en el problema de punto de equilibrio
para lograr una utilidad específica
En la pestaña de datos, seleccione What-if Analysis. En el menú

desplegable, seleccione Goal Seek.
Si el objetivo es una utilidad de $175 (B23), y

esto se obtiene al cambiar el volumen (B13),
las entradas a la ventana Goal Seek son éstas.
Investigación de operaciones de grandes

EN ACCIÓN ligas en el Departamento de Agricultura
en Pittsburgh y era un ávido aficionado de los Piratas de Pittsburgh.

E n 1997, los Piratas de Pittsburgh firmaron a Ross Ohlendorf por
su bola curva rápida de 95 mph. No tenían idea de que Ross poseía
Ross pasó 2 meses del siguiente receso de temporada utilizando su
formación académica en investigación de operaciones, ayudando al
habilidades en investigación de operaciones que también eran dignas Departamento de Agricultura a seguir el rastro de las enfermedades
de mérito nacional. Ross Ohlendorf se había graduado de Princeton del ganado, un tema al que Ross tiene un interés personal dado que
University con un promedio de 3.8 en investigación de operaciones e su familia posee un rancho ganadero en Texas. Además, cuando ABC
ingeniería financiera. News preguntó a Ross acerca de su experiencia de pasantía en el re-
De hecho, después de la temporada de béisbol de 2009, cuando ceso de temporada del béisbol, respondió: “Yo diría que éste ha sido
Ross solicitó una pasantía no remunerada de 8 semanas en el Departa- el receso de temporada más emocionante que he tenido”.
mento de Agricultura de Estados Unidos, no necesitó mencionar a su
empleador de tiempo completo, debido a que el secretario del Depar- Fuente: Rick Klein, “Ross Ohlendorf: From Major League Pitcher to Unpaid
tamento de Agricultura en ese momento, Tom Vilsack, nació y creció Intern”, ABCnews.go.com, 15 de diciembre de 2009.
1.7 Problemas potenciales en el enfoque del análisis cuantitativo

Hemos presentado el enfoque del análisis cuantitativo como un medio lógico y sistemático de abordar
los problemas de toma de decisiones. Incluso cuando estos pasos se siguen cuidadosamente, hay muchas
dificultades que pueden dañar las posibilidades de implementación de las soluciones a los problemas del
mundo real. Ahora daremos un vistazo a lo que puede suceder durante cada uno de los pasos.

Una visión de los tomadores de decisiones es que se sientan en un escritorio todo el día, esperando hasta
que surge un problema y, luego, se levantan y atienden el problema hasta que se resuelve. Una vez que se
resuelve, se sientan, se relajan y esperan a que se presente el próximo gran problema. Por desgracia, en el

mundo de los negocios, el gobierno y la educación, los problemas no se identifican fácilmente. Hay cuatro
posibles obstáculos que los analistas cuantitativos enfrentan al momento de definir un problema. Como
ejemplo, en toda esta sección se usará una aplicación de análisis de inventarios.
Antes de definir formalmente el PUNTOS DE VISTA CONFLICTIVOS La primera dificultad es que, con frecuencia, los analistas cuantita-
problema, es necesario tomar en tivos deben tomar en cuenta puntos de vista en conflicto para la definición del problema. Por ejemplo, hay
cuenta todos los puntos de vista. por lo menos dos puntos de vista que los administradores adoptan al tratar con problemas de inventario. Los
gerentes financieros, por lo general, sienten que el inventario es demasiado alto, ya que el inventario repre-
senta dinero en efectivo que no está disponible para otras inversiones. Los gerentes de ventas, por el contra-
rio, suelen pensar que el inventario es demasiado bajo, pues podrían requerirse altos niveles de inventario
para satisfacer algún pedido inesperado. Si los analistas adoptan cualquiera de estas afirmaciones como la
definición del problema, aceptando en esencia la percepción de un gerente, esperarían la resistencia del otro
gerente cuando se llegue a la “solución”. Así que es importante tener en cuenta ambos puntos de vista antes
de plantear el problema. Los buenos modelos matemáticos deberían incluir toda la información pertinente.
Como veremos en el capítulo 6, en los modelos de inventario se incluyen ambos factores.
IMPACTO EN OTROS DEPARTAMENTOS La siguiente dificultad es que los problemas no existen de

manera aislada y no son propiedad de un solo departamento de una compañía. El inventario está estrecha-
mente vinculado con los flujos de efectivo y varios problemas de producción. Un cambio en la política
de pedidos puede dañar seriamente los flujos de efectivo y alterar los programas de producción, hasta
el punto en que el ahorro en el inventario se vea superado por el aumento en los costos financieros y de
producción. Así pues, el planteamiento del problema debe ser tan amplio como sea posible e incluir aporta-
ciones de todos los departamentos que tengan un interés en la solución. Cuando se encuentre una solución,
es necesario identificar los beneficios para todas las áreas de la organización y comunicarlos a las personas
involucradas.
SUPUESTOS DE INICIO La tercera dificultad es que las personas tienen una tendencia a establecer los
problemas en términos de las soluciones. La afirmación de que el inventario es demasiado bajo implica una
solución de que los niveles de inventario tienen que elevarse. Es muy probable que el analista cuantitativo
que inicie con este supuesto, de hecho, encuentre que el inventario debería incrementarse. Desde el punto
de vista de la implementación, una solución “buena” para el problema correcto es mucho mejor que una
Una solución óptima al problema solución “óptima” para el problema incorrecto. Si un problema se define en términos de una solución de-
incorrecto deja sin resolver el seada, el analista cuantitativo debe hacer preguntas acerca de por qué se desea esta solución. Al investigar
verdadero problema. de manera más profunda, el verdadero problema saldrá a la superficie y podrá definirse de forma correcta.
SOLUCIÓN OBSOLETA Incluso con el mejor de los enunciados del problema, existe un cuarto peligro.
El problema puede cambiar mientras se desarrolla el modelo. En nuestro entorno empresarial en rápida
evolución, no es raro que los problemas aparezcan o desaparezcan prácticamente de la noche a la mañana.
No se puede esperar que el analista que presenta una solución a un problema que ya no existe proporcione
alguna ayuda oportuna. Sin embargo, uno de los beneficios de los modelos matemáticos es que, una vez
que el modelo original se ha desarrollado, puede usarse una y otra vez cuando surjan problemas similares.
Esto permite encontrar fácilmente una solución de manera oportuna.
Desarrollo de un modelo
AJUSTE DE LOS MODELOS TEÓRICOS Un problema en el desarrollo de modelos cuantitativos es que
la percepción de un problema que tienen los administradores no siempre coincidirá con el enfoque teó-
rico. La mayoría de los modelos de inventario implican minimizar los costos totales de mantener inventa-
rios y de atender pedidos. Algunos gerentes consideran estos costos como poco importantes; en cambio,
ven el problema en términos del flujo de caja, la facturación y los niveles de satisfacción del cliente. Es
probable que los resultados de un modelo basado en los costos de mantener inventarios y atender pedidos
no sean aceptables para estos administradores. Por ello, el analista debe entender por completo el mo-
delo y no sólo usar la computadora como una “caja negra” donde se introducen los datos de entrada y se
obtienen los resultados sin comprender el proceso. El analista que entiende el proceso puede explicar al
gerente la manera en que el modelo toma en cuenta estos otros factores al estimar los diferentes tipos de
costos de inventario. Si existen otros factores que también son importantes, el analista puede considerar-
los y usar el análisis de sensibilidad y su buen juicio para modificar la solución obtenida por computadora
antes de su implementación.
COMPRENSIÓN DEL MODELO Una segunda preocupación importante implica un balance entre la com-
plejidad del modelo y la facilidad de comprensión. Los administradores simplemente no utilizarán los

1.7 PROBLEMAS POTENCIALES EN EL ENFOQUE DEL ANÁLISIS CUANTITATIVO 15
resultados de un modelo que no entienden. Sin embargo, los problemas complejos requieren modelos com-
plejos. Una alternativa consiste en simplificar los supuestos con la finalidad de hacer que el modelo sea más
fácil de entender. El modelo pierde parte de su realidad, pero gana cierta aceptación por parte de la gerencia.
Un supuesto simplificador en el modelado de inventarios es que la demanda se conoce y es constante,
lo cual significa que no se requieren distribuciones de probabilidad y permite construir modelos sencillos
y fáciles de entender. Sin embargo, es poco común que la demanda sea conocida y constante, por lo que el
modelo construido de esta forma carece de algo de realidad. La introducción de distribuciones de probabi-
lidad proporciona más realismo, pero quizá complique la comprensión del modelo, excepto para los geren-
tes con más conocimientos matemáticos. Un enfoque que puede utilizar el analista cuantitativo es iniciar
con el modelo sencillo y asegurarse de que está completamente entendido. Después, pueden introducirse
lentamente los modelos más complejos a medida que los administradores obtienen más confianza en el uso
del nuevo enfoque. Explicar el impacto de los modelos más avanzados (por ejemplo, la conservación de
inventarios extra llamados inventarios de seguridad) sin entrar en los detalles matemáticos completos suele
resultar útil. Los administradores pueden comprender e identificarse con este concepto, incluso sin enten-
der por completo las matemáticas específicas utilizadas para encontrar el tamaño apropiado del inventa-
rio de seguridad.

En general, la recopilación de los datos que se utilizarán en el enfoque cuantitativo para la resolución de
problemas no es una tarea sencilla. Una quinta parte de todas las compañías incluidas en un estudio re-
ciente tuvo dificultades con el acceso a datos.
La obtención de datos de entrada USO DE DATOS CONTABLES Un problema es que la mayoría de los datos generados en una empresa
precisos puede ser muy difícil. provienen de los informes contables básicos. Por ejemplo, el departamento de contabilidad recaba sus
datos de inventario en términos de flujos de caja y volumen de negocios. Pero los analistas cuantitativos
que abordan un problema de inventario deben recopilar datos sobre los costos de mantener inventarios y
atender los pedidos. Si solicitan esos datos, es posible que se sorprendan al ver que simplemente nunca se
han recopilado datos o cifras para tales costos específicos.
El profesor Gene Woolsey cuenta una historia de un analista cuantitativo joven enviado a contabilidad
para obtener “el costo de mantener inventarios por artículo, por día, de la pieza 23456/AZ”. El contador
le preguntó al joven si quería la cifra primero en entrar primero en salir, la cifra último en entrar primero
en salir, la cifra menor entre el costo y el mercado, o la cifra “cómo se hace”. El joven respondió que el
modelo de inventarios requiere sólo un número. El contador ubicado en el escritorio contiguo exclamó:
“Caray, Joe, dale al muchacho un número”. El joven recibió un número y se marchó.
VALIDEZ DE LOS DATOS La carencia de “datos buenos y limpios” implica que, cualesquiera que sean
los datos disponibles, a menudo deben filtrarse y manipularse (esto se denomina “endulzar”), antes de uti-
lizarlos en un modelo. Por desgracia la validez de los resultados de un modelo no es mejor que la validez
de los datos que se introducen en él. No se puede culpar a un administrador por resistirse a los resultados
“científicos” de un modelo cuando sabe que se han utilizado datos cuestionables como insumo. Esto pone
de relieve la importancia de que el analista comprenda las otras funciones de la empresa, con la finali-
dad de que logre encontrar y evaluar datos útiles. También hace hincapié en la importancia del análisis de
sensibilidad, que se utiliza para determinar el impacto de cambios menores en los datos de entrada. Algu-
nas soluciones son muy robustas y no cambiarían en absoluto con determinados cambios en los datos de
entrada.

Las matemáticas difíciles de entender MATEMÁTICAS DIFÍCILES DE ENTENDER La primera preocupación en el desarrollo de soluciones es
y las respuestas únicas pueden ser que, aunque los modelos matemáticos utilizados pueden ser complejos y de gran alcance, es posible que
un problema en el desarrollo de una no se entiendan por completo. Las soluciones sofisticadas a los problemas pueden tener una lógica o unos
solución. datos erróneos. El aura de las matemáticas puede hacer que los administradores permanezcan en silen-
cio cuando deberían ser críticos. El conocido investigador de operaciones C. W. Churchman advierte que
“dado que las matemáticas ha sido una disciplina muy venerada en los años recientes, tiende a adormecer a
los incautos haciéndoles creer que quien piensa elaboradamente piensa bien”.1
LAS RESPUESTAS ÚNICAS SON LIMITANTES El segundo problema es que los modelos cuantitativos
suelen dar sólo una respuesta a un problema. A la mayoría de los administradores les gustaría tener una
1
C. W. Churchman. “Relativity Models in the Social Sciences”, Interfaces 4, 1 (noviembre de 1973).

gama de opciones, en vez de enfrentar una situación del tipo “tómelo o déjelo”. Una estrategia más ade-
cuada para un analista consiste en presentar una serie de opciones, indicando el efecto que cada solución
tiene sobre la función objetivo. Esto da a los administradores opciones, así como información sobre cuánto
les costará desviarse de la solución óptima. También permite ver los problemas desde una perspectiva más
amplia, dado que es posible considerar los factores no cuantitativos.
Con frecuencia, los resultados del análisis cuantitativo toman la forma de predicciones de cómo van a fun-
cionar las cosas en el futuro si ciertos cambios se realizan ahora. Para obtener una vista previa de qué tan
bien funcionarán las soluciones realmente, es común preguntar a los administradores qué tan bien luce la
solución para ellos. El problema es que los modelos complejos tienden a dar soluciones que no son obvias
de una manera intuitiva. Estas soluciones tienden a ser rechazados por los administradores. El analista
cuantitativo tiene ahora la oportunidad de trabajar con el modelo y los supuestos junto con el administrador
en un esfuerzo por convencerlo de la validez de los resultados. En el proceso de convencer al administra-
Los supuestos deberían revisarse. dor, el analista tendrá que revisar cada supuesto que introdujo al modelo. Si hay errores, pueden revelarse
durante esta revisión. Además, el administrador observará de forma crítica todo lo que ocurra en el modelo,
y si queda convencido de que el modelo es válido, hay una buena probabilidad de que los resultados de la
solución también sean válidos.
Análisis de los resultados

Una vez que una solución se ha probado, los resultados tienen que analizarse en cuanto a cómo afecta-
rán a toda la organización. El analista debe estar consciente de que, incluso los cambios pequeños en las
organizaciones, suelen ser difíciles de lograr. Si los resultados indican grandes cambios en la política de
la organización, el analista cuantitativo puede esperar resistencia. Al examinar los resultados, el analista
tendrá que determinar quién debe cambiar y en qué medida, si las personas que deben cambiar mejorarán o
empeorarán, y quién tiene el poder de dirigir el cambio.
EN ACCIÓN PLATO ayuda a los Juegos Olímpicos de 2004 en Atenas
L os Juegos Olímpicos de 2004 se celebraron en Atenas, Grecia,

en un periodo de 16 días. Más de 2,000 atletas compitieron en 300
Técnica Avanzada (PLATO por Process Logistics Advanced Technical
Optimization). Se utilizaron técnicas innovadoras de ciencias de la
administración, ingeniería de sistemas y tecnologías de la informa-
eventos de 28 deportes. Los eventos se llevaron a cabo en 36 sedes ción para cambiar la planeación, el diseño y las operaciones de las
diferentes (estadios, centros de competencia, etcétera), y se vendie- distintas sedes.
ron 3.6 millones de entradas a personas que deseaban observar tales Los objetivos del PLATO fueron: 1. facilitar la transformación
competencias. Además, 2,500 miembros de los comités internacio- efectiva de la organización; 2. ayudar a planear y gestionar los re-
nales y 22,000 periodistas y cronistas asistieron a los juegos. Los es- cursos de manera rentable, y 3. documentar las lecciones aprendi-
pectadores en sus casas pasaron más de 34 mil millones de horas das para el beneficio de los futuros comités olímpicos. El proyecto
viendo estos eventos deportivos. Los Juegos Olímpicos de 2004 fue- PLATO desarrolló modelos de procesos de negocios para los distintos
ron el mayor evento deportivo en la historia del mundo hasta ese sitios de competencia, elaboró modelos de simulación que permitían
momento. la generación de escenarios hipotéticos, desarrolló un software para
Además de las instalaciones deportivas, debieron considerarse ayudar en la creación y gestión de estos modelos, y creó los pa-
otros lugares que no estaban directamente involucrados con las com- sos del proceso para capacitar al personal del ATHOC en el uso de
petencias, como el aeropuerto y la villa olímpica. Unos Juegos Olímpi- los modelos. Se desarrollaron soluciones genéricas para que este co-
cos exitosos requieren una gran planeación del sistema de transporte nocimiento y estos métodos pudieran ponerse a disposición de otros
que se encargará de trasladar a los millones de espectadores. Se ne- usuarios.
cesitan tres años de trabajo y planeación para los 16 días de Juegos PLATO recibió el crédito por reducir el costo de los Juegos Olím-
Olímpicos. picos de 2004 en más de $69 millones. Quizá más importante sea el
El Comité Organizador de los Juegos Olímpicos de Atenas hecho de que los juegos de Atenas fueron considerados universal-
(ATHOC por Athens Olympic Games Organizing Committee) tuvo mente como un éxito rotundo. Se espera que el aumento resultante
que planear, diseñar y coordinar los sistemas que serían entrega- en el turismo genere a Grecia un beneficio económico futuro duran-
dos por contratistas externos. Después, el personal del ATHOC se te muchos años.
encargaría de manejar los esfuerzos de los voluntarios y el perso-
nal remunerado durante las operaciones de los juegos. Para hacer Fuente: Basado en D. A. Beis et al. PLATO Helps Athens Win Gold: Olympic
que los Juegos Olímpicos de Atenas se realizaran con eficiencia y Games Knowledge Modeling for Organizational Change and Resource Mana-
eficacia, se inició el proyecto de Proceso Logístico de Optimización gement”, Interfaces 36, 1 (enero-febrero de 2006): 26-42.

RESUMEN 17
1.8 La implementación no es solamente el paso final

Acabamos de presentar algunos de los muchos problemas que pueden afectar la aceptación definitiva del
enfoque del análisis cuantitativo y el uso de sus modelos. Debería quedar claro ahora que la implemen-
tación no es tan sólo otro paso que ocurre después de que termina el proceso de modelado. Cada uno
de estos pasos afecta enormemente las posibilidades de implementación de los resultados de un estudio
cuantitativo.
Falta de compromiso y resistencia al cambio

A pesar de que muchas decisiones de negocios pueden tomarse de manera intuitiva, con base en corazo-
nadas y en la experiencia, hay cada vez más situaciones donde los modelos cuantitativos pueden ayudar.
Sin embargo, algunos administradores temen que el uso de un proceso de análisis formal reduzca su poder
de toma de decisiones. Otros temen que logre exponer algunas decisiones intuitivas previas como inade-
cuadas. Otros más simplemente se sienten incómodos por tener que revertir sus patrones de pensamiento
en la toma de decisiones formal. Estos administradores suelen manifestarse en contra del uso de métodos
cuantitativos.
A muchos administradores orientados a la acción no les gusta el largo proceso de toma de decisiones
formal y prefieren hacer las cosas rápidamente. Anteponen técnicas “rápidas y sucias” que puedan dar re-
sultados inmediatos. Una vez que los administradores ven algunos resultados del AC que tienen un benefi-
cio significativo, el escenario está listo para convencerlos de que el análisis cuantitativo es una herramienta
recomendable.
El apoyo de la gerencia y el Hemos sabido desde hace tiempo que el apoyo de la administración y la participación de los usuarios
involucramiento del usuario son fundamentales para la implementación exitosa de proyectos de análisis cuantitativo. Un estudio sueco
son importantes. encontró que sólo 40% de los proyectos sugeridos por analistas cuantitativos se llevaron a cabo. Pero sí se
implementaron 70% de los proyectos cuantitativos iniciados por usuarios y 98% de los proyectos sugeridos
por la alta gerencia.
Falta de compromiso de los analistas cuantitativos

Del mismo modo que las actitudes de los administradores son responsables de algunos problemas de im-
plementación, las actitudes de los analistas son culpables de otros. Cuando el analista cuantitativo no for-
ma una parte integral del departamento que enfrenta el problema, suele tratar la actividad de modelado
como un fin en sí mismo. Es decir, el analista acepta el problema según lo declarado por el gerente y cons-
truye un modelo para resolver únicamente ese problema. Cuando se calculan los resultados, da palmadas a
la espalda del gerente y considera que el trabajo está hecho. El analista al que no le importa si estos resul-
tados ayudan a tomar la decisión final no está preocupado por su implementación.
La implementación exitosa requiere que el analista no diga a los usuarios qué deben hacer, sino traba-
jar con ellos y tomar en cuenta sus apreciaciones. Un artículo publicado en Operations Research describe
un sistema de control de inventarios que calcula puntos de pedidos nuevos y cantidades de pedidos. Pero en
lugar de insistir en que las cantidades por ordenar calculadas se apliquen, instaló una función de anulación
manual. Esto permitió a los usuarios ignorar las cifras calculadas y sustituirlas por las suyas. Cuando el sis-
tema se instaló por primera vez, la anulación se utilizó muy a menudo. Sin embargo, poco a poco, cuando
los usuarios se dieron cuenta de que las cifras calculadas solían ser acertadas, se apoyaron más en las cifras
del sistema. Finalmente, la función de anulación se utiliza sólo en circunstancias especiales. Éste es un
buen ejemplo de cómo las buenas relaciones pueden ayudar a la implementación del modelo.
Resumen
El análisis cuantitativo es un enfoque científico para la toma de de- supuestos de inicio, las soluciones obsoletas, el ajuste de los modelos
cisiones. El enfoque del análisis cuantitativo incluye la definición teóricos, la comprensión del modelo, la adquisición de buenos da-
de un problema, el desarrollo de un modelo, la adquisición de datos de tos de entrada, las matemáticas difíciles de entender, la obtención de
entrada, el desarrollo de una solución, la puesta a prueba de la solu- una sola respuesta, las pruebas a la solución y el análisis de resulta-
ción, el análisis de resultados y la implementación de resultados. Sin dos. Al utilizar el enfoque del análisis cuantitativo, la implementación
embargo, al utilizar el enfoque cuantitativo, puede haber problemas no sólo es el paso final. Es posible que haya falta de compromiso con
potenciales, incluyendo los puntos de vista en conflicto, el impacto el enfoque y resistencia al cambio.
de los modelos de análisis cuantitativo en otros departamentos, los

Glosario
Algoritmo Un conjunto de operaciones lógicas y matemáticas rea- Datos de entrada Los datos que se utilizan en un modelo para lle-
lizadas en una secuencia específica. gar a la solución final.
Análisis cuantitativo o ciencias de la administración Un enfoque Modelo Una representación de la realidad o de una situación de la
científico que utiliza técnicas cuantitativas como herramienta para vida real.
la toma de decisiones. Modelo determinista Un modelo donde todos los valores utiliza-
Análisis de negocios Un enfoque basado en datos para la toma dos en él se conocen con toda seguridad.
de decisiones que permite a las empresas tomar las mejores Modelo matemático Un modelo que utiliza ecuaciones y enuncia-
decisiones. dos matemáticos para representar las relaciones dentro de él.
Análisis de sensibilidad Un proceso que consiste en determinar el Modelo probabilístico Un modelo en el que todos los valores uti-
grado de sensibilidad que tiene una solución a los cambios en la lizados no se conocen con certeza, sino que implican algún azar o
formulación de un problema. posibilidad, y que suelen medirse como un valor de probabilidad.
Análisis descriptivo El estudio y la consolidación de datos histó- Parámetro Una cantidad de entrada medible que es inherente a un
ricos para describir la forma en que una empresa se ha desempe- problema.
ñado en el pasado y cómo lo está haciendo ahora. Problema Un enunciado proveniente de un administrador que
Análisis predictivo El uso de técnicas para pronosticar cómo se- indica un problema a resolver, o un objetivo o una meta por
rán las cosas en el futuro con base en patrones de los datos del alcanzar.
pasado. Punto de equilibrio La cantidad de ventas que se traduce en una
Análisis prescriptivo El uso de métodos de optimización para utilidad cero.
proporcionar nuevas y mejores formas de operar con base en obje- Variable Una cantidad medible que está sujeta a cambios.
tivos de negocio específicos.
Ecuaciones clave
(1-1) Utilidad = sX - f - nX f
(1-2) BEP =
s - n
donde
Una ecuación para determinar el punto de equilibrio (BEP) en
s = precio de venta por unidad unidades, en función del precio de venta por unidad (s), los
f = costo fijo costos fijos ( f ) y los costos variables (n).
n = costo variable por unidad
X = número de unidades vendidas

Una ecuación para determinar la utilidad en función del precio
de venta por unidad, los costos fijos, los costos variables y el
número de unidades vendidas.
Autoevaluación
● Antes de realizar la autoevaluación, consulte los objetivos de aprendizaje al comienzo del capítulo, las notas en los márgenes y el glosario
● Consulte las soluciones de la parte final del libro para corregir sus respuestas.
● Vuelva a estudiar las páginas que correspondan a todas las preguntas que respondió incorrectamente o al material del que no se sienta
seguro.
1. Al analizar un problema, normalmente usted debería estudiar 3. Frederick Winslow Taylor

a. los aspectos cualitativos. a. fue un investigador militar durante la Segunda Guerra Mundial.
b. los aspectos cuantitativos. b. fue pionero en los principios de la administración científica.
c. tanto a como b. c. desarrolló el uso del algoritmo para el AC.
d. ni a ni b. d. todo lo anterior.
2. El análisis cuantitativo es 4. Una entrada (como el costo variable por unidad o el costo fijo)
a. un enfoque lógico para la toma de decisiones. de un modelo es un ejemplo de
b. un enfoque racional para la toma de decisiones. a. una variable de decisión.
c. un enfoque científico para la toma de decisiones. b. un parámetro.
d. todo lo anterior. c. un algoritmo.
d. una variable estocástica.

PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 19
5. El punto donde el ingreso total es igual al costo total (lo que 9. El término algoritmo
significa utilidad cero) se llama a. fue creado en honor a Algorismus.
a. solución de utilidad cero. b. fue creado en honor a un matemático árabe del siglo ix.
b. solución de utilidad óptima. c. describe una serie de pasos o procedimientos que se repiten.
c. punto de equilibrio. d. todo lo anterior.
d. solución de costo fijo. 10. Un análisis para determinar cuánto cambiaría una solución si
6. Por lo general, el análisis cuantitativo se asocia con el uso de hubiera cambios en el modelo o los datos de entrada se llama
a. modelos esquemáticos. a. análisis de sensibilidad o post-óptimo.
b. modelos físicos. b. análisis esquemático o icónico.
c. modelos matemáticos. c. condicionamiento futuro.
d. modelos a escala. d. tanto b como c.
7. ¿Cuál es el paso del enfoque del análisis cuantitativo con el que 11. Las variables de decisión son
se asocia con frecuencia el análisis de sensibilidad? a. controlables.
a. definición del problema b. incontrolables.
b. adquisición de datos de entrada c. parámetros.
c. implementación de resultados d. valores numéricos constantes asociados con cualquier pro-
d. análisis de resultados blema complejo.
8. Un modelo determinista es aquel en el cual 12. ¿Cuál de las siguientes categorías del análisis de negocios
a. existe cierta incertidumbre acerca de los parámetros utiliza- implica el uso de modelos de optimización?
dos en el modelo. a. descriptiva
b. hay un resultado medible. b. predictiva
c. todos los parámetros utilizados en el modelo se conocen con c. prescriptiva
certeza completa. d. ninguna de las anteriores
d. no hay software disponible.
Preguntas para análisis y problemas

Preguntas para análisis 1-11 ¿Por qué cree usted que a muchos analistas cuantitativos
no les gusta participar en el proceso de implementación?
1-1 ¿Cuál es la diferencia entre el análisis cuantitativo y el
¿Qué podría hacerse para cambiar esta actitud?
cualitativo? Dé varios ejemplos.
1-12 ¿Deberían las personas que van a utilizar los resultados
1-2 Defina el análisis cuantitativo. ¿Cuáles son algunas orga-
de un nuevo modelo cuantitativo involucrarse en los as-
nizaciones que apoyan el uso del método científico?
pectos técnicos del procedimiento para la resolución del
1-3 ¿Cuáles son las tres categorías del análisis de negocios? problema?
1-4 ¿Cuál es el proceso del análisis cuantitativo? Dé varios 1-13 C. W. Churchman dijo una vez que “las matemáticas [...]
ejemplos de este proceso. tienden a adormecer a los incautos haciéndoles creer que
1-5 Describa brevemente la historia del análisis cuantitativo. quien piensa elaboradamente piensa bien”. ¿Cree usted
¿Qué ocurrió con el desarrollo del análisis cuantitativo du- que los mejores modelos de AC son los más elaborados y
rante la Segunda Guerra Mundial? complejos matemáticamente? ¿Por qué?
1-6 Dé algunos ejemplos de los distintos tipos de modelos. 1-14 ¿Qué es el punto de equilibrio? ¿Qué parámetros son ne-
¿Qué es un modelo matemático? Desarrolle dos ejemplos cesarios para encontrarlo?
de modelos matemáticos.
1-7 Mencione algunas fuentes de datos de entrada. Problemas
1-8 ¿Qué es la implementación y por qué es importante? 1-15 Gina Fox ha iniciado su propia compañía, Camisas Foxy,
1-9 Describa el uso del análisis de sensibilidad y del análisis que fabrica camisas con impresiones para ocasiones es-
post-óptimo en el análisis de resultados. peciales. Dado que acaba de empezar con esta operación,
1-10 Los gerentes suelen afirmar que los analistas cuantitativos alquila el equipo de impresión en un taller local cuando es
hablan con ellos en una jerga que no suena como español. necesario. El costo por utilizar el equipo es de $350. Los
Liste cuatro términos que quizá no sean entendidos por un materiales utilizados en una camisa cuestan $8, y Gina
gerente. Después, explique de manera no técnica lo que puede vender cada camisa en $15 cada una.
significa cada término. (a) Si Gina vende 20 camisas, ¿cuál sería su ingreso to-
tal? ¿Cuál sería su costo variable total?
(b) ¿Cuantas camisas debe vender Gina para alcanzar el
punto de equilibrio? ¿Cuál es el ingreso total de esto?
Nota: significa que el problema puede resolverse con QM para Windows; significa que el problema puede resolverse con Excel QM, y significa que el problema
puede resolverse con QM para Windows y/o Excel QM.

1-16 Ray Bond vende adornos artesanales para patio en ferias la jubilación. Durante un seminario típico, el alquiler del
de pueblo. El costo variable por fabricarlos es de $20 salón en un hotel es de $1,000, y el costo de la publi-
cada uno y los vende a $50. El costo de alquilar un puesto cidad y otros gastos imprevistos es de aproximadamente
(stand) en la feria es de $150. ¿Cuántos adornos debe ven- $10,000 por seminario. El costo de los materiales y rega-
der Ray para alcanzar el punto de equilibrio? los especiales para cada asistente es de $60 por persona.
1-17 Ray Bond, del problema 1-16, está tratando de encontrar un La empresa cobra $250 por persona para asistir al semi-
nuevo proveedor que reduzca su costo variable de produc- nario, y parece ser competitiva con otras compañías del
ción a $15 por unidad. Si logra la reducción de este costo, mismo negocio. ¿Cuántas personas deben asistir a cada
¿cuál sería el nuevo punto de equilibrio? seminario de la Edad de Oro para alcanzar el punto de
1-18 Katherine D’Ann tiene la intención de financiar su edu- equilibrio?
cación universitaria mediante la venta de programas en 1-24 Un par de estudiantes de administración de empresas de la
los partidos de fútbol americano de la Universidad Esta- Universidad Estatal decidieron poner en práctica sus co-
tal. Hay un costo fijo de $400 por la impresión de estos nocimientos al desarrollar una empresa de asesoría para
programas y el costo variable es de $3. También hay una estudiantes de administración. Aunque ofrecieron clases
cuota de $1,000 que se paga a la universidad por el de- privadas, se determinó que la asesoría en grupo antes de
recho de vender los programas. Si Katherine puede ven- los exámenes en las clases grandes de estadística sería
der los programas a $5 cada uno, ¿cuántos debería vender más beneficiosa. Los estudiantes alquilan una sala cerca
para alcanzar el punto de equilibrio? del campus a $300 por 3 horas. Desarrollaron folletos
1-19 Katherine D’Ann, del problema 1-18, está preocupada con base en los exámenes previos, y estos folletos (que
porque las ventas podrían bajar, dada la mala racha en la incluyen gráficas a color) cuestan $5 cada uno. El tutor
que ha caído el equipo, y porque la asistencia a los par- cobra $25 por hora, para un total de $75 por cada sesión
tidos ha disminuido. De hecho, Katherine cree que va a de asesoría.
vender sólo 500 programas para el próximo partido. Si (a) Si los estudiantes pagan $20 por asistir a cada se-
puede aumentar el precio de venta del programa y aun así sión, ¿cuál es el número de estudiantes que deben
vender 500, ¿cuál tendría que ser el precio para que Ka- inscribirse en una sesión para alcanzar el punto de
therine alcance el equilibrio, vendiendo 500 programas? equilibrio?
1-20 Artículos de Billar Farris vende todo tipo de equipamiento (b) Una sala un poco más pequeña está disponible a $200
para billar, y está considerando la fabricación de su propia por 3 horas. La compañía está considerando esta posi-
marca de tacos de billar. Mysti Farris, el gerente de pro- bilidad. ¿Cómo afectaría esto al punto de equilibrio?
ducción, está investigando la producción propia de un taco
1-25 Zoe García es la gerente de una pequeña empresa de
de billar estándar que podría ser muy popular. Al analizar
apoyo a oficinas que ofrece copiado, encuadernación y
los costos, Mysti determina que el costo del material y de
otros servicios para compañías locales. Zoe debe reem-
la mano de obra para cada taco es de $25 y el costo fijo
plazar una máquina de copiado antigua que se utiliza para
que debe cubrir es de $2,400 por semana. Con un precio
realizar copias en blanco y negro. Está considerando dos
de venta de $40 cada uno, ¿cuántos tacos de billar deben
máquinas, y cada uno de ellas tiene un costo mensual de
venderse para alcanzar el punto de equilibrio? ¿Cuál sería
arrendamiento, más un costo por cada página copiada.
el ingreso total en este punto de equilibrio?
La máquina 1 tiene un costo de arrendamiento mensual
1-21 Mysti Farris (vea el problema 1-20) está considerando ele- de $600 y un costo de $0.010 por cada página copiada.
var el precio de venta de cada taco a $50 en vez de $40. Si La máquina 2 tiene un costo de arrendamiento mensual de
hace esto, mientras los costos siguen siendo los mismos, $400, y un costo de $0.015 por página copiada. Los clien-
¿cuál sería el nuevo punto de equilibrio? ¿Cuál sería el in- tes pagan $0.05 por cada copia de una página.
greso total en este punto de equilibrio?
1-22 Mysti Farris (vea el problema 1-20) cree que hay una alta (a) ¿Cuál es el punto de equilibrio para cada máquina?
probabilidad de vender 120 tacos de billar, si el precio de (b) Si Zoe espera realizar 10,000 copias al mes, ¿cuál
venta tiene un valor adecuado. ¿Qué precio de venta haría sería el costo para cada máquina?
que el punto de equilibrio fuera de 120? (c) Si Zoe espera realizar 30,000 copias al mes, ¿cuál se-
ría el costo para cada máquina?
1-23 Planes de Retiro La Edad de Oro se especializa en la pres-
(d) ¿Con qué volumen (número de copias) tendrían las
tación de asesoramiento financiero para las personas que
dos máquinas el mismo costo mensual? ¿Cuáles se-
planean tener una jubilación cómoda. La compañía ofrece
rían los ingresos totales para este número de copias?
seminarios sobre el importante tema de la planeación de

BIBLIOGRAFÍA 21
Estudio de caso
Alimentos y bebidas en los partidos de fútbol americano de la Southwestern University
Southwestern University (SWU), una gran universidad estatal en
PRECIO COSTO PORCENTAJE
Stephenville, Texas, a 30 millas al suroeste del área metropolitana
DE VARIABLE/ DE
de Dallas/Fort Worth, cuenta con cerca de 20,000 estudiantes ins- ARTÍCULO VENTA/UNIDAD UNIDAD INGRESOS
critos. La universidad es la fuerza dominante en la pequeña ciudad,
con más estudiantes durante el otoño y la primavera que residentes Bebida gaseosa $1.50 $0.75 25%
permanentes. Café 2.00 0.50 25
Una fuente inagotable de fútbol americano, SWU es miembro Hot dogs 2.00 0.80 20
de la Conferencia de los Once Grandes y, por lo general, se encuentra
entre los 20 mejores equipos del fútbol americano universitario. Para Hamburguesas 2.50 1.00 20
reforzar sus posibilidades de llegar al esquivo y tan deseado número Botanas diversas 1.00 0.40 10
uno, en 2013 SWU contrató al legendario Billy Bob Dillon como su
entrenador en jefe. Aunque el número uno de la clasificación se ha servicios de alimentos de $100,000 ($20,000 por cada uno de los
mantenido fuera de su alcance, la asistencia a los cinco partidos sa- cinco partidos en casa); 2,400 pies cuadrados de espacio en el estadio
batinos en casa aumenta cada año. Antes de la llegada de Dillon, la a $2 por pie cuadrado por juego, y seis personas por puesto (stand),
asistencia general promediaba entre 25,000 y 29,000 aficionados. en cada uno de los seis puestos, durante 5 horas, a $7 la hora. Estos
La venta de entradas por toda la temporada aumentó en 10,000 tan costos fijos serán proporcionalmente asignados a cada uno de los pro-
sólo con el anuncio de la llegada del nuevo entrenador. ¡Stephenville y ductos basados en los porcentajes indicados en la tabla. Por ejemplo,
SWU estaban listas para hacer grandes cosas! se espera que los ingresos de las bebidas gaseosas cubran 25% de los
Con el crecimiento en la asistencia llegó más fama, la ne- costos fijos totales.
cesidad de un estadio más grande y más quejas sobre asientos, es- Maddux quiere estar seguro de que tiene una serie de datos para
tacionamiento, largas filas y precios de los locales comerciales el presidente Starr: 1. el costo fijo total que debe cubrirse en cada par-
concesionados. El presidente de la Southwestern University, el doc- tido; 2. la parte de los costos fijos asignada a cada uno de los artículos;
tor Marty Starr, estaba preocupado no sólo por el costo de ampliar el 3. el monto de las ventas necesario para lograr el punto de equilibrio
estadio existente frente a la construcción de un nuevo estadio, sino de cada artículo, es decir, las ventas necesarias para cubrir la parte del
también acerca de las actividades de apoyo. Quería estar seguro de costo fijo asignada a cada uno de estos artículos: bebidas gaseosas,
que estas diversas actividades de apoyo generarían ingresos suficien- café, hot dogs y hamburguesas; 4. las ventas en dólares para cada uno
tes para autofinanciarse. En consecuencia, buscaba que los estacio- de estos artículos en el punto de equilibrio, y 5. las estimaciones de
namientos, los programas de juego y el servicio de alimentos fueran ventas realistas por asistente para entradas de 60,000 y 35,000 aficio-
manejados como centros de utilidades. En una reciente reunión para nados. (En otras palabras, quiere saber cuántos dólares gastará cada
analizar la posibilidad de un nuevo estadio, Starr dijo al gerente del asistente en alimentos, de acuerdo con sus ventas de equilibrio pro-
estadio, Hank Maddux, que desarrollara una gráfica de equilibrio y yectadas en la actualidad, y si la asistencia crece a 60,000). Sentía que
los datos relacionados para cada uno de los centros. Pidió a Maddux esta última pieza de información sería de gran ayuda para entender
que preparara un informe del punto de equilibrio del área de servicio qué tan realistas eran los supuestos de su modelo, y estos datos po-
de alimentos para la próxima reunión. Después de analizar con los ge- drían compararse con cifras similares de temporadas anteriores.
rentes de otras instalaciones y con sus subalternos, Maddux desarrolló
la siguiente tabla que muestra los precios de venta sugeridos, y su es-
timación de los costos variables, así como el porcentaje de los ingre- Pregunta para análisis
sos por concepto. También proporciona una estimación del porcentaje 1. Prepare un breve informe con los artículos anotados, con la fina-
de los ingresos totales que se espera por cada uno de los artículos, en lidad de que esté listo para el doctor Starr en la próxima reunión.
función de los datos históricos de ventas.
Los costos fijos de Maddux son interesantes. Estimó que la parte Adaptado de J. Heizer y B. Render. Operations Research, 6a. ed. Upper Saddle
proporcional del costo del estadio sería la siguiente: salarios de los River, NJ: Prentice Hall, 2000, pp. 274-275.
Bibliografía
Ackoff, R. L. Scientific Method: Optimizing Applied Research Decisions. Nueva Dekker, Rommert, Jacqueline Bloemhof e Ioannis Mallidis. “Operations Research
York: John Wiley & Sons, Inc., 1962. for Green Logistics—An Overview of Aspects, Issues, Contributions and
Beam, Carrie. “ASP, the Art and Science of Practice: How I Started an OR/MS Challenges”, European Journal of Operational Research 219, 3 (junio de
Consulting Practice with a Laptop, a Phone, and a PhD”, Interfaces 34 2012): 671-679.
(julio-agosto de 2004): 265-271. Dutta, Goutam. “Lessons for Success in OR/MS Practice Gained from Experien-
Board, John, Charles Sutcliffe y William T. Ziemba. “Applying Operations ces in Indian and U.S. Steel Plants”, Interfaces 30, 5 (septiembre-octubre
Research Techniques to Financial Markets”, Interfaces 33 (marzo-abril de 2000): 23-30.
de 2003): 12-24. Eom, Sean B. y Eyong B. Kim. “A Survey of Decision Support System Applications
Churchman, C. W. “Relativity Models in the Social Sciences”, Interfaces 4, 1 (1995-2001)”, Journal of the Operational Research Society 57, 11 (2006):
(noviembre de 1973). 1264-1278.
Churchman, C. W. The Systems Approach. Nueva York: Delacort Press, 1968.

Evans, James, R. “Business Analytics: The Next Frontier for Decision Sciences”, Pidd, Michael. “Just Modeling Through: A Rough Guide to Modeling”, Interfaces
Decision Line 43, 2 (marzo de 2012). 29, 2 (marzo-abril de 1999): 118-132.
Horowitz, Ira. “Aggregating Expert Ratings Using Preference-Neutral Weights: Saaty, T. L. “Reflections and Projections on Creativity in Operations Research
The Case of the College Football Polls”, Interfaces 34 (julio-agosto de and Management Science: A Pressing Need for a Shifting Paradigm”,
2004): 314-320. Operations Research 46, 1 (1998): 9-16.
Keskinocak, Pinar y Sridhar Tayur. “Quantitative Analysis for Internet-Enabled Salveson, Melvin. “The Institute of Management Science: A Prehistory and
Supply Chains”, Interfaces 31, 2 (marzo-abril de 2001): 70-89. Commentary”, Interfaces 27, 3 (mayo-junio de 1997): 74-85.
Laval, Claude, Marc Feyhl y Steve Kakouros. “Hewlett-Packard Combined OR Wright, P. Daniel, Matthew J. Liberatore y Robert L. Nydick. “A Survey of
and Expert Knowledge to Design Its Supply Chains”, Interfaces 35 Operations Research Models and Applications in Homeland Security”,
(mayo-junio de 2005): 238-247. Interfaces 36 (noviembre-diciembre de 2006): 514-529.

CAPÍTULO 2
Conceptos de probabilidad
y aplicaciones
1. Comprender los fundamentos básicos del análisis 4. Describir y dar ejemplos de variables aleatorias
de probabilidad. discretas y continuas.
2. Describir eventos estadísticamente dependientes 5. Explicar la diferencia entre las distribuciones de
e independientes. probabilidad discretas y continuas.
3. Usar el teorema de Bayes para establecer 6. Calcular valores esperados y varianzas, y utilizar
probabilidades posteriores. la tabla normal.

2.1 Introducción 2.7 La distribución binomial
2.2 Conceptos fundamentales 2.8 La distribución normal
2.3 Revisión de probabilidades con el teorema de Bayes 2.9 La distribución F
2.4 Revisiones adicionales de probabilidad 2.10 La distribución exponencial
2.5 Variables aleatorias 2.11 La distribución de Poisson
2.6 Distribuciones de probabilidad
Resumen • Glosario • Ecuaciones clave • Problemas resueltos • Autoevaluación • Preguntas para análisis
y problemas • Problemas de tarea en Internet • Estudio de caso: WTVX • Bibliografía
Apéndice 2.1: Deducción del teorema de Bayes
23
M02_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_C2_023-064_3761-1.indd 23 4/13/16 11:40 AM

24 CAPÍTULO 2 • CONCEPTOS DE PROBABILIDAD Y APLICACIONES
2.1 Introducción
La vida sería más fácil si supiéramos, sin duda, lo que va a suceder en el futuro. El resultado de cualquier
decisión dependería sólo de cuán lógica y racional sea la decisión. Si usted perdiera dinero en el mercado
de valores, sería porque no tuvo en cuenta toda la información o por no tomar una decisión lógica. Si usted
quedara atrapado debajo de la lluvia, sería porque simplemente olvidó su paraguas. Siempre se podría evi-
tar la construcción de una planta demasiado grande, la inversión en una empresa que perdería dinero, que-
darse sin suministros o perder cosechas debido al clima adverso. No habría tal cosa como una inversión de
riesgo. La vida sería más simple, pero aburrida.
No fue sino hasta el siglo xvi que la gente comenzó a cuantificar los riesgos y a aplicar este concepto
a situaciones cotidianas. En la actualidad, la idea de riesgo o de probabilidad forma parte de nuestras vidas.
“Hay 40% de posibilidades de lluvia en Omaha hoy”. “Los Seminoles de la Florida State University son
favoritos 2 a 1 sobre los Tigres de la Louisiana State University el próximo sábado”. “Hay una posibilidad
de 50 a 50 de que el mercado de valores llegue a un máximo histórico el mes siguiente”.
Una probabilidad es un enunciado Una probabilidad es un enunciado numérico sobre la posibilidad de que se produzca un evento.
numérico sobre la posibilidad de En este capítulo, se examinan los conceptos, las definiciones y las relaciones básicos de probabilidad, así
que ocurra un evento. como de las distribuciones de probabilidad, que son útiles para la solución de muchos problemas de análi-
sis cuantitativo. En la tabla 2.1 se listan algunos de los temas tratados en este libro que se basan en la teoría
de probabilidad. Es posible ver que el estudio del análisis cuantitativo y el análisis de negocios sería muy
difícil sin ella.
2.2 Conceptos fundamentales

Existen varias reglas, definiciones y conceptos asociados con la probabilidad, que son muy importantes
para entender su uso en la toma de decisiones. Éstos se presentarán brevemente con algunos ejemplos para
ayudar a entenderlos con mayor claridad.
Dos reglas básicas de la probabilidad

Hay dos reglas básicas relacionadas con las matemáticas para la probabilidad:
Con frecuencia, las personas hacen 1. La probabilidad, P, de que ocurra cualquier evento o estado de la naturaleza es mayor o igual que 0 y
mal uso de las dos reglas básicas menor o igual que 1. Es decir,
de la probabilidad cuando utilizan
afirmaciones como: “Estoy 110% 0 … P(evento) … 1 (2-1)
seguro de que vamos a ganar el juego
importante”. Una probabilidad de 0 indica que no se espera que el evento ocurra. Una probabilidad de 1 significa
que se espera que el evento ocurra siempre.
2. La suma de las probabilidades simples para todos los posibles resultados de una actividad debe ser
igual a 1. Sin importar cómo se determinen las probabilidades, éstas deben cumplir con las dos
reglas indicadas.
TABLA 2.1
CAPÍTULO TÍTULO
Capítulos de este libro
que usan probabilidad 3 Análisis de decisiones
4 Modelos de regresión
5 Pronósticos
6 Modelos de control de inventarios
11 Gestión de proyectos
12 Modelos de líneas de espera y teoría de colas
13 Modelos de simulación
14 Análisis de Markov
15 Control estadístico de la calidad
Módulo 3 Teoría de decisiones y la distribución normal
Módulo 4 Teoría de juegos

2.2 CONCEPTOS FUNDAMENTALES 25
TABLA 2.2
CANTIDAD DEMANDADA
Enfoque de la frecuencia (GALONES) NÚMERO DE DÍAS PROBABILIDAD
relativa para la
probabilidad de ventas 0 40 0.20 (= 40>200)
de pintura 1 80 0.40 (= 80>200)
2 50 0.25 (= 50>200)
3 20 0.10 (= 20>200)
4 10 0.05 (= 10>200)
Total 200 1.00 (= 200>200)
Tipos de probabilidad
Existen dos maneras diferentes para determinar la probabilidad: el enfoque objetivo y el enfoque
subjetivo.
El enfoque de la frecuencia relativa es una evaluación objetiva de la probabilidad. La probabilidad
asignada a un evento es la frecuencia relativa de esa ocurrencia. En general,
Número de ocurrencias del evento
P(evento) =
Número total de ensayos o resultados
A continuación se presenta un ejemplo. La demanda de pintura de látex blanca en Diversey Paint and
Supply ha sido siempre de 0, 1, 2, 3 o 4 galones por día. (No hay otros resultados posibles y, cuando
uno sucede, ninguno otro puede ocurrir). Durante los últimos 200 días de trabajo, el dueño ha tomado nota
de las frecuencias de la demanda, como se indica en la tabla 2.2. Si esta distribución pasada es un buen
indicador de las ventas futuras, es posible encontrar la probabilidad de que ocurra cada resultado posible
en el futuro, mediante la conversión de los datos a porcentajes.
Por lo tanto, la probabilidad de que las ventas sean de 2 galones de pintura en un día determinado es
P(2 galones) = 0.25 = 25%. La probabilidad de cualquier nivel de ventas debe ser mayor o igual que 0 y
menor o igual que 1. Como 0, 1, 2, 3 y 4 galones son todos los eventos o resultados posibles, la suma de sus
valores de probabilidad debe ser igual a 1.
La probabilidad objetiva también se puede establecer mediante el uso del denominado método clá-
sico o lógico. Sin la realización de una serie de ensayos, a menudo es posible determinar lógicamente cuá-
les deberían ser las probabilidades de diversos eventos. Por ejemplo, la probabilidad de tirar una moneda al
aire una vez y conseguir una cara es
1 Número de formas de obtener una cara
P1cara2 =
2 Número de posibles resultados (cara o cruz)
Del mismo modo, la probabilidad de sacar una espada de un mazo de 52 cartas se puede establecer lógica-
mente como
13 Número de posibilidades de escoger una espada
P1espada2 =
52 Número de resultados posibles
= 1>4 = 0.25 = 25%
Cuando no existe una lógica o datos históricos disponibles o adecuados, los valores de la probabilidad se
pueden evaluar en forma subjetiva. La precisión de las probabilidades subjetivas depende de la experien-
cia y el juicio de la persona que hace las estimaciones. No es posible determinar una serie de valores de
probabilidad a no ser que se utilice el enfoque subjetivo. ¿Cuál es la probabilidad de que el precio de la
gasolina sea mayor a $4 en los próximos años? ¿Cuál es la probabilidad de que nuestra economía esté en
una depresión severa en el año 2020? ¿Cuál es la probabilidad de que usted sea presidente de una gran
empresa dentro de 20 años?
¿De dónde provienen las
Existen varios métodos para hacer evaluaciones subjetivas de probabilidad. Las encuestas de opinión
probabilidades? En ocasiones son
se pueden utilizar para ayudar a determinar las probabilidades subjetivas de posibles resultados de las
subjetivas y se basan en experiencias
personales. Otras veces se basan elecciones y los posibles candidatos políticos. En algunos casos, es necesario usar la experiencia y el juicio
objetivamente en observaciones para realizar evaluaciones subjetivas de los valores de probabilidad. Un gerente de producción, por ejem-
lógicas, como el lanzamiento de un plo, podría creer que la probabilidad de que la fabricación de un nuevo producto sin un solo defecto es de
dado. A menudo, las probabilidades se 0.85. En el método Delphi, un panel de expertos se reúne para hacer predicciones acerca del futuro. Este
obtienen a partir de datos históricos. enfoque se estudia en el capítulo 5.

Eventos mutuamente excluyentes y colectivamente exhaustivos

Se dice que los eventos son mutuamente excluyentes si solamente puede ocurrir uno de los eventos en
cualquier ensayo. Se les llama colectivamente exhaustivos si la lista de eventos incluye todos los resulta-
FIGURA 2.1 dos posibles. Muchas experiencias comunes incluyen eventos que tienen ambas propiedades.
En el lanzamiento de una moneda, los posibles resultados son una cara o una cruz. Dado que no es
Diagrama de Venn posible que ocurran los dos resultados en cualquier lanzamiento, los resultados de cara y cruz son mutua-
para eventos que mente excluyentes. Como la obtención de una cara y la obtención de una cruz representan todos los resul-
son mutuamente tados posibles, también son colectivamente exhaustivos.
excluyentes En la figura 2.1 se proporciona una representación en diagrama de Venn de eventos mutuamente ex-
cluyentes. Sea A el evento en el cual se obtiene una cara y sea B el evento donde se obtiene una cruz.
Los círculos que representan estos eventos no se superponen, por lo que los eventos son mutuamente
excluyentes.
La siguiente situación proporciona un ejemplo de eventos que no son mutuamente excluyentes. Se le
A B
pide a usted que saque una carta de un mazo de 52 cartas. Están definidos los siguientes eventos:
A = evento en el cual se saque un 7

B = evento en el que se saque un corazón
Trasplantes de hígado
MODELADO EN EL MUNDO REAL en Estados Unidos
Definición
del problema La escasez de hígados para trasplantes ha alcanzado niveles críticos en Estados Unidos; 1,131 personas murie-
ron en 1997 en espera de un trasplante. Con sólo 4,000 donaciones de hígado al año, hay 10,000 pacientes
en lista de espera, y 8,000 más se agregan cada año. Existe la necesidad de desarrollar un modelo para eva-
luar las políticas de asignación de hígados a pacientes con enfermedades terminales que los requieren.
Desarrollo de Desarrollo de un modelo

un modelo Médicos, ingenieros, investigadores y científicos trabajaron en conjunto con consultores de Pritsker Corp. en
el proceso de creación del modelo para la asignación de hígados, llamado ULAM. Uno de los trabajos del mo-
delo sería evaluar si los posibles beneficiarios deberían clasificarse en forma nacional o regional.

datos de entrada Existía información histórica disponible de la Red Unida para la Donación de Órganos (UNOS, United Network
for Organ Sharing), de 1990 a 1995. Los datos se almacenaron en el ULAM. Las llegadas de los donadores a
los 63 centros de obtención de órganos y la llegada de los pacientes en 106 centros de trasplantes de hígado
se describen mediante procesos de probabilidad de “Poisson”.

una solución El ULAM proporciona las probabilidades de aceptar un hígado ofrecido, donde la probabilidad es una función
del estado médico del paciente, el centro de trasplantes y la calidad del hígado ofrecido. El ULAM también
modela la probabilidad diaria de que un paciente cambie de un estado de criticidad a otro.

a la solución Las pruebas implicaron una comparación de los resultados del modelo con los resultados reales en el periodo
1992-1994. Los resultados del modelo estuvieron suficientemente cerca de los resultados reales para que el
ULAM fuera declarado válido.

de resultados El ULAM se utilizó para comparar más de 100 políticas de asignación de hígado y después se actualizó en
1998, con datos más recientes, para su presentación ante el Congreso.

de resultados Con base en resultados proyectados, el comité de la UNOS votó 18-0 para poner en práctica una política de
asignación basada en listas de espera regionales, no nacionales. Se espera que esta decisión salve 2,414 vidas
durante un periodo de 8 años.
Fuente: Basado en A. A. B. Pritsker. “Life and Death Decisions”, OR/MS Today (agosto de 1998): 22-28.

2.2 CONCEPTOS FUNDAMENTALES 27
FIGURA 2.2
Diagrama de Venn
para eventos que
no son mutuamente A B
excluyentes
Las probabilidades de estos eventos se pueden asignar usando el enfoque de frecuencia relativa. Hay cuatro
sietes y 13 corazones en el mazo. Por lo tanto, tenemos
P1se saca un 72 = P1A2 = 4>52

P1se saca un corazón2 = P1B2 = 13>52
Estos eventos no son mutuamente excluyentes dado que el 7 de corazones es común a los eventos A y B.
En la figura 2.2 se proporciona un diagrama de Venn que representa esta situación. Observe que los dos
círculos se intersecan y, en esta intersección, se encuentra lo que es común a ambos. En este ejemplo, la
intersección sería el 7 de corazones.
Uniones e intersecciones de eventos

La intersección de dos eventos es el conjunto de todos los resultados que son comunes a ambos even-
tos. La palabra y se asocia comúnmente con la intersección, del mismo modo que el símbolo ¨. Existen
varias notaciones para la intersección de dos eventos:
Intersección del evento A y el evento B = A y B
= A¨B
= AB
La notación para la probabilidad sería
P1Intersección del evento A y el evento B2 = P1A y B2
= P1A ¨ B2
= P1AB2
En ocasiones, la probabilidad de la intersección se denomina una probabilidad conjunta, lo cual implica

que ambos eventos se producen al mismo tiempo o de forma conjunta.
La unión de dos eventos es el conjunto de todos los resultados que están contenidos en cualquiera
de estos dos eventos. Por lo tanto, cualquier resultado que está en el evento A se encuentra en la unión de
ambos eventos, y cualquier resultado que está en el evento B también se encuentra en la unión de los dos
eventos. La palabra o se suele asociar con la unión, del mismo modo que el símbolo ´. La notación típica
para la unión de dos eventos sería
Unión del evento A y el evento B = 1A o B2
La notación para la probabilidad de la unión de los eventos sería
P1Unión del evento A y el evento B) = P1A o B2

= P1A ´ B2
En el ejemplo anterior, la intersección del evento A y el evento B sería
1A y B2 = se saca el 7 de corazones
La notación para la probabilidad sería
P1A y B2 = P1se saca el 7 de corazones2 = 1>52

Asimismo, la unión del evento A y el evento B sería
1A o B2 = 1se saca un 7 o bien se saca un corazón2
y la probabilidad sería
P1A o B2 = P1se saca un 7 o bien se saca un corazón2 = 16>52
Para saber por qué P 1A o B2 = 16> 52 y no 17> 52 (que es P 1A2 + P 1B2), cuente todas las cartas que están en
la unión y verá que hay 16. Esto le ayudará a entender la regla general para la probabilidad de la unión de
dos eventos que se presenta a continuación.
Reglas de probabilidad para uniones, intersecciones

y probabilidades condicionales
La regla general para la probabilidad de la unión de dos eventos (a veces llamada la regla aditiva) es como
sigue:
P1A o B2 = P1A2 + P1B2 - P1A y B2 (2-2)
Para ilustrarlo con el ejemplo que hemos estado usando, si queremos encontrar la probabilidad de la unión
de los dos eventos (se saca un 7 o un corazón), tenemos
P1A o B2 = P1A2 + P1B2 - P1A y B2

= 4>52 + 13>52 - 1>52
= 16>52
Uno de los conceptos de probabilidad más importantes en la toma de decisiones es el concepto de

probabilidad condicional, que es la probabilidad de que ocurra un evento dado que ya ha ocurrido otro.
La probabilidad del evento A dado que ya se ha producido el evento B se escribe como P1A u B2. Cuando las
empresas toman decisiones, a menudo utilizan estudios de mercado de algún tipo para ayudarse a deter-
minar su probabilidad de éxito. Dado un buen resultado de la investigación de mercado, la probabilidad de
éxito se incrementaría.
La probabilidad de que A ocurra teniendo en cuenta que el evento B ya ha ocurrido se puede encon-
trar dividiendo la probabilidad de la intersección de los dos eventos (A y B) entre la probabilidad del
evento que ha ocurrido (B):
P1AB2
P1A B2 = (2-3)
P1B2
De aquí, es posible deducir fácilmente la fórmula para la intersección de dos eventos, la cual se escribe
como
P1AB2 = P1A u B2P1B2 (2-4)
En el ejemplo de la carta, ¿cuál es la probabilidad de que se saque un 7 (evento A) dado que sabemos
que la carta sacada es un corazón (evento B)? Con lo que ya sabemos, y dada la fórmula de probabilidad
condicional, tenemos
P1AB2 1
>52
P1Au B2 = = = 1>13
P1B2 13
>52
Con este ejemplo de la carta, podría determinarse esta probabilidad sin necesidad de utilizar la
fórmula. Si se tiene en cuenta que se obtuvo un corazón, que hay 13 corazones y que sólo uno de ellos
es un 7, podemos determinar que la probabilidad es de 1>13. En los negocios, sin embargo, es común que
no se tenga la información completa y la fórmula es absolutamente esencial.
Se dice que dos eventos son independientes si la ocurrencia de uno no tiene impacto en la ocurrencia
del otro. En caso contrario, los eventos son dependientes.
Por ejemplo, suponga que se saca una carta de un mazo y, después, se devuelve al mazo de cartas y se
saca una segunda carta. La probabilidad de obtener un 7 en el segundo ensayo es 4> 52, sin importar qué
se haya sacado en el primer ensayo, porque el mazo es exactamente igual que en el primer ensayo. Ahora
compare una situación similar con dos retiros de un mazo de cartas, pero la primera carta no se devuelve
al mazo. Ahora sólo hay 51 cartas en el mazo y hay tres o cuatro sietes en éste, dependiendo de cuál haya
sido la primera carta obtenida.

2.3 REVISIÓN DE PROBABILIDADES CON EL TEOREMA DE BAYES 29
Una definición más precisa de la independencia estadística sería la siguiente: el evento A y el evento B
son independientes si
P1A u B2 = P1A2
La independencia es una condición muy importante en la probabilidad, ya que muchos cálculos se simpli-
fican. Uno de ellos es la fórmula para la intersección de dos eventos. Si A y B son independientes, entonces
la probabilidad de la intersección es
P1A y B2 = P1A2P1B2
Suponga que una moneda legal se lanza dos veces. Los eventos se definen como:
A = evento donde el resultado del primer lanzamiento es cara

B = evento donde el resultado del segundo lanzamiento es cara
Estos eventos son independientes porque la probabilidad de una cara en el segundo lanzamiento será la
misma, sin importar el resultado en el primer lanzamiento. Debido a que es una moneda legal, sabemos que
hay dos resultados igualmente probables en cada lanzamiento (cara o cruz), por lo que
P1A2 = 0.5
P1B2 = 0.5
Debido a que A y B son independientes,
P1AB2 = P1A2P1B2 = 0.510.52 = 0.25
Por lo tanto, hay una probabilidad de 0.25 de que dos lanzamientos de una moneda resulten en dos caras.
Si los eventos no son independientes, entonces la determinación de probabilidades puede ser un poco
más difícil. Sin embargo, los resultados suelen ser muy valiosos para un tomador de decisiones. Un estudio
de mercado sobre la apertura de una nueva tienda en un lugar determinado puede tener un resultado posi-
tivo, y esto causaría una revisión de la evaluación de la probabilidad de que la nueva tienda tenga éxito. En
la siguiente sección se examina un medio para revisar las probabilidades con base en información nueva.
2.3 Revisión de probabilidades con el teorema de Bayes

El teorema de Bayes se utiliza para incorporar información adicional cuando ésta se encuentra disponi-
ble y ayuda a crear probabilidades revisadas o probabilidades posteriores, a partir de las probabilidades
originales o probabilidades previas. Esto significa que es posible tomar datos nuevos o recientes y, luego,
revisar y mejorar nuestras estimaciones de probabilidad antiguas para un evento (vea la figura 2.3). Ahora,
consideremos el siguiente ejemplo.
Una taza contiene dos dados idénticos en apariencia. Uno, sin embargo, es legal (balanceado) y el otro
está cargado (sesgado). La probabilidad de obtener un 3 en el dado legal es 1>6, o 0.166. La probabilidad de
lanzar el mismo número en el dado cargado es 0.60.
No tenemos idea de cuál es cada uno de los dados, pero seleccionamos uno al azar y lo lanzamos. El
resultado es un 3. Dada esta pieza adicional de información, ¿podemos encontrar la probabilidad (revisada)
de que el dado lanzado haya sido el legal? ¿Podemos determinar la probabilidad de que el dado lanzado
haya sido el cargado?
FIGURA 2.3
Probabilidades
Uso del proceso previas
de Bayes
Proceso Probabilidades
de Bayes posteriores
Información
nueva

La respuesta a estas preguntas es sí, y lo hacemos mediante el uso de la fórmula de probabilidad con-
junta según el teorema de Bayes y la dependencia estadística. En primer lugar, verificamos la información
y las probabilidades disponibles. Sabemos, por ejemplo, que como el dado a lanzar se seleccionó al azar, la
probabilidad de que sea el legal o el cargado es 0.50:
P1legal2 = 0.50 P1cargado2 = 0.50
También sabemos que
P(3 u legal2 = 0.166 P13 u cargado2 = 0.60
En seguida, calculamos las probabilidades conjuntas P(3 y legal) y P(3 y cargado) utilizando la fórmula
P1AB2 = P1A u B2 * P1B2:
P13 y legal2 = P13 u legal2 * P1legal2

= 10.1662 10.502 = 0.083
P13 y cargado2 = P13 u cargado2 * P1cargado2
= 10.602 10.502 = 0.300
Un 3 puede ocurrir en combinación con el estado “dado legal” o en combinación con el estado “dado car-
gado”. La suma de sus probabilidades proporciona la probabilidad incondicional o marginal de un 3 en el
lanzamiento; a saber, P132 = 0.083 + 0.300 = 0.383.
Si ocurre un 3, y si no sabemos qué dado fue lanzado, la probabilidad de que el dado utilizado haya
sido el legal es
P1legal y 32 0.083
P1legal u 32 = = = 0.22
P132 0.383
La probabilidad de que el dado lanzado haya sido el cargado es

P1cargado y 32 0.300
P 1cargado u 32 = = = 0.78
P132 0.383
Estas dos probabilidades condicionales se llaman probabilidades revisadas o posteriores para el próximo
lanzamiento del dado.
Antes de que el dado fuera lanzado en el ejemplo anterior, lo más que podíamos decir era que había
una posibilidad de 50-50 de que fuera legal (0.50 de probabilidad) y una posibilidad de 50-50 de que
estuviera cargado. Sin embargo, después de lanzar el dado estamos en condiciones de revisar nuestras esti-
maciones de probabilidad previas. La nueva estimación posterior es que hay una probabilidad de 0.78 de
que el dado lanzado haya estado cargado y sólo un 0.22 de probabilidad de que no lo haya estado.
Con frecuencia resulta útil emplear una tabla para realizar los cálculos asociados con el teorema de
Bayes. En la tabla 2.3 se muestra una disposición general para hacer esto, y en la tabla 2.4 se proporciona
el ejemplo específico que utilizamos.
TABLA 2.3
ESTADO P(B u ESTADO
Forma tabular de los DE LA DE LA PROBABILIDAD PROBABILIDAD PROBABILIDAD
cálculos de Bayes, NATURALEZA NATURALEZA) PREVIA CONJUNTA POSTERIOR
dado que ha ocurrido
el evento B A P1B u A2 *P1A2 =P1B y A2 P1B y A2>P1B2 = P1A u B2
A¿ P1B u A¿2 *P1A¿2 =P1B y A¿2 P1B y A¿2>P1B2 = P1A¿ u B2
P1B2
TABLA 2.4
ESTADO P(3 u ESTADO
Cálculos de Bayes dado DE LA DE LA PROBABILIDAD PROBABILIDAD PROBABILIDAD
que se ha obtenido un NATURALEZA NATURALEZA) PREVIA CONJUNTA POSTERIOR
3 en el ejemplo 7
Dado legal 0.166 *0.5 = 0.083 0.083>0.383 = 0.22
Dado cargado 0.600 *0.5 = 0.300 0.300>0.383 = 0.78
P132 = 0.383

2.4 REVISIONES DE PROBABILIDAD ADICIONALES 31
Forma general del teorema de Bayes

Las probabilidades revisadas también se pueden calcular de una manera más directa mediante una forma
Otra forma de calcular las general para el teorema de Bayes.
probabilidades revisadas es
con el teorema de Bayes. P1B u A2P1A2
P 1A u B2 = (2-5)
P1B u A2P1A2 + P1B u A′2P1A′2
donde
A¿ = el complemento del evento A;
por ejemplo, si A es el evento “dado legal”, entonces, A¿ es “dado cargado”
En un inicio, vimos en la ecuación 2.3 que la probabilidad condicional del evento A, dado el
evento B, es
P1AB2
P1Au B2 =
P1B2
Un ministro presbiteriano, Thomas Thomas Bayes dedujo su teorema de esto. En el apéndice 2.1 se muestran los pasos matemáticos que con-
Bayes (1702-1761), realizó el trabajo ducen a la ecuación 2-5. Ahora volvamos al ejemplo.
que condujo a este teorema. Aunque es posible que no sea evidente a primera vista, esta ecuación básica se usó para calcular las
probabilidades revisadas. Por ejemplo, si queremos la probabilidad de que el dado legal haya sido lanzado
en vista de que el primer lanzamiento fue un 3; es decir, P(dado legal u se obtuvo un 3), se puede considerar
el evento “dado legal” en lugar de A en la ecuación 2-5

el evento “dado cargado” en lugar de A¿ en la ecuación 2-5
el evento “se obtuvo un 3” en lugar de B en la ecuación 2-5
Entonces, podemos reescribir la ecuación 2-5 y resolverla de la siguiente manera:
P1dado legal u se obtuvo un 32

P13 u legal2P1legal2
=
P13 u legal2P1legal) + P 13 u cargado2P1cargado)
10.1662 10.502
=
10.1662 10.502 + 10.602 10.502
0.083
= = 0.22
0.383
Ésta es la misma respuesta que hemos calculado antes. ¿Se puede utilizar este enfoque alternativo para
demostrar que P (dado cargado u se obtuvo un 3) = 0.78? Cualquier método es perfectamente aceptable,
pero cuando tratemos de nuevo con las revisiones de probabilidad en el capítulo 3, veremos que son más
fáciles de aplicar la ecuación 2-5 o el método tabular.
2.4 Revisiones de probabilidad adicionales

Aunque una revisión de probabilidades previas suele proporcionar estimaciones útiles de probabilidades
posteriores, es posible obtener información adicional al realizar el experimento por segunda vez. Si vale
la pena financieramente, un tomador de decisiones puede incluso decidir que hará varias revisiones más.
De regreso al ejemplo anterior, ahora intentamos obtener más información sobre las probabili-
dades posteriores de que el dado que se acaba de lanzar sea legal o esté cargado. Para ello, lanzaremos
el dado por segunda vez. De nuevo obtenemos un 3. ¿Cuáles son las probabilidades revisadas adicionales?
Para responder esta pregunta, se procede como antes, con una sola excepción. Las probabilidades
P1legal2 = 0.50 y P1cargado2 = 0.50 siguen siendo las mismas, pero ahora tenemos que calcular P13, 3 u le-
gal2 = (0.166)(0.166) = 0.027 y P(3, 3 u cargado) = (0.6)(0.6) = 0.36. Con estas probabilidades conjun-
tas de dos resultados de 3 en lanzamientos sucesivos, considerando dos tipos de dados, podemos revisar las
probabilidades:
P13, 3 y legal2 = P13, 3 u legal2 * P1legal2

= 10.0272 10.52 = 0.013
P13, 3 y cargado2 = P13, 3 u cargado2 * P1cargado2
= 10.362 10.52 = 0.18

EN ACCIÓN Seguridad en vuelos y análisis de probabilidad
C on los terribles acontecimientos del 11 de septiembre de 2001

y el uso de aviones como armas de destrucción masiva, la seguridad
aérea. Al tomar en cuenta los costos involucrados y la probabilidad de
salvar vidas, el resultado fue un costo promedio de $1,000 millones
por cada vida salvada. El uso del análisis de probabilidad ayudará a
aérea se ha convertido en un asunto aún más importante interna- determinar qué programas de seguridad se traducirán en un mayor
cionalmente. ¿Cómo podemos reducir el impacto del terrorismo en beneficio, y estos programas pueden ser ampliados.
la seguridad aérea? ¿Qué deberíamos hacer para que el transporte Además, algunos problemas de seguridad propuestos no tienen
aéreo en general sea más seguro? Una respuesta consiste en evaluar una certidumbre total. Por ejemplo, un dispositivo térmico de análisis
los diversos programas de seguridad aérea y utilizar la teoría de pro- de neutrones para detectar explosivos en los aeropuertos tenía una
babilidad para analizar los costos de tales programas. probabilidad de 0.15 de dar una falsa alarma, lo cual resulta en un
La determinación de la seguridad de una aerolínea implica la alto costo de inspección y largos retrasos en los vuelos. Esto indicaría
aplicación de los conceptos del análisis de probabilidad objetiva. que el dinero debería gastarse en el desarrollo de equipos más confia-
La posibilidad de perder la vida en un vuelo nacional programado bles para la detección de explosivos. Como resultado, se obtendrían
es de 1 en 5 millones. Esto es una probabilidad de alrededor de viajes aéreos más seguros con menos retrasos innecesarios.
0.0000002. Otra medida es el número de muertes por cada milla- Sin lugar a dudas, el uso del análisis de probabilidad para deter-
pasajero volada. El número es de 1 pasajero por aproximadamente minar y mejorar la seguridad de los vuelos es indispensable. Muchos
mil millones de millas-pasajero voladas, o una probabilidad de alre- expertos en transporte esperan que, algún día, los mismos modelos
dedor de 0.000000001. Sin lugar a dudas, volar es más seguro que de probabilidad rigurosos utilizados en la industria de las aerolíneas se
muchas otras formas de transporte, incluyendo conducir por carretera. apliquen al mucho más peligroso sistema de carreteras y a los conduc-
En un fin de semana común, mueren más personas en accidentes tores que lo utilizan.
automovilísticos que en un desastre aéreo típico.
El análisis de las nuevas medidas de seguridad aérea implica los Fuentes: Basado en Robert Machol. “Flying Scared”, OR/MS Today (octubre
costos y la probabilidad subjetiva de que se salvarán vidas. Un experto de 1997): 32-37; y Arnold Barnett. “The Worst Day Ever”, OR/MS Today (di-
en aerolíneas propuso una serie de nuevas medidas de seguridad ciembre de 2001): 28-31.
Por lo tanto, la probabilidad de obtener dos resultados de 3, una probabilidad marginal, es

0.013 + 0.18 = 0.193, la suma de las dos probabilidades conjuntas:
P13, 3 y legal2
P(legal u 3, 3) =
P13, 32
0.013
= = 0.067
0.193
P13, 3 y cargado2
P(cargado u 3, 3) =
P13, 32
0.18
= = 0.933
0.193
¿Qué ha logrado este segundo lanzamiento? Antes de lanzar el dado por primera vez, sólo sabíamos
que había una probabilidad de 0.50 de que fuera legal, o bien estuviera cargado. Al lanzar el dado la pri-
mera vez en el ejemplo anterior, fuimos capaces de revisar estas probabilidades:
probabilidad de que el dado sea legal = 0.22

probabilidad de que el dado esté cargado = 0.78
Ahora, después del segundo lanzamiento en este ejemplo, nuestras revisiones refinadas nos indican que
probabilidad de que el dado sea legal = 0.067

probabilidad de que el dado esté cargado = 0.933
Este tipo de información puede ser muy valiosa en la toma de decisiones empresariales.
2.5 Variables aleatorias

Acabamos de estudiar varias formas de asignar valores de probabilidad a los resultados de un experi-
mento. Ahora usaremos esta información de probabilidad para calcular el resultado esperado, la varianza
y la desviación estándar del experimento, lo cual ayudaría a elegir la mejor decisión entre una serie de
alternativas.

2.5 VARIABLES ALEATORIAS 33
TABLA 2.5 Ejemplos de variables aleatorias

RANGO DE VARIABLES
EXPERIMENTO RESULTADO VARIABLES ALEATORIAS ALEATORIAS
Almacenar 50 árboles de Número de árboles de Navidad X = número de árboles de Navidad 0, 1, 2, …, 50

Navidad vendidos vendidos
Inspeccionar 600 artículos Número de artículos aceptables Y = número de artículos aceptables 0, 1, 2, …, 600
Enviar 5,000 cartas de venta Número de personas que responden Z = número de personas que responden 0, 1, 2, …, 5,000
a las cartas a las cartas
Construir un edificio de Porcentaje del edificio terminado R = porcentaje del edificio terminado 0 … R … 100
apartamentos después de 4 meses después de 4 meses
Probar la vida útil de una Tiempo que dura la bombilla hasta S = tiempo en el que se funde el bulbo 0 … S … 80,000
bombilla eléctrica (minutos) 80,000 minutos
Una variable aleatoria asigna un número real a cada resultado o evento posible en un experimento.
Por lo general, se representa por medio de una letra como X o Y. Cuando el resultado en sí es numérico o
cuantitativo, los números resultantes pueden ser la variable aleatoria. Por ejemplo, considere las ventas de
refrigeradores en una tienda de electrodomésticos. El número de refrigeradores vendidos durante cierto
día puede ser la variable aleatoria. Si se usa X para representar esta variable aleatoria, podemos expresar la
relación de la siguiente manera:
X = número de refrigeradores vendidos durante el día
En general, siempre que el experimento tenga resultados cuantificables, es beneficioso definir estos resul-
tados cuantitativos como la variable aleatoria. En la tabla 2.5 se presentan algunos ejemplos.
Cuando el resultado en sí no es numérico ni cuantitativo, es necesario definir una variable aleatoria
que asocia cada resultado con un número real único. En la tabla 2.6 se dan varios ejemplos.
Hay dos tipos de variables aleatorias: las variables aleatorias discretas y las variables aleatorias
continuas. El desarrollo de distribuciones de probabilidad y la realización de cálculos con base en tales
distribuciones depende del tipo de variable aleatoria.
Intente desarrollar algunos ejemplos Una variable aleatoria es una variable aleatoria discreta si puede tener sólo un conjunto finito o
adicionales de variables aleatorias limitado de valores. ¿Cuáles de las variables aleatorias de la tabla 2.5 son variables aleatorias discretas?
discretas para asegurarse de que Al observar la tabla 2.5, podemos ver que las variables asociadas con el almacenamiento de 50 árboles de
entiende el concepto. Navidad, la inspección de 600 artículos y el envío de 5,000 cartas son ejemplos de variables aleatorias dis-
cretas. Cada una de estas variables aleatorias puede tener sólo un conjunto finito o limitado de valores. Por
ejemplo, el número de árboles de Navidad vendidos únicamente pueden ser números enteros de 0 a 50. En
este ejemplo hay 51 valores que la variable aleatoria X puede adoptar.
Una variable aleatoria continua es una variable aleatoria que tiene un conjunto infinito o ilimitado
de valores. ¿Hay ejemplos de variables aleatorias continuas en las tablas 2.5 o 2.6? En cuanto a la tabla 2.5,
TABLA 2.6 RANGO DE VARIABLES VARIABLES

Variables aleatorias EXPERIMENTO RESULTADO ALEATORIAS ALEATORIAS
para resultados que
Alumnos que Muy de acuerdo (MA) 5 si MA 1, 2, 3, 4, 5
no son números
responden a un De acuerdo (A) 4 si A
cuestionario Neutral (N) X = μ 3 si N
En desacuerdo (D) 2 si D
Muy en desacuerdo (MD) 1 si MD
Y= U
Una máquina que Defectuosa 0 si está defectuosa 0, 1
es inspeccionada No defectuosa 1 si no está defectuosa
Consumidores que Bueno 3 si les parece bueno 1, 2, 3

responden qué les Promedio Z = u 2 si les parece promedio
parece un producto Malo 1 si les parece malo

observamos que las pruebas de la vida útil de una bombilla eléctrica es un experimento cuyos resultados se
pueden describir con una variable aleatoria continua. En este caso, la variable aleatoria, S, es el tiempo en
el que el bulbo se funde. Puede durar 3,206 minutos, 6,500.7 minutos, 251.726 minutos, o cualquier otro
valor entre 0 y 80,000 minutos. En la mayoría de los casos, el rango de una variable aleatoria continua se
indica como: valor inferior … S … valor superior, por ejemplo, 0 … S … 80,000. La variable aleatoria R en
la tabla 2.5 también es continua. ¿Puede usted explicar por qué?
2.6 Distribuciones de probabilidad

Anteriormente estudiamos los valores de probabilidad de un evento. Ahora exploraremos las propiedades
de las distribuciones de probabilidad. Vemos cómo las distribuciones más populares, como las distri-
buciones de probabilidad normal, de Poisson, binomial y exponencial nos ayudan a ahorrar tiempo y es-
fuerzo. Dado que una variable aleatoria puede ser discreta o continua, consideraremos las distribuciones
de probabilidad discretas y las distribuciones de probabilidad continuas por separado.
Distribución de probabilidad de una variable aleatoria discreta

Cuando tenemos una variable aleatoria discreta, existe un valor de probabilidad asignado a cada evento.
Estos valores tienen que estar entre 0 y 1, y deben sumar 1. Veamos un ejemplo.
Los 100 alumnos de la clase de Estadística de Pat Shannon acaban de terminar una prueba de matemá-
ticas que les aplicó el primer día de clase. La prueba consta de cinco problemas de álgebra muy difíciles.
La calificación de la prueba es el número de respuestas correctas, por lo que en teoría las calificaciones
podrían variar de 0 a 5. Sin embargo, nadie en esta clase recibió una puntuación de 0, por lo que las califi-
caciones variaron de 1 a 5. La variable aleatoria X se define como la calificación en esta prueba, y las cali-
ficaciones se resumen en la tabla 2.7. Esta distribución de probabilidad discreta fue desarrollada utilizando
el enfoque de frecuencia relativa que se presentó previamente.
La distribución sigue las tres reglas requeridas para todas las distribuciones de probabilidad: 1. los
eventos son mutuamente excluyentes y colectivamente exhaustivos; 2. los valores de probabilidad indivi-
duales están entre 0 y 1 inclusive, y 3. la suma total de los valores de probabilidad es 1.
Aunque la presentación de una distribución de probabilidad como la realizada en la tabla 2.7 es ade-
cuada, sería difícil obtener una idea acerca de las características de la distribución. Para superar este obs-
táculo, es común que los valores de probabilidad se presenten en forma gráfica. En la figura 2.4, se muestra
la gráfica de la distribución de la tabla 2.7.
La gráfica de esta distribución de probabilidad nos proporciona una imagen de su forma. Nos ayuda a
identificar la tendencia central de la distribución, llamada media o valor esperado, y la cantidad de varia-
bilidad o dispersión de la distribución, llamada la varianza.
Valor esperado de una distribución de probabilidad discreta

Una vez que hemos establecido una distribución de probabilidad, la primera característica que suele ser de
El valor esperado de una distribución interés es la tendencia central de la distribución. El valor esperado, una medida de tendencia central, se
de probabilidad discreta es un calcula como el promedio ponderado de los valores de la variable aleatoria:
promedio ponderado de los valores
de la variable aleatoria. n
E1X2 = g Xi P1Xi 2
i=1
= X1P1X12 + X2P1X22 + Á + XnP1Xn2 (2-6)
TABLA 2.7
VARIABLE
Distribución de ALEATORIA, PROBABILIDAD
probabilidad para CALIFICACIÓN (X) NÚMERO P1X 2
las calificaciones
en una prueba 5 10 0.1 = 10>100
4 20 0.2 = 20>100
3 30 0.3 = 30>100
2 30 0.3 = 30>100
1 10 0.1 = 10>100
Total 100 1.0 = 100>100

2.6 DISTRIBUCIONES DE PROBABILIDAD 35
FIGURA 2.4 0.4

Distribución
de probabilidad
para la clase
0.3
del Dr. Shannon
P (X)
0.2
0.1
0
1 2 3 4 5
X
donde
Xi = valores posibles de la variable aleatoria
P(Xi) = probabilidad de cada uno de los posibles valores de la variable aleatoria
n
g = signo de suma que indica que estamos sumando todos los n valores posibles
i=1
E(X) = valor esperado o media de la variable aleatoria
El valor esperado o la media de cualquier distribución de probabilidad discreta se calcula al multipli-

car cada valor posible de la variable aleatoria, Xi, por la probabilidad, P 1Xi2, de que ese resultado ocurra
para, después, sumar los resultados, g. A continuación se presenta la forma en que se calcula el valor espe-
rado para las puntuaciones en la prueba:
5
E1X2 = g XiP1Xi2
i=1
= X1P1X12 + X2P1X22 + X3P1X32 + X4P1X42 + X5P1X52

= (5)(0.1) + (4)(0.2) + (3)(0.3) + (2)(0.3) + (1)(0.1)
= 2.9
El valor esperado de 2.9 es la calificación media en la prueba.
Varianza de una distribución de probabilidad discreta

Además de la tendencia central de una distribución de probabilidad, la mayoría de las personas están in-
teresadas en la variabilidad o la dispersión de la distribución. Si la variabilidad es baja, es mucho más
probable que el resultado de un experimento será cercano al valor promedio o esperado. Por otro lado, si la
variabilidad de la distribución es alta, lo cual implica que la probabilidad se extiende sobre distintos valo-
res de las variables aleatorias, hay menos probabilidad de que el resultado de un experimento sea cercano
al valor esperado.
La varianza de una distribución de probabilidad es un número que revela el esparcimiento global o la
Con frecuencia, una distribución de dispersión de la distribución. Para una distribución de probabilidad discreta, la varianza se puede calcular
probabilidad se describe mediante mediante la siguiente ecuación:
su media y su varianza. Incluso si la n
mayoría de los hombres en la clase s2 = Varianza = g 3Xi - E1X24 2P1Xi2 (2-7)
(o en Estados Unidos) tienen alturas i=1
entre 5 pies 6 pulgadas y 6 pies donde
2 pulgadas, queda alguna pequeña
probabilidad de que existan valores Xi = valores posibles de la variable aleatoria
atípicos. E1X2 = valor esperado de la variable aleatoria
3Xi - E1X24 = diferencia entre cada valor de la variable aleatoria y el valor esperado
P1Xi2 = probabilidad de cada valor posible de la variable aleatoria

Para calcular la varianza, cada valor de la variable aleatoria se resta del valor esperado, se eleva al
cuadrado y se multiplica por la probabilidad de ocurrencia de ese valor. Después, los resultados se suman
para obtener la varianza. A continuación se presenta la forma de realizar este procedimiento con las califi-
caciones de la prueba del Dr. Shannon:
5
Varianza = g 3Xi - E1X24 2P1Xi2
i=1
Varianza = 1 5 - 2.92 21 0.12 + 1 4 - 2.92 2 10.22 + 13 - 2.92 2 10.32 + 1 2 - 2.92 2 1 0.32

+ 11 - 2.92 2 10.12
= 12.12 210.12 + 11.12 2 10.22 + 10.12 2 10.32 + 1-0.92 2 10.32 + 1-1.92 2 10.12
= 0.441 + 0.242 + 0.003 + 0.243 + 0.361
= 1.29
Una medida de dispersión o esparcimiento relacionada es la desviación estándar. Esta cantidad tam-
bién se utiliza en muchos cálculos involucrados con distribuciones de probabilidad. La desviación estándar
es la raíz cuadrada de la varianza:
s = 1Varianza = 2s2 (2-8)

donde
1 = raíz cuadrada
s = desviación estándar
La desviación estándar de la variable aleatoria X en el ejemplo es
s = 1Varianza
= 11.29 = 1.14
Estos cálculos se realizan fácilmente en Excel. El programa 2.1A proporciona el resultado para este ejem-
plo. El programa 2.1B muestra las entradas y las fórmulas en Excel para el cálculo de la media, la varianza
y la desviación estándar en este ejemplo.
Distribución de probabilidad de una variable aleatoria continua

Hay muchos ejemplos de variables aleatorias continuas. El tiempo que toma terminar un proyecto, el
número de onzas en un barril de mantequilla, la temperatura más alta durante un día específico, la longitud
exacta de un determinado tipo de madera para construcción y el peso de un vagón de ferrocarril cargado
con carbón son ejemplos de variables aleatorias continuas. Dado que las variables aleatorias pueden tomar
un número infinito de valores, es necesario modificar las reglas de probabilidad fundamentales para las
variables aleatorias continuas.
Al igual que con las distribuciones de probabilidad discretas, la suma de los valores de probabilidad
debe ser igual a 1. Sin embargo, debido a que hay un número infinito de valores de las variables aleatorias,
la probabilidad de ocurrencia de cada valor de la variable aleatoria debe ser 0. Si los valores de probabili-
dad para los valores de las variables aleatorias fueran mayores que 0, la suma sería infinitamente grande.
PROGRAMA 2.1A
Resultado en Excel 2013
para el ejemplo del
Dr. Shannon
PROGRAMA 2.1B
Fórmulas en una hoja de
cálculo de Excel para el
ejemplo del Dr. Shannon

2.7 LA DISTRIBUCIÓN BINOMIAL 37
FIGURA 2.5
Gráfica de una función
de densidad de muestra
Probabilidad
5.06 5.10 5.14 5.18 5.22 5.26 5.30

Peso (gramos)
Para cada distribución de probabilidad continua, existe una función matemática continua que des-
Una función de densidad de cribe la distribución de probabilidad. Esta función se llama función de densidad de probabilidad o, sim-
probabilidad, f(X), es una forma plemente, función de probabilidad. Por lo general, se representa mediante f 1X 2. Cuando se trabaja con
matemática de describir la distribuciones de probabilidad continuas, la función de probabilidad se puede representar gráficamente, y
distribución de probabilidad. el área debajo de la curva constituye la probabilidad. Por lo tanto, para encontrar cualquier probabilidad,
simplemente encontramos el área bajo la curva asociada dentro del rango de interés.
En la figura 2.5 ahora observemos el bosquejo de una función de densidad de muestra. Esta curva
representa la función de densidad de probabilidad para el peso de una pieza maquinada en particular. El
peso puede variar de 5.06 a 5.30 gramos, siendo más probables los pesos alrededor de 5.18 gramos. El área
sombreada representa la probabilidad de que el peso esté entre 5.22 y 5.26 gramos.
Si deseamos conocer la probabilidad de una pieza que pesa exactamente 5.1300000 gramos, por
ejemplo, habría que calcular el área de una línea de ancho 0. Desde luego, esto sería igual a 0. El resultado
anterior quizá parezca extraño, pero si insistimos en suficientes posiciones decimales de precisión, estamos
obligados a encontrar que el peso será diferente de 5.1300000 gramos exactamente, en una cantidad muy
pequeña.
Esto es importante porque significa que, para cualquier distribución continua, la probabilidad no cam-
bia si se agrega un solo punto al rango de valores que se está considerando. En la figura 2.5, esto significa
que las siguientes probabilidades son exactamente iguales:
P15.22 6 X 6 5.262 = P15.22 6 X 6 5.262 = P15.22 … X 6 5.262
= P15.22 … X … 5.262
La inclusión o exclusión de cualquiera de los valores extremos (5.22 o 5.26) no tiene impacto en la
probabilidad.
En esta sección, hemos investigado las características y propiedades fundamentales de las distribucio-
nes de probabilidad en general. En las tres secciones siguientes, presentamos tres distribuciones continuas
importantes: la distribución normal, la distribución F y la distribución discreta; así como dos distribucio-
nes discretas: la distribución de Poisson y la distribución binomial.
2.7 La distribución binomial

Muchos experimentos de negocios se pueden caracterizar mediante el proceso de Bernoulli. La probabilidad
de obtener resultados específicos en un proceso de Bernoulli está descrita por la distribución de probabili-
dad binomial. Para ser un proceso de Bernoulli, un experimento debe tener las siguientes características:
1. Cada ensayo en un proceso de Bernoulli tiene sólo dos resultados posibles. Éstos suelen llamarse un
éxito y un fracaso, aunque otros ejemplos podrían ser sí o no, cara o cruz, pasar o fallar, defectuoso
o correcto, etcétera.
2. La probabilidad sigue siendo la misma de un ensayo a otro.
3. Los ensayos son estadísticamente independientes.
4. El número de ensayos es un entero positivo.
Un ejemplo común de este proceso es el lanzamiento de una moneda al aire.

La distribución binomial se utiliza para encontrar la probabilidad de ocurrencia de un determinado

número de éxitos en n ensayos de un proceso de Bernoulli. Para encontrar esta probabilidad, es necesario
saber lo siguiente:
n = el número de ensayos
p = la probabilidad de un éxito en cualquier ensayo único
Sean
r = el número de éxitos
q = 1 - p = la probabilidad de un fracaso
La fórmula binomial es
n!
Probabilidad de r éxitos en n ensayos = p r q n-1 (2-9)
r!1n - r2!
El símbolo ! significa factorial, y n! = n1n - 12 1n - 22 … (1). Por ejemplo,
4! = 142 132 122 112 = 24
Además, 1! = 1 y 0! = 1 por definición.
Resolución de problemas con la fórmula binomial

Un ejemplo común de una distribución binomial consiste en lanzar una moneda y contar el número de
caras. Por ejemplo, si deseamos encontrar la probabilidad de 4 caras en 5 lanzamientos de una moneda,
tendríamos
n = 5, r = 4, p = 0.5 y q = 1 - 0.5 = 0.5
Así,
5!
P 14 éxitos en 5 ensayos2 = 0.540.55 - 4
4!15 - 42 !
5142 132 122 112
= 10.06252 10.52 = 0.15625
4132 122 112 11!2
Por lo tanto, la probabilidad de 4 caras en 5 lanzamientos de una moneda es 0.15625, o aproximadamente
16 por ciento.
Al utilizar la ecuación 2-9, también es posible encontrar toda la distribución de probabilidad (todos
los valores posibles para r y las probabilidades correspondientes) de un experimento binomial. En la tabla
2.8 se muestra la distribución de probabilidad para el número de caras en 5 lanzamientos de una moneda
legal; asimismo, en la figura 2.6 se muestra la gráfica correspondiente.
TABLA 2.8 5!
NÚMERO DE CARAS PROBABILIDAD 5 10.52 r 10.52 5 - r
Distribución de (r) r! 1 5 2 r 2 !
probabilidad binomial
para n 5 5 y p 5 0.50 0 5!
0.03125 = 10.52 0 10.52 5 - 0
0!15 - 02!
1 5!
0.15625 = 10.52 1 10.52 5 - 1
1!15 - 12!
2 5!
0.31250 = 10.52 2 10.52 5 - 2
2!15 - 22!
3 5!
0.31250 = 10.52 3 10.52 5 - 3
3!15 - 32!
4 5!
0.15625 = 10.52 4 10.52 5 - 4
4!15 - 42!
5 5!
0.03125 = 10.52 5 10.52 5 - 5
5!15 - 52!

2.7 LA DISTRIBUCIÓN BINOMIAL 39
FIGURA 2.6 0.4

Distribución de
Probabilidad, P (r)
probabilidad binomial 0.3
para n 5 5 y p 5 0.50
0.2
0.1
0
1 2 3 4 5 6
Valores de r (número de éxitos)
Resolución de problemas con tablas binomiales

MSA Electronics está experimentando con la fabricación de un nuevo tipo de transistor que es muy
difícil de producir en masa a un nivel de calidad aceptable. Cada hora, un supervisor toma una muestra
aleatoria de 5 transistores producidos en la línea de ensamble. Se considera que la probabilidad de que
cualquier transistor esté defectuoso es 0.15. MSA quiere conocer la probabilidad de encontrar 3, 4 o 5
transistores con defectos, si el verdadero porcentaje de defectuosos es 15 por ciento.
Para este problema, n = 5, p = 0.15 y r = 3, 4 o 5. Aunque podríamos utilizar la fórmula para cada
uno de estos valores, resulta más fácil emplear tablas binomiales. El apéndice B proporciona una tabla bi-
nomial para un amplio rango de valores de n, r y p. En la tabla 2.9 se presenta una parte de este apéndice.
Para encontrar estas probabilidades, buscamos la sección n = 5 y encontramos la columna de p = 0.15. En
TABLA 2.9 Tabla de muestra para la distribución binomial
P
n r 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
1 0 0.9500 0.9000 0.8500 0.8000 0.7500 0.7000 0.6500 0.6000 0.5500 0.5000
1 0.0500 0.1000 0.1500 0.2000 0.2500 0.3000 0.3500 0.4000 0.4500 0.5000
2 0 0.9025 0.8100 0.7225 0.6400 0.5625 0.4900 0.4225 0.3600 0.3025 0.2500
1 0.0950 0.1800 0.2500 0.3200 0.3750 0.4200 0.4550 0.4800 0.4950 0.5000
2 0.0025 0.0100 0.0225 0.0400 0.0625 0.0900 0.1225 0.1600 0.2025 0.2500
3 0 0.8574 0.7290 0.6141 0.5120 0.4219 0.3430 0.2746 0.2160 0.1664 0.1250
1 0.1354 0.2430 0.3251 0.3840 0.4219 0.4410 0.4436 0.4320 0.4084 0.3750
2 0.0071 0.0270 0.0574 0.0960 0.1406 0.1890 0.2389 0.2880 0.3341 0.3750
3 0.0001 0.0010 0.0034 0.0080 0.0156 0.0270 0.0429 0.0640 0.0911 0.1250
4 0 0.8145 0.6561 0.5220 0.4096 0.3164 0.2401 0.1785 0.1296 0.0915 0.0625
1 0.1715 0.2916 0.3685 0.4096 0.4219 0.4116 0.3845 0.3456 0.2995 0.2500
2 0.0135 0.0486 0.0975 0.1536 0.2109 0.2646 0.3105 0.3456 0.3675 0.3750
3 0.0005 0.0036 0.0115 0.0256 0.0469 0.0756 0.1115 0.1536 0.2005 0.2500
4 0.0000 0.0001 0.0005 0.0016 0.0039 0.0081 0.0150 0.0256 0.0410 0.0625
5 0 0.7738 0.5905 0.4437 0.3277 0.2373 0.1681 0.1160 0.0778 0.0503 0.0313
1 0.2036 0.3281 0.3915 0.4096 0.3955 0.3602 0.3124 0.2592 0.2059 0.1563
2 0.0214 0.0729 0.1382 0.2048 0.2637 0.3087 0.3364 0.3456 0.3369 0.3125
3 0.0011 0.0081 0.0244 0.0512 0.0879 0.1323 0.1811 0.2304 0.2757 0.3125
4 0.0000 0.0005 0.0022 0.0064 0.0146 0.0284 0.0488 0.0768 0.1128 0.1563
5 0.0000 0.0000 0.0001 0.0003 0.0010 0.0024 0.0053 0.0102 0.0185 0.0313
6 0 0.7351 0.5314 0.3771 0.2621 0.1780 0.1176 0.0754 0.0467 0.0277 0.0156
1 0.2321 0.3543 0.3993 0.3932 0.3560 0.3025 0.2437 0.1866 0.1359 0.0938
2 0.0305 0.0984 0.1762 0.2458 0.2966 0.3241 0.3280 0.3110 0.2780 0.2344
3 0.0021 0.0146 0.0415 0.0819 0.1318 0.1852 0.2355 0.2765 0.3032 0.3125
4 0.0001 0.0012 0.0055 0.0154 0.0330 0.0595 0.0951 0.1382 0.1861 0.2344
5 0.0000 0.0001 0.0004 0.0015 0.0044 0.0102 0.0205 0.0369 0.0609 0.0938
6 0.0000 0.0000 0.0000 0.0001 0.0002 0.0007 0.0018 0.0041 0.0083 0.0156

PROGRAMA 2.2A El uso de las celdas de referencia elimina la necesidad

Resultado de Excel para de volver a ingresar la fórmula, si usted cambia un
el ejemplo binomial parámetro como p o r.
PROGRAMA 2.2B La función BINOM.DIST

Función en una hoja de (DISTR.BINOM) (r,n,p,TRUE)
resulta en la probabilidad
cálculo de Excel 2013
acumulada.
para probabilidades
binomiales
la fila donde r = 3, vemos 0.0244. Por lo tanto, P1r = 32 = 0.0244. Del mismo modo, P1r = 42 = 0.0022
y P 1r = 52 = 0.0001. Mediante la suma de estas tres probabilidades, se obtiene la probabilidad de que el
número de defectuosos sea de 3 o más:
P13 o más defectuosos2 = P132 + P142 + P152

= 0.0244 + 0.0022 + 0.0001 = 0.0267
El valor esperado (o media) y la varianza de una variable aleatoria binomial pueden encontrarse con
facilidad. Éstos son
Valor esperado (media) = np (2-10)

Varianza = np11 - p2 (2-11)
El valor esperado y la varianza para el ejemplo de MSA Electronics se calculan como sigue:
Valor esperado = np = 510.252 = 0.75

Varianza = np11 - p2 = 510.152 10.852 = 0.6375
Los programas 2.2A y 2.2B ilustran cómo se utiliza Excel para las probabilidades binomiales.
2.8 La distribución normal

La distribución normal afecta un Una de las distribuciones de probabilidad continua más populares y útiles es la distribución normal.
gran número de procesos en nuestras La función de densidad de probabilidad de esta distribución se representa mediante una fórmula bastante
vidas (por ejemplo, el llenando compleja
de cajas de cereal con 32 onzas de
hojuelas de maíz). Cada distribución - 1x - m2 2
normal depende de su media y su 1 2s2
desviación estándar. f 1X2 = e (2-12)
s 12p
La distribución normal se especifica por completo cuando se conocen los valores de la media, m, y
la desviación estándar, s. En la figura 2.7 se muestran varias distribuciones normales diferentes, con la
misma desviación estándar pero diferentes medias. Como se indica, los diferentes valores de m desplazan
el promedio o centro de la distribución normal. La forma general de la distribución sigue siendo la misma.
Por otro lado, cuando se varía la desviación estándar, la curva normal se aplana o se hace más pronunciada.
Esto se ilustra en la figura 2.8.
A medida que la desviación estándar, s, se vuelve más pequeña, la distribución normal se hace más
pronunciada. Cuando la desviación estándar se hace más grande, la distribución normal tiene una tenden-
cia a aplanarse o a volverse más ancha.

2.8 LA DISTRIBUCIÓN NORMAL 41
FIGURA 2.7
Distribución normal
con valores diferentes
para M
40 m 50 60
m más pequeña, misma s
m 40 50 60
m más grande, misma s
40 50 m 60
FIGURA 2.8
Distribución normal
con valores diferentes
para S
Misma m, s más pequeña
Misma m, s más grande
EN ACCIÓN Evaluaciones de probabilidad de los campeones del curling
o fin tiene la ventaja en el siguiente fin para ser el último equipo en

L as probabilidades se utilizan todos los días en las actividades de-
portivas. En muchos eventos deportivos, hay preguntas que implican
deslizar la piedra. Se dice que este equipo “tiene el tiro”. Se realizó
una encuesta entre un grupo de expertos en curling, incluyendo a
estrategias que deben responderse para proporcionar la mejor opor- varios excampeones del mundo. En esta encuesta, alrededor de 58%
tunidad de ganar el juego. En el béisbol, ¿debería un bateador espe- de los encuestados favoreció tener el tiro y estar abajo por un punto
cífico recibir una base por bolas intencional en situaciones clave al al entrar a la ronda final. Sólo cerca de 42% prefiere estar por delante
final del partido? En el fútbol americano, ¿debería elegir un equipo y no tener el tiro.
intentar la conversión de dos puntos después de un touchdown? También se recabaron datos de 1985 a 1997 en los campeonatos
En el fútbol soccer, ¿debería un tiro penal siempre patearse directa- canadienses de curling varonil (también llamado Brier). Con base en
mente hacia el portero? En el curling, en la última ronda, o “fin” de los resultados obtenidos durante este periodo de tiempo, es mejor
un juego, ¿es mejor estar detrás por un punto y tener tiro o es mejor estar adelante por un punto y no tener el tiro al final de la novena
estar adelante por un punto y no tener tiro? Se hizo un intento de ronda, que estar detrás por un punto y tener el tiro —como muchas
responder a esta última pregunta. personas prefieren—. Esto difiere de los resultados de la encuesta. Al
En el curling, una roca de granito, o “piedra”, se desliza sobre parecer, los campeones del mundo y otros expertos prefieren tener
una capa de hielo de 14 pies de ancho y 146 pies de largo. Cuatro más control de su destino al tener el tiro, a pesar de que esto los
jugadores en cada uno de los dos equipos se alternan para deslizar la ponga en una situación desfavorable.
piedra, tratando de llegar lo más cerca posible del centro de un círculo
llamado “casa” o “diana”. Suma puntos el equipo con la piedra más Fuente: Basado en Keith A. Willoughby y Kent J. Kostuk. “Preferred Scena-
cercana a la casa. El equipo que está detrás al completar una ronda rios in the Sport of Curling”, Interfaces 34, 2 (marzo-abril de 2004): 117-122.

Área bajo la curva normal

Debido a que la distribución normal es simétrica, su punto medio (y el más alto) se encuentra en la media.
Entonces, los valores en el eje X se miden en términos de la cantidad de desviaciones estándar a las que se
encuentran a partir de la media. Como se recordará de nuestro estudio previo sobre distribuciones de pro-
babilidad, el área bajo la curva (en una distribución continua) describe la probabilidad de que una variable
aleatoria tenga un valor en un intervalo específico. Cuando se trata de una distribución uniforme, es fácil
calcular el área entre cualesquiera puntos a y b. La distribución normal requiere cálculos matemáticos más
allá del alcance de este libro, pero las tablas que proporcionan áreas o probabilidades se pueden utilizar
con facilidad.
Uso de la tabla normal estándar

Cuando se buscan probabilidades para la distribución normal, lo mejor es trazar la curva normal y som-
brear el área correspondiente a la probabilidad que se busca. Después, se puede utilizar la tabla de distribu-
ción normal para encontrar las probabilidades siguiendo dos pasos.
Paso 1. Convierta la distribución normal a lo que se denomina una distribución normal estándar. Una
distribución normal estándar tiene una media de 0 y una desviación estándar de 1. Todas las tablas normales
están configuradas para manejar variables aleatorias con m = 0 y s = 1. Sin una distribución normal están-
dar, se necesitaría una tabla diferente para cada par de valores m y s. La nueva variable aleatoria estándar se
llama Z. El valor de Z para cualquier distribución normal se calcula a partir de esta ecuación:
X - m
Z = (2-13)
s
donde
X = valor de la variable aleatoria que queremos medir
m = media de la distribución
s = desviación estándar de la distribución
Z = número de desviaciones estándar desde X hasta la media, m
Por ejemplo, si m = 100, s = 15, y estamos interesados en encontrar la probabilidad de que la varia-
ble aleatoria X (CI) sea inferior a 130, queremos P1X 6 1302:
X - m 130 - 100
Z = =
s 15
30
= = 2 desviaciones estándar
15
Esto significa que el punto X está 2.0 desviaciones estándar a la derecha de la media. Lo anterior se mues-
tra en la figura 2.9.
FIGURA 2.9
Distribución normal que
muestra la relación entre
los valores de Z y de X
m 100
P(X 130) s 15
X CI
55 70 85 100 115 130 145
m
x–m
Z s
–3 –2 –1 0 1 2 3

Paso 2. Busque la probabilidad en una tabla de áreas de la curva normal. La tabla 2.10, que también apa-
rece en el apéndice A, es una tabla de áreas para la distribución normal estándar de este tipo, que propor-
ciona el área bajo la curva a la izquierda de cualquier valor especificado de Z.
Ahora veremos cómo se puede utilizar la tabla 2.10. La columna de la izquierda lista los valores de Z,
donde el segundo lugar decimal de Z aparece en la fila superior. Por ejemplo, para un valor de Z = 2.00,
como el que se acaba de calcular, encuentre 2.0 en la columna de la izquierda y 0.00 en la fila superior. En
el cuerpo de la tabla, vemos que el área buscada es 0.97725, o 97.7%. Por consiguiente,
P1X 6 1302 = P1Z 6 2.002 = 97.7%
Esto sugiere que si la puntuación media del CI es de 100, con una desviación estándar de 15 puntos,
la probabilidad de que el CI de una persona seleccionada al azar sea menor que 130 es de 97.7%. Ésta es
también la probabilidad de que el CI sea menor o igual a 130. Para encontrar la probabilidad de que el CI
sea superior a 130, simplemente señalamos que ésta es el complemento del evento anterior y que el área
total bajo la curva (la probabilidad total) es 1. Por lo tanto,
P1X 7 1302 = 1 - P1X … 1302 = 1 - P1Z … 22 = 1 - 0.97725 = 0.02275
Dado que la tabla 2.10 no proporciona valores de Z negativos, es posible emplear la simetría de la dis-
Para asegurarse de que entiende el
concepto de simetría en la tabla 2.10, tribución normal para encontrar probabilidades asociadas con valores de Z negativos. Por ejemplo,
trate de encontrar la probabilidad tal P1Z 6 -22 = P1Z 7 22.
que P1X 6 852. Observe que la tabla Para sentirnos cómodos con el uso de la tabla de probabilidad normal estándar, es necesario traba-
normal estándar muestra únicamente jar algunos ejemplos más. A continuación usamos la compañía Haynes Construction como un caso de
valores de Z positivos. aplicación.
Ejemplo de la compañía Haynes Construction

La compañía Haynes Construction construye principalmente edificios de apartamentos de tres y cuatro
unidades (llamados tríplex y cuádruplex) para inversionistas, y se cree que el tiempo total de construcción
en días sigue una distribución normal. El tiempo medio para construir un tríplex es de 100 días, y la desvia-
ción estándar es de 20 días. Recientemente, el presidente de Haynes Construction firmó un contrato para
completar un tríplex en 125 días. Si el tríplex no quedara terminado en 125 días la compañía enfrentaría
multas severas. ¿Cuál es la probabilidad de que Haynes Construction no incumpla su contrato de construc-
ción? La distribución normal para la construcción de tríplex se muestra en la figura 2.10.
Para calcular esta probabilidad, debemos encontrar el área sombreada bajo la curva. Comencemos
calculando la Z para este problema:
X - m
Z =
s
125 - 100
=
20
25
= = 1.25
20
Al buscar en la tabla 2.10 un valor de Z de 1.25, nos encontramos con una área bajo la curva de
0.89435. (Lo anterior lo hicimos buscando 1.2 en la columna de la izquierda de la tabla, para después pasar
a la columna de 0.05 y encontrar el valor para Z = 1.25). Por lo tanto, la probabilidad de no incumplir el
contrato es de 0.89435, o aproximadamente 89% de posibilidades.
FIGURA 2.10
Distribución normal para P (X 125)
Haynes Construction
0.89435
m 100 días X 125 días
s 20 días
Z 1.25

TABLA 2.10 Función de distribución normal estandarizada
ÁREA BAJO LA CURVA NORMAL

Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 .50000 .50399 .50798 .51197 .51595 .51994 .52392 .52790 .53188 .53586
0.1 .53983 .54380 .54776 .55172 .55567 .55962 .56356 .56749 .57142 .57535
0.2 .57926 .58317 .58706 .59095 .59483 .59871 .60257 .60642 .61026 .61409
0.3 .61791 .62172 .62552 .62930 .63307 .63683 .64058 .64431 .64803 .65173
0.4 .65542 .65910 .66276 .66640 .67003 .67364 .67724 .68082 .68439 .68793
0.5 .69146 .69497 .69847 .70194 .70540 .70884 .71226 .71566 .71904 .72240
0.6 .72575 .72907 .73237 .73565 .73891 .74215 .74537 .74857 .75175 .75490
0.7 .75804 .76115 .76424 .76730 .77035 .77337 .77637 .77935 .78230 .78524
0.8 .78814 .79103 .79389 .79673 .79955 .80234 .80511 .80785 .81057 .81327
0.9 .81594 .81859 .82121 .82381 .82639 .82894 .83147 .83398 .83646 .83891
1.0 .84134 .84375 .84614 .84849 .85083 .85314 .85543 .85769 .85993 .86214
1.1 .86433 .86650 .86864 .87076 .87286 .87493 .87698 .87900 .88100 .88298
1.2 .88493 .88686 .88877 .89065 .89251 .89435 .89617 .89796 .89973 .90147
1.3 .90320 .90490 .90658 .90824 .90988 .91149 .91309 .91466 .91621 .91774
1.4 .91924 .92073 .92220 .92364 .92507 .92647 .92785 .92922 .93056 .93189
1.5 .93319 .93448 .93574 .93699 .93822 .93943 .94062 .94179 .94295 .94408
1.6 .94520 .94630 .94738 .94845 .94950 .95053 .95154 .95254 .95352 .95449
1.7 .95543 .95637 .95728 .95818 .95907 .95994 .96080 .96164 .96246 .96327
1.8 .96407 .96485 .96562 .96638 .96712 .96784 .96856 .96926 .96995 .97062
1.9 .97128 .97193 .97257 .97320 .97381 .97441 .97500 .97558 .97615 .97670
2.0 .97725 .97778 .97831 .97882 .97932 .97982 .98030 .98077 .98124 .98169
2.1 .98214 .98257 .98300 .98341 .98382 .98422 .98461 .98500 .98537 .98574
2.2 .98610 .98645 .98679 .98713 .98745 .98778 .98809 .98840 .98870 .98899
2.3 .98928 .98956 .98983 .99010 .99036 .99061 .99086 .99111 .99134 .99158
2.4 .99180 .99202 .99224 .99245 .99266 .99286 .99305 .99324 .99343 .99361
2.5 .99379 .99396 .99413 .99430 .99446 .99461 .99477 .99492 .99506 .99520
2.6 .99534 .99547 .99560 .99573 .99585 .99598 .99609 .99621 .99632 .99643
2.7 .99653 .99664 .99674 .99683 .99693 .99702 .99711 .99720 .99728 .99736
2.8 .99744 .99752 .99760 .99767 .99774 .99781 .99788 .99795 .99801 .99807
2.9 .99813 .99819 .99825 .99831 .99836 .99841 .99846 .99851 .99856 .99861
3.0 .99865 .99869 .99874 .99878 .99882 .99886 .99889 .99893 .99896 .99900
3.1 .99903 .99906 .99910 .99913 .99916 .99918 .99921 .99924 .99926 .99929
3.2 .99931 .99934 .99936 .99938 .99940 .99942 .99944 .99946 .99948 .99950
3.3 .99952 .99953 .99955 .99957 .99958 .99960 .99961 .99962 .99964 .99965
3.4 .99966 .99968 .99969 .99970 .99971 .99972 .99973 .99974 .99975 .99976
3.5 .99977 .99978 .99978 .99979 .99980 .99981 .99981 .99982 .99983 .99983
3.6 .99984 .99985 .99985 .99986 .99986 .99987 .99987 .99988 .99988 .99989
3.7 .99989 .99990 .99990 .99990 .99991 .99991 .99992 .99992 .99992 .99992
3.8 .99993 .99993 .99993 .99994 .99994 .99994 .99994 .99995 .99995 .99995
3.9 .99995 .99995 .99996 .99996 .99996 .99996 .99996 .99996 .99997 .99997

FIGURA 2.11
Probabilidad de que
Haynes reciba el bono P(X 75 días)
por terminar en 75 días Área de
interés 0.89435
o menos
X 75 días m 100 días
Z 1.25
Ahora veamos el problema de Haynes desde otra perspectiva. Si la empresa termina este tríplex en
75 días o menos, se le otorgará una bonificación de $5,000. ¿Cuál es la probabilidad de que Haynes reciba
este bono?
En la figura 2.11 se ilustra la probabilidad que estamos buscando en el área sombreada. De nuevo, el
primer paso es calcular el valor de Z:
X - m
Z =
s
75 - 100
=
20
-25
= = -1.25
20
Este valor de Z indica que 75 días está -1.25 desviaciones estándar a la izquierda de la media. Pero la tabla
normal estándar está estructurada para manejar sólo valores de Z positivos. Para resolver este problema, se
observa que la curva es simétrica. La probabilidad de que Haynes termine en 75 días o menos equivale a la
probabilidad de que termine en más de 125 días. Hace un momento (en la figura 2.10) encontramos la pro-
babilidad de que Haynes termine en menos de 125 días. Ese valor es 0.89435. Por lo tanto, la probabilidad
de que se requieran más de 125 días es
P1X 7 1252 = 1.0 - P1X … 1252

= 1.0 - 0.89435 = 0.10565
Así, la probabilidad de completar el tríplex en 75 días o menos es 0.10565, o alrededor de 11 por ciento.
Un ejemplo final: ¿cuál es la probabilidad de que la terminación del tríplex requiera entre 110 y 125
días? Vemos en la figura 2.12 que
P1110 6 X 6 1252 = P1X … 1252 - P1X 6 1102
Es decir, el área sombreada en la gráfica se puede calcular buscando la probabilidad de completar el edifi-
cio en 125 días o menos, menos la probabilidad de terminarlo en 110 días o menos.
FIGURA 2.12
Probabilidad de que
Haynes requiera un s 20 días
tiempo de entre 110
y 125 días
100 110 125

m
días días días

PROGRAMA 2.3A
Salida de Excel 2013
para el ejemplo de la
distribución normal
PROGRAMA 2.3B
Función en una hoja de
distribución normal
Recuerde que P1X … 125 días2 es igual a 0.89435. Para encontrar P1X 6 110 días2, seguimos los dos
pasos desarrollados previamente:
X - m 110 - 100 10
1. Z = = =
s 20 20
= 0.5 desviaciones estándar
2. A partir de la tabla 2.10, el área para Z = 0.50 es 0.69146. Así que la probabilidad de que el tríplex
se termine en menos de 110 días es 0.69146. Finalmente,
P1110 … X … 1252 = 0.89435 - 0.69146 = 0.20289
La probabilidad de que se requieran entre 110 y 125 días es de aproximadamente 20%. Los programas
2.3A y 2.3B muestran cómo se utiliza Excel para hacer esto.
La regla empírica
Si bien las tablas de probabilidad para la distribución normal pueden ofrecer probabilidades precisas, mu-
chas situaciones requieren menos precisión. La regla empírica se deriva de la distribución normal y es una
manera fácil de recordar alguna información básica acerca de las distribuciones normales. La regla empí-
rica establece que, para una distribución normal,
aproximadamente 68% de los valores estará dentro de ;1 desviación estándar de la media

aproximadamente 95% de los valores estará dentro de ;2 desviaciones estándar de la media
casi todos los valores (aproximadamente 99.7%) estarán dentro de ;3 desviaciones estándar de la
media
En la figura 2.13 se ilustra la regla empírica. El área desde el punto A hasta el punto B en el primer
dibujo representa la probabilidad, aproximadamente 68%, de que la variable aleatoria esté dentro de ;1
desviación estándar de la media. El dibujo del medio ilustra la probabilidad, aproximadamente 95%, de
que la variable aleatoria esté dentro de ;2 desviaciones estándar de la media. El último dibujo ilustra la
probabilidad, aproximadamente 99.7% (casi toda), de que la variable aleatoria esté dentro de ;3 desvia-
ciones estándar de la media.
2.9 La distribución F
La distribución F es una distribución de probabilidad continua que es útil para probar hipótesis con
respecto a las varianzas. La distribución F se utilizará en el capítulo 4 donde se prueba la significancia
de modelos de regresión. En la figura 2.14 se presenta una gráfica de la distribución F. Al igual que con
una gráfica para cualquier distribución continua, el área debajo de la curva representa la probabilidad.
Observe que para un valor grande de F, la probabilidad es muy pequeña.
El estadístico F es el cociente de dos varianzas muestrales de distribuciones normales independientes.
Cada distribución F tiene dos conjuntos de grados de libertad asociados con ella. Uno de los grados de li-
bertad se asocia con el numerador de la relación, y el otro está asociado con su denominador. Los grados de
libertad se basan en los tamaños de las muestras utilizadas para el cálculo del numerador y el denominador.

2.9 LA DISTRIBUCIÓN F 47
FIGURA 2.13
Probabilidades
aproximadas de
16% 68%
la regla empírica 16%
La figura 2.13 es muy importante

y es necesario que el lector 1s 1s
a m b
comprenda los significados de
las áreas simétricas de ±1, 2 y 3
desviaciones estándar.
Con frecuencia, los administradores

hablan de intervalos de confianza 95%
de 95 y 99%, que se refieren 2.5% 2.5%
aproximadamente a las gráficas
de ±2 y 3 desviaciones estándar.
2s 2s
a m b
0.15% 99.7% 0.15%
3s 3s
a m b
El apéndice D incluye valores de F asociados con la cola superior de la distribución para ciertas pro-
babilidades (denotadas por a) y los grados de libertad para el numerador 1df12 y los grados de libertad para
el denominador 1df22.
Para encontrar el valor de F que se asocia con una probabilidad y unos grados de libertad en particu-
lar, consulte el apéndice D. Se utilizará la siguiente notación:
df1 = grados de libertad para el numerador
df2 = grados de libertad para el denominador
Considere el siguiente ejemplo:
df1 = 5
df2 = 6
a = 0.05
FIGURA 2.14
La distribución F
Fa

FIGURA 2.15
Valor de F para una
probabilidad de 0.05 con
5 y 6 grados de libertad
0.05
F 4.39
PROGRAMA 2.4A
para la distribución F
PROGRAMA 2.4B
Funciones en una hoja
de cálculo de Excel 2013
para la distribución F
Del apéndice D obtenemos
Fa, df1, df2 = F0.05, 5, 6 = 4.39
Esto significa
P1F 7 4.392 = 0.05
La probabilidad de que el valor F sea mayor que 4.39 es muy baja (sólo 5%). Hay una probabilidad
de 95% de que no sea superior a 4.39. Esto se ilustra en la figura 2.15. El apéndice D también presenta
valores de F asociados con a = 0.01. Los programas 2.4A y 2.4B ilustran las funciones de Excel para la
distribución F.
2.10 La distribución exponencial

La distribución exponencial, también llamada distribución exponencial negativa, se utiliza al tratar con
problemas de colas. A menudo, la distribución exponencial describe el tiempo requerido para dar servicio
a un cliente. La distribución exponencial es una distribución continua. Su función de probabilidad está
dada por
f 1X2 = me -mx (2-14)
donde
X = variable aleatoria (tiempos de servicio)
m = número promedio de unidades que la instalación de servicio puede atender en un tiempo específico
e = 2.718 (la base del logaritmo natural)

2.10 LA DISTRIBUCIÓN EXPONENCIAL 49
FIGURA 2.16
f (X)
Distribución exponencial
En la figura 2.16 se muestra la forma general de la distribución exponencial. Es posible demostrar que
su valor esperado y varianza son
1
Valor esperado = = Tiempo de servicio promedio (2-15)
m
1
Varianza = (2-16)
m2
Al igual que con cualquier otra distribución continua, las probabilidades están determinadas por el área
bajo la curva. Para la distribución normal, encontramos el área mediante el uso de una tabla de proba-
bilidades. Para la distribución exponencial, las probabilidades se pueden encontrar utilizando la tecla de
exponente en una calculadora con la siguiente fórmula. La probabilidad de que un tiempo distribuido expo-
nencialmente (X) necesario para atender a un cliente sea menor o igual al tiempo t está dada por la fórmula
P1X … t2 = 1 - e -mt (2-17)
El periodo de tiempo utilizado en la descripción de m determina las unidades para el tiempo t. Por ejemplo,
si m es el número promedio servido por hora, el tiempo t se debe dar en horas. Si m es el número promedio
servido por minuto, el tiempo t se debe dar en minutos.
Ejemplo de Arnold’s Muffler

El taller Arnold’s Muffler instala silenciadores nuevos en automóviles y camiones pequeños. El mecánico
puede instalar silenciadores a una razón aproximada de tres por hora, y este tiempo de servicio se distri-
buye de manera exponencial. ¿Cuál es la probabilidad de que el tiempo para instalar un silenciador nuevo
sea de 1>2 hora o menos? Si se usa la ecuación 2.17, tenemos
X = tiempo de servicio distribuido exponencialmente

m = número promedio de vehículos que se pueden atender por periodo de tiempo = 3 por hora
t = 1>2 hora = 0.5 horas
P1X … 0.52 = 1 - e -310.52 = 1 - e -1.5 = 1 - 0.2231 = 0.7769
En la figura 2.17 se muestra que el área bajo la curva de 0 a 0.5 es 0.7769. Por lo tanto, existe una proba-
bilidad de 78% de que el tiempo no sea mayor que 0.5 horas y una probabilidad de 22% de que el tiempo
sea mayor que esto. Del mismo modo, podríamos encontrar la probabilidad de que el tiempo de servicio
no sea de más de 1>3 de hora o 2>3 de hora, de la manera siguiente:
1
b = 1 - e-3 1 3 2 = 1 - e-1 = 1 - 0.3679 = 0.6321
1
P aX …
3
2
b = 1 - e-3 1 3 2 = 1 - e-2 = 1 - 0.1353 = 0.8647
2
P aX …
3

FIGURA 2.17
2.5
Probabilidad de que
el mecánico instale un
silenciador en 0.5 horas 2
1.5 P(tiempo de servicio 0.5) 0.7769
1
0.7769
0.5
0
0 0.5 1 1.5 2 2.5
PROGRAMA 2.5A
para la distribución
exponencial
PROGRAMA 2.5B
Función en una hoja de
para la distribución
exponencial
Mientras la ecuación 2-17 proporciona la probabilidad de que el tiempo (X) sea menor o igual a un valor t
en particular, la probabilidad de que el tiempo sea mayor que un valor t específico, se encuentra mediante
la observación de que estos dos eventos son complementarios. Por ejemplo, para encontrar la probabilidad
de que el mecánico del taller Arnold’s Muffler requiera más tiempo que 0.5 horas, se tiene
P1X 7 0.52 = 1 - P1X … 0.52 = 1 - 0.7769 = 0.2231
Los programas 2.5A y 2.5B ilustran cómo una función en Excel puede encontrar probabilidades
exponenciales.
2.11 La distribución de Poisson

Una importante distribución de probabilidad discreta es la distribución de Poisson.1 La estudiamos
debido a su papel clave como complemento de la distribución exponencial en la teoría de colas del capí-
tulo 12. La distribución describe situaciones donde los clientes llegan de forma independiente durante un
intervalo de tiempo determinado, y el número de llegadas depende de la duración del intervalo de tiempo.
La distribución de probabilidad Ejemplos de ello son los pacientes que llegan a una clínica de salud, los clientes que llegan a una ventanilla
de Poisson se utiliza en muchos del banco, los pasajeros que llegan a un aeropuerto y las llamadas telefónicas que pasan por un centro de
modelos de colas para representar intercambio.
los patrones de llegada. La fórmula para la distribución de Poisson es
lxe-l
P1X2 = (2-18)
X!
1
Esta distribución, deducida por Siméon Denis Poisson en 1837, se pronuncia “puasón”.

2.11 LA DISTRIBUCIÓN DE POISSON 51
donde
P1X2 = probabilidad de exactamente X llegadas u ocurrencias

l = número promedio de llegadas por unidad de tiempo (la razón media de llegadas).
Se pronuncia “lambda”
e = 2.718, la base del logaritmo natural
X = número de ocurrencias (0, 1, 2, …)
La media y la varianza de la distribución de Poisson son iguales y se calculan simplemente como
Valor esperado = l (2-19)

Varianza = l (2-20)
Con la ayuda de la tabla en el apéndice C, los valores de e -l son fáciles de encontrar. Tales valores se
pueden utilizar en la fórmula para determinar las probabilidades. Por ejemplo, si l = 2, en el apéndice C
encontramos que e -2 = 0.1353. Las probabilidades Poisson de que X sea 0, 1 y 2 cuando l = 2 son las
siguientes:
e-llx
P1X2 =
X!
e-220 10.135321
P102 = = = 0.1353 ≈ 14%
0! 1
e-221 e-22 0.1353122
P112 = = = = 0.2706 ≈ 27%
1! 1 1
e-222 e-24 0.1353142
P122 = = = = 0.2706 ≈ 27%
2! 2112 2
En la figura 2.18 se muestran estas probabilidades, así como otras para l = 2 y l = 4. Observe que las
posibilidades de que 9 o más clientes lleguen en un periodo de tiempo determinado son prácticamente
nulas. Los programas 2.6A y 2.6B ilustran cómo se puede utilizar Excel para encontrar las probabilidades
de Poisson.
Es necesario señalar que las distribuciones exponencial y de Poisson están relacionadas. Si el nú-
mero de ocurrencias durante un periodo de tiempo sigue una distribución de Poisson, entonces el tiempo
entre ocurrencias sigue una distribución exponencial. Por ejemplo, si el número de llamadas telefónicas
que llegan a un centro de servicio al cliente siguiera una distribución de Poisson con una media de 10
llamadas por hora, el tiempo entre cada llamada de teléfono se distribuiría de manera exponencial con un
tiempo medio entre llamadas de 1>10 horas (6 minutos).
FIGURA 2.18
Ejemplo de distribuciones Poisson con L 5 2 y L 5 4
0.30 0.25
0.25 0.20
Probabilidad
Probabilidad
0.20
0.15
0.15
0.10
0.10
0.05 0.05
0.00 0.00
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
X X
Distribución de l 2 Distribución de l 4

PROGRAMA 2.6A
Salida de Excel 2013 para
la distribución de Poisson
PROGRAMA 2.6B
Funciones en una hoja
de cálculo de Excel 2013
para la distribución de
Poisson
Resumen
En este capítulo se presentan los conceptos fundamentales de la pro- También cubrimos los temas de las variables aleatorias, las dis-
babilidad y las distribuciones de probabilidad. Los valores de proba- tribuciones de probabilidad discretas (como la de Poisson y la bino-
bilidad se pueden obtener en forma objetiva o subjetiva. Un valor de mial) y las distribuciones de probabilidad continuas (como la normal,
probabilidad particular debe estar entre 0 y 1, y la suma de todos los la F y la exponencial). Una distribución de probabilidad es cualquier
valores de probabilidad para todos los posibles resultados debe ser enunciado de una función de probabilidad que tiene un conjunto de
igual a 1. Además, los valores de probabilidad y los eventos pueden eventos colectivamente exhaustivos y mutuamente excluyentes. Todas
tener cierto número de propiedades. Entre estas propiedades de los las distribuciones de probabilidad siguen las reglas de probabilidad
eventos están los mutuamente excluyentes, los colectivamente ex- básicas que se mencionaron previamente.
haustivos, los estadísticamente independientes y los estadísticamen- Los temas presentados aquí serán muy importantes en muchos
te dependientes. Las reglas para calcular los valores de probabilidad de los capítulos por venir. Los conceptos básicos de probabilidad y de
dependen de estas propiedades fundamentales. También es posible las distribuciones se utilizan en teoría de decisiones, control de inven-
revisar los valores de probabilidad cuando existe nueva información tarios, análisis de Markov, administración de proyectos, simulación y
disponible. Esto se puede lograr mediante el teorema de Bayes. control estadístico de la calidad.
Glosario
Desviación estándar La raíz cuadrada de la varianza. Enfoque subjetivo Un método para determinar valores de probabi-
Distribución binomial Una distribución discreta que describe el lidad con base en la experiencia o el juicio.
número de éxitos en ensayos independientes de un proceso de Eventos colectivamente exhaustivos Una colección de todos los
Bernoulli. posibles resultados de un experimento.
Distribución de Poisson Una distribución de probabilidad discreta Eventos independientes La situación donde la ocurrencia de un
utilizada en teoría de colas. evento no tiene efecto sobre la probabilidad de ocurrencia de
Distribución de probabilidad El conjunto de todos los valores po- un segundo evento.
sibles de una variable aleatoria y sus probabilidades asociadas. Eventos mutuamente excluyentes Una situación en la cual un solo
Distribución de probabilidad continua Una distribución de proba- evento puede ocurrir en cualquier ensayo o experimento dado.
bilidad de una variable aleatoria continua. Función de densidad de probabilidad La función matemática re-
Distribución de probabilidad discreta Una distribución de proba- presentada por f 1X2 que describe una distribución de probabilidad
bilidad de una variable aleatoria discreta. continua.
Distribución exponencial negativa Una distribución de probabili- Intersección El conjunto de todos los resultados que son comunes
dad continua que describe el tiempo entre llegadas de los clientes a ambos eventos.
a una situación de colas. Método clásico o lógico Una manera objetiva de evaluar probabili-
Distribución F Una distribución de probabilidad continua que es la dades con base en la lógica.
relación de las varianzas de muestras tomadas de dos distribucio- Probabilidad Un enunciado acerca de la posibilidad de que ocu-
nes normales independientes. rra un evento. Se expresa como un valor numérico entre 0 y 1
Distribución normal Una distribución continua en forma de cam- inclusive.
pana que es una función de dos parámetros, la media y la desvia- Probabilidad condicional La probabilidad de un evento que ocurre
ción estándar de la distribución. debido a que otro ya ha sucedido.
Enfoque de la frecuencia relativa Una forma objetiva de determi- Probabilidad conjunta La probabilidad de eventos que ocurren
nar probabilidades con base en la observación de frecuencias en juntos (o uno después del otro).
un número de ensayos. Probabilidad previa Un valor de probabilidad determinado antes
Enfoque objetivo Un método para determinar valores de probabili- de obtener información nueva o adicional. En ocasiones se deno-
dad con base en datos históricos o en la lógica. mina como estimación de probabilidad a priori.

ECUACIONES CLAVE 53
Probabilidad revisada o posterior Un valor de probabilidad que Variable aleatoria Una variable que asigna un número a cada posi-
resulta de información nueva o revisada y de las probabilidades ble resultado de un experimento.
previas. Variable aleatoria continua Una variable aleatoria que puede to-
Proceso de Bernoulli Un proceso con dos resultados posibles en mar un conjunto de valores infinito o ilimitado.
cada ensayo de una serie de ensayos independientes, donde las Variable aleatoria discreta Una variable aleatoria que solamente
probabilidades de los resultados no cambian. puede tomar un conjunto de valores finito o limitado.
Teorema de Bayes Una fórmula que se utiliza para revisar probabi- Varianza Una medida de la dispersión o el esparcimiento de la dis-
lidades con base en información nueva. tribución de probabilidad.
Unión El conjunto de todos los resultados que están contenidos en
cualquiera de dos eventos.
Valor esperado El promedio (ponderado) de una distribución de
probabilidad.
Ecuaciones clave
(2-1) 0 … P1evento2 … 1 (2-11) Varianza = np11 - p2
Un enunciado básico de probabilidad. La varianza de la distribución binomial.
(2-2) P1A o B2 = P1A2 + P1B2 - P1A y B2 - 1x - m2 2
1 2s2
Probabilidad de la unión de dos eventos. (2-12) f 1 X2 = e
s 12p
P1AB2
(2-3) P1A u B2 = La función de densidad para la distribución de probabilidad
P1 B2
normal.
Probabilidad condicional. X - m
(2-13) Z =
(2-4) P1AB2 = P1A u B2 P1B2 s
Probabilidad de la intersección de dos eventos. Una ecuación que calcula el número de desviaciones están-
dar, Z, a las que está el punto X de la media m.
P1B A2P1A2
(2-5) P1A u B2 =
P1B A2P1A2 + P1B A′2P1A′ 2 (2-14) f 1X2 = me -mx
Teorema de Bayes en forma general. La distribución exponencial.

n 1
(2-6) E1X2 = g Xi P1Xi2
(2-15) Valor esperado =
m
i=1
Una ecuación que calcula el valor esperado (media) de una El valor esperado de una distribución exponencial.
distribución de probabilidad discreta. 1
(2-16) Varianza =
n m2
(2-7) s2 = Varianza = g 3Xi - E1X2 4 2 P1Xi2
i=1 La varianza de una distribución exponencial.
Una ecuación que calcula la varianza de una distribución (2-17) P1X … t2 = 1 - e -mt
de probabilidad discreta.
Fórmula para encontrar la probabilidad de que una variable
(2-8) s = 1Varianza = 2s2 aleatoria exponencial (X) sea menor o igual al tiempo t.
Una ecuación que calcula la desviación estándar a partir de lxe-l
la varianza. (2-18) P1X2 =
X!
n!
(2-9) Probabilidad de r éxitos en n ensayos = pr qn - r La distribución de Poisson.
r!1n - r 2!
(2-19) Valor esperado = l
Una fórmula que calcula probabilidades para la distribución
de probabilidad binomial. La media de una distribución de Poisson.
(2-10) Valor esperado (media) = np (2-20) Varianza = l
El valor esperado de la distribución binomial. La varianza de una distribución de Poisson.

Problemas resueltos
Problema resuelto 2-1

En los últimos 30 días, Roger’s Rural Roundup ha vendido 8, 9, 10 u 11 billetes de lotería. Nunca vendió menos de 8
ni más de 11. Si se supone que el pasado es similar al futuro, determine las probabilidades para el número de billetes
vendidos, si las ventas fueron de 8 billetes en 10 días, 9 billetes en 12 días, 10 billetes en 6 días y 11 billetes en 2 días.
Solución
VENTAS NÚM. DE DÍAS PROBABILIDAD
8 10 0.333
9 12 0.400
10 6 0.200
11 2 0.067
Total 30 1.000

Una clase consta de 30 estudiantes. Diez son mujeres (F) y ciudadanos estadounidenses (U); 12 son hombres (M) y
ciudadanos estadounidenses; 6 son mujeres y no estadounidenses (N); 2 son hombres y no estadounidenses.
Se selecciona un nombre al azar de la lista de la clase y resulta ser una mujer. ¿Cuál es la probabilidad de que
la estudiante sea ciudadana estadounidense?
Solución
P1 FU 2 =>30 = 0.333
10
P1 FN 2 >30 = 0.200
= 6
P1MU 2 =
12
>30 = 0.400
P1MN 2 2
>30 = 0.067
=
P1F2 =
P1FU 2 + P1FN 2 = 0.333 + 0.200 = 0.533
P1M2 =
P1MU 2 + P1MN 2 = 0.400 + 0.067 = 0.467
P1U 2 =
P1FU 2 + P1MU 2 = 0.333 + 0.400 = 0.733
P1N 2 =
P1FN 2 + P1MN 2 = 0.200 + 0.067 = 0.267
P1FU 2 0.333
P1U F 2 = = = 0.625
P1F 2 0.533

Su profesor le dice que si consigue una calificación de 85 o más en el examen parcial, tendrá una probabilidad de
90% de obtener una A en el curso. Usted cree que tiene solamente un 50% de posibilidades de conseguir 85 o más
en el examen parcial. Encuentre la probabilidad de que tanto su calificación sea 85 o más en el parcial y obtenga
una A en el curso.
Solución
P 1A y 852 = P1A u 852 * P1852 = 10.902 10.502
= 45%

Se preguntó a los estudiantes de una clase de estadística si creían que todos los exámenes del lunes siguiente a la
victoria en el partido de fútbol sobre su archirrival deberían posponerse automáticamente. Los resultados fueron los
siguientes:
Muy de acuerdo 40
De acuerdo 30
Neutral 20
En desacuerdo 10
Muy en desacuerdo 0
100

PROBLEMAS RESUELTOS 55
Transforme esto en una puntuación numérica, utilizando la siguiente escala para una variable aleatoria, y en-
cuentre una distribución de probabilidad de los resultados:
Muy de acuerdo 5
De acuerdo 4
Neutral 3
En desacuerdo 2
Muy en desacuerdo 1
Solución
RESULTADO PROBABILIDAD, P1X 2
Muy de acuerdo (5) 0.4 = 40>100
De acuerdo (4) 0.3 = 30>100
Neutral (3) 0.2 = 20>100
En desacuerdo (2) 0.1 = 10>100
Muy en desacuerdo (1) 0.0 = 0>100
Total 1.0 = 100>100

Para el problema resuelto 2-4, sea X la puntuación numérica. Calcule el valor esperado de X.
Solución
5
E1 X2 = g XiP1Xi 2 = X1P1X1 2 + X2P1X2 2
i=1
+ X3P1 X3 2 + X4P1X4 2 + X5P1 X5 2
= 510.42 + 410.32 + 310.22 + 210.12 + 1102
= 4.0

Calcule la varianza y la desviación estándar de la variable aleatoria X en los problemas resueltos 2-4 y 2-5.
Solución
5
Varianza = g 1Xi - E1X2 2 2P1 Xi 2
i=1
= 15 - 42 2 10.42 + 14 - 42 2 10.32 + 13 - 42 2 10.22 + 12 - 42 2 10.12 + 11 - 42 2 10.02
= 112 2 10.42 + 102 2 10.32 + 1 -12 2 10.22 + 1 -22 2 1 0.12 + 1 -32 2 1 0.02
= 0.4 + 0.0 + 0.2 + 0.4 + 0.0 = 1.0
La desviación estándar es
s = 1Varianza = 11 = 1

Una candidata a un cargo público ha afirmado que 60% de los electores votará por ella. Si se muestrearon 5 votan-
tes registrados, ¿cuál es la probabilidad de que exactamente 3 hayan dicho que favorecen a esta candidata?
Solución
Utilizamos la distribución binomial con n = 5, p = 0.6 y r = 3:
n! 5!
P1exactamente 3 éxitos en 5 ensayos2 = pr qn - r = 1 0.62 3 10.42 5 - 3 = 0.3456
r!1n - r 2! 3! 15 - 32!


Se puede decir que la longitud de las varillas que salen de una nueva máquina cortadora se aproxima a una distribu-
ción normal con una media de 10 pulgadas y una desviación estándar de 0.2 pulgadas. Encuentre la probabilidad de
que una varilla seleccionada al azar tenga una longitud
(a) de menos de 10.0 pulgadas
(b) de entre 10.0 y 10.4 pulgadas
(c) de entre 10.0 y 10.1 pulgadas
(d) de entre 10.1 y 10.4 pulgadas
(e) de entre 9.6 y 9.9 pulgadas
(f ) de entre 9.9 y 10.4 pulgadas
(g) de entre 9.886 y 10.406 pulgadas
Solución
Primero, calcule la distribución normal estándar, el valor de Z:
X - m
Z =
s
Después, encuentre el área bajo la curva para el valor dado de Z, usando una tabla de distribución normal estándar.
(a) P1X 6 10.02 = 0.50000
(b) P110.0 6 X 6 10.42 = 0.97725 - 0.50000 = 0.47725
(c) P110.0 6 X 6 10.12 = 0.69146 - 0.50000 = 0.19146
(d) P110.1 6 X 6 10.42 = 0.97725 - 0.69146 = 0.28579
(e) P19.6 6 X 6 9.92 = 0.97725 - 0.69146 = 0.28579
(f) P19.9 6 X 6 10.42 = 0.19146 - 0.47725 = 0.66871
(g) P19.886 6 X 6 10.4062 = 0.47882 - 0.21566 = 0.69448
Autoevaluación
● Consulte las soluciones de la parte final del libro para corregir sus respuestas.
● Vuelva a estudiar las páginas que correspondan a todas las preguntas que respondió incorrectamente o al material del que no se sienta seguro.
1. Si se puede producir sólo un evento en cualquier ensayo 4. Para calcular la varianza de una variable aleatoria discreta es
individual, entonces se dice que los eventos son necesario conocer
a. independientes. a. los valores posibles de la variable.
b. exhaustivos. b. el valor esperado de la variable.
c. mutuamente excluyentes. c. la probabilidad de cada valor posible de la variable.
d. continuos. d. todo lo anterior.
2. Las probabilidades nuevas que se encuentran utilizando el 5. La raíz cuadrada de la varianza es
teorema de Bayes se llaman a. el valor esperado.
a. probabilidades previas. b. la desviación estándar.
b. probabilidades posteriores. c. el área bajo la curva normal.
c. probabilidades bayesianas. d. todo lo anterior.
d. probabilidades conjuntas. 6. ¿Cuál de los siguientes es un ejemplo de una distribución
3. Una medida de tendencia central es discreta?
a. el valor esperado. a. la distribución normal
b. la varianza. b. la distribución exponencial
c. la desviación estándar. c. la distribución de Poisson
d. todo lo anterior. d. la distribución Z

7. El área total bajo la curva para cualquier distribución continua 12. Si una distribución normal tiene una media de 200 y una
debe ser igual a desviación estándar de 10, ¿99.7% de la población cae
a. 1. dentro de qué rango de valores?
b. 0. a. 170 a 230
c. 0.5. b. 180 a 220
d. ninguna de las anteriores. c. 190 a 210
8. Las probabilidades para todos los valores posibles de una d. 175 a 225
variable aleatoria discreta e. 170 a 220
a. pueden ser mayores que 1. 13. Si dos eventos son mutuamente excluyentes, entonces la
b. pueden ser negativas en algunas ocasiones. probabilidad de la intersección de estos dos eventos es igual a
c. deben sumar 1. a. 0.
d. están representadas por el área bajo la curva. b. 0.5.
9. En una distribución normal estándar, la media es igual a c. 1.0.
a. 1. d. no se puede determinar sin más información.
b. 0. 14. Si P1A2 = 0.4, P1B2 = 0.5 y P1A y B2 = 0.2, entonces
c. la varianza. P = 1B u A2 =
d. la desviación estándar. a. 0.80.
10. La probabilidad de que ocurran dos o más eventos b. 0.50.
independientes es c. 0.10.
a. la probabilidad marginal. d. 0.40.
b. la probabilidad simple. e. ninguna de las anteriores.
c. la probabilidad condicional. 15. Si P1A2 = 0.4, P1B2 = 0.5 y P1A y B2 = 0.2, entonces
d. la probabilidad conjunta. P1A o B2 =
e. todo lo anterior. a. 0.7.
11. En la distribución normal, 95.45% de la población se encuentra b. 0.9.
dentro de c. 1.1.
a. 1 desviación estándar desde la media. d. 0.2.
b. 2 desviaciones estándar desde la media. e. ninguna de las anteriores.
c. 3 desviaciones estándar desde la media.
d. 4 desviaciones estándar desde la media.

Preguntas para análisis 2-9 ¿Cuál es la diferencia entre una distribución de probabili-
2-1 ¿Cuáles son las dos leyes básicas de la probabilidad? dad discreta y una distribución de probabilidad continua?
Dé su propio ejemplo de cada una de ellas.
2-2 ¿Cuál es el significado de los eventos mutuamente exclu-
yentes? ¿Qué significa colectivamente exhaustivo? Dé un 2-10 ¿Qué es el valor esperado y qué mide? ¿Cómo se calcula
ejemplo de cada uno. para una distribución de probabilidad discreta?
2-3 Describa los distintos enfoques utilizados para la determi- 2-11 ¿Qué es la varianza y qué mide? ¿Cómo se calcula para
nación de los valores de probabilidad. una distribución de probabilidad discreta?
2-4 ¿Por qué la probabilidad de la intersección de dos eventos
se resta de la suma de la probabilidad de los dos eventos? 2-12 Mencione tres procesos de negocios que puedan des-
cribirse mediante la distribución normal.
2-5 Describa el significado de que dos eventos sean indepen-
dientes. 2-13 Se elige una carta de un mazo. Para cada uno de los si-
2-6 ¿Cuál es el teorema de Bayes y cuándo se puede utilizar? guientes pares de eventos, indique si los eventos son mu-
2-7 Describa las características de un proceso de Bernoulli. tuamente excluyentes y si son exhaustivos.
¿Cómo se asocia un proceso de Bernoulli con la distribu- (a) Sacar una espada y sacar un trébol.
ción binomial? (b) Sacar una carta con cara y sacar una carta con número.
2-8 ¿Qué es una variable aleatoria? ¿Cuáles son los diferentes (c) Sacar un as y sacar un tres.
tipos de variables aleatorias?

(d) Sacar una carta roja y sacar una carta negra. (c) Si una aplicación en particular requiere un clavo
(e) Sacar un cinco y sacar un diamante. de 3 pulgadas o más corto, ¿cuál es la probabilidad de
(f) Sacar una carta roja y sacar un diamante. obtener un clavo que satisfaga los requisitos de la
aplicación?
Problemas 2-18 El año pasado, en la compañía North Manufacturing, 200
2-14 Un estudiante que cursa Ciencia de la Administración 301 personas sufrieron resfriados durante el año. Ciento cin-
en la East Haven University recibirá una de cinco califica- cuenta y cinco personas que no hacen ejercicio tuvieron
ciones posibles en el curso: A, B, C, D o F. La distribución resfriados, y el resto de las personas con resfriados parti-
de las calificaciones en los últimos 2 años es la siguiente: ciparon en un programa de ejercicio semanal. La mitad de
los 1,000 empleados estuvieron involucrados en algún tipo
GRADO NÚMERO DE ESTUDIANTES de ejercicio.
A 80 (a) ¿Cuál es la probabilidad de que un empleado tenga un
B 75 resfriado el próximo año?
(b) Teniendo en cuenta que un empleado está involucrado
C 90
en un programa de ejercicio, ¿cuál es la probabilidad
D 30 de que sufra un resfriado el próximo año?
F 25 (c) ¿Cuál es la probabilidad de que un empleado que no
Total 300 está involucrado en un programa de ejercicio tenga un
resfriado el próximo año?
Si esta distribución histórica es un buen indicador de las (d) ¿Hacer ejercicio y sufrir un resfriado son eventos in-
calificaciones futuras, ¿cuál es la probabilidad de que un dependientes? Explique su respuesta.
estudiante reciba una C en el curso?
2-19 Los Reyes de Springfield, un equipo de baloncesto profe-
2-15 Un dólar de plata se lanza dos veces. Calcule la probabili-
sional, ha ganado 12 de sus últimos 20 partidos y se espera
dad de ocurrencia de cada uno de los siguientes sucesos:
que continúe ganando al mismo porcentaje. El gerente de
(a) una cara en el primer lanzamiento boletaje del equipo está ansioso por atraer una gran asis-
(b) una cruz en el segundo lanzamiento, dado que en el tencia para el partido de mañana, pero cree que depende de
primero se obtuvo una cara qué tan bien jueguen los Reyes esta noche contra los Co-
(c) dos cruces metas de Galveston. Evalúa que la probabilidad de atraer a
(d) una cruz en el primer lanzamiento y una cara en el se- una gran asistencia es de 0.90 si el equipo gana esta noche.
gundo ¿Cuál es la probabilidad de que el equipo gane esta no-
(e) una cruz en el primer lanzamiento y una cara en el che y que haya una gran asistencia en el partido de mañana?
segundo, o una cara en el primero y una cruz en el se-
2-20 David Mashley imparte dos cursos de estadística para uni-
gundo
versitarios en la Kansas College. La clase de Estadística
(f) al menos una cara en los dos lanzamientos
201 consta de 7 estudiantes de segundo año y 3 de pri-
2-16 Una urna contiene 8 fichas rojas, 10 fichas verdes y 2 fi- mero. El curso más avanzado, Estadística 301, cuenta con
chas blancas. Se extrae una ficha y se reemplaza y, des- 2 estudiantes de segundo año y 8 de primero. Como ejem-
pués, se extrae una segunda ficha. ¿Cuál es la probabilidad plo de una técnica de muestreo para negocios, el profesor
de obtener Mashley selecciona al azar, de la pila de tarjetas de regis-
(a) una ficha blanca en el primer ensayo? tro de Estadística 201, la tarjeta de un estudiante y luego la
(b) una ficha blanca en el primer ensayo y una roja en el pone de regreso en la pila. Si el estudiante fue de segundo
segundo? año, Mashley extrae otra tarjeta de la pila de Estadística
(c) dos fichas verdes? 201; si no es así, toma al azar una tarjeta del grupo de Es-
(d) una ficha roja en el segundo ensayo, dado que se ex- tadística 301. ¿Son estas dos extracciones eventos inde-
trajo una blanca en el primer ensayo? pendientes? ¿Cuál es la probabilidad de
2-17 Evertight, líder en la fabricación de clavos de calidad, pro- (a) sacar un estudiante de primer año en el primer ensayo?
duce clavos de 1, 2, 3, 4 y 5 pulgadas para diversos usos. (b) sacar un estudiante de primer año en el segundo en-
En el proceso de producción, en casos de rebasamiento o sayo, teniendo en cuenta que se eligió un estudiante
de que los clavos estén defectuosos, éstos se colocan en un de segundo año en el primer ensayo?
recipiente común. Ayer, 651 de los clavos de 1 pulgada, (c) sacar un estudiante de primer año en el segundo en-
243 de los clavos de 2 pulgadas, 41 de los clavos de 3 pul- sayo, teniendo en cuenta que se eligió un estudiante
gadas, 451 de los clavos de 4 pulgadas y 333 de los clavos de primer año en el primer ensayo?
de 5 pulgadas se colocaron en el recipiente. (d) sacar un estudiante de segundo año en ambos ensayos?
(a) ¿Cuál es la probabilidad de sacar un clavo del reci- (e) sacar un estudiante de primer año en ambos ensayos?
piente y obtener un clavo de 4 pulgadas? (f) sacar un estudiante de segundo año y un estudiante de
(b) ¿Cuál es la probabilidad de sacar un clavo de 5 pulgadas? primer año en los dos ensayos, sin importar el orden?

2-21 El oasis de Abu Ilan, en el corazón del desierto de Negev, (b) ¿Cuál es la probabilidad de que los Exterminadores
tiene una población de 20 miembros de las tribus bedui- ganen su último juego?
nas y 20 miembros de la tribu farima. El Kamin, un oasis (c) ¿Cuál es la probabilidad de que los Exterminado-
cercano, tiene una población de 32 beduinos y 8 farimas. res queden a la par: ganen exactamente un jueguen?
Un soldado israelí perdido, separado accidentalmente de (d) ¿Cuál es la probabilidad de que los Exterminadores
su unidad del ejército, está vagando por el desierto y llega ganen todos los juegos?
al borde de uno de los oasis. El soldado no tiene idea de (e) ¿Cuál es la probabilidad de que los Exterminado-
qué oasis ha encontrado, pero la primera persona que ve res pierdan todos los juegos?
a la distancia es un beduino. ¿Cuál es la probabilidad de (f) ¿Quisieras ser el entrenador de los Exterminadores?
que haya encontrado Abu Ilan? ¿Cuál es la probabilidad
2-26 El equipo de disparo con rifle de Northside tiene dos inte-
de que haya encontrado El Kamin?
grantes, Dick y Sally. Dick da en el blanco (la diana) 90%
2-22 El soldado israelí del problema 2-21 decide descansar de las veces y Sally acierta 95% de sus intentos.
unos minutos antes de entrar en el oasis que acaba de en-
(a) ¿Cuál es la probabilidad de que Dick o Sally o ambos
contrar. Al cerrar los ojos se queda dormitando durante
den en el blanco, si cada uno realiza un tiro?
15 minutos, luego se despierta y camina hacia el centro
(b) ¿Cuál es la probabilidad de que tanto Dick como Sally
del oasis. La primera persona que ve esta vez se reconoce
den en el blanco?
como beduino. ¿Cuál es la probabilidad posterior de que
(c) ¿Tiene usted algún supuesto para responder a las pre-
el oasis sea El Kamin?
guntas anteriores? Si su respuesta es afirmativa, ¿cree
2-23 Ace Machine Works estima que la probabilidad de que que el supuesto o los supuestos en los que se basa es-
su torno esté ajustado adecuadamente es 0.8. Cuando el tán justificados?
torno está correctamente ajustado, hay una probabilidad
de 0.9 de que las piezas producidas pasen una inspección. 2-27 En una muestra de 1,000 personas que representan a la
No obstante, si el torno está desajustado, la probabilidad población total en una encuesta, 650 personas eran de
de producir una pieza correcta es sólo de 0.2. Una pieza Ciudad del Lago y el resto de Ciudad del Río. De esta
elegida al azar se inspecciona y se encuentra que es acep- muestra, 19 personas tenían algún tipo de cáncer. Trece de
table. En este punto, ¿cuál es la probabilidad posterior de estas personas eran de Ciudad del Lago.
que el torno esté correctamente ajustado? (a) ¿Son independientes los eventos de vivir en Ciudad
2-24 La liga de softbol de la Quinta Avenida en el sur de Boston del Lago y tener algún tipo de cáncer?
consta de tres equipos: los Niños de Mamá, el equipo 1; (b) ¿En qué ciudad preferiría vivir usted, suponiendo que
los Exterminadores, el equipo 2, y los Machos, el equipo su objetivo principal es evitar tener cáncer?
3. Cada equipo juega contra los demás sólo una vez du-
rante la temporada. El récord de victorias y derrotas de los 2-28 Calcule la probabilidad de “un dado cargado, dado que se
últimos 5 años es el siguiente: obtuvo un 3”, de acuerdo con el ejemplo de la sección 2.3,
esta vez utilizando la forma general del teorema de Bayes
GANADOR (1) (2) (3) de la ecuación 2-5.
Los Niños de Mamá (1) X 3 4 2-29 ¿Cuáles de las siguientes son distribuciones de probabili-
dad? ¿Por qué?
Los Exterminadores (2) 2 X 1
(a)
Los Machos (3) 1 4 X
VARIABLE ALEATORIA X PROBABILIDAD
Cada fila representa el número de victorias en los últimos
5 años. Los Niños de Mamá vencieron a los Extermi- 2 0.1
nadores 3 veces, vencieron a los Machos 4 veces, y así -1 0.2
sucesivamente.
0 0.3
(a) ¿Cuál es la probabilidad de que los Exterminadores
ganen todos los juegos el próximo año? 1 0.25
(b) ¿Cuál es la probabilidad de que los Machos ganen al 2 0.15
menos un juego el próximo año?
(c) ¿Cuál es la probabilidad de que los Niños de Mamá (b)
ganen exactamente un juego el próximo año?
(d) ¿Cuál es la probabilidad de que los Exterminadores VARIABLE ALEATORIA Y PROBABILIDAD
ganen menos de dos juegos el próximo año?
1 1.1
2-25 El calendario para los Exterminadores el próximo año
es el siguiente (consulte el problema 2-24): 1.5 0.2
Juego 1: los Machos 2 0.3
Juego 2: los Niños de Mamá 2.5 0.25
(a) ¿Cuál es la probabilidad de que los Exterminadores
3 -1.25
ganen su primer juego?

(c) muestra aleatoria de 5 unidades? ¿Cuál es la probabilidad

de que no haya defectuosas en una muestra aleatoria de 5
VARIABLE ALEATORIA Z PROBABILIDAD
unidades?
1 0.1
2-35 Trowbridge Manufacturing produce armaduras para
2 0.2 computadoras personales y otros equipos electrónicos. El
3 0.3 inspector de control de calidad de esta empresa cree que
4 0.4 un determinado proceso está fuera de control. Normal-
5 0.0 mente, sólo 5% de las armaduras se considera defectuoso
debido a decoloraciones. Si se muestrean 6 de estas arma-
2-30 Harrington Health Foods almacena 5 piezas de Neu- duras, ¿cuál es la probabilidad de que haya 0 defectuo-
tro-Pan. En la siguiente tabla se muestra la distribución sas, si el proceso está funcionando correctamente? ¿Cuál
de probabilidad para las ventas de Neutro-Pan. ¿Cuántos es la probabilidad de que haya exactamente 1 armadura
panes venderá Harrington en promedio? defectuosa?
2-36 Consulte el ejemplo de Trowbridge Manufacturing en el
NÚMERO DE PANES VENDIDOS PROBABILIDAD problema 2-35. El procedimiento de inspección de con-
0 0.05 trol de calidad consiste en seleccionar 6 artículos, y si hay
1 0.15 0 o 1 casos defectuosos en el grupo de 6, se dice que el
proceso está bajo control. Si el número de defectuosos es
2 0.20
más que 1, el proceso está fuera de control. Suponga que
3 0.25 la verdadera proporción de artículos defectuosos es 0.15.
4 0.20 ¿Cuál es la probabilidad de que haya 0 o 1 defectuosos en
5 0.15 una muestra de 6 si la verdadera proporción de defectuo-
sos es 0.15?
2-31 ¿Cuáles son el valor esperado y la varianza de la siguiente 2-37 Un horno industrial utilizado para curar núcleos de
distribución de probabilidad? arena para una fábrica de bloques de motor para auto-
VARIABLE ALEATORIA X PROBABILIDAD
móviles pequeños es capaz de mantener temperaturas
relativamente constantes. El rango de temperaturas del
1 0.05 horno sigue una distribución normal con una media
2 0.05 de 450 °F y una desviación estándar de 25 °F. Leslie
3 0.10 Larsen, directora de la fábrica, está preocupada por el
gran número de núcleos defectuosos que se han pro-
4 0.10
ducido en los últimos meses. Si el horno se calienta
5 0.15 a más de 475 °F, el núcleo resulta defectuoso. ¿Cuál es
6 0.15 la probabilidad de que el horno produzca un núcleo de-
7 0.25 fectuoso? ¿Cuál es la probabilidad de que la tempera-
tura del horno varíe de 460 a 470 °F?
8 0.15
2-38 Steve Goodman, supervisor de producción de la compañía
2-32 Hay 10 preguntas en una prueba de verdadero o falso. Un Florida Gold Fruit, estima que el promedio de ventas de
estudiante no se siente preparado para esta prueba y adi- naranjas es de 4,700 y la desviación estándar es de 500 na-
vina al azar la respuesta para cada un pregunta. ranjas. Las ventas siguen una distribución normal.
(a) ¿Cuál es la probabilidad de que el estudiante obtenga (a) ¿Cuál es la probabilidad de que las ventas sean ma-
exactamente 7 aciertos? yores que 5,500 naranjas?
(b) ¿Cuál es la probabilidad de que el estudiante obten- (b) ¿Cuál es la probabilidad de que las ventas sean mayo-
ga exactamente 8 aciertos? res que 4,500 naranjas?
(c) ¿Cuál es la probabilidad de que el estudiante obtenga (c) ¿Cuál es la probabilidad de que las ventas sean me-
exactamente 9 aciertos? nores que 4,900 naranjas?
(d) ¿Cuál es la probabilidad de que el estudiante obten- (d) ¿Cuál es la probabilidad de que las ventas sean meno-
ga exactamente 10 aciertos? res que 4,300 naranjas?
(e) ¿Cuál es la probabilidad de que el estudiante acierte a 2-39 Susan Williams ha sido gerente de producción de Medi-
más de 6 preguntas? cal Suppliers, Inc., en los últimos 17 años. Medical Su-
2-33 Gary Schwartz es el mejor vendedor de su empresa. Los ppliers, Inc., es un productor de vendas y cabestrillos para
registros indican que realiza una venta en 70% de sus lla- brazo. Durante los últimos 5 años, la demanda de vendas
madas a clientes. Si se hace una llamada a cuatro clientes antiadherentes ha sido bastante constante. En promedio,
potenciales, ¿cuál es la probabilidad de que concrete exac- las ventas han sido de unos 87,000 paquetes de vendas
tamente 3 de las ventas? ¿Cuál es la probabilidad de que antiadherentes. Susan tiene razones para creer que la dis-
realice exactamente 4 ventas? tribución de ventas de este tipo de vendas sigue una curva
2-34 Si 10% de todas las unidades de disco producidas en una normal, con una desviación estándar de 4,000 paquetes.
línea de ensamble están defectuosas, ¿cuál es la proba- ¿Cuál es la probabilidad de que las ventas sean menores
bilidad de que haya exactamente una defectuosa en una que 81,000 paquetes?

2-40 Armstrong Faber produce un lápiz estándar del número 2-44 Utilizando los datos del problema 2-43, determine la pro-
dos llamado Ultra-Lite. Desde que Chuck Armstrong babilidad de que haya más de 3 visitas al servicio de la
comenzó a trabajar en Armstrong Faber, las ventas han sala de urgencias en un día determinado.
crecido de manera constante. Sin embargo, con el au- 2-45 Los automóviles llegan al taller Carla’s Muffler por traba-
mento en el precio de los productos de madera, Chuck jos de reparación en un promedio de 3 por hora, siguiendo
se ha visto obligado a aumentar el precio de los lápices una distribución exponencial.
Ultra-Lite. Como resultado, la demanda de Ultra-Lite se (a) ¿Cuál es el tiempo esperado entre llegadas?
ha vuelto bastante estable durante los últimos 6 años. En (b) ¿Cuál es la varianza del tiempo entre llegadas?
promedio, Armstrong Faber ha vendido 457,000 lápices
cada año. Por otro lado, 90% de las veces, las ventas han 2-46 Una prueba en particular para detectar la presencia de es-
estado entre 454,000 y 460,000 lápices. Se cree que las teroides se utilizará después de una carrera de atletismo
ventas siguen una distribución normal con una media de profesional. Si hay esteroides presentes, la prueba lo indi-
457,000 lápices. Calcule la desviación estándar de esta cará 95% de las veces. Por otro lado, si no hay esteroides
distribución. (Sugerencia: Trabaje hacia atrás a partir de presentes, la prueba indicará esto 90% de las veces (es de-
la tabla normal para encontrar Z. Luego aplique la ecua- cir, se equivoca 10% de las veces y predice la presencia de
ción 2-13). esteroides). Con base en los datos anteriores, se cree que
2% de los atletas hacen uso de esteroides. Esta prueba se
2-41 El tiempo para completar un proyecto de construcción se
administra a un atleta, y la prueba da positivo. ¿Cuál es la
distribuye normalmente con una media de 60 semanas y
probabilidad de que esta persona realmente haya utilizado
una desviación estándar de 4 semanas.
esteroides?
(a) ¿Cuál es la probabilidad de que el proyecto se termine
2-47 Market Researchers, Inc., ha sido contratada para llevar a
en 62 semanas o menos?
cabo un estudio que determine si el mercado de un nuevo
(b) ¿Cuál es la probabilidad de que el proyecto se termi-
producto va a ser bueno o malo. En estudios similares
ne en 66 semanas o menos?
realizados en el pasado, cada vez que el mercado real-
(c) ¿Cuál es la probabilidad de que el proyecto tarde más
mente era bueno, el estudio de mercado indicó que sería
de 65 semanas?
bueno 85% de las veces. Por otro lado, cuando el mer-
2-42 Una gran corporación instalará un nuevo sistema de cado en realidad era malo, el estudio de mercado predijo
computadora integrado en todo el mundo. La compañía incorrectamente que sería bueno 20% de las veces. Antes
está solicitando ofertas para este proyecto, y el contrato de realizar el estudio, se cree que hay una probabilidad de
se adjudicará a uno de los licitantes. Como parte de la pro- 70% de que el mercado sea bueno. Cuando Market Re-
puesta para este proyecto, el licitante deberá especificar searchers, Inc., lleva a cabo el estudio de este producto,
cuánto tiempo tomará el proyecto. Habrá una penalización los resultados predicen que el mercado será bueno. Te-
importante por terminarlo tarde. Una posible contratista niendo en cuenta los resultados de este estudio, ¿cuál es
determina que el tiempo promedio para terminar un pro- la probabilidad de que el mercado realmente vaya a ser
yecto de este tipo es de 40 semanas, con una desviación bueno?
estándar de 5 semanas. Se supone que el tiempo requerido 2-48 Policy Pollsters es una firma de investigación de mercado
para completar este proyecto se distribuye normalmente. especializada en encuestas políticas. Los registros históri-
(a) Si la fecha establecida para este proyecto se ha fijado cos indican que, cuando un candidato ha sido electo, Policy
en 40 semanas, ¿cuál es la probabilidad de que el con- Pollsters lo predijo con exactitud 80% de las veces y falló
tratista tenga que pagar una multa (es decir, que el el 20% restante. Los registros también muestran que, para
proyecto no se termine a tiempo)? los candidatos perdedores, Policy Pollsters predice con
(b) Si la fecha establecida para este proyecto se ha fijado precisión que perderán 90% de las veces y sólo se equivoca
en 43 semanas, ¿cuál es la probabilidad de que el con- el 10% restante. Antes de realizar la encuesta, hay 50% de
tratista tenga que pagar una multa (es decir, que el posibilidades de ganar las elecciones. Si Policy Pollsters
proyecto no se termine a tiempo)? predice que un candidato va a ganar las elecciones, ¿cuál
(c) Si el licitante desea establecer la fecha de terminación es la probabilidad de que el candidato realmente gane? Si
en la propuesta, de modo que sólo haya 5% de proba- Policy Pollsters predice que un candidato perderá las elec-
bilidad de terminar tarde (y en consecuencia, sólo 5% ciones, ¿cuál es la probabilidad de que el candidato real-
de probabilidad de tener que pagar una multa), ¿cuál mente pierda?
es la fecha que debería fijarse? 2-49 Burger City es una gran cadena de restaurantes de comida
rápida especializada en hamburguesas gourmet. En la ac-
2-43 Los pacientes llegan a la sala de urgencias del Hospital tualidad se usa un modelo matemático para predecir el
Costa Valley en un promedio de 5 por día. La demanda éxito de los nuevos restaurantes, con base en la ubicación
de tratamiento en la sala de urgencias en el Costa Valley y la información demográfica de esa área. En el pasado,
sigue una distribución de Poisson. 70% de todos los restaurantes que se abrieron tuvieron
(a) Con base en el apéndice C, calcule la probabilidad de éxito. El modelo matemático ha sido probado en los res-
exactamente 0, 1, 2, 3, 4 y 5 llegadas por día. taurantes existentes para determinar qué tan efectivo es.
(b) ¿Cuál es la suma de estas probabilidades, y por qué el Para los restaurantes que tuvieron éxito, 90% de las veces
número es menor que 1? el modelo predijo que lo tendrían, mientras que 10% de

las veces el modelo predijo un fracaso. Para los restau- 2-53 Para cada uno de los siguientes valores de F, determine si
rantes que no tuvieron éxito, cuando se aplicó el modelo la probabilidad indicada es mayor o menor que 5%:
matemático, 20% de las veces predijo incorrectamente un
(a) P1F3,4 7 6.82
restaurante de éxito, mientras que 80% de las veces fue
preciso y predijo un restaurante sin éxito. Si el modelo se (b) P1F7,3 7 3.62
utiliza en una nueva ubicación y predice que el restaurante (c) P1F20,20 7 2.62
será un éxito, ¿cuál es la probabilidad de que realmente el (d) P1F7,5 7 5.12
restaurante resulte exitoso? (e) P1F7,5 6 5.12
2-50 Un prestamista hipotecario intentó incrementar su ne- 2-54 Para cada uno de los siguientes valores de F, determine si
gocio mediante la comercialización de sus hipotecas de la probabilidad indicada es mayor o menor que 1%:
alto riesgo. Esta hipoteca está diseñada para personas (a) P1F5,4 7 142
con una calificación menos que perfecta en su crédito, (b) P1F6,3 7 302
y la tasa de interés es más alta para compensar el riesgo (c) P1F10,12 7 4.22
adicional. En el año pasado, 20% de estas hipotecas
(d) P1F2,3 7 352
se tradujeron en una ejecución hipotecaria, porque los
(e) P1F2,3 6 352
clientes dejaron de pagar sus préstamos. Se desarrolló
un nuevo sistema de filtro para determinar si los clientes 2-55 Nite Time Inn cuenta con un número de teléfono gratuito
son aprobados para acceder a préstamos de alto riesgo. para que los clientes puedan llamar en cualquier momento
Cuando se aplica el sistema a una solicitud de crédito, y hacer una reservación. Una llamada típica tarda apro-
éste clasificará la solicitud como “préstamo aprobado” ximadamente 4 minutos en completarse, y el tiempo re-
o “préstamo rechazado”. Cuando el nuevo sistema se querido sigue una distribución exponencial. Encuentre la
aplicó a los clientes recientes que habían incumplido probabilidad de que una llamada tome
con sus préstamos, 90% de ellos fueron clasificados (a) 3 minutos o menos
como “rechazado”. Cuando se aplicó este mismo sis- (b) 4 minutos o menos
tema a los clientes recientes de préstamos que no habían (c) 5 minutos o menos
incumplido con sus pagos, 70% de ellos fueron clasifi- (d) más de 5 minutos
cados como “aprobado”.
2-56 Durante el horario de oficina en la costa este, las llama-
(a) Si un cliente no incumplió con un préstamo, ¿cuál es das al número gratuito para hacer reservaciones en el Nite
la probabilidad de que el sistema de clasificación le Time Inn llegan a razón de 5 por minuto. Se ha determi-
haya dado la categoría de “rechazado”? nado que el número de llamadas por minuto puede des-
(b) Si el sistema de clasificación dio a un solicitante la cribirse mediante la distribución de Poisson. Encuentre la
categoría de “rechazado”, ¿cuál es la probabilidad de probabilidad de que, en el minuto siguiente, el número de
que el cliente no incumpla con su préstamo? llamadas recibidas sea
2-51 Utilice la tabla F del apéndice D para encontrar el valor (a) exactamente 5
de F para la parte correspondiente al 5% superior de la (b) exactamente 4
distribución F con (c) exactamente 3
(a) df1 = 5, df2 = 10 (d) exactamente 6
(b) df1 = 8, df2 = 7 (e) menos de 2
(c) df1 = 3, df2 = 5
2-57 En el ejemplo de Arnold’s Muffler que se dio en este ca-
(d) df1 = 10, df2 = 4
pítulo para la distribución exponencial, la tasa media de
2-52 Utilice la tabla F en el apéndice D para encontrar el va- servicio considerada fue de 3 por hora, y los tiempos se
lor de F para la parte correspondiente al 1% superior de la expresaron en horas. Convierta la tasa promedio de ser-
distribución F con vicio al número de clientes por minuto y convierta los
(a) df1 = 15, df2 = 6 tiempos a minutos. Encuentre las probabilidades de que
(b) df1 = 12, df2 = 8 los tiempos de servicio sean menores a 1>2 hora, 1>3 de hora
(c) df1 = 3, df2 = 5 y 2> 3 de hora. Compare estas probabilidades con las pro-
(d) df1 = 9, df2 = 7 babilidades que se encontraron en el ejemplo.

APÉNDICE 2.1: DEDUCCIÓN DEL TEOREMA DE BAYES 63
Estudio de caso
WTVX
WTVX, Canal 6, se localiza en Eugene, Oregon, sede del equipo de inmediato. Una vez que un niño de 10 años de edad le preguntó qué
fútbol americano de la Oregon University. La estación pertenecía y causaba la neblina, Joe hizo un excelente trabajo al describir algunas
era operada por George Wilcox, un antiguo Pato (jugador de fútbol de las diferentes causas.
americano de la Oregon University). Aunque había otras estaciones de De vez en cuando, Joe cometía algún error. Por ejemplo, un estu-
televisión en Eugene, WTVX era la única estación que tenía a un mediante en su último año de secundaria le preguntó cuáles eran las posibi-
teorólogo miembro de la American Meteorological Society (AMS). lidades de tener 15 días de lluvia el próximo mes (de 30 días). Joe hizo
Cada noche, Joe Hummel se presentaba como el único meteorólogo un cálculo rápido: 170%2 * 115 días>30 días2 = 170%2 11>22 = 35%. Joe
en Eugene miembro de la AMS. Ésta era idea de George, quien creía rápidamente se dio cuenta de lo que significaba cometer un error en
que así había dado a su estación una marca de calidad y le ayudaba a una ciudad universitaria. Tuvo más de 50 llamadas telefónicas de cien-
conservar su participación en el mercado. tíficos, matemáticos y otros profesores universitarios, diciéndole que
Además de ser miembro de la AMS, Joe también era la persona había cometido un gran error en el cálculo de las posibilidades de tener
más popular en cualquiera de los programas locales de noticias. Joe 15 días de lluvia durante los próximos 30 días. Aunque Joe no entendía
siempre estaba tratando de encontrar maneras innovadoras de hacer todas las fórmulas que los profesores mencionaban, estaba decidido
que el clima fuera interesante, lo cual era especialmente difícil du- a encontrar la respuesta correcta y hacer una corrección durante una
rante los meses de invierno, cuando el clima parecía ser el mismo transmisión futura.
durante largos periodos de tiempo. El pronóstico de Joe para el
próximo mes, por ejemplo, fue que habría 70% de posibilidades de
lluvia todos los días, y que lo que sucede en un día (lluvia o sol) no Preguntas para análisis
dependía de ninguna manera de lo que había sucedido el día anterior. 1. ¿Cuáles son las posibilidades de tener 15 días de lluvia durante
Una de las características más populares de Joe para el pronós- los próximos 30 días?
tico meteorológico era solicitar preguntas durante la emisión del pro- 2. ¿Qué piensa usted acerca de los supuestos de Joe concernientes
grama. Las preguntas se recibían por teléfono y Joe las contestaba de al clima durante los próximos 30 días?
Bibliografía
Berenson, Mark, David Levine y Timothy Krehbiel. Basic Business Statistics, Hanke, J. E., A. G. Reitsch y D. W. Wichern. Business Forecasting, 9a. ed. Upper
10a. ed. Upper Saddle River, NJ: Prentice Hall, 2006. Saddle River, NJ: Prentice Hall, 2008.
Campbell, S. Flaws and Fallacies in Statistical Thinking. Upper Saddle River, NJ: Huff, D. How to Lie with Statistics. Nueva York: W. W. Norton & Company, Inc.,
Prentice Hall, 1974. 1954.
Feller, W. An Introduction to Probability Theory and Its Applications, vols. 1 y 2. Newbold, Paul, William Carlson y Betty Thorne. Statistics for Business and
Nueva York: John Wiley & Sons, Inc., 1957 y 1968. Economics, 6a. ed. Upper Saddle River, NJ: Prentice Hall, 2007.
Groebner, David, Patrick Shannon, Phillip Fry y Kent Smith. Business Statistics,
8a. ed. Upper Saddle River, NJ: Prentice Hall, 2011.
Apéndice 2.1: Deducción del teorema de Bayes

Sabemos que las siguientes fórmulas son correctas:
P1AB2
P1A u B2 = (1)
P1B2
P1AB2
P1B u A2 =
P1A2
3que se puede reescribir como P1AB2 = P1B u A2 P1A2 4 y (2)
P1A′B2
P1B u A¿2 =
P1A′2
3lo que a su vez se puede reescribir como P1A¿B2 = P1B u A¿2 P1A¿2 4. (3)

Además, por definición, sabemos que
P1B2 = P1AB2 + P1A′B2

= P1 B A2P1A2 + P1B A′2P1A′2 (4)
de (2) de (3)
Al sustituir las ecuaciones 2 y 4 en la ecuación 1, tenemos
P1AB2
P1A B2 = de (2)
P1B2
P1B A2P1A2
= (5)
P1B A2P1A2 + P1B A′2P1A′ 2
i
de (4)
Ésta es la forma general del teorema de Bayes, que se muestra como la ecuación 2-5 en este capítulo.

CAPÍTULO 3
Análisis de decisiones
1. Listar los pasos del proceso de toma de 5. Desarrollar árboles de decisión precisos y útiles.
decisiones. 6. Revisar estimaciones de probabilidad usando el
2. Describir los tipos de entornos en la toma de análisis bayesiano.
decisiones. 7. Utilizar computadoras para resolver problemas
3. Tomar decisiones en condiciones de básicos de toma de decisiones.
incertidumbre. 8. Comprender la importancia y el uso de la teoría
4. Utilizar valores de probabilidad para tomar de la utilidad en la toma de decisiones.
decisiones con riesgo.

3.1 Introducción 3.7 Uso de software para problemas con tablas de
3.2 Los seis pasos para la toma de decisiones pago
3.3 Tipos de entornos en la toma de decisiones 3.8 Árboles de decisión
3.4 Toma de decisiones con incertidumbre 3.9 Cómo estimar valores de probabilidad mediante
el análisis bayesiano
3.5 Toma de decisiones con riesgo
3.10 Teoría de la utilidad
3.6 Un ejemplo de minimización
Resumen • Glosario • Ecuaciones clave • Problemas resueltos • Autoevaluación • Preguntas para análisis y
problemas • Problemas de tarea en Internet • Estudio de caso: Starting Right Corporation • Estudio de caso: Blake
Electronics • Estudios de caso en Internet • Bibliografía
65

66 CAPÍTULO 3 • ANÁLISIS DE DECISIONES
3.1 Introducción
En gran medida, los éxitos o fracasos que experimenta una persona en la vida dependen de las decisiones
que toma. Quien realizó la gestión del fallido transbordador espacial Challenger ya no trabaja para la
NASA. La persona que diseñó el Mustang más vendido se convirtió en el presidente de Ford. ¿Por qué y
cómo tomaron sus respectivas decisiones estas personas? En general, ¿qué está involucrado en la toma de
buenas decisiones? Una decisión puede marcar la diferencia entre una carrera exitosa y otra sin éxito. La
La teoría de decisiones es una teoría de decisiones es un enfoque analítico y sistemático para el estudio de la toma de decisiones. En este
manera analítica y sistemática de capítulo se presentan modelos matemáticos útiles para ayudar a los administradores a tomar las mejores
hacer frente a los problemas. decisiones posibles.
Una buena decisión se basa en la ¿Qué hace la diferencia entre las buenas y las malas decisiones? Una buena decisión es aquella que se
lógica. basa en la lógica, considera todos los datos disponibles y las alternativas posibles, y aplica el enfoque
cuantitativo que se describirá a continuación. De cuando en cuando, una buena decisión se traduce en un
resultado inesperado o desfavorable. Pero si se toma correctamente sigue siendo una buena decisión. Una
mala decisión no se basa en la lógica, no utiliza toda la información disponible, no toma en cuenta todas
las alternativas ni emplea las técnicas cuantitativas adecuadas. Si usted toma una mala decisión, pero por
suerte se produce un resultado favorable, aún así tomó una mala decisión. Aunque en ocasiones las buenas
decisiones producen malos resultados, a largo plazo, el uso de la teoría de decisiones dará lugar a resulta-
dos exitosos.
3.2 Los seis pasos para la toma de decisiones

Ya sea que usted esté decidiendo hacerse un corte de cabello hoy, realizar la construcción de una planta
multimillonaria o comprar una cámara fotográfica nueva, los pasos para tomar una buena decisión son
básicamente los mismos:
Seis pasos para la toma de decisiones

1. Definir claramente el problema.
2. Hacer una lista de las alternativas posibles.
3. Identificar los resultados posibles o estados de la naturaleza.
4. Analizar los pagos (por lo general la ganancia) de cada combinación de alternativas y resultados.
5. Seleccionar uno de los modelos matemáticos de la teoría de decisiones.
6. Aplicar el modelo y tomar la decisión.
Se utilizará el caso de la compañía Thompson Lumber como ejemplo para ilustrar los pasos de la
teoría de decisiones. John Thompson es el fundador y presidente de la compañía Thompson Lumber, una
empresa rentable con sede en Portland, Oregon.
El primer paso es definir el problema. Paso 1. El problema que John Thompson identifica es la posibilidad de ampliar su línea de productos
mediante la fabricación y comercialización de un nuevo producto: cobertizos de almacenamiento para
patio.
El segundo paso de Thompson es generar las alternativas que están a su disposición. En la teoría de
decisiones, una alternativa se define como un curso de acción o una estrategia que el tomador de decisio-
nes puede elegir.
Paso 2. John decide que sus alternativas son construir 1. una nueva planta grande para la fabricación de
El segundo paso es hacer una lista de los cobertizos de almacenamiento, 2. una planta pequeña o 3. ninguna planta en absoluto (es decir, tiene la
las alternativas posibles. opción de no desarrollar la nueva línea de productos).
Uno de los mayores errores que los tomadores de decisiones cometen es dejar de lado algunas alter-
nativas importantes. Aunque una alternativa en particular parecería inapropiada o de escaso valor, podría
llegar a ser la mejor opción.
El siguiente paso consiste en identificar los resultados posibles de las distintas alternativas. Un error
común es olvidarse de algunos de los resultados posibles. Los tomadores de decisiones optimistas tienden
a dejar de lado los malos resultados, mientras que los administradores pesimistas podrían soslayar un re-
sultado favorable. Si usted no considera todas las posibilidades, no logrará tomar una decisión lógica, y los
resultados quizá sean indeseables. Si usted no cree que lo peor puede suceder, tal vez diseñe otro automóvil
Edsel. En teoría de decisiones, los resultados sobre los que el tomador de decisiones tiene poco o ningún
control se llaman estados de la naturaleza.

3.3 TIPOS DE ENTORNOS EN LA TOMA DE DECISIONES 67
TABLA 3.1
ESTADO DE LA NATURALEZA
Tabla de decisiones con
valores condicionales MERCADO FAVORABLE MERCADO DESFAVORABLE
para Thompson Lumber ALTERNATIVA ($) ($)
Construir una planta grande 200,000 -180,000

Construir una planta pequeña 100,000 -20,000
No hacer nada 0 0
Nota: Es importante considerar todas las alternativas, incluso la de “no hacer nada”.
El tercer paso es identificar los Paso 3. Thompson determina que sólo hay dos resultados posibles: el mercado de los cobertizos de al-
resultados posibles. macenamiento podría ser favorable, lo cual significa que hay una gran demanda para el producto, o bien,
podría ser desfavorable, lo que significa que existe una baja demanda de los cobertizos.
Una vez que se han identificado las alternativas y los estados de la naturaleza, el siguiente paso con-
siste en expresar el pago resultante de cada combinación posible de alternativas y resultados. En teoría de
decisiones, a tales pagos o ganancias se les llama valores condicionales. Por supuesto, no todas las deci-
siones pueden basarse sólo en el dinero —cualquier medio adecuado para medir el beneficio es aceptable.
El cuarto paso es analizar los pagos. Paso 4. Debido a que Thompson quiere maximizar sus utilidades, puede utilizar la ganancia para evaluar
cada consecuencia.
Durante el cuarto paso, el tomador John Thompson ya ha evaluado los beneficios potenciales asociados con los distintos resultados. Con
de decisiones puede construir un mercado favorable, piensa que una planta grande se traduciría en una ganancia neta de $200,000 para
tablas de decisiones o tablas su firma. Estos $200,000 son un valor condicional, porque para que Thompson reciba el dinero está con-
de pagos. dicionado a construir una planta grande y a tener un buen mercado. El valor condicional si el mercado
no es favorable sería una pérdida neta de $180,000. Una planta pequeña implicaría una ganancia neta de
$100,000 en un mercado favorable; pero se produciría una pérdida neta de $20,000, si el mercado fuera
desfavorable. Por último, no hacer nada resultaría en $0 beneficios, sin que importe la aceptación en el
mercado. La manera más fácil de presentar estos valores es mediante la construcción de una tabla de deci-
siones, a veces llamada tabla de pagos. En la tabla 3.1 se muestra una tabla de decisiones para los valores
condicionales de Thompson. Todas las alternativas se listan del lado izquierdo de la tabla; mientras que
todos los resultados posibles o estados de la naturaleza se indican en la parte superior. El cuerpo de la tabla
contiene los pagos reales.
Los dos últimos pasos sirven para Pasos 5 y 6. Los dos últimos pasos son seleccionar un modelo de teoría de decisiones y aplicarlo a los
seleccionar y aplicar el modelo de datos para ayudarse a tomar la decisión. La selección del modelo depende del entorno donde se está ope-
teoría de decisiones. rando, así como de la cantidad de riesgo y de la incertidumbre involucrada.
3.3 Tipos de entornos en la toma de decisiones

Los tipos de decisiones que toman las personas dependen de la cantidad de conocimiento o información
que tienen sobre la situación. Hay tres entornos en la toma de decisiones:
● Toma de decisiones con certidumbre
● Toma de decisiones con incertidumbre
● Toma de decisiones con riesgo
En el entorno de la toma de decisiones con certidumbre, los tomadores de decisiones conocen con
toda certeza las consecuencias de cada alternativa o decisión de elección. Naturalmente, van a elegir la
alternativa que maximice su bienestar o que se traduzca en el mejor resultado. Por ejemplo, digamos que
usted tiene $1,000 para invertir durante un periodo de 1 año. Una alternativa es abrir una cuenta de ahorros
que paga un interés de 4% y otra es invertir en un bono del Tesoro del gobierno que paga un interés de 6%.
Si ambas inversiones son seguras y están garantizadas, hay una certeza de que el bono del Tesoro pagará un
mayor rendimiento. El rendimiento después de 1 año será de $60 en intereses.
En la toma de decisiones con incertidumbre, hay varios resultados posibles para cada alternativa,
y el tomador de decisiones no sabe las probabilidades de los distintos resultados. A modo de ejemplo, no
Las probabilidades no se conocen. se conoce la probabilidad de que un demócrata sea presidente de Estados Unidos durante 25 años a partir
de ahora. A veces es imposible evaluar la probabilidad de éxito de una empresa o un producto nuevos. Los
criterios para la toma de decisiones con incertidumbre se explican en la sección 3.4.

En la toma de decisiones con riesgo, hay varios resultados posibles para cada alternativa, y el toma-
Las probabilidades se conocen. dor de decisiones conoce la probabilidad de ocurrencia de cada resultado. Sabemos, por ejemplo, que al
jugar a las cartas usando un mazo estándar, la probabilidad de elegir un trébol es 0.25. La probabilidad de
obtener un 5 en un dado es 1/6. En la toma de decisiones con riesgo, el tomador de decisiones por lo ge-
neral intenta maximizar su bienestar esperado. Los modelos de teoría de decisiones para los problemas de
negocios en este entorno suelen emplear dos criterios equivalentes: la maximización del valor monetario
esperado y la minimización de la pérdida de oportunidad esperada.
En el ejemplo de Thompson Lumber, John Thompson se enfrenta a la toma de decisiones en condi-
ciones de incertidumbre. Si construye una planta grande o bien una pequeña, el beneficio real dependerá
del estado de la naturaleza y no se conocen las probabilidades. Si se conocieran las probabilidades de un
mercado favorable y de un mercado desfavorable, el entorno cambiaría de incertidumbre a riesgo. Para
la tercera alternativa, no hacer nada, el beneficio no depende del estado de la naturaleza y se conoce con
certeza.
3.4 Toma de decisiones con incertidumbre

La presentación en esta sección de los criterios para la toma de decisiones en condiciones de incertidum-
bre (y también para la toma de decisiones con riesgo) se basa en el supuesto de que el pago es algo donde
los valores más grandes son mejores y los valores altos son deseables. Para pagos tales como utilidades,
ventas totales, rendimiento total sobre la inversión e intereses ganados, la mejor decisión sería una que
resultara en algún tipo de beneficio máximo. Sin embargo, hay situaciones en las cuales se prefieren los
valores de pago menores (por ejemplo, el costo), y estos pagos se minimizarían en lugar de maximizarse.
El enunciado de los criterios de decisión se modificaría ligeramente para tales problemas de minimi-
zación. Estas diferencias se mencionarán en la presente sección, y se proporcionará un ejemplo en una
sección posterior.
Existen varios criterios para tomar decisiones en condiciones de incertidumbre. Los que se cubren en
esta sección son los siguientes:
1. Optimista
2. Pesimista
3. Criterio de realismo (criterio de Hurwicz)
4. Igualmente probable (Laplace)
5. Arrepentimiento minimax
Los cuatro primeros criterios se pueden calcular directamente de la tabla de decisiones (pagos),
mientras que el criterio de arrepentimiento minimax requiere el uso de una tabla de pérdida de opor-
tunidad. A continuación estudiaremos cada uno de los cinco modelos y los aplicaremos al ejemplo de
Thompson Lumber.
Optimista
Maximax es un enfoque optimista. Al utilizar el criterio optimista, se considera el mejor (máximo) pago para cada alternativa y se selec-
ciona la alternativa con el mejor (máximo) de éstos. Por lo tanto, el criterio optimista a veces se llama
el criterio maximax. En la tabla 3.2, se observa que la elección optimista de Thompson es la primera
alternativa, “construir una planta grande”. Utilizando este criterio, se puede lograr el mayor de todos los
pagos posibles ($200,000 en este ejemplo); mientras que si se selecciona cualquier otra alternativa, sería
imposible lograr un beneficio tan alto.
Al utilizar el criterio optimista para problemas de minimización donde los menores pagos (por ejem-
plo, el costo) son mejores, se debería observar el mejor pago (mínimo) para cada alternativa y elegir la
alternativa con el mejor (mínimo) de éstos.
TABLA 3.2 ESTADO DE LA NATURALEZA

Decisión maximax
de Thompson MERCADO MERCADO MÁXIMO EN
FAVORABLE DESFAVORABLE UNA FILA
ALTERNATIVA ($) ($) ($)
Construir una planta grande 200,000 -180,000 200,000

Maximax
Construir una planta pequeña 100,000 -20,000 100,000
No hacer nada 0 0 0

3.4 TOMA DE DECISIONES CON INCERTIDUMBRE 69
TABLA 3.3
Decisión maximin de
Thompson MERCADO MERCADO MÍNIMO EN
FAVORABLE DESFAVORABLE UNA FILA
Construir una planta grande 200,000 -180,000 -180,000

Construir una planta pequeña 100,000 -20,000 -20,000
No hacer nada 0 0 0
Maximin
Pesimista
Maximin es un enfoque pesimista. Al utilizar el criterio pesimista, se considera el peor (mínimo) pago para cada alternativa y se selecciona la
alternativa con el mejor (máximo) de éstos. Por lo tanto, el criterio pesimista a veces se denomina criterio
maximin. Este enfoque garantiza que el pago será por lo menos el valor maximin (el mejor de los peores
valores). La elección de cualquier otra alternativa puede hacer que se produzca un pago peor (menor).
En la tabla 3.3 se muestra la elección maximin de Thompson, “no hacer nada”. Esta decisión se asocia
con el máximo de los números mínimos dentro de cada fila o alternativa.
Al utilizar el criterio pesimista para problemas de minimización, en los cuales los pagos menores (por
ejemplo, el costo) son mejores, se debería ver el peor (máximo) pago para cada alternativa y elegir la alter-
nativa con el mejor (mínimo) de éstos.
Tanto el criterio maximax como el maximin consideran sólo un pago extremo para cada alternativa,
mientras que todos los demás beneficios se dejan de lado. El siguiente criterio considera ambos extremos.
Criterio de realismo (criterio de Hurwicz)

El criterio de realismo utiliza el A menudo el llamado promedio ponderado, el criterio de realismo (criterio de Hurwicz) es una com-
enfoque del promedio ponderado. pensación entre una decisión optimista y una pesimista. Para empezar, se selecciona un coeficiente de
realismo, A. Éste mide el grado de optimismo del tomador de decisiones y está entre 0 y 1. Cuando a es 1,
el tomador de decisiones es 100% optimista acerca del futuro. Cuando a es 0, el tomador de decisiones es
100% pesimista sobre el futuro. La ventaja de este enfoque es que permite al tomador de decisiones cons-
truir sobre nociones personales acerca del optimismo y el pesimismo relativos. El promedio ponderado se
calcula como sigue:
Promedio ponderado = a 1mejor en la fila2 + 11 - a2 1peor en la fila2
Para un problema de maximización, el mejor pago para una alternativa es el valor más alto, y el peor
pago es el valor más bajo. Tenga en cuenta que cuando a = 1, este criterio es igual al criterio optimista, y
cuando a = 0 es igual al criterio pesimista. Este valor se calcula para cada alternativa y, después, se elige
la alternativa con el mayor promedio ponderado.
Si suponemos que John Thompson establece su coeficiente de realismo, a, en 0.80, la mejor decisión
sería construir una planta grande. Como se observa en la tabla 3.4, esta alternativa tiene el promedio pon-
derado más alto: $124,000 = (0.80)($200,000) + (0.20)(-$180,000).
Al utilizar el criterio de realismo para los problemas de minimización, el mejor pago para una alter-
nativa sería el menor pago en la fila y el peor sería el mayor pago en la fila. Después se elige la alternativa
con el promedio ponderado más bajo.
TABLA 3.4
ESTADO DE LA NATURALEZA CRITERIO
Decisión de Thompson DE REALISMO
con el criterio de MERCADO MERCADO O PROMEDIO
realismo FAVORABLE DESFAVORABLE PONDERADO
ALTERNATIVA ($) ($) (A = 0.8) $

Realismo
No hacer nada 0 0 0

TABLA 3.5
Decisión de Thompson
igualmente probable MERCADO MERCADO PROMEDIO
FAVORABLE DESFAVORABLE DE LA FILA

Igualmente probable
No hacer nada 0 0 0
Debido a que en el ejemplo de Thompson Lumber sólo hay dos estados de la naturaleza, existen sola-
mente dos pagos para cada alternativa y ambos se toman en cuenta. Sin embargo, si hay más de dos estados
de la naturaleza, este criterio despreciará todos los pagos, excepto el mejor y el peor. El siguiente criterio
considerará todos los pagos posibles para cada decisión.
Igualmente probable (Laplace)

El criterio igualmente probable Uno de los criterios que utiliza todos los pagos de cada alternativa es el igualmente probable, también
utiliza el resultado promedio. llamado, criterio de decisión de Laplace. Esto implica la determinación del pago promedio para cada alter-
nativa, y la selección de la alternativa con el mejor promedio o el más alto. El enfoque igualmente probable
supone que todas las probabilidades de ocurrencia de los estados de la naturaleza son iguales, por lo que
cada estado de la naturaleza es igualmente probable.
La elección igualmente probable de Thompson Lumber es la segunda alternativa, “construir una
planta pequeña”. Esta estrategia, que se muestra en la tabla 3.5, es la que tiene el mayor pago promedio.
Al utilizar el criterio igualmente probable para problemas de minimización, los cálculos son exacta-
mente los mismos, pero la mejor alternativa es la que tiene el pago promedio más bajo.
Arrepentimiento minimax
El criterio de arrepentimiento El siguiente criterio de decisión que se expone aquí se basa en la pérdida de oportunidad o en el arre-
minimax se basa en la pérdida pentimiento. La pérdida de oportunidad se refiere a la diferencia entre la ganancia o el pago óptimo para
de oportunidad. un determinado estado de la naturaleza y el pago real recibido por una decisión particular para ese estado
de la naturaleza. En otras palabras, es la cantidad perdida por no elegir la mejor alternativa en un determi-
nado estado de la naturaleza.
El primer paso es crear la tabla de pérdida de oportunidad mediante la determinación de la pérdida de
oportunidad por no elegir la mejor alternativa para cada estado de la naturaleza. La pérdida de oportunidad
para cualquier estado de la naturaleza, o cualquier columna, se calcula restando cada pago en la columna
de mejor pago en la misma columna. Para un mercado favorable, el mejor pago es de $200,000 como
resultado de la primera alternativa, “construir una planta grande”. La pérdida de oportunidad es 0, lo cual
significa que es imposible alcanzar un pago superior en este estado de la naturaleza. Si se elige la segunda
alternativa, se obtendría una ganancia de $100,000 en un mercado favorable, y esto se compara con
el mejor pago de $200,000. Por lo tanto, la pérdida de oportunidad es de 200,000 - 100,000 = 100,000. Del
mismo modo, si se selecciona “no hacer nada”, la pérdida de oportunidad sería de 200,000 - 0 = 200,000.
Para un mercado desfavorable, el mejor pago es $0 como resultado de la tercera alternativa, “no hacer
nada”, por lo que ésta tiene 0 pérdida de oportunidad. Las pérdidas de oportunidad para las otras alterna-
tivas se encuentran restando los beneficios del mejor pago ($0) en este estado de la naturaleza, como se
indica en la tabla 3.6. La tabla de pérdida de oportunidad de Thompson se muestra como la tabla 3.7.
TABLA 3.6
Determinación de las pérdidas de TABLA 3.7
oportunidad para Thompson Lumber Tabla de pérdidas de oportunidad para Thompson Lumber
ESTADO DE LA NATURALEZA ESTADO DE LA NATURALEZA
MERCADO MERCADO MERCADO MERCADO

FAVORABLE DESFAVORABLE FAVORABLE DESFAVORABLE
($) ($) ALTERNATIVA ($) ($)
200,000 – 200,000 0 – (–180,000) Construir una planta grande 0 180,000

200,000 – 100,000 0 – (–20,000) Construir una planta pequeña 100,000 20,000
200,000 – 0 0–0 No hacer nada 200,000 0

3.5 TOMA DE DECISIONES CON RIESGO 71
Ford utiliza la teoría de decisiones para elegir

EN ACCIÓN proveedores de refacciones
A los tomadores de decisiones de Ford se les solicitan datos de en-

F ord Motor Company fabrica cerca de 5 millones de automóviles
y camiones al año y emplea a más de 200,000 trabajadores en cerca
trada acerca de sus proveedores (costos de las refacciones, distancias,
tiempos de espera, confiabilidad de los proveedores, etcétera), así
de 100 instalaciones en todo el mundo. Con frecuencia, esta gran como el tipo de criterio de decisión que desean utilizar. Una vez que
empresa debe tomar grandes decisiones relacionadas con sus provee- se introducen los datos, el modelo genera el mejor conjunto de pro-
dores en tiempos de entrega muy ajustados. veedores para satisfacer las necesidades específicas. El resultado es un
Ésta era la situación cuando investigadores del MIT hicieron sistema que en la actualidad ahorra a Ford Motor Company más de
equipo con la gerencia de Ford y desarrollaron una herramienta para la $40 millones anuales.
selección de proveedores basada en datos. Este programa de compu- Fuente: Basado en E. Klampfl, Y. Fradkin, C. McDaniel y M. Wolcott. “Ford
tadora ayuda a tomar decisiones mediante la aplicación de algunos de Uses OR to Make Urgent Sourcing Decisions in a Distressed Supplier Environ-
los criterios de toma de decisiones que se presentan en este capítulo. ment”, Interfaces 39, 5 (2009): 428-442.
TABLA 3.8
Decisión minimax de
Thompson usando la MERCADO MERCADO MÁXIMO
pérdida de oportunidad FAVORABLE DESFAVORABLE EN UNA FILA
Construir una planta grande 0 180,000 180,000

Construir una planta pequeña 100,000 20,000 100,000
Minimax
No hacer nada 200,000 0 200,000
Cuando se emplea la tabla de pérdida de oportunidad (arrepentimiento), el criterio de arrepen-

timiento minimax considera primero la pérdida de oportunidad máxima (peor) para cada alternativa.
Luego, tomando en cuenta estos valores máximos, elige la alternativa con el número mínimo (o mejor). Al
hacerlo, se garantiza que la pérdida de oportunidad en la que realmente se incurre no sea mayor que este
valor minimax. En la tabla 3.8, se observa que la selección del arrepentimiento minimax es la segunda
alternativa, “construir una planta pequeña”. Cuando se selecciona esta alternativa, se sabe que la pérdi-
da de oportunidad máxima no puede ser mayor a 100,000 (el mínimo de los arrepentimientos máximos).
Al calcular la pérdida de oportunidad para problemas de minimización como aquellos que involucran
costos, el mejor (el más bajo) pago o costo en una columna se resta de cada pago en esa columna. Una vez
que se ha construido la tabla de pérdida de oportunidad, se aplica el criterio de arrepentimiento minimax
exactamente de la misma manera que se acaba de describir. Se encuentra la pérdida de oportunidad máxima
para cada alternativa, y se selecciona la alternativa con el mínimo de estos máximos. Al igual que con
los problemas de maximización, la pérdida de oportunidad nunca puede ser negativa.
Hasta ahora, se han considerado varios criterios de toma de decisiones que se utilizarán cuando no se
conozcan las probabilidades de los estados de la naturaleza y no sea posible estimarlos. Ahora se verá qué
hacer si existen probabilidades disponibles.
3.5 Toma de decisiones con riesgo

Tomar decisiones con riesgo es una situación en la que pueden ocurrir varios estados de la naturaleza posi-
bles, y se conocen las probabilidades de dichos estados. En esta sección, consideramos uno de los métodos
más populares para la toma de decisiones con riesgo: la selección de la alternativa con el mayor valor
monetario esperado (o simplemente valor esperado). También utilizamos las probabilidades con la tabla de
pérdida de oportunidad para reducir al mínimo tales pérdidas de oportunidad.
Valor monetario esperado

Dada una tabla de decisiones con valores condicionales (pagos) que son valores monetarios, y evaluacio-
El VME es la suma ponderada de los nes de probabilidad para todos los estados de la naturaleza, es posible determinar el valor monetario espe-
pagos posibles para cada alternativa. rado (VME) para cada alternativa. El valor esperado, o el valor medio, es el valor promedio a largo plazo
de esa decisión. El VME de una alternativa es simplemente la suma de los posibles pagos de la alternativa,
cada uno de ellos ponderado por la probabilidad de que el pago se produzca.
Esto también podría expresarse simplemente como el valor esperado de X, o E(X), que se estudió en
la sección 2.6 del capítulo 2.
VME(alternativa) = gXi P1Xi2 (3-1)

TABLA 3.9
probabilidades y VME MERCADO MERCADO
para Thompson Lumber FAVORABLE DESFAVORABLE
ALTERNATIVA ($) ($) VME ($)

Mejor VME
No hacer nada 0 0 0
Probabilidades 0.50 0.50
donde
Xi = pago para la alternativa en el estado de la naturaleza i
P1Xi2 = probabilidad de lograr el pago Xi 1es decir, probabilidad del estado de la naturaleza i2
g = símbolo de suma
Al expandir esto, se convierte en
VME 1alternativa2
= 1pago en el primer estado de la naturaleza2 * 1probabilidad del primer estado de la naturaleza2
+ 1pago en el segundo estado de la naturaleza2 * 1probabilidad del segundo estado de la naturaleza2
+ … + 1pago en el último estado de la naturaleza2 * 1probabilidad del último estado de la naturaleza2
Después, se elige la alternativa con el máximo VME.

Suponga que John Thompson ahora cree que la probabilidad de un mercado favorable es exactamente
igual a la probabilidad de un mercado desfavorable; es decir, cada estado de la naturaleza tiene 0.50 de
probabilidades. ¿Qué alternativa le daría el mayor VME? Para determinar esto, John ha ampliado la tabla
de decisiones, como se muestra en la tabla 3.9. Sus cálculos son como sigue:
VME 1planta grande2 = 1$200,0002 10.50) + 1-$180,0002 10.502 = $10,000

VME 1planta pequeña2 = 1$100,0002 10.50) + 1-$20,0002 10.502 = $40,000
VME 1no hacer nada2 = 1$0) 10.502 + 1$02 10.502 = $0
El mayor valor esperado ($40,000) es resultado de la segunda alternativa, “construir una planta pequeña”.
Por lo tanto, Thompson debería continuar con el proyecto e instalar una planta pequeña para la fabricación
de cobertizos de almacenamiento. Los VME para construir la planta grande y no hacer nada son $10,000 y
$0, respectivamente.
Cuando se utiliza el criterio del VME con problemas de minimización, los cálculos son los mismos,
pero se selecciona la alternativa con el menor VME.
Valor esperado de información perfecta

John Thompson ha sido abordado por Scientific Marketing, Inc., una compañía que propone ayudar a John
a tomar la decisión sobre si se debería construir una planta para producir cobertizos de almacenamiento.
Scientific Marketing afirma que su análisis técnico indicará a John con certidumbre si el mercado es favo-
rable para su producto propuesto. En otras palabras, que cambiará su entorno de una toma de decisión con
riesgo a una toma de decisión con certidumbre. Esta información evitaría que John cometiera un error muy
costoso. Scientific Marketing cobraría a Thompson $65,000 por la información. ¿Qué le recomendaría a
John? ¿Debería contratar a la empresa para hacer el estudio de mercado? Incluso si la información del estu-
dio es perfectamente exacta, ¿vale la pena pagar $65,000? ¿Cuál sería el beneficio? Aunque algunas de es-
tas preguntas son difíciles de contestar, la determinación del valor de la información perfecta suele ser muy
útil. Esto coloca un límite superior a lo que usted debería estar dispuesto a gastar en información como la
que vende Scientific Marketing. En esta sección, se investigan dos términos relacionados: el valor espe-
El VEIP coloca un límite superior a rado de la información perfecta (VEIP) y el valor esperado con información perfecta (VEcIP). Estas
lo que debe pagarse por información. técnicas pueden ayudar a John a tomar una decisión sobre la contratación de la empresa de marketing.
El valor esperado con información perfecta es el rendimiento esperado o promedio, a largo plazo, si
se cuenta con información perfecta antes de tomar una decisión. Para calcular este valor, elegimos la mejor

3.5 TOMA DE DECISIONES CON RIESGO 73
alternativa para cada estado de la naturaleza y multiplicamos su pago por la probabilidad de ocurrencia de
ese estado de la naturaleza.
VEcIP = g 1mejor pago en el estado de la naturaleza i2 1probabilidad del estado de la naturaleza i2 (3-2)
Al expandir esto, se convierte en
VEcIP
= 1mejor pago en el primer estado de la naturaleza2 * 1probabilidad del primer estado de la naturaleza2
+ 1mejor pago en el segundo estado de la naturaleza2 * 1probabilidad del segundo estado de la naturaleza2
+ … + 1mejor pago en el último estado de la naturaleza2 * 1probabilidad del último estado de la naturaleza2
El VEIP es el valor esperado con información perfecta menos el valor esperado sin información perfecta
(es decir, el mejor o máximo VME). Por lo tanto, la VEIP es la mejora en el VME que resulta de tener
información perfecta.
VEIP = VEcIP - Mejor VME (3-3)
El VEIP es el valor esperado Con referencia a la tabla 3.9, Thompson puede calcular el máximo que pagaría por información, es
con información perfecta decir, el VEIP. Sigue un proceso de tres etapas. En primer lugar, encuentra el mejor pago en cada estado de
menos el VME máximo. la naturaleza. Si la información perfecta indica que el mercado va a ser favorable, se construirá la planta
grande y la utilidad será de $200,000. Si la información perfecta dice que el mercado será desfavorable, se
seleccionará la alternativa “no hacer nada”, y el resultado será 0. Estos valores se muestran en la fila “con
información perfecta” de la tabla 3.10. En segundo lugar, se calcula el valor esperado con información
perfecta. Luego, utilizando este resultado, se calcula el VEIP.
El valor esperado con información perfecta es
VEcIP = 1$200,0002 10.502 + 1$02 10.502 = $100,000
Por consiguiente, si tuviéramos información perfecta, el pago promediaría $100,000.

El VME máximo sin información adicional es de $40,000 (según la tabla 3.9). Por lo tanto, el au-
mento en el VME es
VEIP = VEcIP - VME máximo

= $100,000 - $40,000
= $60,000
Por consiguiente, lo más que Thompson estaría dispuesto a pagar por la información perfecta son $60,000,
lo cual, desde luego, se basa de nuevo en el supuesto de que la probabilidad de cada estado de la naturaleza
es 0.50.
El VEIP también indica que lo máximo que debería pagarse por cualquier información (perfecta o
imperfecta) son $60,000. En una sección posterior, veremos cómo se asigna un valor a la información im-
perfecta o muestral.
Cuando se encuentra el VEIP para problemas de minimización, el enfoque es similar. Se encuentra el
mejor pago en cada estado de la naturaleza, pero éste es el pago más bajo para ese estado en vez del más
alto. El VEcIP se calcula a partir de esos pagos más bajos y se compara con el mejor (menor) VME sin
información perfecta. El VEIP es la mejora que resulta, es decir, el mejor VME - VEcIP.
TABLA 3.10
información perfecta MERCADO MERCADO
FAVORABLE DESFAVORABLE
ALTERNATIVA ($) ($) VME ($)

No hacer nada 0 0 0
Con información perfecta 200,000 0 100,000
VEcIP

TABLA 3.11
Tabla de la POE para
Thompson Lumber MERCADO MERCADO
ALTERNATIVA ($) ($) POE
Construir una planta grande 0 180,000 90,000

Construir una planta pequeña 100,000 20,000 60,000
Mejor POE
No hacer nada 200,000 0 100,000
Pérdida de oportunidad esperada

La POE es el costo de no elegir la Un enfoque alternativo para maximizar el VME consiste en minimizar la pérdida de oportunidad esperada
mejor solución. (POE). En primer lugar, se construye una tabla de pérdida de oportunidad. Después, se calcula la POE
para cada alternativa multiplicando la pérdida de oportunidad por la probabilidad para, después, sumar
estas pérdidas. En la tabla 3.7 se presenta la tabla de pérdida de oportunidad para el ejemplo de Thompson
Lumber. Al utilizar estas pérdidas de oportunidad, se calcula la POE para cada alternativa multiplicando la
probabilidad de cada estado de la naturaleza por el valor de la pérdida de oportunidad correspondiente y
después se suman las pérdidas:
POE 1construir una planta grande2 = 10.52 1$ 02 + 10.52 1$180,0002
= $90,000
POE 1construir una planta pequeña2 = 10.52 1$100,0002 + 10.52 1$20,0002
= $60,000
POE 1no hacer nada2 = 10.52 1$200,0002 + 10.52 1$02
= $100,000
La tabla 3.11 presenta estos resultados. Si se emplea la POE mínima como el criterio de decisión, la mejor
decisión sería la segunda alternativa, “construir una planta pequeña”.
La POE siempre dará como Es importante señalar que la POE mínima siempre dará lugar a la misma decisión que el VME
resultado la misma decisión máximo, y que el VEIP siempre será igual a la POE mínima. Con referencia al caso de Thompson, se uti-
que el VME máximo. lizó la tabla de pagos para calcular el VEIP en $60,000. Observe que ésta es la POE mínima que acabamos
de calcular.
Análisis de sensibilidad
En las secciones anteriores, se determinó que la mejor decisión (con probabilidades conocidas) para
Thompson Lumber era construir la planta pequeña, con un valor esperado de $40,000. Esta conclusión
depende de los valores de las consecuencias económicas y de los dos valores de probabilidad para un
El análisis de sensibilidad investiga mercado favorable y uno desfavorable. El análisis de sensibilidad investiga cómo nuestra decisión po-
cómo podría cambiar nuestra dría cambiar dado un cambio en los datos del problema. En esta sección, se investiga el impacto que
decisión con datos de entrada tendría un cambio en los valores de probabilidad sobre la decisión en el caso de Thompson Lumber.
diferentes. Primero definimos la variable siguiente:
P = probabilidad de un mercado favorable
Debido a que sólo hay dos estados de la naturaleza, la probabilidad de un mercado desfavorable debe
ser 1 - P.
Ahora podemos expresar los VME en términos de P, como se muestra en las siguientes ecuaciones.
Además, en la figura 3.1 se presenta una gráfica de los valores del VME.
VME 1planta grande2 = $200,000P - $180,00011 - P2

= $200,000P - $180,000 + 180,000P
= $380,000P - $180,000
VME 1planta pequeña2 = $100,000P - $20,00011 - P2
= $100,000P - $20,000 + 20,000P
= $120,000P - $20,000
VME 1no hacer nada2 = $0P + $011 - P2 = $0

3.6 UN EJEMPLO DE MINIMIZACIÓN 75
FIGURA 3.1
Análisis de sensibilidad Valores VME
$300,000
$200,000 VME (planta grande)

Punto 2
$100,000 VME (planta pequeña)

Punto 1
0 VME (no hacer nada)

0.167 0.615 1
Valores de P
⫺$100,000
⫺$200,000
Como se observa en la figura 3.1, la mejor decisión es no hacer nada, siempre y cuando P esté entre
0 y la probabilidad asociada con el punto 1, donde el VME para no hacer nada es igual al VME para la
planta pequeña. Cuando P está entre las probabilidades de los puntos 1 y 2, la mejor decisión es la cons-
trucción de la planta pequeña. El punto 2 es donde el VME para la planta pequeña es igual al VME para
la planta grande. Cuando P es mayor que la probabilidad para el punto 2, la mejor decisión es construir la
planta grande. Por supuesto, esto es lo que se puede esperar a medida que P aumenta. El valor de P en los
puntos 1 y 2 se calcula de la manera siguiente:
Punto 1: VME 1no hacer nada2 = VME 1planta pequeña2

20,000
0 = $120,000P - $20,000 P = = 0.167
120,000
Punto 2: VME 1planta pequeña2 = VME 1planta grande2
$120,000P - $20,000 = $380,000P - $180,000
160,000
260,000P = 160,000 P = = 0.615
260,000
Los resultados de este análisis de sensibilidad se muestran en la siguiente tabla:
RANGO DE
MEJOR ALTERNATIVA VALORES DE P
No hacer nada Menor que 0.167

Construir una planta pequeña 0.167 - 0.615
Construir una planta grande Mayor que 0.615
3.6 Un ejemplo de minimización

Los ejemplos anteriores han ilustrado cómo se aplican los criterios de toma de decisiones cuando se desean
maximizar los pagos. El siguiente ejemplo ilustra la manera en que se aplican estos criterios a problemas,
donde los pagos son costos que deberían minimizarse.
El departamento de Análisis de Negocios en la Universidad Estatal firmará un contrato de arrenda-
miento de 3 años para una nueva máquina copiadora, y se están considerando tres máquinas diferentes.
Para cada una de ellas, hay una cuota mensual que incluye el servicio de la máquina más un cargo por cada
copia. El número de copias que se harían todos los meses es incierto, pero el departamento ha estimado
que el número de copias por mes sería de 10,000, 20,000 o 30,000. El costo mensual por cada máquina con
base en cada uno de los tres niveles de actividad se muestra en la tabla 3.12.

TABLA 3.12
10,000 COPIAS 20,000 COPIAS 30,000 COPIAS
Tabla de pagos con MENSUALES MENSUALES MENSUALES
costos mensuales
de copiado para Máquina A 950 1,050 1,150
el departamento de Máquina B 850 1,100 1,350
Análisis de Negocios Máquina C 700 1,000 1,300
¿Qué máquina se debería seleccionar? Para determinar la mejor alternativa, es necesario elegir un
criterio específico. Si el tomador de decisiones es optimista, sólo consideraría el mejor pago (el mínimo)
para cada decisión. Estos se muestran en la tabla 3.13, y el mejor (mínimo) de ellos es 700. Por lo tanto,
seleccionaría la máquina C, lo cual permitiría lograr el mejor costo de $700.
Si el tomador de decisiones es pesimista, sólo consideraría el peor pago (el máximo) para cada de-
cisión. Éstos también se muestran en la tabla 3.13, y el mejor (mínimo) de ellos es 1,150. Por lo tanto,
seleccionaría la máquina A con base en el criterio pesimista. Así garantizaría que el costo no sería superior
a 1,150, independientemente de qué estado de la naturaleza se produjera.
De acuerdo con el criterio de Hurwicz, si se supone que el tomador de decisiones es 70% optimista (el
coeficiente de realismo es 0.7), el promedio ponderado de los mejores y los peores pagos para cada alterna-
tiva se calcularía mediante la fórmula:
Promedio ponderado = 0.7 1el mejor pago2 + 11 - 0.72 1el peor pago2
Para cada una de las tres máquinas copiadoras, se pueden obtener los siguientes valores.
Máquina A: 0.719502 + 0.311,1502 = 1,010

Máquina B: 0.718502 + 0.311,3502 = 1,000
Máquina C: 0.717002 + 0.311,3002 = 880
La decisión sería seleccionar la máquina C con base en este criterio, ya que tiene el costo promedio pon-
derado más bajo.
Para el criterio igualmente probable, se calcula el pago promedio de cada máquina.
Máquina A: 1950 + 1,050 + 1,1502 >3 = 1,050

Máquina B: 1850 + 1,100 + 1,3502 >3 = 1,100
Máquina C: 1700 + 1,000 + 1,3002 >3 = 1,000
Con base en el criterio igualmente probable, se seleccionaría la máquina C porque tiene el menor costo
promedio.
Para aplicar el criterio del VME, es necesario conocer las probabilidades para cada estado de la natu-
raleza. Los registros anteriores indican que 40% de las veces el número de copias realizadas en un mes fue
10,000, mientras que 30% de las veces fue 20,000 y 30% de las veces fue 30,000. Las probabilidades para
los tres estados de la naturaleza serían 0.4, 0.3 y 0.3, respectivamente. Estas probabilidades se pueden usar
para calcular los VME, y los resultados son los mostrados en la tabla 3.14. La máquina C se seleccionaría
porque tiene el VME más bajo. El costo mensual promediaría $970 con esta máquina, mientras que las
otras máquinas promediarían un costo más alto.
TABLA 3.13
10,000 20,000 30,000 MEJOR PEOR
Mejores y peores COPIAS COPIAS COPIAS PAGO PAGO
pagos (costos) para MENSUALES MENSUALES MENSUALES (MÍNIMO) (MÁXIMO)
el departamento de
Análisis de Negocios Máquina A 950 1,050 1,150 950 1,150
Máquina B 850 1,100 1,350 850 1,350
Máquina C 700 1,000 1,300 700 1,300

3.7 USO DE SOFTWARE PARA PROBLEMAS CON TABLAS DE PAGOS 77
TABLA 3.14
Valores monetarios MENSUALES MENSUALES MENSUALES VME
esperados y
valor esperado con Máquina A 950 1,050 1,150 1,040
información perfecta Máquina B 850 1,100 1,350 1,075
para el departamento de Máquina C 700 1,000 1,300 970
Análisis de Negocios
Con información perfecta 700 1,000 1,150 925
Probabilidad 0.4 0.3 0.3
TABLA 3.15
Tabla de pérdida MENSUALES MENSUALES MENSUALES MÁXIMO POE
de oportunidad para
el departamento de Máquina A 250 50 0 250 115
Análisis de Negocios Máquina B 150 100 200 200 150
Máquina C 0 0 150 150 45
Para encontrar el VEIP, se determinan primero los pagos (costos) que se experimentarían con infor-
mación perfecta. El mejor pago en cada estado de la naturaleza es el valor (costo) más bajo en ese estado
de la naturaleza, como se indica en la fila inferior de la tabla 3.14. Estos valores sirven para calcular el
VEcIP. Con estos costos, encontramos
VEcIP = $925
Mejor VME sin información perfecta = $970
VEIP = 970 - 925 = $45
La información perfecta reduciría el valor esperado en $45.

Para aplicar criterios basados en la pérdida de oportunidad, primero debemos desarrollar la tabla de
pérdida de oportunidad. En cada estado de la naturaleza, la pérdida de oportunidad indica cuán peor es
cada pago que la mejor rentabilidad posible en ese estado de naturaleza. El mejor pago (costo) sería el
costo más bajo. Por lo tanto, para obtener la pérdida de oportunidad en este caso, se resta el valor más bajo
en cada columna de todos los valores de esa columna y se obtiene la tabla de pérdida de oportunidad.
Una vez desarrollada la tabla de pérdida de oportunidad, se aplica el criterio de arrepentimiento mi-
nimax exactamente como se hizo para el ejemplo de Thompson Lumber. Se encuentra el arrepentimiento
máximo para cada alternativa y se selecciona la alternativa con el mínimo de estos máximos. Como se ob-
serva en la tabla 3.15, el mínimo de esos máximos es 150, así que con base en dicho criterio se selecciona
la máquina C.
Para calcular las pérdidas de oportunidad esperadas, se utilizan probabilidades de la manera indicada
en la tabla 3.15. La máquina C tiene la menor POE de $45, por lo que se seleccionaría con base en el cri-
terio de la POE mínima. Como se ha señalado anteriormente, la POE mínima es igual al valor esperado de
la información perfecta.
3.7 Uso de software para problemas con tablas de pagos

Para realizar los cálculos asociados con tablas de pagos, es fácil usar QM para Windows o Excel QM, o in-
cluso Excel 2013, sin ningún tipo de complemento. En los siguientes ejemplos se usa el caso de Thompson
Lumber a manera de ilustración.
QM para Windows
Para utilizar QM para Windows en la resolución del ejemplo de Thompson Lumber, seleccione Modules -
Decision Theory. Después, introduzca las New-Payoff Tables, y aparecerá una ventana que le permite con-
figurar el problema. Especifique un título, el número de opciones (alternativas), el número de escenarios

PROGRAMA 3.1A
Entrada en QM para Introduzca los datos en la tabla
Windows del ejemplo y escriba los nombres de fila y
de Thompson Lumber columna.
PROGRAMA 3.1B
Pantalla de salida en
QM para Windows del
ejemplo de Thompson
Lumber Haga clic en Window
para ver más información.
(estados de la naturaleza), y si desea maximizar o minimizar. En este ejemplo, hay tres alternativas u
opciones, y dos estados de la naturaleza o escenarios. Después de ingresarlos, haga clic en OK y aparecerá
una ventana (programa 3.1A) que le permite introducir las probabilidades y los pagos. También puede
cambiar los nombres de las alternativas y los estados de la naturaleza, simplemente escribiendo sobre los
nombres predeterminados. Al hacer clic en Solve, aparece la salida del programa 3.1B. Es posible obtener
resultados adicionales como el VEIP y la pérdida de oportunidad, al hacer clic en Window sobre la pantalla
donde se muestra el resultado.
Excel QM
Si desea utilizar Excel QM para el ejemplo de Thompson Lumber, desde la barra de Excel QM en Excel
2013, haga clic en el menú Alphabetical y seleccione Decision Analysis – Decision Tables. Cuando se abra
la ventana para introducir los parámetros del problema, usted debe ingresar un título, el número de alterna-
tivas, el número de estados de la naturaleza y especificar si desea maximizar o minimizar. Haga clic en OK
y se creará una tabla de pagos vacía. Simplemente introduzca las probabilidades, los pagos y los nombres
de filas y columnas. Los cálculos se realizan automáticamente y los resultados son como se muestran en
el programa 3.2A. Aunque en Excel QM las fórmulas se desarrollan automáticamente, el programa 3.2b
muestra las fórmulas importantes de este ejemplo. Para ver las fórmulas en Excel, simplemente mantenga
presionada la tecla Control y pulse la tecla del acento grave (`) (que normalmente se encuentra encima de
la tecla Tab). Para que la pantalla de la hoja de cálculo en Excel 2013 muestre nuevamente números en vez
de fórmulas, sólo tiene que pulsar esas teclas de nuevo.

3.8 ÁRBOLES DE DECISIÓN 79
PROGRAMA 3.2A
Para ver las fórmulas, mantenga pulsada la tecla de control (Ctrl) y
Resultados en Excel QM pulse la tecla ` (acento grave), que generalmente se encuentra
para el ejemplo de encima de la tecla Tab.
Thompson Lumber
PROGRAMA 3.2B
Fórmulas clave en Excel
QM para el ejemplo de
Thompson Lumber
3.8 Árboles de decisión

Cualquier problema que se presente en una tabla de decisiones también se puede ilustrar gráficamente en
un árbol de decisión. Todos los árboles de decisión son similares en que contienen puntos de decisión o
nodos de decisión y puntos del estado de la naturaleza o nodos del estado de la naturaleza:
● Un nodo de decisión, a partir de cual se puede elegir una de varias alternativas
● Un nodo del estado de la naturaleza, a partir del cual se producirá un estado de la naturaleza
Al dibujar el árbol, empezamos desde la izquierda y nos movemos hacia la derecha. Así, el árbol presenta
las decisiones y los resultados en orden secuencial. Las líneas o ramas que salen de cuadrados (nodos
de decisión) representan las alternativas, y las ramas que salen de círculos representan los estados de la
naturaleza. En la figura 3.2 se presenta el árbol de decisión básico para el ejemplo de Thompson Lumber.
Primero, John decide si construir una planta grande, una planta pequeña o no construir nada. Después,
una vez tomada esa decisión, se producirán los posibles estados de la naturaleza o resultados (mercado
favorable o desfavorable). El siguiente paso es colocar los pagos y las probabilidades en el árbol y, luego,
comenzar con el análisis.

FIGURA 3.2
Un nodo de decisión Un nodo del estado de la naturaleza
Árbol de decisión de
Mercado favorable
Thompson
na 1
ir u e Mercado desfavorable
stru rand
n
Co nta g
pla Mercado favorable
Construir una planta
pequeña
2
No Mercado desfavorable
ha
cer
na
da
El análisis de problemas con árboles de decisión implica cinco pasos:
Los cinco pasos del análisis con árboles de decisión

1. Definir el problema.
2. Estructurar o dibujar el árbol de decisión.
3. Asignar probabilidades a los estados de la naturaleza.
4. Estimar los pagos para cada combinación posible de alternativas y estados de la naturaleza.
5. Resolver el problema calculando los VME para cada nodo del estado de la naturaleza, lo cual se
realiza trabajando hacia atrás; es decir, empezando desde la derecha del árbol y trabajando hacia
atrás, hasta los nodos de decisión a la izquierda. Además, en cada nodo de decisión, se selecciona
la alternativa con el mejor VME.
El árbol de decisión final con los pagos y las probabilidades para la situación de la decisión de John
Thompson se ilustra en la figura 3.3. Observe que los pagos se colocan en el lado derecho de cada una
de las ramas del árbol. Las probabilidades se muestran entre paréntesis al lado de cada estado de la natu-
raleza. A partir de los pagos a la derecha de la figura, se calculan los VME para cada nodo del estado de
la naturaleza y se colocan en seguida de sus respectivos nodos. El VME del primer nodo es de $10,000.
Esto representa la rama del nodo de decisión de construir una planta grande. El VME para el nodo 2, la
FIGURA 3.3
VME para el
Árbol de decisión nodo 1 = $10,000 = (0.5)($200,000) + (0.5)( –$180,000)
completo y resuelto para
Pagos
Thompson Lumber
Se selecciona la Mercado favorable (0.5)
alternativa con $200,000
el mejor VME nde 1
ta gra Mercado desfavorable (0.5)
n
pla –$180,000
iruna
ru
nst Construir una planta
Mercado favorable (0.5)
Co $100,000
pequeña
2
No Mercado desfavorable (0.5)
ha –$20,000
cer
na
da VME para el
= (0.5)($100,000) + (0.5)( –$20,000)
nodo 2 = $40,000
$0

construcción de una planta pequeña, es de $40,000. La construcción de ninguna planta o no hacer nada
tiene, por supuesto, un pago de $0. Se debe elegir la rama que sale del nodo de decisión que conduce al
nodo del estado de la naturaleza con el mayor VME. En el caso de Thompson, se debería construir una
planta pequeña.
UNA DECISIÓN MÁS COMPLEJA PARA THOMPSON LUMBER, INFORMACIÓN MUESTRAL Cuando
es necesario tomar decisiones secuenciales, los árboles de decisión son herramientas mucho más pode-
rosas que las tablas de decisiones. Digamos que John Thompson debe tomar dos decisiones, donde la
segunda decisión depende del resultado de la primera. Antes de decidir sobre la construcción de una nueva
planta, John tiene la opción de llevar a cabo su propia encuesta de investigación de mercados, a un costo
de $10,000. La información de su encuesta ayudaría a decidir si debería construir una planta grande, una
planta pequeña o no construir nada. John reconoce que tal encuesta de mercado no le proveerá información
perfecta y, sin embargo, ayudaría un poco.
Es necesario tomar en cuenta El nuevo árbol de decisión de John se representa en la figura 3.4. Revisemos cuidadosamente este
todos los resultados y todas las árbol más complejo. Observe que en su secuencia lógica se incluyen todos los resultados y todas las alter-
alternativas. nativas posibles. Éste es uno de los puntos fuertes de la utilización de árboles de decisión en la toma de de-
cisiones. El usuario está obligado a examinar todos los resultados posibles, incluyendo los desfavorables.
Asimismo, está obligado a tomar decisiones de manera lógica y secuencial.
FIGURA 3.4
Árbol de decisión más grande, con los pagos y las probabilidades de Thompson Lumber
Primer punto Segundo punto Pagos

de decisión de decisión

$190,000
e 2
nd Mercado desfavorable (0.22)
gra –$190,000
nta
Pla Mercado favorable (0.78)
$90,000
Planta
3 Mercado desfavorable (0.22)
pequeña
ra do 5)
–$30,000
vo lta 0.4
es s
(
Re sta
Ninguna planta
e
cu
bl
fa su
–$10,000
En
1
En
$190,000
do
cu sul ivo
e 4
rca
es tad s
nd Mercado desfavorable (0.73)

Re ga
ta
gra –$190,000
me
ne
(0 s
nta
.5
Pla Mercado favorable (0.27)

de
5)
t
$90,000
o
Planta
ta
5
es
pequeña Mercado desfavorable (0.73)

–$30,000
cu
enr
za
Ninguna planta
–$10,000
ali
Re
No Mercado favorable (0.50)

rea $200,000
liza e 6
r la nd Mercado desfavorable (0.50)
en gra –$180,000
cu
es nta
ta Pla Mercado favorable (0.50)
Planta $100,000
pequeña –$20,000
Ninguna planta
$0

Al examinar el árbol, se observa que el primer punto de decisión de Thompson es si llevará a cabo
el estudio de mercado por $10,000. Si decide no hacer el estudio (la parte inferior del árbol), puede cons-
truir una planta grande, una planta pequeña o no construir. Éste es el segundo punto de decisión de John.
El mercado será favorable (0.50 de probabilidades) o desfavorable (también 0.50 de probabilidades) si
construye. Los pagos para cada una de las consecuencias posibles se listan a lo largo del lado derecho. De
hecho, la parte inferior del árbol de John es idéntico al árbol de decisión más sencillo que se muestra en la
figura 3.3. ¿Por qué ocurre así?
La parte superior de la figura 3.4 refleja la decisión de realizar el estudio de mercado. El nodo 1 del
estado de la naturaleza tiene dos ramas. Hay una posibilidad de 45% de que los resultados de la encuesta
indiquen un mercado favorable para los cobertizos de almacenamiento. También observamos que hay una
probabilidad de 0.55 de que los resultados de la encuesta sean negativos. La deducción de esta probabili-
dad se estudiará en la siguiente sección.
La mayoría de las probabilidades El resto de las probabilidades que aparecen entre paréntesis en la figura 3.4 son probabilidades con-
son probabilidades condicionales. dicionales o probabilidades posteriores (estas probabilidades también se analizarán en la siguiente sec-
ción). Por ejemplo, 0.78 es la probabilidad de un mercado favorable para los cobertizos dado un resultado
favorable en el estudio de mercado. Desde luego, se esperaría que haya una alta probabilidad de un mer-
cado favorable, dado que la investigación indicó que el mercado era bueno. No olvide, sin embargo, que
existe la posibilidad de que los $10,000 del estudio de mercado de John no resulten en información per-
fecta o incluso confiable. Cualquier estudio de investigación de mercado está sujeto a error. En este caso,
hay una posibilidad de 22% de que el mercado para cobertizos sea desfavorable, dado que los resultados de
la encuesta fueron positivos.
Observamos que hay una posibilidad de 27% de que el mercado de cobertizos sea favorable, dado que
los resultados de la encuesta de John fueron negativos. La probabilidad es mucho más alta, 0.73, de que el
mercado en realidad sea desfavorable dado que la encuesta fue negativa.
El costo de la encuesta debió ser Por último, cuando observamos la columna de pagos en la figura 3.4, vemos que $10,000, el costo del
restado de los pagos originales. estudio de mercado, debió ser restado de cada una de las 10 ramas superiores del árbol. Por consiguiente,
una planta grande con un mercado favorable normalmente generaría una utilidad de $200,000. Pero debido
a que se llevó a cabo el estudio de mercado, esta cifra se reduce en $10,000, hasta $190,000. En el caso
desfavorable, la pérdida de $180,000 aumentaría a una pérdida mayor de $190,000. Del mismo modo, la
realización de la encuesta y la opción de no construir ninguna planta ahora implica un pago de -$10,000.
Comenzamos con el cálculo del VME Después de especificar todas las probabilidades y todos los pagos, podemos empezar a calcular el
de cada rama. VME en cada nodo del estado de la naturaleza. Comenzamos en el extremo o lado derecho del árbol de
decisión y trabajamos hacia el origen. Cuando terminemos, se sabrá cuál es la mejor decisión.
1. Si los resultados de la encuesta son favorables,
VME 1nodo 22 = VME 1planta grande u encuesta positiva2
= 10.782 1$190,0002 + 10.222 1-$190,0002 = $106,400
VME 1nodo 32 = VME 1planta pequeña u encuesta positiva2
= 10.782 1$90,0002 + 10.222 1-$30,000) = $63,600
Primero se realizan los cálculos del En este caso, el VME de no construir ninguna planta es -$10,000. Por lo tanto, si los resultados de la
VME para resultados favorables en encuesta son favorables, se debería construir una planta grande. Observe que llevamos el valor espe-
la encuesta. rado de esta decisión ($106,400) al nodo de decisión para indicar que, si los resultados de la encuesta
son positivos, nuestro valor esperado será $106,400. Esto se muestra en la figura 3.5.
2. Si los resultados de la encuesta son negativos,
VME 1nodo 42 = VME 1planta grande u encuesta negativa2
= 10.272 1$190,0002 + 10.732 1-$190,0002 = -$87,400
VME 1nodo 52 = VME 1planta pequeña u encuesta negativa2
= 10.272 1$90,0002 + 10.732 1-$30,000) = $2,400
En seguida se realizan los De nuevo, el VME de no construir ninguna planta es -$10,000. Por consiguiente, dado un resultado
cálculos del VME para resultados negativo de la encuesta, John debe construir una planta pequeña con un valor esperado de $2,400, y
desfavorables en la encuesta. esta cifra se indica en el nodo de decisión.
3. Si continuamos en la parte superior del árbol y nos movemos hacia atrás, es posible calcular el valor
esperado de realizar el estudio de mercado:
VME 1nodo 12 = VME 1realización de encuesta2
= 10.452 1$106,4002 + 10.552 1$2,4002
Seguimos trabajando hacia atrás
hasta el origen, mediante el cálculo
de los valores del VME. = $47,880 + $1,320 = $49,200

FIGURA 3.5
Árbol de decisión de Thompson que incluye los VME
Primer punto Segundo punto Pagos

de decisión de decisión
$106,400 Mercado favorable (0.78)

$190,000
nta 2 Mercado desfavorable (0.22)
Pla nde –$190,000
gra $63,600 Mercado favorable (0.78)
$106,400
Planta $90,000
s
5) les do
vo e a
pequeña
a
fa n r est
–$30,000
(0 rab sult
co ncu
E
Ninguna planta
–$10,000
.4 En n r tivo
1
co ga
49,200
cu es s
–$87,400 Mercado favorable (0.27)
es ult
ne (0.5
$190,000
do
ta ad
4
rca
nta Mercado desfavorable (0.73)

–$190,000
Pla nde
me
os
5)

de
$90,000
$2,400 Planta
ta
5
es
pequeña Mercado desfavorable (0.73)

–$30,000
cu
enr
za
Ninguna planta
–$10,000
ali
Re
$49,200
No
rea
liza $10,000 Mercado favorable (0.50)
r la $200,000
en 6
cu
es nta Mercado desfavorable (0.50)
ta Pla nde –$180,000
$40,000
Planta $100,000
pequeña –$20,000
Ninguna planta
$0
4. Si no se lleva a cabo el estudio de mercado
VME(nodo 62 = VME1planta grande2

= 10.502 1$200,0002 + 10.502 1 -$180,0002
= $10,000
VME(nodo 72 = VME1planta pequeña2
= 10.502 1$100,0002 + 10.502 1 -$20,0002
= $40,000
El VME de no construir ninguna planta es $0.

Entonces, la mejor opción es construir una planta pequeña, dado que no se realiza la investiga-
ción de mercado, como se vio anteriormente.
5. Nos movemos hacia atrás hacia el primer nodo de decisión y elegimos la mejor alternativa. El VME
de realizar la encuesta es $49,200, en comparación con un VME de $40,000 por no llevar a cabo el
estudio, de modo que la mejor opción es buscar información de marketing. Si los resultados de la en-
cuesta son favorables, John debería construir una planta grande, pero si la investigación es negativa,
John debe construir una planta pequeña.

En la figura 3.5, se colocan esos valores esperados en el árbol de decisión. Observe en el árbol que un
par de líneas transversales / / a través de una rama de decisión indica que se elimina una alternativa espe-
cífica para su consideración posterior. Esto es porque su VME es inferior al VME de la mejor alternativa.
Es posible que después de haber resuelto varios problemas de árboles de decisión le resulte más fácil hacer
todos sus cálculos sobre el diagrama de árbol.
VALOR ESPERADO DE INFORMACIÓN MUESTRAL Con el estudio de mercado que pretende realizar,
John Thompson sabe que su mejor decisión será construir una planta grande, si la encuesta es favorable
o una pequeña si los resultados de la encuesta son negativos. Pero John también nota que la realiza-
ción de la investigación de mercado no es gratuita. Le gustaría saber cuál es el valor real de realizar la
encuesta. Una forma de medir el valor de la información de mercado es calcular el valor esperado de
El VEIM mide el valor de la la información muestral (VEIM), que es el aumento del valor esperado que resulta de la información
información muestral. muestral
El valor esperado con información muestral (VE con IM) se encuentra a partir del árbol de deci-
sión, y el costo de la información muestral está considerado en el árbol puesto que se resta de todos los
pagos antes de calcular el VE con IM. En seguida, el valor esperado sin información muestral (VE sin
IM) se resta del VE con IM para encontrar el valor de la información muestral.
VEIM = 1VE con IM + costo2 - 1VE sin IM2 (3-4)
donde
VEIM = valor esperado de la información muestral

VE con IM = valor esperado con información muestral
VE sin IM = valor esperado sin información muestral
En el caso de John, su VME sería $59,200 si no hubiera restado ya el costo del estudio de $10,000 de
cada pago. (¿Puede verlo de esta manera? Si no es así, agregue $10,000 de nuevo a cada pago, como en el
problema original de Thompson, y recalcule el VME de realizar el estudio de mercado). A partir de la rama
inferior de la figura 3.5, se observa que el VME de no reunir la información muestral es de $40,000. Por
consiguiente,
VEIM = 1$49,200 + $10,0002 - $40,000 = $59,200 - $40,000 = $19,200
Esto significa que John podría haber pagado hasta $19,200 por un estudio de mercado y aun así salir bene-
ficiado. Dado que cuesta sólo $10,000, en realidad resulta útil llevar a cabo la encuesta.
Eficiencia de la información muestral

Puede haber muchos tipos de información muestral disponible para un tomador de decisiones. En el
desarrollo de un nuevo producto, la información puede obtenerse a partir de una encuesta, de un grupo
de enfoque (focus group), de otras técnicas de investigación de mercados, o bien, al utilizar realmente
un mercado de prueba para saber cómo se comportarán las ventas. Aunque ninguna de estas fuentes
de información son perfectas, pueden ser evaluadas al comparar el VEIM con el VEIP. Si la informa-
ción muestral fuera perfecta, entonces su eficiencia sería de 100%. La eficiencia de la información
muestral es
VEIM
Eficiencia de la información muestral = 100% (3-5)
VEIP
En el ejemplo de Thompson Lumber,
19,200
Eficiencia de la información muestral = 100% = 32%
60,000
Por lo tanto, el estudio de mercado sólo es 32% eficiente con respecto a la información perfecta.
Análisis de sensibilidad
Al igual que con las tablas de pago, es posible aplicar análisis de sensibilidad a los árboles de decisión.
El enfoque general es el mismo. Considere el árbol de decisión para el problema de Thompson Lumber

3.9 CÓMO ESTIMAR VALORES DE PROBABILIDAD MEDIANTE EL ANÁLISIS BAYESIANO 85
ampliado, como se indica en la figura 3.5. ¿Qué tan sensible es nuestra decisión (realizar una encuesta de
marketing) a la probabilidad de obtener resultados favorables en la encuesta?
Sea p la probabilidad de obtener resultados favorables en la encuesta. Entonces 11 - p2 es la proba-
bilidad de obtener resultados negativos en la encuesta. Dada esta información, es posible desarrollar una
expresión para el VME de realizar la encuesta, que es el nodo 1:
VME 1nodo 12 = 1$106,4002p + 1$2,4002 11 - p2

= $104,000p + $2,400
Somos indiferentes cuando el VME de realizar el estudio de mercado, el nodo 1, es igual al VME de
no llevar a cabo la encuesta, que es de $40,000. El punto de indiferencia se puede encontrar al igualar el
VME (nodo 1) a $40,000:
$104,000p + $2,400 = $ 40,000

$104,000p = $ 37,600
$ 37,600
p = = 0.36
$104,000
Siempre que la probabilidad p de obtener resultados favorables en la encuesta sea mayor que 0.36, nues-
tra decisión seguirá siendo la misma. Cuando p sea menor que 0.36, nuestra decisión será no realizar la
encuesta.
También podríamos efectuar un análisis de sensibilidad para otros parámetros del problema. Por
ejemplo, podríamos encontrar qué tan sensible es nuestra decisión ante la probabilidad de un mercado
favorable dado un resultado favorable en la encuesta. En este momento, esa probabilidad es 0.78. Si
dicho valor aumenta, la planta grande se hace más atractiva. En este caso, nuestra decisión no cam-
biaría. ¿Qué pasa cuando esta probabilidad disminuye? El análisis se vuelve más complejo. A medida
que se reduce la probabilidad de un mercado favorable dado un resultado favorable en la encuesta, la
planta pequeña se hace más atractiva. En algún momento, la planta pequeña dará lugar a un VME ma-
yor (dado un resultado favorable en la encuesta) que la planta grande. Sin embargo, esto no concluye
nuestro análisis. A medida que la probabilidad de un mercado favorable dado un resultado favorable en
la encuesta siga disminuyendo, habrá un punto donde no realizar la encuesta, con un VME de $40,000,
será más atractivo que la realización del estudio de mercado. Dejaremos que usted efectúe los cálculos
reales. Es importante señalar que el análisis de sensibilidad debería considerar todas las consecuencias
posibles.
3.9 Cómo estimar valores de probabilidad mediante el análisis bayesiano

Hay muchas maneras de conseguir datos de probabilidad para un problema como el de Thompson. Los nú-
meros (como 0.78, 0.22, 0.27, 0.73 en la figura 3.4) pueden ser evaluados por un administrador con base en
la experiencia y la intuición. Es posible deducirlos de datos históricos o calcularlos a partir de otros datos
El teorema de Bayes permite que disponibles usando el teorema de Bayes. La ventaja del teorema de Bayes es que incorpora tanto las esti-
los tomadores de decisiones revisen maciones iniciales de las probabilidades, como información sobre la precisión de la fuente de información
valores de probabilidad. (por ejemplo, una encuesta de investigación de mercado).
El enfoque del teorema de Bayes reconoce que un tomador de decisiones no sabe con certeza
qué estado de la naturaleza ocurrirá. Permite que el administrador revise sus evaluaciones iniciales
o de probabilidad previa sobre la base de información nueva. Las probabilidades revisadas se llaman
probabilidades posteriores. (Antes de continuar, es posible que desee repasar el teorema de Bayes en
el capítulo 2).
Cálculo de probabilidades revisadas

En el caso de Thompson Lumber, resuelto en la sección 3.8, adoptamos el supuesto de que se conocían las
siguientes cuatro probabilidades condicionales:
P1mercado favorable 1MF2 u resultados de encuesta positivos2 = 0.78

P1mercado desfavorable 1MD2 u resultados de encuesta positivos2 = 0.22
P1mercado favorable 1MF2 u resultados de encuesta negativos2 = 0.27
P1mercado desfavorable 1MD2 u resultados de encuesta negativos2 = 0.73

TABLA 3.16
Confiabilidad de la
encuesta de mercado RESULTADO DE LA MERCADO FAVORABLE MERCADO DESFAVORABLE
para predecir los estados ENCUESTA (MF) (MD)
de la naturaleza Positivo (predice un mercado P1encuesta positiva u MF2 = 0.70 P1encuesta positiva u MD2 = 0.20
favorable para el producto)
Negativo (predice un mercado P1encuesta negativa u MF2 = 0.30 P1encuesta negativa u MD2 = 0.80
desfavorable para el producto)
A continuación mostraremos cómo John Thompson fue capaz de obtener estos valores con el teorema de
Bayes. A partir de análisis con especialistas en investigación de mercados de la universidad local, John
sabe que las encuestas especiales como la suya pueden resultar tanto positivas (es decir, que predicen un
mercado favorable) como negativas (es decir, que predicen un mercado desfavorable). Los expertos han
dicho a John que, estadísticamente, de todos los nuevos productos con un mercado favorable (MF), los es-
tudios de mercado fueron positivos y predijeron correctamente el éxito 70% de las veces. El 30% de las ve-
ces las encuestas predijeron erróneamente resultados negativos o un mercado desfavorable (MD). Por otro
lado, cuando en realidad no había un mercado desfavorable para un nuevo producto, 80% de las encuestas
predijeron correctamente los resultados negativos. Las encuestas predijeron erróneamente resultados posi-
tivos el 20% restante de las veces. Estas probabilidades condicionales se resumen en la tabla 3.16 y son un
indicativo de la precisión de la encuesta que John está planeando para su empresa.
Recuerde que, sin ningún tipo de información de encuestas de mercado, las mejores estimaciones de
John de un mercado favorable y desfavorable son
P1MF2 = 0.50
P1MD2 = 0.50
Éstas se conocen como las probabilidades previas.

Ahora estamos listos para calcular probabilidades revisadas o posteriores de Thompson. Estas proba-
bilidades deseadas son el inverso de las probabilidades de la tabla 3.16. Necesitamos la probabilidad de un
mercado favorable o desfavorable, dado un resultado positivo o negativo del estudio de mercado. La forma
general del teorema de Bayes presentada en el capítulo 2 es
P1 B A2P1A2
P 1A B2 = (3-6)
P1B A2P1A2 + P1B A′ 2P1A′ 2
donde
A, B = cualesquiera dos eventos
A¿ = complemento de A
Consideremos que A representa un mercado favorable y B representa una encuesta positiva. Entonces,
al sustituir los números apropiados en esta ecuación, obtenemos las probabilidades condicionales, dado
que el estudio de mercado es positivo:
P1encuesta positiva u MF 2P1MF 2

P1MF u encuesta positiva2 =
P1encuesta positiva u MF 2P1MF 2 + P1encuesta positiva u MD 2P1 MD 2
10.702 10.502 0.35
= = = 0.78
10.702 10.502 + 10.202 10.502 0.45
P1encuesta positiva u MD2P1MD2

P1MD u encuesta positiva2 =
P1encuesta positiva u MD2P1MD2 + P1encuesta positiva u MF 2P1 MF 2
10.202 10.502 0.10
= = = 0.22
10.202 10.502 + 10.702 10.502 0.45
Observe que el denominador (0.45) en estos cálculos es la probabilidad de una encuesta positiva. Un
método alternativo para realizar estos cálculos es usar una tabla de probabilidad, como la mostrada en la
tabla 3.17.

3.9 CÓMO ESTIMAR VALORES DE PROBABILIDAD MEDIANTE EL ANÁLISIS BAYESIANO 87
TABLA 3.17
Revisiones de probabilidad dada una encuesta positiva
PROBABILIDAD PROBABILIDAD POSTERIOR

CONDICIONAL
P 1ENCUESTA P1ESTADO DE
ESTADO DE LA POSITIVA u ESTADO DE PROBABILIDAD PROBABILIDAD LA NATURALEZA u
NATURALEZA LA NATURALEZA2 PREVIA CONJUNTA ENCUESTA POSITIVA2
MF 0.70 * 0.50 = 0.35 0.35>0.45 = 0.78

MD 0.20 * 0.50 = 0.10 0.10>0.45 = 0.22
P1la encuesta resulta positiva2 = 0.45 1.00
Las probabilidades condicionales, dado que el estudio de mercado es negativo, son

P1encuesta negativa MF 2 P1 MF 2
P1MF encuesta negativa2 =
P1encuesta negativa MF 2P1MF 2 + P1 encuesta negativa MD 2P1MD 2
10.302 10.502 0.15
= = = 0.27
10.302 10.502 + 10.802 10.502 0.55
P1encuesta negativa MD2 P1 MD2

P1MD encuesta negativa2 =
P1encuesta negativa MD2P1MD2 + P1 encuesta negativa MF 2P1MF 2
1 0.802 10.502 0.40
= = = 0.73
10.802 10.502 + 10.302 10.502 0.55
Observe que el denominador (0.55) en estos cálculos es la probabilidad de una encuesta negativa. Estos
cálculos, dado un estudio negativo, también podrían realizarse en forma tabular, como se indica en la tabla
3.18.
Los cálculos mostrados en las tablas 3.17 y 3.18 se pueden realizar fácilmente en hojas de cálculo
de Excel. Los programas 3.3A y 3.3B muestran el resultado final de este ejemplo, así como sus fórmulas.
Ahora, las probabilidades posteriores dan a John Thompson estimaciones para cada estado de la natu-
Las probabilidades nuevas ofrecen raleza, si los resultados del estudio fueran positivos o negativos. Como usted sabe, la probabilidad previa
información valiosa. de éxito de John, sin un estudio de mercado, solamente era de 0.50. Ahora él está consciente de que la pro-
babilidad de éxito en el mercado de los cobertizos de almacenamiento será de 0.78, si su estudio muestra
resultados positivos. Sus posibilidades de éxito caerían a 27%, si el informe de la encuesta es negativo.
Ésta es información valiosa para la gerencia, como se observó en el análisis del árbol de decisión anterior.
Problema potencial del uso de los resultados de la encuesta

En muchos problemas de toma de decisiones, se examinan los resultados de las encuestas o los estudios
piloto antes de que se tome una decisión real (como la construcción de una nueva planta o la ejecución de
una acción específica). Como se mencionó anteriormente en esta sección, el análisis de Bayes se utiliza
TABLA 3.18
Revisiones de probabilidad dada una encuesta negativa
PROBABILIDAD PROBABILIDAD POSTERIOR

CONDICIONAL
P 1ENCUESTA P1ESTADO DE
ESTADO DE LA NEGATIVA u ESTADO DE PROBABILIDAD PROBABILIDAD LA NATURALEZA u
NATURALEZA LA NATURALEZA2 PREVIA CONJUNTA ENCUESTA NEGATIVA2
MF 0.30 * 0.50 = 0.15 0.15>0.55 = 0.27

MD 0.80 * 0.50 = 0.40 0.40>0.55 = 0.73
P1la encuesta resulta negativa2 = 0.55 1.00

PROGRAMA 3.3A
Resultados de cálculos
de Bayes en Excel 2013
PROGRAMA 3.3B
Fórmulas usadas para
cálculos de Bayes en
Excel 2013
para ayudar a determinar las probabilidades condicionales correctas que se requieren para resolver este
tipo de problemas con la teoría de decisiones. Al calcular las probabilidades condicionales, es necesario
tener datos sobre las encuestas y sus precisiones. Si la decisión de construir una planta o tomar otro curso
de acción se hace realidad, podemos determinar la exactitud de nuestras encuestas. Por desgracia, no
siempre podemos obtener datos sobre situaciones en las que la decisión no debió ser construir una planta
o tomar algún curso de acción. Por lo tanto, cuando usamos resultados de una encuesta, en ocasiones
estamos basando nuestras probabilidades sólo en aquellos casos en los cuales la decisión de construir una
planta o tomar algún curso de acción se hace realidad. Esto significa que, en algunas situaciones, la infor-
mación de probabilidades condicionales quizá no sea tan precisa como nos gustaría. Aun así, el cálculo
de probabilidades condicionales ayuda a refinar el proceso de toma de decisiones y, en general, permite
tomar mejores decisiones.
3.10 Teoría de la utilidad

Hasta ahora, nos hemos centrado en el criterio de VME para la toma de decisiones con riesgo. Sin em-
bargo, hay muchas ocasiones en las que las personas toman decisiones que parecerían ser incompatibles
con el criterio del VME. Cuando las personas compran un seguro, la cantidad de la prima es mayor que
el pago que esperan de la compañía de seguros, porque la prima incluye el pago esperado, los gastos ge-
nerales y la utilidad para la aseguradora. Una persona involucrada en un conflicto legal puede optar por
un acuerdo extrajudicial en lugar de ir a juicio, incluso si el valor esperado de ir a juicio es mayor que el
acuerdo propuesto. Una persona compra un billete de lotería a pesar de que el rendimiento esperado es
negativo. Los juegos de azar de todo tipo tienen rendimientos esperados negativos para el jugador y, sin
embargo, millones de personas participan en tales juegos. Un empresario puede descartar una sola decisión
potencial porque pondría a la empresa en bancarrota si las cosas salen mal, a pesar de que el rendimiento
esperado para esta decisión sea mejor que el de todas las demás alternativas.
¿Por qué las personas toman decisiones que no maximizan su VME? Lo hacen porque el valor mone-
tario no siempre es un verdadero indicador del valor total del resultado de la decisión. El valor general de

3.10 TEORÍA DE LA UTILIDAD 89
FIGURA 3.6
Su árbol de decisión para $2,000,000
el billete de lotería Aceptar
la oferta
$0
Cara
Rechazar (0.5)
la oferta
Cruz
(0.5)
VME = $2,500,000 $5,000,000
El valor general del resultado de un resultado específico se denomina utilidad, y las personas racionales toman decisiones que maximizan
una decisión se llama utilidad. su utilidad esperada. Aunque a veces el valor monetario es un buen indicador de la utilidad, hay otras
ocasiones en las cuales no lo es. Esto es particularmente cierto cuando algunos de los valores implican
una ganancia o una pérdida extremadamente grandes. Suponga que usted es el afortunado poseedor de un
billete de lotería. Dentro de cinco minutos podría lanzar al aire una moneda y si sale cruz, usted ganaría
$5 millones; y si sale cara, usted no ganaría nada. Hace apenas un momento una persona acaudalada le
ofreció $2 millones por su billete. Suponga que usted no tiene dudas sobre la validez de la oferta, ya
que la persona le dará un cheque certificado por la cantidad total, y usted estará absolutamente seguro
de que el cheque es válido.
En la figura 3.6 se muestra un árbol de decisión para esta situación. El VME por rechazar la oferta in-
dica que usted debería conservar su billete, pero ¿qué haría? Basta pensar, $2 millones garantizados en vez
de un 50% de posibilidades de no obtener nada. Suponga que usted es lo suficientemente voraz como para
conservar el billete y después pierde. ¿Cómo explicárselo a sus amigos? ¿$2 millones no serían suficientes
para disfrutar durante un tiempo?
La mayoría de las personas elegiría vender el billete por $2 millones. De hecho, la mayor parte de
nosotros probablemente estaríamos dispuestos a conformarnos con mucho menos. ¿Qué tanto menos?
Desde luego, es una cuestión de preferencia individual. Las personas tienen diferentes sentimientos sobre
buscar o evitar riesgos. El uso del VME por sí solo no es siempre una buena manera de tomar este tipo de
decisiones.
El uso de la teoría de la utilidad representa una manera de incorporar sus propias actitudes hacia el
El VME no siempre es el mejor riesgo. En la siguiente sección, se explora primero la forma de medir la utilidad y, luego, cómo se usan las
enfoque. medidas de utilidad para la toma de decisiones.
Medición de la utilidad y construcción de una curva de utilidad

El primer paso para usar la teoría de la utilidad es asignar valores de utilidad a cada valor monetario en una
La evaluación de la utilidad asigna situación dada. Resulta conveniente comenzar la evaluación de la utilidad asignando una utilidad de 0 al
una utilidad de 0 al peor resultado, peor resultado, y una utilidad de 1 al mejor resultado. Aunque se pueden usar cualesquiera valores, siempre
y una utilidad de 1 al mejor y cuando la utilidad del mejor resultado sea mayor que la utilidad del peor resultado, el uso de 0 y 1 tiene
resultado. algunas ventajas. Debido a que hemos optado por utilizar 0 y 1, todos los demás resultados tendrán un
valor de utilidad entre 0 y 1. Al determinar las utilidades de todos los resultados, que no son el mejor ni el
peor, se considera una apuesta estándar, la cual se presenta en la figura 3.7.
En la figura 3.7, p es la probabilidad de obtener el mejor resultado y 11 - p2 es la probabilidad de
obtener el peor resultado. La evaluación de la utilidad de cualquier otro resultado consiste en determinar
Cuando usted es indiferente, las la probabilidad (p), que lo hace indiferente entre la alternativa 1, que es la apuesta entre el mejor y el peor
utilidades esperadas son iguales. resultados, y la alternativa 2, que es obtener el otro resultado seguro. Cuando usted es indiferente entre

FIGURA 3.7
(p) Mejor resultado
Apuesta estándar para la
Utilidad = 1
evaluación de la utilidad
²¬p) Peor resultado
1
ativa Utilidad = 0
ern
Alt
Alt
ern
ati
va
2
Otro resultado
Utilidad = ?
las alternativas 1 y 2, las utilidades esperadas de estas dos alternativas deben ser iguales. Esta relación se
muestra como
Utilidad esperada de la alternativa 2 = utilidad esperada de la alternativa 1
Utilidad de otro resultado = 1p2 1utilidad del mejor resultado, que es 12
+ 11 - p2 1utilidad del peor resultado, que es 02
Utilidad de otro resultado = 1p2 112 + 11 - p2 102 = p (3-7)
Ahora, todo lo que usted debe hacer es determinar el valor de la probabilidad (p) que lo hace indife-
rente entre las alternativas 1 y 2. Al establecer la probabilidad, debería tener en cuenta que la evaluación
Una vez que se han determinado de la utilidad es completamente subjetiva. Es un valor fijado por el tomador de decisiones que no se puede
valores de utilidad, es posible medir en una escala objetiva. Consideremos un ejemplo.
construir una curva de utilidad. Jane Dickson desearía construir una curva de utilidad que revelara su preferencia por el dinero entre $0
y $10,000. Una curva de utilidad es una gráfica que representa el valor de la utilidad comparado con el valor
monetario. Jane puede invertir su dinero en una cuenta de ahorros bancaria, o bien, en un negocio inmobiliario.
Si invierte el dinero en el banco, en 3 años Jane tendría $5,000. Si invierte en el sector inmobiliario, des-
pués de 3 años podría tener nada o $10,000. Sin embargo, Jane es muy conservadora. A menos que haya un
80% de posibilidades de conseguir los $10,000 en el negocio de bienes raíces, Jane preferiría tener su dinero
en el banco, donde está seguro. Lo que Jane ha hecho aquí es valorar su utilidad por $5,000. Cuando hay una
probabilidad de 80% (esto significa que p es 0.8) de conseguir $10,000, Jane es indiferente entre poner su
dinero en bienes raíces o en el banco. Entonces, la utilidad de Jane por $5,000 es igual a 0.8, que es el mismo
valor de p. Esta evaluación de la utilidad se muestra en la figura 3.8.
Los demás valores de utilidad pueden ser evaluados de la misma manera. Por ejemplo, ¿cuál es la
utilidad de Jane por $7,000? ¿Qué valor de p haría que Jane fuera indiferente entre $7,000 y la apuesta que
daría como resultado $10,000 o bien $0? Para Jane, debe haber un 90% de posibilidades de conseguir los
$10,000. De lo contrario, ella preferiría los $7,000 en forma segura. Por lo tanto, su utilidad por $7,000 es
0.90. La utilidad de Jane por $3,000 se determina de la misma forma. Si hubieran 50% de posibilidades de
obtener los $10,000, Jane sería indiferente entre tener $3,000 seguros y tomar una apuesta en la que puede
ganar $10,000 o bien no conseguir nada. Por lo tanto, la utilidad de $3,000 para Jane es 0.5. Desde luego,
FIGURA 3.8
p = 0.80 $10,000
Utilidad de $5,000
U ($10,000) = 1.0
s
ne
n bie (1 – p) = 0.20 $0
ir e
ert U ($0.00) = 0.0
Inv ces
raí
Inv
ert
ir e
nu
nb
an
co
$5,000
U ($5,000) = p = 0.80
Utilidad para $5,000 = U ($5,000) = pU ($10,000) + (1 – p) U ($0) = (0.8)(1) + (0.2)(0) = 0.8

FIGURA 3.9
U ($10,000) = 1.0
Curva de utilidad para 1.0
Jane Dickson U ($7,000) = 0.90
0.9
U ($5,000) = 0.80
0.8
0.7
0.6
Utilidad
U ($3,000) = 0.50
0.5
0.4
0.3
0.2
0.1 U ($0) = 0
$0 $1,000 $3,000 $5,000 $7,000 $10,000

Valor monetario
este proceso puede continuar hasta que Jane haya evaluado su utilidad para tantos valores monetarios como
ella desee. Sin embargo, las evaluaciones realizadas son suficientes para tener una idea de los sentimientos
de Jane hacia el riesgo. De hecho, estos puntos se pueden graficar en una curva de utilidad, como se mues-
tra en la figura 3.9. En la figura se muestran los puntos de utilidad evaluados para $3,000, $5,000 y $7,000;
el resto de la curva se infiere a partir de tales puntos.
La curva de utilidad de Jane es típica de alguien averso al riesgo. Una persona con aversión al riesgo
es un tomador de decisiones que recibe menos utilidad o placer de un mayor riesgo, y tiende a evitar situa-
ciones en las cuales podría obtener pérdidas elevadas. A medida que aumentan los valores monetarios en
su curva de utilidad, la utilidad aumenta a un ritmo más lento.
En la figura 3.10 se ilustra que alguien definido como un proclive al riesgo tiene una curva de utilidad
La forma de la curva de utilidad de en forma opuesta. Este tomador de decisiones obtiene más utilidad de un mayor riesgo y un pago potencial
una persona depende de muchos más alto. A medida que se incrementan los valores monetarios en su curva de utilidad, la utilidad aumenta
factores. a un ritmo creciente. Una persona que es indiferente al riesgo tiene una curva de utilidad en forma de línea
recta. La forma de la curva de utilidad de una persona depende de la decisión específica a considerar, los
valores monetarios involucrados en la situación, el marco psicológico de la mente del sujeto y cómo se
siente la persona sobre el futuro. Es posible que usted tenga una curva de utilidad para algunas situaciones
que enfrenta y curvas completamente diferentes en otros escenarios.
FIGURA 3.10
Preferencias de riesgo
Averso
al riesgo
o
sg
rie
Utilidad
al
ia
nc
re
fe
di
In
Proclive
al riesgo
Resultado monetario

FIGURA 3.11
Decisión que enfrenta La tachuela aterriza
Mark Simkin Apunta hacia arriba (0.45)
$10,000
1 La tachuela aterriza
va
rnati ticipa Apunta hacia abajo (0.55)
e r
Alt rk pa go –$10,000
e
Ma el ju
en
Alt
ern
ati
va
2
Mark no participa en el juego
$0
Utilidad como criterio en la toma de decisiones

Después de haber determinado una curva de utilidad, los valores de utilidad en la curva se utilizan para
Los valores de utilidad reempla- la toma de decisiones. Los resultados o valores monetarios se sustituyen por los valores de las utilidades
zan los valores monetarios. correspondientes y, después, se realiza el análisis de decisiones como de costumbre. Se calcula la utilidad
esperada para cada alternativa en lugar del VME. A continuación estudiaremos un ejemplo donde se utiliza
un árbol de decisión y se calculan los valores de utilidad esperados para seleccionar la mejor alternativa.
Mark Simkin es aficionado al juego y decide participar en un juego que involucra el lanzamiento de
tachuelas al aire. Si la punta de la tachuela se dirige hacia arriba después de aterrizar, Mark gana $10,000.
Si la punta de la tachuela se dirige hacia abajo, Mark pierde $10,000. ¿Debería Mark participar en el juego
(alternativa 1) o no debería hacerlo (alternativa 2)?
Las alternativas 1 y 2 se muestran en el árbol de la figura 3.11. Como puede verse, la alternativa 1
consiste en participar en el juego. Mark cree que hay una posibilidad de 45% de ganar $10,000 y una po-
sibilidad de 55% de sufrir la pérdida de $10,000. La alternativa 2 es no jugar. ¿Qué debería hacer Mark?
Por supuesto, la decisión depende de la utilidad de Mark por el dinero. Como se dijo en un inicio, le gusta
jugar. Con base en el procedimiento que acabamos de esbozar, Mark fue capaz de construir una curva de
utilidad que muestra su preferencia por el dinero. Mark tiene un total de $20,000 para jugar, de manera que
ha construido la curva de utilidad basada en un mejor pago de $20,000 y un peor pago con una pérdida de
$20,000. Esta curva se muestra en la figura 3.12.
Se observa que la utilidad de Mark por -$10,000 es 0.05, su utilidad por no jugar ($0) es 0.15, y su
El objetivo de Mark es maximizar utilidad por $10,000 es 0.30. Ahora, estos valores se pueden utilizar en el árbol de decisión. El objetivo de
la utilidad esperada. Mark es maximizar su utilidad esperada, lo cual se puede hacer de la siguiente manera:
Paso 1. U1-$10,0002 = 0.05

U1$02 = 0.15
U1$10,0002 = 0.30
FIGURA 3.12
Curva de utilidad para
1.00
Mark Simkin
0.75
Utilidad
0.50
0.30
0.25
0.15
0.05
0
–$20,000 –$10,000 $0 $10,000 $20,000
Resultado monetario

Un modelo de utilidad con atributos múltiples

EN ACCIÓN ayuda en la eliminación de armas nucleares
Se utilizó un total de 37 medidas de desempeño en la evalua-

C uando terminó la Guerra Fría entre Estados Unidos y la URSS, am-
bos países acordaron desmantelar un gran número de armas nuclea-
ción de 13 diferentes alternativas posibles. El MUAM combinó estas
medidas y ayudó a clasificar las alternativas, así como a identificar
res. El número exacto de armas no se conoce, pero el número total se las deficiencias de algunas de ellas. La OFMD recomendó dos de las
ha estimado en más de 40,000. El plutonio recuperado de las armas alternativas con las calificaciones más altas, y se inició el desarrollo de
desmanteladas era motivo de varias preocupaciones. La Academia Na- ambas. Este desarrollo paralelo permitió a Estados Unidos reaccionar
cional de Ciencias caracterizó la posibilidad de que el plutonio pudiera rápidamente cuando se elaboró el plan de la URSS. La Unión Soviética
caer en manos de terroristas como un peligro muy real. Además, el plu- utilizó un análisis basado en el mismo enfoque MUAM. Estados Uni-
tonio es muy tóxico para el medio ambiente, por lo que resultaba crítico dos y la URSS decidieron convertir el plutonio de las armas nucleares
tener un proceso de eliminación seguro y confiable. La decisión de cuál en combustible de óxido mixto, que se utiliza en reactores nuclea-
sería el proceso de eliminación a utilizar no resultó una tarea fácil. res para producir electricidad. Una vez que el plutonio se convierte a
Debido a la larga relación entre Estados Unidos y la Unión Sovié- esta forma, no puede utilizarse en armas nucleares.
tica durante la Guerra Fría, era necesario que el proceso de elimina- El MUAM ayudó a que Estados Unidos y la URSS llegaran a un
ción de plutonio en cada país se produjera aproximadamente al mismo acuerdo en un tema muy sensible y potencialmente peligroso, de
tiempo. Sin importar el método seleccionado por un país, éste tendría un modo que consideró cuestiones económicas, la no proliferación
que ser aprobado por el otro país. El Departamento de Energía de Es- de armas y la ecología. El modelo sigue siendo utilizado por Rusia
tados Unidos (DOE, por Department of Energy) formó la Oficina para para evaluar otras políticas relacionadas con la energía nuclear.
la Eliminación de Materiales Fisibles (OFMD, por Office of Fissile Mate-
rials Disposition) con la finalidad de supervisar el proceso de selección
del método a utilizar para la eliminación del plutonio. Con la concien-
cia de que la decisión podría ser objeto de controversia, la OFMD uti-
lizó un equipo de analistas en investigación de operaciones asociados
con el Centro Nacional de Investigación en Amarillo. Este grupo de Fuente: Basado en John C. Butler et al. “The United States and Russia Eva-
IO utilizó un modelo de utilidad con atributos múltiples (MUAM) para luate Plutonium Disposition Options with Multiattribute Utility Theory”, Inter-
combinar varias medidas de desempeño en una sola medida. faces 35, 1 (enero-febrero de 2005): 88-101.
Paso 2. Sustituir los valores monetarios por valores de utilidad. Consulte la figura 3.13. A continuación se
muestran las utilidades esperadas para las alternativas 1 y 2:
E1alternativa 1: participar en el juego2 = 10.452 10.302 + 10.552 10.052

= 0.135 + 0.027 = 0.162
E1alternativa 2: no participar en el juego2 = 0.15
Por consiguiente, la alternativa 1 es la mejor estrategia con la utilidad como criterio de decisión. Si se hu-
biera utilizado el VME, la alternativa 2 habría sido la mejor estrategia. La curva de utilidad es de alguien
proclive al riesgo y, sin duda, la opción de participar en el juego refleja esta preferencia por el riesgo.
FIGURA 3.13
Uso de utilidades Utilidad
La tachuela aterriza
esperadas para la Apunta hacia arriba (0.45)
toma de decisiones 0.30
La tachuela aterriza
Apunta hacia abajo (0.55)
o 0.05
1 eg
ativa el ju
ern en
Alt ar
rticip
Pa
Alt
ern
ati
va
2
No participar en el juego
0.15

Resumen
La teoría de decisiones es un enfoque analítico y sistemático para Los árboles de decisión son otra opción, especialmente para los
el estudio de la toma de decisiones. Por lo general, la toma de de- problemas de decisión más grandes, cuando es necesario tomar una
cisiones implica la ejecución de seis pasos en tres entornos: la toma decisión antes de que sea posible tomar otras decisiones. Por ejemplo,
de decisiones en condiciones de certidumbre, incertidumbre y riesgo. la decisión de tomar una muestra o efectuar estudios de mercado se
En la toma de decisiones con incertidumbre, se construyen tablas toma antes de decidirnos a construir una planta grande, una planta pe-
de decisión para calcular criterios como maximax, maximin, crite- queña o no construir ninguna. En este caso, también podemos calcular
rio de realismo, igualmente probable y arrepentimiento minimax. el valor esperado de la información muestral (VEIM) para determi-
Los métodos como la determinación del valor monetario esperado nar el valor de la investigación de mercado. La eficiencia de la infor-
(VME), el valor esperado de la información perfecta (VEIP), la pér- mación muestral compara el VEIM con el VEIP. El análisis bayesiano
dida de oportunidad esperada (POE) y el análisis de sensibilidad se se utiliza para revisar o actualizar los valores de probabilidad, usando
utilizan en la toma de decisiones con riesgo. tanto las probabilidades previas como otras probabilidades relaciona-
das con la exactitud de la fuente de información.
Glosario
Alternativa Un curso de acción o una estrategia que puede ser ele- Maximax Un criterio optimista para la toma de decisiones. Selec-
gida por un tomador de decisiones. ciona la alternativa con el mayor rendimiento posible.
Apuesta estándar El proceso utilizado para determinar valores de Maximin Un criterio pesimista para la toma de decisiones. Esta al-
utilidad. ternativa maximiza la ganancia mínima. Selecciona la alternativa
Árbol de decisión Una representación gráfica de una situación en con el mejor de los peores pagos posibles.
la que se deben tomar decisiones. Nodo (punto) de decisión En un árbol de decisión, éste es un
Arrepentimiento Pérdida de oportunidad. punto donde se elige la mejor de las alternativas disponibles. Las
Arrepentimiento minimax Un criterio que minimiza la máxima ramas representan las alternativas.
pérdida de oportunidad. Nodo del estado de la naturaleza En un árbol de decisión, un
Averso al riesgo Una persona que evita el riesgo. En la curva de punto donde se calcula el VME. Las ramas que provienen de este
utilidad, a medida que aumenta el valor monetario, la utilidad se nodo representan estados de la naturaleza.
incrementa a un ritmo decreciente. Este tomador de decisiones re- Pérdida de oportunidad Cantidad que se perdería por no elegir
cibe menos utilidad por un mayor riesgo y un mayor rendimiento la mejor alternativa. Para cualquier estado de la naturaleza, es la
potencial. diferencia entre las consecuencias de cualquier alternativa y las de
Coeficiente de realismo (A) Un número entre 0 y 1. Cuando el la mejor alternativa posible.
coeficiente es cercano a 1, el criterio de decisión es optimista. Probabilidad condicional Una probabilidad posterior.
Cuando el coeficiente es cercano a 0, el criterio de decisión es Probabilidad posterior Una probabilidad condicional de un estado
pesimista. de naturaleza que ha sido ajustada con base en información mues-
Criterio de Hurwicz Criterio de realismo. tral. Se encuentra usando el teorema de Bayes.
Criterio de Laplace Criterio igualmente probable. Probabilidad previa La probabilidad inicial de un estado de la na-
Criterio de realismo Un criterio para la toma de decisiones que turaleza antes de usar información muestral, que se utiliza con el
utiliza un promedio ponderado de los mejores y peores pagos po- teorema de Bayes para obtener una probabilidad posterior.
sibles para cada alternativa. Proclive al riesgo Una persona que busca el riesgo. En la curva
Criterio del promedio ponderado Otro nombre para el criterio de de utilidad, a medida que aumenta el valor monetario, la utilidad
realismo. se incrementa a un ritmo creciente. Este tomador de decisiones
Criterio optimista El criterio maximax. obtiene más placer por un mayor riesgo y un mayor rendimiento
Curva de utilidad Una gráfica o curva que revela la relación entre potencial.
la utilidad y los valores monetarios. Después de construir esta Tabla de decisiones Una tabla de pagos.
curva, sus valores de utilidad se pueden utilizar en el proceso de Tabla de pagos Una tabla que lista las alternativas, los estados de
toma de decisiones. la naturaleza y los pagos en una situación de toma de decisiones.
Decisiones secuenciales Decisiones en las que el resultado de una Teoría de decisiones Un enfoque analítico y sistemático para la
decisión influye sobre las demás. toma de decisiones.
Eficiencia de la información muestral Una medida de qué tan buena Teoría de la utilidad Una teoría que permite a los tomadores de
es la información muestral en relación con la información perfecta. decisiones incorporar sus preferencias de riesgo y otros factores al
Estado de la naturaleza Un resultado u ocurrencia sobre la que el proceso de toma de decisiones.
tomador de decisiones tiene poco o ningún control. Toma de decisiones con certidumbre Un entorno para la toma de
Evaluación de la utilidad El proceso que consiste en determinar decisiones donde se conocen los resultados o los estados de la
la utilidad de los distintos resultados. Por lo general, esto se hace naturaleza futuros.
con una apuesta estándar entre cualquier resultado seguro, y una Toma de decisiones con incertidumbre Un entorno para la toma de
apuesta entre el peor y el mejor de los resultados. decisiones en el que pueden ocurrir varios resultados o estados de la
Igualmente probable Un criterio de decisión que coloca el mismo naturaleza. Sin embargo, las probabilidades de estos resultados no
peso en todos los estados de la naturaleza. se conocen.

Toma de decisiones con riesgo Un entorno para la toma de deci- Valor esperado de la información muestral (VEIM) El aumento
siones en el cual pueden ocurrir varios resultados o estados de la del VME que resulta de tener información muestral o imperfecta.
naturaleza, como consecuencia de una decisión o una alternativa. Valor esperado de la información perfecta (VEIP) El valor
Se conocen las probabilidades de los resultados o los estados de la promedio o esperado de la información si fuera completamente
naturaleza. exacta. El aumento del VME que resulta de tener información
Utilidad El valor o beneficio general de un resultado en particular. perfecta.
Valor condicional o pago Una consecuencia, normalmente expre- Valor monetario esperado (VME) El valor promedio de una deci-
sada en un valor monetario, que se produce como resultado de una sión si se puede repetir muchas veces. Esto se determina multipli-
alternativa en particular y un estado de la naturaleza. cando los valores monetarios por sus respectivas probabilidades.
Valor esperado con información perfecta (VEcIP) El valor pro- Después, los resultados se suman para obtener el VME.
medio o esperado de una decisión si se dispone del conocimiento
perfecto del futuro.
Ecuaciones clave
(3-1) VME 1alternativa i2 = gXiP1Xi2 VEIM
(3-5) Eficiencia de la información muestral = 100%
Una ecuación que calcula el valor monetario esperado. VEIP
(3-2) VEcIP = g 1mejor pago en el estado de la naturaleza i2

Una ecuación que compara la información muestral con la in-
formación perfecta.
* (probabilidad del estado de la naturaleza i2
P1B A2P1A2
Una ecuación que calcula el valor esperado con información (3-6) P1A B2 =
perfecta. P1 B A2 P1 A2 + P1B A′2 P1 A′2
(3-3) VEIP = VEcIP - Mejor VME Teorema de Bayes, la probabilidad condicional del evento A
dado que ha ocurrido el evento B.
Una ecuación que calcula el valor esperado de la información
perfecta. (3-7) Utilidad de otro resultado = 1p2 112 + 11 - p2 102 = p
(3-4) VEIM = 1VE con IM + costo2 - 1VE sin IM2 Una ecuación que determina la utilidad de un resultado
intermedio.
Una ecuación que calcula el valor esperado (VE) de la infor-
mación muestral (IM).
Problemas resueltos

María Rojas está considerando la posibilidad de abrir una pequeña tienda de ropa en Fairbanks Avenue, a pocas
cuadras de la universidad. Ha localizado un buen centro comercial que atrae a los estudiantes. Sus opciones son
abrir una tienda pequeña, una tienda de tamaño mediano o no abrir ninguna tienda. El mercado para una tienda de
ropa puede ser bueno, regular o malo. Las probabilidades de estos tres escenarios son 0.2 para un mercado bueno,
0.5 para un mercado regular y 0.3 para un mercado malo. La ganancia o pérdida neta para las tiendas mediana y
pequeña en las diferentes condiciones de mercado se dan en la siguiente tabla. La opción de no construir ninguna
tienda no produce ninguna pérdida o ganancia.
a. ¿Qué recomienda usted?
b. Calcule el VEIP.
c. Desarrolle la tabla de pérdida de oportunidad para esta situación. ¿Qué decisiones se tomarían utilizando el
criterio de arrepentimiento minimax y el criterio de la POE mínima?
MERCADO MERCADO MERCADO

BUENO REGULAR MALO
Tienda pequeña 75,000 25,000 -40,000

Tienda de tamaño mediano 100,000 35,000 -60,000
Ninguna tienda 0 0 0

Solución
a. Dado que el entorno de la toma de decisiones es el riesgo (se conocen las probabilidades), resulta apropiado
utilizar el criterio del VME. El problema se puede resolver mediante el desarrollo de una tabla de pagos que
contenga todas las alternativas, los estados de la naturaleza y los valores de probabilidad. También se calcula el
VME para cada alternativa, como se muestra en la siguiente tabla:

BUENO REGULAR MALO VME
ALTERNATIVA ($) ($) ($) ($)
Tienda pequeña 75,000 25,000 -40,000 15,500

Tienda de tamaño mediano 100,000 35,000 -60,000 19,500
Ninguna tienda 0 0 0 0
Probabilidades 0.20 0.50 0.30
VME 1tienda pequeña2 = 10.22 1$75,0002 + 10.52 1$25,0002 + 10.32 1 -$40,0002 = $15,500
VME 1tienda mediana2 = 10.22 1$100,0002 + 10.52 1$35,0002 + 10.32 1 -$60,0002 = $19,500
VME 1ninguna tienda2 = 10.22 1$02 + 10.52 1$02 + 10.32 1$02 = $0
Como se observa, la mejor decisión es construir la tienda de tamaño mediano. El VME para esta alternativa es
$19,500.
b. VEcIP = 10.22$100,000 + 10.52$35,000 + 10.32$0 = $37,500

VEIP = $37,500 - $19,500 = $18,000
c. A continuación se muestra la tabla de pérdida de oportunidad.

BUENO REGULAR MALO MÁXIMO POE
ALTERNATIVA ($) ($) ($) ($) ($)
Tienda pequeña 25,000 10,000 40,000 40,000 22,000
Tienda de tamaño mediano 0 0 60,000 60,000 18,000
Ninguna tienda 100,000 35,000 0 100,000 37,500
Probabilidades 0.20 0.50 0.30
El mejor pago en un mercado bueno es de 100,000, por lo que las pérdidas de oportunidad en la primera columna
indican cuán peor es cada pago con respecto a 100,000. El mejor pago en un mercado regular es de 35,000, por lo
que las pérdidas de oportunidad en la segunda columna indican cuán peor es cada pago con respecto a 35,000. El
mejor pago en un mercado malo es 0, por lo que las pérdidas de oportunidad en la tercera columna indican cuán
peor es cada pago con respecto a 0.
El criterio de arrepentimiento minimax considera el arrepentimiento máximo para cada decisión, y selecciona
la decisión correspondiente al mínimo de éstos. La decisión sería construir una tienda pequeña porque el arrepen-
timiento máximo para esta alternativa es de 40,000, mientras que el arrepentimiento máximo para cada una de las
otras dos alternativas es mayor, como se muestra en la tabla de pérdida de oportunidad.
La decisión basada en el criterio POE sería construir la tienda de tamaño mediano. Observe que la POE mí-
nima ($18,000) es igual al VEIP calculado en el inciso b. Los cálculos son
POE 1pequeña2 = 10.2225,000 + 10.5210,000 + 10.3240,000 = 22,000

POE 1mediana2 = 10.220 + 10.52 0 + 10.32 60,000 = 18,000
POE 1ninguna2 = 10.22100,000 + 10.5235,000 + 1 0.320 = 37,500


Cal Bender y Becky Addison se conocen desde la escuela secundaria. Hace dos años que ingresaron en la misma
universidad y en la actualidad están tomando cursos de licenciatura en la escuela de negocios. Ambos esperan
graduarse con un título en finanzas. En un intento por hacer dinero extra y utilizar algunos de los conocimientos
adquiridos en sus cursos de negocios, Cal y Becky decidieron estudiar la posibilidad de iniciar una pequeña em-
presa que proporcione servicios de procesamiento de texto a los estudiantes que necesitan trabajos trimestrales
u otros informes elaborados de manera profesional. Con base en un enfoque de sistemas, Cal y Becky han iden-
tificado tres estrategias. La estrategia 1 es invertir en un sistema de microcomputadora bastante caro, con una
impresora láser de alta calidad. En un mercado favorable, deberían ser capaces de obtener una utilidad neta de
$10,000 durante los próximos 2 años. Si el mercado no es favorable, se pueden perder $8,000. La estrategia 2 es
la compra de un sistema menos costoso. Con un mercado favorable, durante los próximos 2 años podrían obtener
un rendimiento de $8,000. Con un mercado desfavorable, incurrirían en una pérdida de $4,000. Su estrategia
final, la 3, es no hacer nada. Cal es básicamente proclive al riesgo, mientras que Becky trata de evitarlos.
a. ¿Qué tipo de procedimiento de decisión debería utilizar Cal? ¿Cuál sería su decisión?
b. ¿Qué tipo de tomador de decisiones es Becky? ¿Qué decisión tomaría?
c. Si Cal y Becky fueran indiferentes al riesgo, ¿qué tipo de enfoque para la toma de decisiones deberían usar?
¿Qué les recomendaría si éste fuera el caso?
Solución
El problema es una toma de decisión con incertidumbre. Antes de responder a las preguntas específicas, es necesa-
rio desarrollar una tabla de decisiones que muestre las alternativas, los estados de la naturaleza y las consecuencias
relacionadas.
MERCADO MERCADO
ALTERNATIVA ($) ($)
Estrategia 1 10,000 -8,000

Estrategia 2 8,000 -4,000
Estrategia 3 0 0
a. Dado que Cal es proclive al riesgo, debería utilizar el criterio de decisión maximax. Este enfoque selecciona la
fila que tiene el valor más alto o máximo. El valor de $10,000, que es el máximo de la tabla, se encuentra en
la fila 1. Por lo tanto, la decisión de Cal es seleccionar la estrategia 1, que es un enfoque de decisión optimista.
b. Becky debería utilizar el criterio de decisión maximin porque es aversa al riesgo. Se identifica el mínimo o peor
resultado para cada fila o estrategia. Estos resultados son -$8,000 para la estrategia 1, -$4,000 para la estrate-
gia 2 y $0 para la estrategia 3. Se selecciona el máximo de estos valores. Por lo tanto, Becky seleccionaría la
estrategia 3, que refleja un enfoque de decisión pesimista.
c. Si Cal y Becky son indiferentes al riesgo, podrían utilizar el enfoque igualmente probable, el cual selecciona
la alternativa que maximiza los promedios de las filas. El promedio de fila para la estrategia 1 es de $1,000 [es
decir, $1,000 = 1$10,000 - $8,0002>2]. El promedio de fila para la estrategia 2 es de $2,000 y el promedio de
fila para la estrategia 3 es de $0. Por lo tanto, si se emplea el enfoque igualmente probable, la decisión es selec-
cionar la estrategia 2, con lo que se maximizan los promedios de fila.

Mónica Britt ha disfrutado navegar en pequeñas embarcaciones desde que tenía 7 años de edad, cuando su madre
comenzó a navegar con ella. En la actualidad, Mónica está considerando la posibilidad de iniciar una empresa para
producir veleros pequeños para el mercado recreativo. Sin embargo, a diferencia de otros veleros fabricados en
serie, estos veleros se fabricarán específicamente para niños entre 10 y 15 años de edad. Los veleros serán de la más
alta calidad y muy estables, y el tamaño de las velas se reducirá para evitar volcaduras.
Su decisión básica es si se debe construir una planta de manufactura grande, una planta pequeña o ninguna
instalación en absoluto. Con un mercado favorable, Mónica puede esperar ganar $90,000 con la planta grande
o $60,000 con la planta pequeña. Por otro lado, si el mercado no es favorable, Mónica estima que perdería
$30,000 con una planta grande y solamente $20,000 con la pequeña. Debido a los gastos que implica el desa-
rrollo de los moldes iniciales y la adquisición de los equipos necesarios para producir los pequeños veleros de

FIGURA 3.14
Árbol de decisión de (0.6) Mercado favorable
$60,000
Mónica, listado nta 2
Pla ueña (0.4) Mercado desfavorable
de alternativas, –$20,000
p q
e
estados de la (0.6) Mercado favorable
B Planta $90,000
naturaleza, valores grande 3 (0.4) Mercado desfavorable
de probabilidad y –$30,000
resultados financieros
para el problema No realizar Ninguna planta
el estudio $0
resuelto 3-3
(0.8) Mercado favorable

$50,000
nta 4
Pla ueña (0.2) Mercado desfavorable
–$30,000
p q
e
Planta (0.8) Mercado favorable
A C $80,000
grande
ra io
5 (0.2) Mercado desfavorable
vo d
e
fa stu
bl
–$40,000
E
5)
.6
Ninguna planta
(0
–$10,000
1
(0. udio ble
de
Realizar
Es vora
35
sfa
el estudio (0.1) Mercado favorable

t
)
$50,000
nta 6 (0.9) Mercado desfavorable
Pla ueña –$30,000
peq
D Planta (0.1) Mercado favorable
$80,000
grande 7 (0.9) Mercado desfavorable
–$40,000
Ninguna planta
–$10,000
fibra de vidrio para niños, Mónica decidió llevar a cabo un estudio piloto para asegurarse de que el mercado
de los veleros será adecuado. Estima que el estudio piloto le costaría $10,000. Por otro lado, el estudio piloto
puede ser favorable o desfavorable. Mónica estima que la probabilidad de un mercado favorable dado un es-
tudio piloto favorable es 0.8. La probabilidad de un mercado desfavorable dado un resultado desfavorable en
el estudio piloto se estima en 0.9. Mónica siente que hay una posibilidad de 0.65 de que el estudio piloto sea
favorable. Desde luego, Mónica podría pasar por alto el estudio piloto y simplemente tomar la decisión de si
debe construir una planta grande, una pequeña o ninguna instalación en absoluto. Sin hacer ninguna prueba
en un estudio piloto, se estima que la probabilidad de un mercado favorable es 0.6. ¿Qué recomienda usted?
Calcule el VEIM.
Solución
Antes de que Mónica comience a resolver este problema, debería desarrollar un árbol de decisión que muestre to-
das las alternativas, los estados de la naturaleza, los valores de probabilidad y las consecuencias económicas. Este
árbol de decisión se muestra en la figura 3.14.
El VME en cada uno de los nodos numerados se calcula de la siguiente manera:
VME 1nodo 22 = 60,000 10.62 + 1-20,0002 0.4 = 28,000
VME 1nodo 32 = 90,000 10.62 + 1-30,0002 0.4 = 42,000
VME 1nodo 42 = 50,000 10.82 + 1-30,0002 0.2 = 34,000
VME 1nodo 52 = 80,000 10.82 + 1-40,0002 0.2 = 56,000
VME 1nodo 62 = 50,000 10.12 + 1-30,0002 0.9 = -22,000
VME 1nodo 72 = 80,000 10.12 + 1-40,0002 0.9 = -28,000
VME 1nodo 12 = 56,000 10.652 + 1-10,0002 0.35 = 32,900

En cada uno de los nodos cuadrados con letras, las decisiones serían:
Nodo B: Elegir la instalación grande porque el VME = $42.000.

Nodo C: Elegir la instalación grande porque el VME = $56,000.
Nodo D: No construir ninguna instalación porque el VME = -$10,000.
Nodo A: No realizar el estudio porque el VME 1$42,0002 para esto es más alto
que el VME 1nodo 12, que es de $32,900.
Con base en el criterio del VME, Mónica elegiría no llevar a cabo el estudio y, después, optaría por una instalación
grande. El VME de esta decisión es de $42,000. La elección de llevar a cabo el estudio se traduciría en un VME de
tan sólo $32,900. Por lo tanto, el valor esperado de la información muestral es
VEIM = $32,900 + $10,000 - $42,000

= $900

El desarrollo de un pequeño campo de prácticas para golfistas de todos los niveles ha sido durante mucho
tiempo un deseo de John Jenkins. Sin embargo, John cree que la posibilidad de que el campo de prácticas tenga
éxito es de sólo 40%. Un amigo de John ha sugerido que realizar una encuesta en la comunidad para tener una
mejor noción de la demanda para este tipo de instalaciones. Hay 0.9 de probabilidades de que la investigación
sea favorable, si la instalación del campo de prácticas tendrá éxito. Por otro lado, se estima que hay 0.8 de
probabilidades de que la investigación de mercado sea desfavorable, si es que la instalación no tendrá éxito. A
John le gustaría determinar las posibilidades de éxito de un campo de prácticas dado un resultado favorable en
la encuesta de mercado.
Solución
Este problema requiere el uso del teorema de Bayes. Antes de empezar a resolver el problema, definamos los si-
guientes términos:
P1IE2 = probabilidad de instalación exitosa del campo de prácticas

P1IN2 = probabilidad de instalación no exitosa del campo de prácticas
P1EF u IE2 = probabilidad de que la encuesta sea favorable dada una instalación exitosa del campo de prácticas
P1ED u IE2 = probabilidad de que la encuesta sea desfavorable dada una instalación exitosa del campo de prácticas
P1ED u IN2 = probabilidad de que la encuesta sea desfavorable dada una instalación no exitosa del campo de prácticas
P1EF u IN2 = probabilidad de que la investigación sea favorable dada una instalación no exitosa del campo de prácticas
Ahora, podemos resumir lo que sabemos:

P1IE2 = 0.4
P1EF u IE2 = 0.9
P1ED u IN2 = 0.8
De esta información podemos calcular tres probabilidades adicionales que necesitamos para resolver el problema:
P1IN2 = 1 - P1IE2 = 1 - 0.4 = 0.6

P1ED u IE2 = 1 - P1EF u IE2 = 1 - 0.9 = 0.1
P1EF u IN2 = 1 - P1ED u IN2 = 1 - 0.8 = 0.2
Ahora podemos colocar estos valores en el teorema de Bayes para calcular la probabilidad deseada:
P1 EF IE2 * P1IE2
P1IE EF2 =
P1EF IE2 * P1IE2 + P1EF IN 2 * P1IN 2
10.92 10.42
=
10.92 10.42 + 10.22 10.62
0.36 0.36
= = = 0.75
10.36 + 0.122 0.48

Además de utilizar fórmulas para resolver el problema de John, es posible realizar todos los cálculos en forma
tabular:
Probabilidades revisadas dado un resultado favorable en la encuesta

ESTADO DE LA PROBABILIDAD PROBABILIDAD PROBABILIDAD PROBABILIDAD
NATURALEZA CONDICIONAL PREVIA CONJUNTA POSTERIOR
Mercado favorable 0.9 * 0.4 = 0.36 0.36>0.48 = 0.75

Mercado desfavorable 0.2 * 0.6 = 0.12 0.12>0.48 = 0.25
0.48
Como se observa en la tabla, los resultados son los mismos. La probabilidad de que un campo de prácticas tenga
éxito dado un resultado favorable en la investigación es 0.36>0.48, o bien, 0.75.
Autoevaluación
● Use la clave de respuestas en la parte posterior del libro para corregir sus respuestas.
1. En la terminología de la teoría de decisiones, un curso de b. describe el grado de optimismo del tomador de decisiones.
acción o una estrategia que puede ser elegido por un tomador c. describe el grado de pesimismo del tomador de decisiones.
de decisiones se llama d. por lo general, es menor que cero.
a. un pago. 7. Lo máximo que una persona debería pagar por la información
b. una alternativa. perfecta es
c. un estado de la naturaleza. a. el VEIP.
d. ninguna de las anteriores. b. el VME máximo menos el VME mínimo.
2. En teoría de decisiones, las probabilidades se asocian con c. la POE máxima.
a. pagos. d. el VME máximo.
b. alternativas. 8. El criterio de la POE mínima siempre dará lugar a la misma
c. estados de la naturaleza. decisión que
d. ninguna de las anteriores. a. el criterio maximax.
3. Si existen probabilidades disponibles para el tomador de b. el criterio de arrepentimiento minimax.
decisiones, entonces el entorno de toma de decisiones implica c. el criterio del VME máximo.
a. certeza. d. el criterio igualmente probable.
b. incertidumbre. 9. Un árbol de decisión es preferible a una tabla de decisiones
c. riesgo. cuando
d. ninguna de las anteriores. a. se debe tomar una serie de decisiones secuenciales.
4. ¿Cuál de los siguientes es un criterio de toma de decisiones que b. existen probabilidades disponibles.
se utiliza para la toma de decisiones con riesgo? c. se utiliza el criterio maximax.
a. criterio del valor monetario esperado d. el objetivo es maximizar el arrepentimiento.
b. criterio de Hurwicz (criterio de realismo) 10. El teorema de Bayes se utiliza para revisar probabilidades. Las
c. criterio optimista (maximax) probabilidades nuevas (revisadas) se llaman
d. criterio igualmente probable a. probabilidades previas.
5. La pérdida de oportunidad esperada mínima b. probabilidades muestrales.
a. es igual al pago esperado más alto. c. probabilidades de la encuesta.
b. es mayor que el valor esperado con información perfecta. d. probabilidades posteriores.
c. es igual al valor esperado de la información perfecta. 11. En un árbol de decisión, en cada nodo del estado de la
d. se calcula al encontrar la decisión de arrepentimiento naturaleza
minimax. a. se selecciona la alternativa con mayor VME.
6. Al utilizar el criterio de realismo (criterio de Hurwicz), el b. se calcula un VME.
coeficiente de realismo (a) c. se suman todas las probabilidades.
a. es la probabilidad de un estado de la naturaleza bueno. d. se selecciona la rama con mayor probabilidad.

12. El VEIM a. se trabaja hacia atrás (se inicia por la derecha y se avanza
a. se encuentra restando el VME sin información muestral hacia la izquierda).
del VME con información muestral. b. se trabaja hacia adelante (se inicia por la izquierda y se
b. siempre es igual al valor esperado de la información avanza hacia la derecha).
perfecta. c. comienza en la parte superior del árbol y avanza hacia abajo.
c. es igual al VME con información muestral suponiendo que d. comienza en la parte inferior del árbol y avanza hacia
no hay ningún costo por la información menos el VME sin arriba.
información muestral. 15. En la evaluación de los valores de utilidad,
d. suele ser negativo. a. al peor resultado se le da una utilidad de -1.
13. La eficiencia de la información muestral b. al mejor resultado se le da una utilidad de 0.
a. es el VEIM/(VME máximo sin IM) expresado como un c. al peor resultado se le da una utilidad de 0.
porcentaje. d. al mejor resultado se le da un valor de -1.
b. es el VEIP/VEIM expresado como un porcentaje. 16. Si una persona racional selecciona una alternativa que no
c. sería 100% si la información muestral fuera perfecta. maximiza el VME, esperaríamos que esta alternativa
d. se calcula usando sólo el VEIP y el VME máximo. a. minimice el VME.
14. En un árbol de decisión, una vez que se ha dibujado el árbol y b. maximice la utilidad esperada.
se han colocado en él los pagos y las probabilidades, el análisis c. minimice la utilidad esperada.
(cálculo del VME y la selección de la mejor alternativa) d. tenga una utilidad de cero asociada a cada pago posible.

Preguntas para análisis 3-13 ¿Cuál es el propósito general de la teoría de la utilidad?
3-1 Dé un ejemplo de una buena decisión que usted tomó y 3-14 Comente brevemente cómo se puede evaluar una función
que le haya dado lugar a un mal resultado. También men- de utilidad. ¿Qué es una apuesta estándar y cómo se uti-
cione un ejemplo de una mala decisión que usted tomó y liza en la determinación de los valores de utilidad?
que haya tenido un buen resultado. ¿Por qué razón cada 3-15 ¿Cómo se usa una curva de utilidad en la selección de la
decisión fue buena o mala? mejor decisión para un problema específico?
3-2 Describa qué está involucrado en el proceso de la decisión. 3-16 ¿Cómo se define a alguien proclive al riesgo? ¿Y a alguien
3-3 ¿Qué es una alternativa? ¿Qué es un estado de la naturaleza? averso al riesgo? ¿En qué difiere la curva de utilidad para
3-4 Analice las diferencias entre la toma de decisiones en con- estos tipos de tomadores de decisiones?
diciones de certidumbre, la toma de decisiones con riesgo
y la toma de decisiones con incertidumbre. Problemas
3-5 ¿Qué técnicas se utilizan para resolver problemas de toma 3-17 Kenneth Brown es el principal propietario de Brown Oil,
de decisiones en condiciones de incertidumbre? ¿Qué téc- Inc. Después de dejar su trabajo como profesor universita-
nica resulta en una decisión optimista? ¿Qué técnica re- rio, Ken ha sido capaz de aumentar su salario anual en un
sulta en una decisión pesimista? factor de más de 100. En la actualidad, Ken se ve obligado
3-6 Defina la pérdida de oportunidad. ¿Qué criterios de toma a considerar la compra de algunos equipos adicionales
de decisiones se utilizan con una tabla de pérdida de para Brown Oil, debido a la competencia. Sus alternativas
oportunidad? se muestran en la siguiente tabla:
3-7 ¿Qué información se debería colocar en un árbol de
decisión? MERCADO MERCADO
3-8 Describa cómo se determina la mejor decisión de acuerdo
EQUIPO ($) ($)
con el criterio del VME empleando un árbol de decisión.
3-9 ¿Cuál es la diferencia entre las probabilidades anterior y Sub 100 300,000 -200,000
posterior? Oiler J 250,000 -100,000
3-10 ¿Cuál es el propósito del análisis bayesiano? Describa Texan 75,000 -18,000
cómo se usa el análisis bayesiano en el proceso de toma de
decisiones. Por ejemplo, si Ken compra un Sub 100 y hay un mer-
3-11 ¿Qué es el VEIM? ¿Cómo se calcula? cado favorable, alcanzará una ganancia de $300,000. Por
3-12 ¿Cómo se calcula la eficiencia de la información muestral? otro lado, si el mercado no es favorable, Ken sufrirá una

pérdida de $200,000. Pero Ken siempre ha sido un toma- 3-22 Allen Young siempre ha estado orgulloso de sus estrategias
dor de decisiones muy optimista. personales de inversión y lo ha hecho muy bien en los últi-
(a) ¿A qué tipo de decisión se enfrenta Ken? mos años. Invierte principalmente en el mercado de valores.
(b) ¿Qué criterio de decisión debería utilizar? Sin embargo, en los últimos meses Allen ha estado muy
(c) ¿Cuál alternativa es la mejor? preocupado por el mercado de valores como una buena
inversión. En algunos casos, hubiera sido mejor que Allen
3-18 Aunque Ken Brown (consulte el problema 3-17) es el tuviera su dinero en un banco que en el mercado. Durante
principal propietario de Brown Oil, su hermano Bob tiene el próximo año, Allen debe decidir si invertir $10,000 en el
el crédito de haber hecho de la compañía un éxito finan- mercado de valores o en un certificado de depósito (CD) a
ciero. Bob es vicepresidente de finanzas y atribuye su una tasa de interés de 9%. Si el mercado es bueno, Allen
éxito a su actitud pesimista acerca de los negocios y la in- cree que podría obtener un rendimiento en su dinero de
dustria petrolera. Dada la información del problema 3-17, 14%. Con un mercado regular, espera obtener una renta-
es probable que Bob llegue a una decisión diferente. ¿Qué bilidad de 8%. Si el mercado es malo, lo más probable es
criterio de decisión debería utilizar Bob y qué alternativa que no tenga ningún rendimiento: en otras palabras, el ren-
elegirá? dimiento sería de 0%. Allen estima que la probabilidad de
3-19 El Lubricante es un caro boletín de la industria petrolera un buen mercado es de 0.4, la probabilidad de un mercado
al que muchos gigantes del sector están suscritos, in- regular es 0.4 y la probabilidad de un mal mercado es 0.2.
cluido Ken Brown (consulte el problema 3-17 para ma- Él desea maximizar su rendimiento promedio a largo plazo.
yores detalles). En la última edición, el boletín afirmaba (a) Desarrolle una tabla de decisiones para este problema.
que la demanda de productos derivados del petróleo sería (b) ¿Cuál es la mejor decisión?
extremadamente alta. Al parecer, el consumidor estadou-
nidense seguiría utilizando productos derivados del pe- 3-23 En el problema 3-22, usted ayudó a Allen Young a determi-
tróleo, incluso si el precio de estos productos se duplica. nar la mejor estrategia de inversión. Ahora, Young está pen-
De hecho, uno de los artículos del Lubricante establecía sando en pagar un boletín de noticias del mercado de valores.
que las posibilidades de un mercado favorable para los Uno de sus amigos le dijo que este tipo de boletines podían
productos derivados del petróleo eran de 70%, mientras predecir con mucha exactitud si el mercado sería bueno, re-
que la posibilidad de un mercado desfavorable era sólo de gular o malo. Después, sobre la base de estos pronósticos,
30%. A Ken le gustaría usar estas probabilidades para Allen podría tomar mejores decisiones de inversión.
determinar la mejor decisión. (a) ¿Cuánto es lo máximo que Allen estaría dispuesto a
pagar por un boletín de noticias?
(a) ¿Qué modelo de decisión debería utilizar?
(b) Young ahora cree que un buen mercado dará un rendi-
(b) ¿Cuál es la decisión óptima?
miento de sólo 11% en lugar de 14%. ¿Esta información
(c) Ken cree que la cifra de $300,000 para el Sub 100
cambiará la cantidad que Allen estaría dispuesto a pagar
con un mercado favorable es demasiado alto. ¿Cuánto
por el boletín de noticias? Si su respuesta es afirmativa,
menor debería ser esta cifra para que Ken cambie su
decisión tomada en el inciso b? determine la mayor cantidad que Allen estaría dispuesto
a pagar, teniendo en cuenta esta nueva información.
3-20 Mickey Lawson está considerando invertir algo del dinero
3-24 Today’s Electronics se especializa en la fabricación de
que heredó. La siguiente tabla de pagos proporciona los
componentes electrónicos modernos. También construye
beneficios que se lograrían durante el próximo año para
el equipo que produce los componentes. Phyllis Weinber-
cada una de las tres alternativas de inversión que Mickey
ger, quien se encarga de asesorar al presidente de Today’s
está considerando:
Electronics en la fabricación de equipos electrónicos, ha
desarrollado la siguiente tabla en relación con una instala-
ESTADO DE LA NATURALEZA ción propuesta:
DECISIÓN BUENA MALA
ALTERNATIVA ECONOMÍA ECONOMÍA GANANCIA ($)
Bolsa de Valores 80,000 -20,000 MERCADO MERCADO MERCADO

FUERTE REGULAR DÉBIL
Bonos 30,000 20,000
Instalación
Certificados de depósito 23,000 23,000
grande 550,000 110,000 -310,000
Probabilidad 0.5 0.5
Instalación
mediana 300,000 129,000 -100,000
(a) ¿Qué decisión maximizaría las ganancias esperadas?
(b) ¿Cuál es la cantidad máxima que debería pagarse Instalación
para obtener un pronóstico perfecto de la pequeña 200,000 100,000 -32,000
economía? Ninguna
3-21 Elabore una tabla de pérdidas de oportunidad para la de- instalación 0 0 0
cisión de inversión que enfrenta Mickey Lawson en el
problema 3-20. ¿Qué decisión minimizaría la pérdida de (a) Desarrolle una tabla de pérdida de oportunidad.
oportunidad esperada? ¿Cuál es la POE mínima? (b) ¿Cuál es la decisión del arrepentimiento minimax?

3-25 Brilliant Color es un pequeño proveedor de productos criterio optimista? ¿Qué decisión se tomaría empleando
químicos y equipos que son usados por algunas tiendas el criterio pesimista?
fotográficas para procesar película de 35 mm. Uno de los 3-29 Mick Karra es el gerente de MCZ Drilling Products, que
productos que Brilliant Color suministra es el BC-6. John produce una variedad de válvulas especiales para el equi-
Kubick, presidente de Brilliant Color, normalmente alma- pamiento de campos petroleros. La actividad en estos
cena 11, 12 o 13 cajas de BC-6 cada semana. Por cada campos ha provocado que la demanda aumente drástica-
caja que John vende, recibe una ganancia de $35. Al igual mente, y ha tomado la decisión de abrir una nueva planta
que muchos productos químicos fotográficos, el BC-6 de manufactura. Se están considerando tres lugares, y el
tiene una vida útil muy corta, por lo que si una caja no se tamaño de la planta no sería el mismo en cada lugar. Por
vende para el final de la semana, John debe desecharla. lo tanto, en ocasiones podrían necesitarse horas extras de
Dado que cada caja cuesta a John $56, pierde $56 por trabajo. La siguiente tabla muestra el costo mensual to-
cada caja que no vende al final de la semana. Hay una tal (en miles de dólares) para cada posible ubicación, con
probabilidad de 0.45 de vender 11 cajas, una probabilidad cada posibilidad de demanda. Las probabilidades para los
de 0.35 de vender 12 cajas y una probabilidad de 0.2 de niveles de demanda se han determinado como 20% para la
vender 13 cajas. demanda baja, 30% para la demanda media y 50% para
(a) Construya una tabla de decisiones para este problema. la demanda alta.
Incluya todos los valores y las probabilidades condi-
cionales en la tabla. LA LA LA
(b) ¿Cuál es el curso de acción recomendado? DEMANDA DEMANDA DEMANDA
(c) Si John es capaz de desarrollar BC-6 con un ingre- ES BAJA ES MEDIA ES ALTA
diente que lo estabiliza, de forma que ya no es nece- Ardmore, OK 85 110 150
sario desecharlo, ¿cómo cambiaría esto su curso de
Sweetwater, TX 90 100 120
acción recomendado?
Lake Charles, LA 110 120 130
3-26 Megley Cheese Company es un pequeño fabricante de
diferentes productos de queso. Uno de los productos es
(a) ¿Qué lugar sería seleccionado con base en el criterio
un queso para untar que se vende a comercios minoristas.
optimista?
Jason Megley debe decidir el número de cajas de queso
(b) ¿Qué lugar sería seleccionado con base en el crite-
para untar que debe elaborar cada mes. La probabilidad
rio pesimista?
de que la demanda sea de seis cajas es 0.1, de siete cajas
(c) ¿Qué lugar sería seleccionado con base en el criterio
es 0.3, de ocho cajas es 0.5 y de nueve cajas es 0.1. El
de arrepentimiento minimax?
costo de cada caja es de $45 y el precio que Jason pone a
(d) ¿Qué lugar debería seleccionarse para minimizar el
cada caja es de $95. Por desgracia, las cajas que no vende
costo de operación esperado?
al final del mes no tienen ningún valor, debido a su de-
(e) ¿Cuánto vale un pronóstico perfecto de la demanda?
terioro. ¿Cuántas cajas de queso debería fabricar Jason
(f) ¿Qué ubicación minimizará la pérdida de oportunidad
cada mes?
esperada?
3-27 Farm Grown, Inc., produce cajas de productos alimenti- (g) ¿Cuál es el valor esperado de la información perfecta
cios perecederos. Cada caja contiene un surtido de vege- en esta situación?
tales y otros productos agrícolas. Cada caja cuesta $5 y 3-30 A pesar de que las estaciones de gasolina independientes
se vende por $15. Si hay algunas cajas que no se venden últimamente han enfrentado tiempos difíciles, Susan So-
al final del día, son vendidas a una gran empresa procesa- lomon ha estado pensando en cómo iniciar su propia es-
dora de alimentos a $3 la caja. La probabilidad de que la tación de servicio independiente. El problema de Susan es
demanda diaria sea de 100 cajas es de 0.3, la probabilidad decidir qué tan grande debería ser su estación. La renta-
de que la demanda diaria sea de 200 cajas es de 0.4 y la bilidad anual dependerá tanto del tamaño de su estación,
probabilidad de que la demanda diaria sea de 300 cajas es como de una serie de factores de marketing relacionados
de 0.3. Grown Farm tiene una política de siempre satisfa- con la industria del petróleo y la demanda de gasolina.
cer las demandas del cliente. Si su propio suministro de Después de un cuidadoso análisis, Susan desarrolló la si-
cajas es inferior a la demanda, compra los vegetales nece- guiente tabla:
sarios a un competidor. El costo estimado de esta opción
es de $16 por caja. TAMAÑO DE MERCADO MERCADO MERCADO
(a) Construya una tabla de decisiones para este pro- LA PRIMERA BUENO REGULAR MALO
blema. ESTACIÓN ($) ($) ($)
(b) ¿Qué curso de acción recomienda usted? Pequeña 50,000 20,000 -10,000
3-28 En el problema 3-27, Farm Grown, Inc. tiene razones para Mediana 80,000 30,000 -20,000
creer que las probabilidades pueden ser poco confiables Grande 100,000 30,000 -40,000
debido a las condiciones cambiantes. Si se ignoran estas
probabilidades, ¿qué decisión se tomaría utilizando el Muy grande 300,000 25,000 -160,000

Por ejemplo, si Susan construye una estación pequeña y el 3-33 El juego de la ruleta es popular en muchos casinos de
mercado es bueno, obtendrá una ganancia de $50,000. todo el mundo. En Las Vegas, una rueda de ruleta típica
(a) Desarrolle una tabla de decisiones para este problema. tiene los números del 1 al 36 en diferentes ranuras. La
(b) ¿Cuál es la decisión maximax? mitad de estas ranuras son de color rojo, y la otra mitad
(c) ¿Cuál es la decisión maximin? son de color negro. En Estados Unidos, la rueda de la ru-
(d) ¿Cuál es la decisión con el criterio igualmente pro- leta suele tener también los números 0 (cero) y 00 (doble
bable? cero), y ambos están en la rueda en ranuras verdes. Por lo
(e) ¿Cuál es la decisión con el criterio de realismo? Uti- tanto, hay 38 ranuras en la rueda. El crupier hace girar la
lice un valor a de 0.8. rueda y lanza una pequeña bola en dirección opuesta al
(f) Desarrolle una tabla de pérdida de oportunidad. giro de la rueda. Mientras la rueda desacelera, la bola cae
(g) ¿Cuál es la decisión de arrepentimiento minimax? en una de las ranuras, que tiene el número y el color ga-
nadores. Una de las apuestas disponibles es simplemente
3-31 Beverly Mills ha decidido alquilar un automóvil híbrido
rojo o negro, cuyas probabilidades son de 1 a 1. Si el ju-
para ahorrar gastos de gasolina y poner su parte en la con-
gador apuesta a rojo o negro, y su color gana, recibe la
servación del medio ambiente. El auto que ha seleccio-
cantidad que apostó. Por ejemplo, si el jugador apuesta
nado lo vende sólo un distribuidor en el área local, pero
$5 al rojo y gana, recibe $5 y aún conserva su apues-
ese distribuidor tiene varias opciones de arrendamiento
ta original. Por otro lado, si el color ganador es el negro o
para dar cabida a una variedad de patrones de conducción.
el verde cuando el jugador apostó rojo, el jugador pierde
Todos los contratos de arrendamiento son por 3 años y no
toda su apuesta.
requieren de dinero en el momento de la firma del con-
trato de arrendamiento. La primera opción tiene un costo (a) ¿Cuál es la probabilidad de que un jugador que le
mensual de $330, un permiso de distancia total de 36,000 apuesta al rojo gane su apuesta?
millas (un promedio de 12,000 millas por año), y un costo (b) Si un jugador apuesta $10 al rojo cada vez que inicia
de $0.35 por milla cuando éstas superen las 36,000 millas. un juego, ¿cuál es el valor monetario esperado (ga-
La siguiente tabla resume cada una de las tres opciones de nancia esperada)?
arrendamiento: (c) En Europa, generalmente no hay 00 en la rueda, sólo
el 0. En este tipo de juego, ¿cuál es la probabilidad de
que un jugador que le apuesta al rojo gane la apuesta?
ARRENDAMIENTO COSTO MILLAJE COSTO POR MILLA Si un jugador apuesta $10 al rojo cada vez que ini-
POR 3 AÑOS MENSUAL PERMITIDO EN EXCESO cia un juego (sin 00), ¿cuál es el valor monetario
Opción 1 $330 36,000 $0.35 esperado?
(d) Dado que el pago esperado (ganancia) en un juego de
Opción 2 $380 45,000 $0.25
ruleta es negativo, ¿por qué una persona racional par-
Opción 3 $430 54,000 $0.15 ticiparía en el juego?
3-34 Consulte el problema 3-33 para obtener más información
Beverly ha estimado que, durante los 3 años del contrato sobre el juego de la ruleta. Otra apuesta en un juego de
de arrendamiento, hay una probabilidad de 40% de que ruleta se llama una apuesta “hacia arriba”, lo cual signi-
conduzca un promedio de 12,000 millas por año, 30% de fica que el jugador apuesta que el número ganador será el
probabilidad de que recorra un promedio de 15,000 millas número que él eligió. En un juego con 0 y 00, hay un total
al año y 30% de que conduzca 18,000 millas por año. Al de 38 resultados posibles (los números 1 a 36 más 0 y 00),
evaluar las opciones de arrendamiento, a Beverly le gusta- y cada uno de ellos tiene la misma probabilidad de ocu-
ría mantener sus costos lo más bajo posible. rrir. El pago en este tipo de apuesta es de 35 a 1, lo cual
(a) Desarrolle una tabla de pagos (costos) para esta significa que el jugador gana 35 y se queda con la apuesta
situación. original. Si un jugador apuesta $10 al número 7 (o cual-
(b) ¿Qué decisión debería tomar Beverly si fuera op- quier otro número individual), ¿cuál es el valor monetario
timista? esperado (ganancia esperada)?
(c) ¿Qué decisión debería tomar Beverly si fuera pe- 3-35 La compañía Technically Techno tiene varias patentes
simista? para una variedad de diferentes dispositivos de memoria
(d) ¿Qué decisión debería tomar Beverly si quisiera mini- flash que se usan en computadoras, teléfonos celulares
mizar su costo (valor monetario) esperado? y varios artículos más. Un competidor ha presentado
(e) Calcule el valor esperado de la información perfecta recientemente un producto basado en tecnología muy
para este problema. parecida a algo patentado por Technically Tecno el año
3-32 Consulte la decisión de arrendamiento que enfrenta Be- pasado. En consecuencia, Technically Tecno ha deman-
verly Mills en el problema 3-31. Desarrolle la tabla de dado a la otra empresa por infracción de derechos de
pérdida de oportunidad para esta situación. ¿Qué opción autor. Con base en los hechos del caso, así como en
elegiría con base en el criterio de arrepentimiento mini- el registro de los abogados involucrados, Technically
max? ¿Qué alternativa daría como resultado la menor pér- Tecno cree que hay una probabilidad de 40% de que le
dida de oportunidad esperada? otorguen $300,000, si la demanda va a los tribunales.

Hay 30% de probabilidad de que le sean otorgados sólo iniciarse sólo si hay una buena probabilidad de obtener
$50,000 si va a tribunales y gana, y hay una probabi- ganancias. Jerry puede abrir una tienda pequeña, una
lidad de 30% de que pierda el caso y no reciba nada. tienda grande o no abrir ninguna tienda. Los beneficios
El costo estimado de los honorarios legales si van a los dependerán del tamaño de la tienda, y de si el mercado
tribunales es de $50,000. Sin embargo, la otra empresa es favorable o desfavorable para sus productos. Debido
ha ofrecido pagar a Technically Techno $75,000 para re- a que habrá un contrato de arrendamiento por 5 años en
solver el conflicto sin acudir a los tribunales. El costo el edificio que Jerry está pensando en usar, quiere ase-
estimado de este trámite legal sólo sería de $10,000. Si gurarse de que tomará la decisión correcta. Jerry tam-
Technically Tecno desea maximizar la ganancia espe- bién está pensando en contratar a su antiguo profesor
rada, ¿debería aceptar la oferta de arreglo fuera de los de marketing para llevar a cabo un estudio de investi-
tribunales? gación de mercados. Si se realiza el estudio, éste podría
3-36 Un grupo de profesionales de la medicina está consi- ser favorable (es decir, la predicción de un mercado fa-
derando la construcción de una clínica privada. Si la de- vorable) o desfavorable (es decir, la predicción de un
manda médica es alta (es decir, hay un mercado favorable mercado desfavorable). Elabore un árbol de decisión
para la clínica), los médicos podrían lograr un beneficio para Jerry.
neto de $100,000. Si el mercado no es favorable, podrían 3-39 Jerry Smith (vea el problema 3-38) ha realizado un aná-
perder $40,000. Desde luego, también es posible que no lisis sobre la rentabilidad de la tienda de bicicletas. Si
hagan nada, en cuyo caso no habría ningún costo. En au- Jerry construye la tienda grande, ganará $60,000 si el
sencia de datos del mercado, lo mejor que los médicos mercado es favorable, pero perderá $40,000 si el mer-
pueden suponer es que hay una probabilidad de 50-50 de cado es desfavorable. La tienda pequeña le generará una
que la clínica sea un éxito. Construya un árbol de decisión ganancia de $30,000 en un mercado favorable y una pér-
para ayudar a analizar este problema. ¿Qué deberían ha- dida de $10,000 en un mercado desfavorable. En la ac-
cer los profesionales de la medicina? tualidad, cree que hay una posibilidad de 50-50 de que
3-37 Los médicos del problema 3-36 han sido abordados por el mercado vaya a ser favorable. Su antiguo profesor
una compañía de investigación de mercados que ofrece de marketing le cobrará $5,000 por la investigación de
realizar un estudio sobre el mercado a un precio de $5,000. mercados. Se estima que hay una probabilidad de 0.6
Los investigadores afirman que su experiencia les permite de que la encuesta sea favorable. Asimismo, hay una pro-
utilizar el teorema de Bayes para hacer las siguientes afir- babilidad de 0.9 de que el mercado sea favorable dado un
maciones probabilísticas: resultado favorable del estudio. Por otro lado, el profesor
de marketing ha advertido a Jerry que sólo hay una pro-
probabilidad de un mercado favorable dado babilidad de 0.12 de un mercado favorable, si los resul-
un estudio favorable = 0.82 tados de la investigación de mercado no son favorables.
probabilidad de un mercado desfavorable dado Jerry está confundido.
un estudio favorable = 0.18 (a) ¿Debería Jerry utilizar la investigación de mercados
probabilidad de un mercado favorable dado (b) Sin embargo, Jerry no está seguro de que la probabi-
un estudio desfavorable = 0.11 lidad de 0.6 de un estudio de investigación de mer-
cados favorable sea correcta. ¿Qué tan sensible es la
probabilidad de un mercado desfavorable dado decisión de Jerry a este valor de probabilidad? ¿Hasta
un estudio desfavorable = 0.89 dónde puede este valor de probabilidad desviarse de
probabilidad de un estudio de investigación 0.6 sin causar que Jerry cambie su decisión?
favorable = 0.55 3-40 Bill Holliday no está seguro de lo que debería hacer.
probabilidad de un estudio de investigación Puede construir un cuádruplex (es decir, un edificio con
desfavorable = 0.45 cuatro apartamentos), construir un dúplex, reunir informa-
ción adicional, o simplemente no hacer nada. Si recaba in-
(a) Desarrolle un nuevo árbol de decisión para los profe-
formación adicional, los resultados podrían ser favorables
sionales de la medicina que refleje las opciones que
o desfavorables, pero le costaría $3,000 hacer tal recopi-
ahora se abren con el estudio de mercado.
lación. Bill cree que hay una posibilidad de 50-50 de que
(b) Utilice el enfoque del VME para recomendar una
la información sea favorable. Si el mercado del alquiler es
estrategia.
favorable, Bill ganará $15,000 con el cuádruplex o $5,000
(c) ¿Cuál es el valor esperado de la información mues-
con el dúplex. Bill no tiene los recursos financieros para
tral? ¿Cuánto estarían dispuestos a pagar los médicos
hacer ambas cosas. Con un mercado de alquiler desfa-
por un estudio de mercado?
vorable, sin embargo, Bill podría perder $20,000 con el
(d) Calcule la eficiencia de esta información muestral.
cuádruplex o $10,000 con el dúplex. Sin la recopilación
3-38 Jerry Smith está pensando en abrir una tienda de bi- de información adicional, Bill estima que la probabili-
cicletas en su ciudad natal. A Jerry le encanta montar dad de un mercado de alquiler favorable es 0.7. Un informe
su propia bicicleta en viajes de 50 millas con sus ami- favorable del estudio aumentaría la probabilidad de un
gos, pero cree que cualquier pequeña empresa debería mercado de alquiler favorable a 0.9. Además, un informe

desfavorable de la información adicional disminuiría la ser superior o inferior a $10,000. ¿Qué valor de este
probabilidad de un mercado de alquiler favorable a 0.4. rendimiento causaría que una persona fuera indi-
Por supuesto, Bill podría olvidar todos estos números y no ferente entre el fondo A y el fondo B (es decir, que
hacer nada. ¿Qué aconsejaría usted a Bill? los VME fueran iguales)?
3-41 Peter Martin va a ayudar a su hermano, que quiere abrir 3-44 Jim Sellers está pensando producir un nuevo tipo de ma-
una tienda de alimentos. Peter inicialmente cree que quinilla para afeitar eléctrica para hombres. Si el mercado
hay una posibilidad de 50-50 de que la tienda de alimentos fuera favorable, obtendría un rendimiento de $100,000,
de su hermano sea un éxito, y está considerando hacer un pero si el mercado para este nuevo tipo de maquinilla
estudio de investigación de mercados. Con base en datos para afeitar fuera desfavorable, perdería $60,000. Dado
históricos, hay 0.8 de probabilidades de que la investiga- que Ron Bush es un buen amigo de Jim Sellers, Jim está
ción de mercados sea favorable dada una tienda de ali- considerando la posibilidad de contratar a Bush Marketing
mentos con éxito. Por otro lado, hay 0.7 de probabilidades Research para reunir información adicional sobre el mer-
de que la investigación de mercados sea desfavorable dada cado de maquinillas afeitadoras. Ron ha sugerido que Jim
una tienda de alimentos sin éxito. utilice una encuesta, o bien un estudio piloto, para sondear
(a) Si la investigación de mercados es favorable, ¿cuál es el mercado. La encuesta sería un cuestionario sofisticado
la probabilidad revisada de una tienda de alimentos administrado a un mercado de prueba. Tiene un costo de
exitosa para el hermano de Peter? $5,000. Otra alternativa es realizar un estudio piloto, lo
(b) Si la investigación de mercados no es favorable, ¿cuál cual implicaría la producción de un número limitado de
es la probabilidad revisada de una tienda de alimentos las nuevas maquinillas para afeitar e intentar venderlas
exitosa para el hermano de Peter? en dos ciudades típicas estadounidenses. El estudio pi-
(c) Si la probabilidad inicial de una tienda de alimentos loto es más preciso, pero también más caro, pues costaría
con éxito es 0.60 (en vez de 0.50), encuentre las pro- $20,000. Ron Bush ha sugerido que sería una buena idea
babilidades en los incisos a y b. que Jim aplicara la encuesta o realizara el estudio piloto,
3-42 Mark Martinko ha sido un jugador de ráquetbol de clase A antes de tomar la decisión sobre si se debe producir la
durante los últimos 5 años, y uno de sus objetivos más impor- nueva maquinilla afeitadora. Sin embargo, Jim no está se-
tantes es poseer y operar una instalación de ráquetbol. guro de si el valor de la encuesta o del estudio compensan
Por desgracia, Mark cree que la posibilidad de una instala- su costo.
ción de ráquetbol exitosa es tan sólo de 30%. El abogado Jim estima que la probabilidad de un mercado exi-
de Mark le ha recomendado que use uno de los grupos lo- toso sin la realización de una encuesta o un estudio piloto
cales de investigación de mercados, para llevar a cabo una es de 0.5. Asimismo, la probabilidad de un resultado de
encuesta en relación con el éxito o fracaso de una instala- encuesta favorable dado un mercado favorable para las
ción de ráquetbol. Hay 0.8 de probabilidades de que la in- maquinillas para afeitar es 0.7, y la probabilidad de un re-
vestigación sea favorable dada una instalación de ráquetbol sultado favorable en la encuesta dado un mercado sin éxito
exitosa. Además, hay 0.7 de probabilidades de que la in- para las maquinillas para afeitar es 0.2. Por otro lado, la
vestigación sea desfavorable dada una instalación sin éxito. probabilidad de un estudio piloto desfavorable dado un
Calcule las probabilidades revisadas de una instalación de mercado desfavorable es 0.9, y la probabilidad de un re-
ráquetbol exitosa dada una encuesta favorable y dada una sultado desfavorable en el estudio piloto dado un mercado
encuesta desfavorable. favorable para las maquinillas es 0.2.
3-43 Un asesor financiero ha recomendado dos posibles fondos (a) Dibuje el árbol de decisión para este problema sin los
mutuos de inversión: los fondos A y B. El rendimiento valores de probabilidad.
que se logra mediante cada uno de ellos depende del es- (b) Calcule las probabilidades revisadas que se requieren
tado de la economía: bueno, regular o malo. Se ha cons- para completar la decisión y ponga estos valores en el
truido una tabla de pagos para ilustrar esta situación: árbol de decisión.
(c) ¿Cuál es la mejor decisión para Jim? Utilice el VME
ESTADO DE LA NATURALEZA como el criterio de decisión.
3-45 Jim Sellers ha sido capaz de estimar su utilidad para dife-
ECONOMÍA ECONOMÍA ECONOMÍA
rentes valores. Le gustaría utilizar estos valores de utilidad
INVERSIÓN BUENA REGULAR MALA
en la toma de la decisión del problema 3-44:
Fondo A $10,000 $2,000 -$5,000 U1-$80,0002 = 0, U1-$65,0002 = 0.5, U1-$60,0002 = 0.55,
Fondo B $6,000 $4,000 0 U1-$20,0002 = 0.7, U1-$5,0002 = 0.8, U1$02 = 0.81,
U1$80,0002 = 0.9, U1$95,0002 = 0.95 y U1$100,0002 = 1.
Resuelva el problema 3-44 utilizando valores de utilidad.
(a) Construya un árbol de decisión para representar esta ¿Es Jim averso al riesgo?
situación. 3-46. Existen dos estados de la naturaleza para una situación
(b) Realice los cálculos necesarios para determinar cuál particular: una economía buena y una economía mala. Es
de los dos fondos de inversión es mejor. ¿Cuál debería posible realizar un estudio económico para obtener más
usted elegir para maximizar el valor esperado? información acerca de cuál de ambos estados ocurrirá real-
(c) Suponga que hay un cuestionamiento sobre el rendi- mente el próximo año. El estudio puede pronosticar una
miento del fondo A en una buena economía. Podría economía buena o una economía mala. En la actualidad

hay 60% de posibilidades de que la economía vaya a ser U1$200,0002 = 1.0. Si John maximiza su utilidad espe-
buena y 40% de posibilidades de que vaya a ser mala. En rada, ¿cambia su decisión?
el pasado, cada vez que la economía fue buena, el estudio 3-50 En los últimos años, los problemas de tránsito vehicular en
económico predijo que sería buena 80% de las veces. (El la ciudad natal de Lynn McKell han empeorado. Ahora,
otro 20% de las veces, la predicción estuvo errada). De Broad Street está congestionada la mitad del tiempo. El
acuerdo con los datos históricos, cada vez que la econo- viaje normal a su trabajo le toma sólo 15 minutos cuando
mía fue mala, el estudio económico predijo que sería mala utiliza Broad Street y no hay congestión. Sin embargo, con
90% de las veces. (El otro 10% de las veces el pronóstico tránsito pesado Lynn necesita 40 minutos para llegar a su tra-
estuvo equivocado). bajo. Si Lynn decide tomar la autopista, tardará 30 minutos,
independientemente de las condiciones del tránsito. La
utilidad de Lynn para el tiempo de viaje es: U 115 minu-
(a) Use el teorema de Bayes y encuentre lo siguiente:
P(economía buena u pronóstico de una economía buena)
tos2 = 0.9, U130 minutos2 = 0.7 y U140 minutos2 = 0.2.
P(economía mala u pronóstico de una economía buena)
(a) ¿Qué ruta minimizará el tiempo de viaje esperado
P(economía buena u pronóstico de una economía mala) para Lynn?
P(economía mala u pronóstico de una economía mala) (b) ¿Qué ruta maximizará la utilidad de Lynn?
(b) Suponga que la probabilidad inicial (previa) de una (c) Cuando se trata de su tiempo de viaje, ¿es Lynn pro-
economía buena es de 70% (en lugar de 60%), y la clive o aversa al riesgo?
probabilidad de una economía mala es de 30% (en lu- 3-51 Coren Chemical, Inc., desarrolla productos químicos in-
gar de 40%). Encuentre las probabilidades posteriores dustriales que son utilizados por otros fabricantes para
del inciso a con base en estos nuevos valores. elaborar productos químicos fotográficos, conservadores y
3-47 La compañía Long Island Life Insurance vende una póliza lubricantes. Uno de sus productos, el K-1000, es utilizado
de seguro de vida. Si el titular de la póliza muere duran- por varias compañías fotográficas para hacer un producto
te la vigencia de la póliza, la compañía paga $100,000. químico que se emplea en el proceso de fabricación de
Si la persona no muere, la empresa no paga nada y no películas. Para producir el K-1000 de manera eficiente,
hay un valor adicional a la póliza. La compañía utiliza Coren Chemical utiliza el enfoque de procesamiento por
tablas actuariales para determinar la probabilidad de que lotes, en el cual se produce cierto número de galones al
una persona con ciertas características muera durante el mismo tiempo. Esto reduce los costos de instalación y per-
próximo año. Para un individuo en particular, se deter- mite que Coren Chemical produzca el K-1000 a un precio
mina que existe una posibilidad de 0.001 de que muera en competitivo. Por desgracia, el K-1000 tiene una vida útil
el próximo año, y una posibilidad de 0.999 de que sobre- muy corta de aproximadamente 1 mes.
viva y la compañía no pague nada. El costo de esta póliza Coren Chemical produce el K-1000 en lotes de 500,
es de $200 al año. Con base en el criterio del VME, ¿el 1,000, 1,500 y 2,000 galones. Con base en datos histó-
individuo debería comprar esta póliza de seguro? ¿Cómo ricos, David Coren fue capaz de determinar que la pro-
ayuda la teoría de la utilidad a explicar por qué una per- babilidad de venta de 500 galones de K-1000 es 0.2. Las
sona compraría esta póliza de seguro? probabilidades de venta de 1,000, 1,500 y 2,000 galones
son 0.3, 0.4 y 0.1, respectivamente. La pregunta que en-
3-48 En el problema 3-37, usted ayudó a los profesionales mé-
frenta David es cuántos galones de K-1000 debe produ-
dicos a analizar su decisión utilizando el valor monetario
cir en el siguiente procesamiento por lotes. El K-1000 se
esperado como el criterio de decisión. Este grupo también
ha evaluado su utilidad por el dinero: U 1-$45,0002 = 0,
vende a $20 por galón. El costo de fabricación es de $12
U 1 -$40,0002 = 0.1, U 1 -$5,0002 = 0.7, U 1 $02 = 0.9,
por galón, y los costos de manejo y almacenaje se estiman
en $1 por galón. En el pasado, David ha asignado gastos
U1$95,0002 = 0.99 y U1$100,0002 = 1. Utilice la utilidad
de publicidad al K-1000 a razón de $3 por galón. Si el
esperada como el criterio de decisión y determine la mejor
K-1000 no se vende después del procesamiento por lotes,
decisión para los profesionales de la medicina. ¿Los pro-
el producto químico pierde gran parte de sus propiedades.
fesionales médicos son proclives o aversos al riesgo?
Sin embargo, se puede vender a un valor residual de $13
3-49 En este capítulo se desarrolló un árbol de decisión para por galón. Por otro lado, David ha garantizado a sus pro-
John Thompson (consulte en la figura 3.5 el análisis veedores que siempre habrá un suministro adecuado del
completo del árbol de decisión). Después de terminar el K-1000. Si David se queda sin producto, ha acordado
análisis, John no estaba completamente seguro de ser indi- comprar un producto químico similar a un competidor en
ferente al riesgo. Después de pasar por una serie de apues- $25 por galón. David vende la totalidad de los químicos
tas estándar, John fue capaz de evaluar su utilidad por el en $20 por galón, por lo que la escasez significa una pér-
dinero. Éstas son algunas de sus evaluaciones de utilidad: dida de $5 por comprar el producto químico más caro.
U1-$190,0002 = 0, U1-$180,0002 = 0.05, (a) Desarrolle un árbol de decisión para este problema.
U1-$30,0002 = 0.10, U1-$20,0002 = 0.15, (b) ¿Cuál es la mejor solución?
U1-$10,0002 = 0.2, U1$02 = 0.3, U1$90,0002 = 0.15, (c) Determine el valor esperado de la información
U1$100,0002 = 0.6, U1$190,0002 = 0.95 y perfecta.

3-52 La Jamis Corporation está involucrada en la adminis- 3-53 Mary está considerando la apertura de una nueva tienda de
tración de residuos. Durante los últimos 10 años se ha comestibles en la ciudad, por lo que evalúa tres ubicacio-
convertido en una de las mayores empresas dedicadas a nes: el centro de la ciudad, el centro comercial y los subur-
la eliminación de residuos en el medio oeste estadouni- bios. Mary calcula el valor de las tiendas exitosas en estos
dense, atendiendo principalmente a Wisconsin, Illinois lugares de la siguiente manera: en el centro, $250,000; en
y Michigan. Bob Jamis, presidente de la compañía, está el centro comercial, $300,000; en los suburbios, $400,000.
considerando la posibilidad de establecer una planta de Mary calculó las pérdidas en caso de fracaso como
tratamiento de residuos en Mississippi. A partir de la ex- $100,000 en el centro o el centro comercial, y $200,000 en
periencia pasada, Bob cree que una pequeña planta en el los suburbios. Mary calcula su oportunidad de éxito como
norte de Mississippi produciría una utilidad de $500,000 50% en el centro, 60% en el centro comercial y 75% en los
sin importar el mercado para la instalación. El éxito de suburbios.
una planta de tratamiento de residuos de tamaño me- (a) Construya un árbol de decisión para Mary y selec-
diano dependería del mercado. Con una baja demanda cione su mejor alternativa.
de tratamiento de residuos, Bob espera un rendimiento de (b) Mary ha sido contactada por una firma de investiga-
$200,000. Una demanda mediana produciría un rendi- ción de mercados que le ofrece un estudio de la zona
miento de $700,000 en la estimación de Bob, y una alta para determinar si se necesita otra tienda de comes-
demanda implicaría $800,000 de ganancia. Aunque una tibles. El costo de este estudio es de $30,000. Mary
instalación grande es mucho más arriesgada, la rentabi- cree que hay una probabilidad de 60% de que los
lidad potencial es mucho mayor. Con una alta demanda resultados de la encuesta sean positivos (que mues-
de tratamiento de residuos en Mississippi, la instalación tren la necesidad de otra tienda de comestibles).
grande debería rendir un millón de dólares. Con una ERP = la encuesta resulta positiva, ERN = la en-
demanda mediana, la instalación grande generaría úni- cuesta resulta negativa, EC = éxito en el centro,
camente $400,000 de ganancia. Bob estima que la ins- EM = éxito en el centro comercial, ES = éxito en los
talación grande resultaría en una gran pérdida si hubiera suburbios, EC¿ = sin éxito en el centro, y así sucesi-
una baja demanda para el tratamiento de residuos; en ese vamente. Para los estudios de esta naturaleza:
caso, estima que perdería aproximadamente $200,000. En P(ERP u éxito) = 0.7,
cuanto a las condiciones económicas del norte del estado P(ERN u éxito) = 0.3,
de Mississippi y, usando su experiencia en el campo, Bob P(ERP u sin éxito) = 0.2 y
estima que la probabilidad de una demanda baja para plan- P(ERN u sin éxito) = 0.8.
tas de tratamiento es 0.15, la probabilidad de una demanda Calcule las probabilidades revisadas de tener éxito (y
mediana es de aproximadamente 0.40 y la probabilidad de de no tenerlo) para cada ubicación, dependiendo de
una demanda alta es 0.45. los resultados de la encuesta.
Debido a la gran inversión potencial y a la posibili- (c) ¿Cuánto vale la investigación de mercados para Mary?
dad de una pérdida, Bob ha decidido contratar a un equipo Calcule el VEIM.
de investigación de mercado con base en Jackson, Mis- 3-54. Sue Reynolds tiene que decidir si debería recibir informa-
sissippi, el cual realizará una encuesta para obtener una ción (a un costo de $20,000) para invertir en una tienda
mejor sensación de la probabilidad de una demanda baja, al por menor. Si obtiene la información, hay una proba-
mediana o alta para una planta de tratamiento de resi- bilidad de 0.6 de que la información sea favorable y una
duos. El costo de la encuesta es de $50,000. Para ayudar probabilidad de 0.4 de que no lo sea. Si la información es
a Bob a determinar si procede con la encuesta, la firma favorable, hay 0.9 de probabilidad de que la tienda sea un
de investigación de mercados le ha presentado la siguiente éxito. Si la información no es favorable, la probabilidad
información: de una tienda de éxito sólo es de 0.2. Sin ningún tipo de
P (resultados de la encuesta u resultados información, Sue estima que la probabilidad de una tienda
posibles) de éxito es 0.6. Una tienda de éxito daría un rendimien-
to de $100,000. Si la tienda se construye, pero no tiene
RESULTADOS DE LA ENCUESTA éxito, Sue tendrá una pérdida de $80,000. Desde luego,
siempre podría decidir no construir la tienda al por menor.
RESULTADO RESULTADO RESULTADO RESULTADO
POSIBLE BAJO MEDIO ALTO (a) ¿Qué recomienda usted?
(b) ¿Qué impacto tendría sobre la decisión de Sue una
Demanda baja 0.7 0.2 0.1 probabilidad de 0.7 de obtener información favorable?
Demanda La probabilidad de obtener información desfavorable
media 0.4 0.5 0.1 sería de 0.3.
Demanda alta 0.1 0.3 0.6 (c) Sue cree que las probabilidades de una tienda al por
menor exitosa y sin éxito dada una información favo-
Como se observa en la tabla, la encuesta podría dar rable podrían ser de 0.8 y 0.2, respectivamente, en lu-
lugar a tres resultados posibles. La encuesta con resultados gar de 0.9 y 0.1. ¿Qué impacto, si lo hay, tendría esto
bajos implica que es probable tener una demanda baja. De en la decisión de Sue y en el mejor VME?
manera similar, la encuesta con resultados medios o altos (d) Sue tendría que pagar $20,000 para obtener informa-
significaría una demanda media o alta, respectivamente. ción. ¿Cambiaría su decisión si el costo de la infor-
¿Qué debería hacer Bob? mación aumentara a $30.000?

ESTUDIO DE CASO 109
(e) Con los datos de este problema y la siguiente tabla de (f) Calcule la utilidad esperada dada la siguiente tabla de
utilidad, calcule la utilidad esperada. ¿Es ésta la curva utilidad. ¿Esta tabla representa a alguien proclive o
de una persona proclive o aversa al riesgo? averso al riesgo?
VALOR VALOR
MONETARIO UTILIDAD MONETARIO UTILIDAD
$100,000 1 $100,000 1
$80,000 0.4 $80,000 0.9
$0 0.2 $0 0.8
-$20,000 0.1 -$20,000 0.6
-$80,000 0.05 -$80,000 0.4
-$100,000 0 -$100,000 0
Estudio de caso
Starting Right Corporation
Después de ver una película sobre una joven que abandonó una ca- La clave final para conseguir que la joven compañía tuviera un
rrera corporativa exitosa para iniciar su propia empresa de alimentos buen inicio fue recaudar fondos. Se consideraron tres opciones: bonos
para bebé, Julia Day decidió que quería hacer lo mismo. En la pe- corporativos, acciones preferentes y acciones comunes. Julia decidió
lícula, la compañía de alimentos para bebés tuvo mucho éxito. Julia que cada inversión tendría que realizarse en bloques de $30,000. Ade-
sabía, sin embargo, que es mucho más fácil hacer una película sobre más, cada inversor debía tener un ingreso anual de al menos $40,000
una mujer exitosa que inicia su propia compañía que hacerlo real- y un patrimonio neto de $100,000 para ser elegible como inversionista
mente. El producto debería tener la más alta calidad, y Julia tenía que en Starting Right. Los bonos corporativos rendirían 13% anual du-
involucrar a las mejores personas para lanzar la nueva compañía. Julia rante los próximos 5 años. Julia, además, garantizaba que los inver-
renunció a su trabajo y lanzó la nueva compañía: Starting Right. sores en bonos corporativos obtendrían al menos $20,000 de regreso
Julia decidió enfocarse en el extremo superior del mercado de al final de 5 años. Los inversores en acciones preferentes deberían ver
alimentos para bebés mediante la producción de alimentos que no un aumento de su inversión inicial en un factor de 4, con un mercado
contenían conservadores, pero tenían un muy buen sabor. Aunque el bueno, o ver el valor de su inversión sólo a la mitad con un merca-
precio sería ligeramente superior al de los alimentos para bebés exis- do desfavorable. La acción ordinaria tenía el potencial más grande. Se
tentes, Julia creía que los padres estarían dispuestos a pagar más por esperaba que la inversión inicial aumentara en un factor de 8 con un
una comida para bebés de alta calidad. En lugar de poner la comida buen mercado, pero los inversionistas perderían todo si el mercado era
del bebé en frascos, lo cual requeriría conservadores para estabilizar desfavorable. Durante los próximos 5 años, se esperaba que la infla-
el alimento, Julia decidió probar un nuevo enfoque. La comida del ción aumentara en un factor de 4.5% cada año.
bebé se congelaría. Esto permitiría ingredientes naturales, sin conser-
vadores y una nutrición excepcional.
También era importante conseguir buen personal que trabajara Preguntas para análisis
para la nueva empresa. Julia decidió buscar a personas con experien- 1. Sue Pansky, una maestra de escuela primaria jubilada, está con-
cia en finanzas, marketing y producción para que se involucraran en siderando invertir en Starting Right. Ella es muy conservadora y
Starting Right. Con su entusiasmo y carisma, Julia fue capaz de aversa al riesgo. ¿Qué le recomendaría usted?
encontrar tal grupo de personas. Su primer paso fue desarrollar proto- 2. Ray Cahn, quien actualmente es un distribuidor de mercancías,
tipos de la nueva comida para bebés congelada y realizar una pequeña también está considerando una inversión, aunque cree que sólo
prueba piloto del nuevo producto. La prueba piloto recibió críticas hay una probabilidad de 11% de tener éxito. ¿Qué le recomen-
muy favorables. daría usted?

3. Lila Battle ha decidido invertir en Starting Right. Aunque cree 6. Le han dicho a Julia Day que el desarrollo de documentos le-
que Julia tiene una buena oportunidad de éxito, Lila es aversa al gales para cada alternativa de recaudación de fondos es caro. A
riesgo y muy conservadora. ¿Cuál es su consejo para Lila? Julia le gustaría ofrecer alternativas tanto para los inversionistas
4. George Yates cree que hay la misma posibilidad de éxito o de aversos al riesgo como para los proclives al riesgo. ¿Puede Julia
fracaso. ¿Cuál es su recomendación? eliminar una de las alternativas financieras y aun así ofrecer op-
5. Peter Metarko es muy optimista sobre el mercado de la nueva ciones de inversión para ambos tipos de inversionista?
comida para bebé. ¿Cuál es su consejo para Pete?
Estudio de caso
Blake Electronics
En 1979 Steve Blake fundó Blake Electronics en Long Beach, Cali- Figura 3.15 Centro de control
fornia, para la fabricación de resistencias, condensadores, inductores y maestro
otros componentes electrónicos. Durante la guerra de Vietnam, Steve
era un operador de radio, y fue durante este tiempo que se convirtió en
experto en la reparación de radios y otros equipos de comunicación.
BLAKE
Steve veía su experiencia de 4 años en el ejército con sentimientos
encontrados. Odiaba la vida militar, pero esta experiencia le dio la
confianza y la iniciativa para comenzar su propia firma electrónica.
A través de los años, Steve mantuvo el negocio relativamente sin
cambios. En 1992 las ventas anuales totales fueron de más de $2 mi-
llones. En 1996 el hijo de Steve, Jim, se unió a la compañía después de
terminar la escuela secundaria y 2 años de cursos de electrónica en la Caja del control maestro
Long Beach Community College. Jim siempre fue dinámico al practi-
car atletismo en la escuela secundaria, y se volvió aún más dinámico
como gerente general de ventas en Blake Electronics. Este dinamismo
molestaba a Steve, que era más conservador. Jim ofrecía suminis-
trar componentes electrónicos a los clientes antes de molestarse en
averiguar si Blake Electronics tenía la habilidad o la capacidad para
producirlos. En varias ocasiones, este comportamiento le causó a la Adaptador Adaptador de Disco para
compañía algunos momentos embarazosos cuando Blake Electronics de enchufe interruptor bombilla
de luz
fue incapaz de producir los componentes electrónicos para empresas a
las que Jim había hecho ofertas.
En 2000 Jim comenzó a perseguir contratos de componentes elec-
trónicos para el gobierno. Para 2002, las ventas anuales totales habían
aumentado a más de $10 millones, y el número de empleados superaba dispositivos electrónicos para uso doméstico. La primera idea del
los 200. Muchos de estos empleados eran especialistas en electrónica equipo de investigación fue el centro de control maestro. Los compo-
y graduados de los programas de ingeniería eléctrica de las principales nentes básicos de este sistema se ilustran en la figura 3.15.
universidades. Pero la tendencia de Jim a involucrar a Blake Electro- El corazón del sistema es la caja del control maestro. Esta unidad,
nics en contratos difíciles también continuó y, en 2007, Blake Elec- que tendría un precio de venta de $250, tiene dos filas de cinco boto-
tronics tenía la reputación con los organismos gubernamentales de ser nes. Cada botón controla una luz o un aparato y se puede configurar
una empresa que no podía cumplir lo que prometía. Casi de la noche a como un interruptor o un reóstato. Cuando se configura como un inte-
la mañana, los contratos con el gobierno se detuvieron, y Blake Elec- rruptor, un ligero toque del dedo sobre un botón enciende o apaga una
tronics se quedó con mano de obra ociosa y equipos de manufactura luz o un aparato. Cuando se establece como un reóstato, un toque del
sin usar. Esta subutilización comenzó a acabar con las ganancias y, en dedo sobre el botón controla la intensidad de la luz. Al dejar el dedo
2009, Blake Electronics se enfrentaba a la posibilidad de sufrir pérdi- sobre el botón hace que la luz pase por un ciclo completo que va desde
das por primera vez en su historia. apagado hasta luz brillante y apagado de nuevo.
En 2010 Steve decidió estudiar la posibilidad de fabricar com- Para permitir una máxima flexibilidad, cada caja del control
ponentes electrónicos para uso doméstico. Aunque se trataba de un maestro se alimenta mediante dos baterías de tamaño D, que pueden
mercado totalmente nuevo para Blake Electronics, Steve estaba con- durar hasta un año, dependiendo de su uso. Además, el equipo de
vencido de que ésta era la única manera de evitar que su empresa investigación ha desarrollado tres versiones para la caja del control
comenzara a operar con números rojos. El equipo de investigación maestro: A, B y C. Si una familia quiere controlar más de 10 luces o
de Blake Electronics recibió la encomienda de desarrollar nuevos electrodomésticos, es posible comprar otra caja de control maestro.

ESTUDIO DE CASO 111
El disco para bombilla, que tendría un precio de venta de $2.50, TABLA 3.19 Cifras de éxito para MAI
se controla mediante la caja del control maestro y se utiliza para con-
trolar la intensidad de cualquier luz. Existe un disco diferente para RESULTADOS DE LA ENCUESTA
cada posición del botón en tres cajas del control maestro. Al inser-
tar el disco para bombilla entre la bombilla y la toma de corriente, el RESULTADO FAVORABLE DESFAVORABLE TOTAL
botón correspondiente en la caja del control maestro puede controlar Empresa
por completo la intensidad de la luz. Si se utiliza un interruptor de luz exitosa 35 20 55
estándar, debe estar encendido en todo momento para que la caja del
Empresa sin
control maestro pueda funcionar. éxito 15 30 45
Una desventaja del uso de un interruptor de luz estándar es que
sólo se puede utilizar la caja del control maestro para controlar esa
luz específica. Para evitar este problema, el equipo de investigación
investigación de mercados. Las principales fortalezas de MAI pare-
desarrolló un adaptador de interruptor de luz especial, que se vendería
cían ser la atención individual a cada cuenta, su personal experimen-
por $15. Cuando se instala este dispositivo, es posible usar indistin-
tado y el trabajo rápido. Steve estaba particularmente interesado en
tamente la caja del control maestro o el adaptador de interruptor para
una parte de la propuesta, que revelaba el registro de éxitos de MAI
controlar la luz.
en estudios anteriores. Esto se muestra en la tabla 3.19.
Cuando se usa para controlar aparatos distintos a las luces, la
La única propuesta diferente fue de una sucursal de Iverstine and
caja del control maestro debe usarse en conjunto con uno o más adap-
Walker, una de las mayores empresas de investigación de mercados
tadores de salida. Los adaptadores están conectados a una toma de
en el país. El costo de un estudio completo sería de $300,000. Si bien
corriente estándar, y el aparato se enchufa en el adaptador. Cada adap-
la propuesta no contenía el mismo registro de éxitos que MAI, la pro-
tador de salida tiene un interruptor en la parte superior que permite
puesta de Iverstine and Walker contenía información interesante. La
que el aparato se pueda controlar desde la caja de control maestro o
posibilidad de obtener un resultado favorable en la encuesta, dada una
el adaptador de salida. El precio de cada adaptador de salida sería de
empresa exitosa, era de 90%. Por otro lado, la posibilidad de obtener
$25.
un resultado desfavorable en la encuesta, dada una empresa sin éxito,
El equipo de investigación estima que le costaría $500,000 desa-
era de 80%. Por lo tanto, a Steve le parecía que Iverstine and Walker
rrollar el equipo y los procedimientos necesarios para fabricar la caja
sería capaz de predecir el éxito o el fracaso de las cajas del control
del control maestro y sus accesorios. Si tiene éxito, esta empresa po-
maestro con una gran certidumbre.
dría aumentar las ventas en aproximadamente $2 millones. Pero, ¿se-
Steve reflexionó sobre la situación. Por desgracia, los dos equi-
rán exitosas las cajas del control maestro? Con 60% de posibilidades
pos de investigación de mercados proporcionaron diferentes tipos de
de éxito estimado por el equipo de investigación, Steve tenía serias
información en sus propuestas. Steve llegó a la conclusión de que no
dudas acerca de tratar de comercializar las cajas del control maestro,
habría manera de comparar las dos propuestas a menos que tuviera
a pesar de que le gustaba la idea básica. Debido a sus reservas, Steve
información adicional de Iverstine and Walker. Asimismo, Steve no
decidió enviar solicitudes de propuestas (SP) para realizar una inves-
estaba seguro de qué hacer con la información, y si valdría la pena el
tigación adicional a 30 empresas de investigación de mercados en el
gasto de contratar a una de las empresas de investigación de mercados.
sur de California.
La primera SP en regresar fue la de una pequeña compañía lla-
mada Marketing Associates, Inc. (MAI), que cobraba $100,000 por Preguntas para análisis
el estudio. De acuerdo con su propuesta, MAI ha estado en el ne- 1. ¿Necesita Steve información adicional de Iverstine and Walker?
gocio durante 3 años y ha llevado a cabo cerca de 100 proyectos de 2. ¿Qué le recomendaría usted?
Estudios de caso en Internet
Visite nuestra página en Internet, www.pearsonenespañol.com/render, y consulte estos estudios de

caso adicionales:
(1) Drink-At-Home, Inc.: Este caso implica el desarrollo y la comercialización de una nueva bebida.
(2) Ruth Jones’ Heart Bypass Operation: Este caso se refiere a una decisión médica con respecto a una
cirugía.
(3) Ski Right: Este caso implica el desarrollo y la comercialización de un nuevo casco para esquiar.
(4) Study Time: Este caso trata sobre un estudiante que debe programar su tiempo, mientras estudia para
un examen final.

Bibliografía
Abbas, Ali E. “Invariant Utility Functions and Certain Equivalent Transforma- Patchak, William M. “Software Survey: Decision Analysis”. OR/MS Today 39, 5
tions”, Decision Analysis 4, 1 (marzo de 2007): 17-31. (octubre de 2012).
Carassus, Laurence y Miklós Rásonyi. “Optimal Strategies and Utility-Based Paté-Cornell, M. Elisabeth y Robin L. Dillon. “The Respective Roles of Risk and
Prices Converge When Agents’ Preferences Do”, Mathematics of Operations Decision Analyses in Decision Support”, Decision Analysis 3 (diciembre de
Research 32, 1 (febrero de 2007): 102-117. 2006): 220-232.
Congdon, Peter. Bayesian Statistical Modeling. Nueva York: John Wiley & Sons, Pennings, Joost M. E. y Ale Smidts. “The Shape of Utility Functions and Orga-
Inc., 2001. nizational Behavior”, Management Science 49, 9 (septiembre de 2003):
Ewing, Paul L., Jr. “Use of Decision Analysis in the Army Base Realignment and 1251-1263.
Closure (BRAC) 2005 Military Value Analysis”, Decision Analysis 3 (marzo Raiffa, Howard, John W. Pratt y Robert Schlaifer. Introduction to Statistical Deci-
de 2006): 33-49. sion Theory. Boston: MIT Press, 1995.
Hammond, J. S., R. L. Kenney y H. Raiffa. “The Hidden Traps in Decision Making”, Raiffa, Howard y Robert Schlaifer. Applied Statistical Decision Theory. Nueva
Harvard Business Review (septiembre-octubre de 1998): 47-60. York: John Wiley & Sons, Inc., 2000.
Hurley, William J. “The 2002 Ryder Cup: Was Strange’s Decision to Put Tiger Render, B. y R. M. Stair. Cases and Readings in Management Science, 2a. ed.
Woods in the Anchor Match a Good One?”, Decision Analysis 4, 1 (marzo Boston: Allyn & Bacon, Inc., 1988.
de 2007): 41-45. Schlaifer, R. Analysis of Decisions Under Uncertainty. Nueva York: McGraw-Hill
Kirkwood, C. W. “An Overview of Methods for Applied Decision Analysis”, Book Company, 1969.
Interfaces 22, 6 (noviembre-diciembre de 1992): 28-39. Smith, James E. y Robert L. Winkler. “The Optimizer’s Curse: Skepticism and
Kirkwood, C. W. “Approximating Risk Aversion in Decision Analysis Applications”, Postdecision Surprise in Decision Analysis”, Management Science 52
Decision Analysis 1 (marzo de 2004): 51-67. (marzo de 2006): 311-322.
Luce, R. y H. Raiffa. Games and Decisions. Nueva York: John Wiley & Sons, Inc., Van Binsbergen, Jules H. y Leslie M. Marx. “Exploring Relations Between Decision
1957. Analysis and Game Theory”, Decision Analysis 4, 1 (marzo de 2007): 32-40.
Maxwell, Daniel T. “Improving Hard Decisions”, OR/MS Today 33, 6 (diciembre Wallace, Stein W. “Decision Making Under Uncertainty: Is Sensitivity Analysis of
de 2006): 51-61. Any Use?”, Operations Research 48, 1 (2000): 20-25.

CAPÍTULO 4
Modelos de regresión
1. Identificar las variables y utilizarlas en un modelo 6. Desarrollar un modelo de regresión múltiple y
de regresión. utilizarlo para fines de pronóstico.
2. Desarrollar ecuaciones de regresión lineal simple 7. Utilizar variables ficticias para modelar datos
a partir de datos de una muestra, e interpretar la categóricos.
pendiente y la intersección. 8. Determinar qué variables deberían incluirse en un
3. Calcular el coeficiente de determinación y el coeficiente modelo de regresión múltiple.
de correlación, e interpretar su significado. 9. Transformar una función no lineal en una función
4. Interpretar la prueba F en un modelo de regresión lineal para su uso en la regresión.
lineal. 10. Entender y evitar los errores que se cometen con
5. Listar los supuestos utilizados en la regresión frecuencia al utilizar el análisis de regresión.
y usar gráficas residuales para identificar
problemas.

4.1 Introducción 4.7 Uso de software de computadora para la regresión
4.2 Diagramas de dispersión 4.8 Análisis de regresión múltiple
4.3 Regresión lineal simple 4.9 Variables binarias o ficticias
4.4 Medición del ajuste del modelo de regresión 4.10 Construcción del modelo
4.5 Supuestos del modelo de regresión 4.11 Regresión no lineal
4.6 Prueba de la significancia del modelo 4.12 Advertencias y trampas en el análisis de regresión
Resumen • Glosario • Ecuaciones clave • Problemas resueltos • Autoevaluación • Preguntas para análisis y proble-
mas • Estudio de caso: North-South Airline • Bibliografía
Apéndice 4.1: Fórmulas para los cálculos de regresión
113

114 CAPÍTULO 4 • MODELOS DE REGRESIÓN
4.1 Introducción
El análisis de regresión es una herramienta muy valiosa para el administrador actual. La regresión se ha
utilizado para modelar cosas como la relación entre el nivel de educación y los ingresos, el precio de una
casa y los metros o pies cuadrados de su superficie, y el volumen de ventas de una empresa en relación con
lo que gasta en publicidad. Cuando las empresas están tratando de decidir qué ubicación es la mejor para
una nueva tienda o sucursal, con frecuencia utilizan modelos de regresión. Los modelos de estimación de
costos suelen ser modelos de regresión. Las posibilidades de aplicación del análisis de regresión son prác-
ticamente ilimitadas.
Dos propósitos del análisis de En general, el análisis de regresión tiene dos propósitos. El primero es entender la relación entre varia-
regresión son comprender la relación bles, como las ventas y los gastos en publicidad. El segundo propósito es pronosticar el valor de una variable
entre variables y pronosticar el valor basado en el valor de la otra. Por consiguiente, la regresión es una técnica de pronóstico muy importante y se
de una basado en el valor de la otra. menciona de nuevo en el capítulo 5.
En este capítulo, primero se desarrollará el modelo de regresión lineal simple y, luego, se utilizará
un modelo de regresión múltiple más complejo para incorporar aún más variables en nuestro modelo. En
cualquier modelo de regresión, la variable que se debe pronosticar se llama variable dependiente o varia-
ble de respuesta. Se dice que su valor depende del valor de una variable independiente, que a veces se
denomina variable explicativa o variable predictiva.
4.2 Diagramas de dispersión

Para investigar la relación entre variables, resulta útil observar una gráfica de los datos. Con frecuencia,
Un diagrama de dispersión es una tal gráfica se llama diagrama de dispersión o gráfica de dispersión. Por lo general, la variable indepen-
gráfica de los datos. diente se representa en el eje horizontal y la variable dependiente en el eje vertical. Esto se ilustra en el
siguiente ejemplo.
La compañía Triple A Construction renueva casas antiguas en Albany. A través del tiempo, la com-
pañía ha descubierto que su volumen monetario por obras de renovación depende de los salarios pagados
en el área de Albany. En la tabla 4.1, se presentan las cifras de ingresos de Triple A y la cantidad de dinero
ganado por los asalariados en Albany, durante los últimos 6 años. Los economistas han pronosticado que
los trabajadores locales ganarán $600 millones el próximo año y, en consecuencia, Triple A quiere realizar
su planeación.
En la figura 4.1 se ilustra un diagrama de dispersión para los datos de Triple A indicados en la tabla
4.1. Esta gráfica indica que valores más altos para la nómina local parecen resultar en mayores ventas
para la empresa. No hay una relación perfecta porque no todos los puntos se encuentran en una recta,
pero existe una relación. Se ha trazado una recta a través de los datos para ayudar a mostrar la relación
que existe entre la nómina y las ventas. No todos los puntos se encuentran sobre la recta, por lo que sería
un error tratar de pronosticar las ventas con base en la nómina usando ésta o cualquier otra recta. Existen
muchas que se pueden trazar a través de estos puntos, pero ¿cuál representa mejor la verdadera relación? El
análisis de regresión da respuesta a esta pregunta.
TABLA 4.1
VENTAS NÓMINA LOCAL
Ventas de la compañía DE TRIPLE A (CIENTOS
Triple A Construction (CIENTOS DE DE MILLONES
y nómina local MILES DE $) DE $)
6 3
8 4
9 6
5 4
4.5 2
9.5 5

4.3 REGRESIÓN LINEAL SIMPLE 115
FIGURA 4.1 12
Diagrama de dispersión
de los datos de la
compañía Triple A 10
Construction
Ventas (cientos de miles de $)

8
0
0 1 2 3 4 5 6 7 8
Nómina (cientos de millones de $)
4.3 Regresión lineal simple

En cualquier modelo de regresión, hay un supuesto implícito (que puede probarse) de que existe una re-
lación entre las variables. También hay algún error aleatorio que no se puede pronosticar. El modelo de
regresión lineal simple subyacente es
Y = b0 + b1X + P (4-1)
donde
La variable dependiente es Y y la Y = variable dependiente (variable de respuesta)

variable independiente es X. X = variable independiente (variable predictiva o variable explicativa)
b0 = intersección (valor de Y cuando X = 0)
b1 = pendiente de la recta de regresión
P = error aleatorio
Las estimaciones de la pendiente y la Los valores reales para la intersección y la pendiente no se conocen y, por lo tanto, se estiman em-
intersección se determinan a partir pleando datos de una muestra. La ecuación de regresión basada en datos de una muestra se da como
de datos de una muestra.
Ŷ = b0 + b1X (4-2)
donde
Ŷ = valor pronosticado de Y
b0 = estimación de b0, basada en resultados de una muestra
b1 = estimación de b1, basada en resultados de una muestra
En el ejemplo de Triple A Construction, intentamos pronosticar las ventas, por lo que la variable de-
pendiente (Y ) representaría las ventas. La variable que usamos para ayudar a pronosticar las ventas es la
nómina del área de Albany, así que ésta es la variable independiente (X). Aunque se puede trazar cualquier
número de rectas a través de estos puntos para mostrar una relación entre X y Y en la figura 4.1, la recta que
se elegirá es aquella que, de alguna manera, reduzca los errores al mínimo. El error se define como
Error = 1Valor real2 - 1Valor pronosticado2

e = Y - Ŷ (4-3)
La recta de regresión minimiza la Dado que los errores pueden ser positivos o negativos, el error promedio podría ser cero aun cuando hu-
suma de los errores al cuadrado. biera errores extremadamente grandes, tanto positivos como negativos. Para eliminar la dificultad de que
los errores negativos cancelen los errores positivos, los errores pueden elevarse al cuadrado. La mejor recta

1X - X 2 2 1X - X 2 1Y - Y 2
TABLA 4.2 – – –
Y X
Cálculos de regresión
6 3 13 - 42 2 = 1 13 - 42 16 - 72 = 1
para Triple A
Construction 8 4 14 - 42 2 = 0 14 - 42 18 - 72 = 0
9 6 16 - 42 = 42
16 - 42 19 - 72 = 4
5 4 14 - 42 = 02
14 - 42 15 - 72 = 0
4.5 2 12 - 42 = 42
12 - 42 14.5 - 72 = 5
9.5 5 15 - 42 = 12
15 - 42 19.5 - 72 = 2.5
g 1X - X 2 2 = 10 g 1X - X 2 1Y - Y 2 = 12.5
– – –
g Y = 42 g X = 24
– –
Y = 42>6 = 7 X = 24>6 = 4
de regresión se definirá como aquella cuya suma de los errores al cuadrado sea mínima. Por tal razón, el
análisis de regresión se llama en ocasiones regresión de mínimos cuadrados.
Los estadísticos han desarrollado fórmulas que podemos utilizar para encontrar la ecuación de una
recta que minimice la suma de los errores al cuadrado. La ecuación de regresión lineal simple es
Ŷ = b0 + b1X
Las siguientes fórmulas se pueden usar para calcular la intersección y la pendiente:
gX
X = = promedio 1media2 de los valores de X
n
gY
Y = = promedio 1media2 de los valores de Y
n
g 1X - X2 1Y - Y 2
b1 = (4-4)
g 1X - X2 2
– –
b0 = Y - b1X (4-5)
En la tabla 4.2 se muestran los cálculos preliminares. Hay otras fórmulas que representan un “atajo” y que
son útiles al realizar las operaciones en una calculadora. Estas fórmulas se presentan en el apéndice 4.1 y
no se muestran aquí dado que, para la mayoría de los ejemplos de este capítulo, se puede usar software de
computadora.
Al calcular la pendiente y la intersección de la ecuación de regresión para el ejemplo de Triple A
Construction, tenemos
gX 24
X = = = 4
6 6
gX 42
Y = = = 7
6 6
g 1X - X2 1Y - Y 2 12.5
b1 = = = 1.25
g 1X - X2 2 10
b0 = Y - b1X = 7 - 11.252 142 = 2
Por consiguiente, la ecuación de regresión estimada es

Ŷ = 2 + 1.25X
o bien,
ventas = 2 + 1.25(nómina)
Si la nómina el próximo año es de $600 millones 1X = 62, entonces el valor pronosticado sería
Ŷ = 2 + 1.25 162 = 9.5
o $950,000.

4.4 MEDICIÓN DEL AJUSTE DEL MODELO DE REGRESIÓN 117
Uno de los propósitos de la regresión es entender la relación entre las variables. Este modelo nos
indica que por cada $100 millones (representados por X) de aumento en la nómina, esperaríamos que las
ventas se incrementaran en $125,000, puesto que b1 = 1.25 1$100,0002. Este modelo ayuda a Triple A
Construction a saber cómo se relacionan la economía local y las ventas de la empresa.
4.4 Medición del ajuste del modelo de regresión

Es posible desarrollar una ecuación de regresión para cualquiera de las variables X o Y, incluso números
aleatorios. Desde luego, no tendríamos ninguna confianza en la capacidad de un número aleatorio para
pronosticar el valor de otro número aleatorio. ¿Cómo sabemos que el modelo es realmente útil para pro-
Las desviaciones (errores) pueden ser nosticar Y con base en X? ¿Se debería tener confianza en este modelo? ¿El modelo ofrece mejores pronós-
positivas o negativas. ticos (errores más pequeños) que el simple uso del promedio de los valores de Y?
En el ejemplo de Triple A Construction, las cifras de ventas (Y ) varían entre un mínimo de 4.5 y un
máximo de 9.5, y la media fue de 7. Si cada valor de las ventas se compara con la media, observamos qué
tanto se desvían de la media y podríamos calcular una medida de la variabilidad total de las ventas. De-
bido a que la variable Y es a veces mayor y en ocasiones menor que la media, puede haber desviaciones
positivas y negativas. La simple suma de estos valores sería engañosa porque las desviaciones negativas
se cancelan con las positivas, lo cual hace parecer que los números están más cerca de la media de lo que
La SCT mide la variabilidad total realmente están. Para evitar este problema, utilizaremos la suma de cuadrados total (SCT) para medir la
en Y con respecto a la media. variabilidad total en Y:
SCT = g 1Y - Y 2 2
–
(4-6)
Si no usamos X para pronosticar Y, basta con utilizar la media de Y como la predicción y la SCT
podría medir la exactitud de nuestras predicciones. Sin embargo, puede usarse una recta de regresión para
pronosticar el valor de Y, y mientras aún haya errores involucrados, la suma de estos errores al cuadrado
La SEC mide la variabilidad de Y será menor que la suma de cuadrados total que se acaba de calcular. La suma de los errores al cuadra-
con respecto a la recta de regresión. do (SEC) es
SEC = g e 2 = g 1Y - Ŷ 2 2 (4-7)
–
La tabla 4.3 presenta los cálculos para el ejemplo de Triple A Construction. La media (Y = 7) se com-
para con cada valor y obtenemos
SCT = 22.5
Se calcula la predicción 1Ŷ2 para cada observación y se compara con el valor real. Esto resulta en
SEC = 6.875
La SEC es mucho menor que la SCT. El uso de la recta de regresión ha reducido la variabilidad de la
suma de los cuadrados en 22.5 - 6.875 = 15.625. Esto se conoce como suma de cuadrados de la regre-
sión (SCR) e indica cuánto de la variabilidad total en Y se explica por el modelo de regresión. Matemáti-
camente, esto se calcula como
SCR = g 1Ŷ - Y 2 2
–
(4-8)
TABLA 4.3 Suma de cuadrados para Triple A Construction
1Y - Y 2 2 (Ŷ - Y 2 2
– –
Y X Ŷ (Y - Ŷ2 2
6 3 16 - 72 2 = 1 2 + 1.25 132 = 5.75 0.0625 1.563

8 4 18 - 72 = 1
2
2 + 1.25 142 = 7.00 1 0
9 6 19 - 72 = 4
2
2 + 1.25 162 = 9.50 0.25 6.25
5 4 15 - 72 2 = 4 2 + 1.25 142 = 7.00 4 0
4.5 2 14.5 - 72 = 6.25
2
2 + 1.25 122 = 4.50 0 6.25
9.5 5 19.5 - 72 = 6.25
2
2 + 1.25 152 = 8.25 1.5625 1.563
g 1Y - Y 2 2 = 22.5 g 1Y - Ŷ 2 2 = 6.875 g 1Ŷ - Y 2 2 = 15.625

– –
–
Y =7 SCT = 22.5 SEC = 6.875 SCR = 15.625

FIGURA 4.2
Y 12
Desviaciones de la recta ^
Y = 2 1.25 X
de regresión y de la
media 10
^
Y–Y
Ventas (cientos de miles de $)

Y–Y
8
^ Y
Y–Y
0
0 1 2 3 4 5 6 7 8
Nómina (cientos de millones de $) X
La tabla 4.3 indica que

SCR = 15.625
Existe una relación muy importante entre las sumas de cuadrados que hemos calculado:
1Suma de cuadrados total2 = 1Suma de cuadrados debido a la regresión2 + 1Suma de los errores al cuadrado2
SCT = SCR + SEC (4-9)
En la figura 4.2 se presentan los datos de Triple A Construction. Se muestra la recta de regresión, que
es una recta que representa la media de los valores de Y. En esta gráfica se despliegan los errores utilizados
en el cálculo de las sumas de los cuadrados. Observe que los puntos de la muestra están más cerca de la
recta de regresión de lo que lo están de la media.
Coeficiente de determinación
La SCR se llama en ocasiones variabilidad explicada en Y, mientras que la SEC es la variabilidad no ex-
plicada en Y. La proporción de la variabilidad en Y que se explica por la ecuación de regresión se llama
r2 es la proporción de variabilidad coeficiente de determinación y se denota por r 2. Así,
en Y que se explica por la ecuación
de regresión. SCR SEC
r2 = = 1 - (4-10)
SCT SCT
Por lo tanto, r 2 se puede encontrar utilizando la SCR o la SEC. Para Triple A Construction, tenemos
15.625
r2 = = 0.6944
22.5
Esto significa que aproximadamente 69% de la variabilidad en las ventas (Y) se explica por la ecuación de
regresión basada en la nómina (X).
Si todos los puntos de la muestra estuvieran sobre la recta de regresión (es decir, si todos los errores
fueran 0), entonces 100% de la variabilidad en Y podría explicarse por la ecuación de regresión, por lo que
Si cada punto se encuentra sobre r 2 = 1 y SEC = 0. El valor más bajo posible de r 2 es 0, lo cual indica que X explica 0% de la variabilidad
la recta de regresión, r 2 = 1 de Y. Por lo tanto, r 2 puede oscilar entre un mínimo de 0 y un máximo de 1. En el desarrollo de ecuacio-
y SEC = 0. nes de regresión, un buen modelo tendrá un valor de r 2 cercano a 1.
Coeficiente de correlación
Otra medida relacionada con el coeficiente de determinación es el coeficiente de correlación. Esta medida
El coeficiente de correlación oscila también expresa el grado o la fuerza de la relación lineal. Por lo general, se expresa como r y puede ser
entre -1 y 1. cualquier número entre 1 y -1 inclusive. La figura 4.3 ilustra los posibles diagramas de dispersión para

4.4 MEDICIÓN DEL AJUSTE DEL MODELO DE REGRESIÓN 119
FIGURA 4.3
Cuatro valores Y Y
del coeficiente de
correlación
(a) Correlación X (b) Correlación X

positiva perfecta: positiva:
r 1 0 r 1
Y Y
(c) Sin correlación: X (d ) Correlación X

r 0 negativa perfecta:
r 1
diferentes valores de r. El valor de r es la raíz cuadrada de r 2. Dicho valor es negativo si la pendiente tam-
bién es negativa, y es positivo en caso contrario. Así,
r = ±2r 2 (4-11)
Para el ejemplo de Triple A Construction con r 2 = 0.6944,
r = 10.6944 = 0.8333
Sabemos que es positivo porque la pendiente es 1.25.
Uso de la regresión como parte de la iniciativa

EN ACCIÓN de mejora en Trane/Ingersoll Rand
qué características del trabajo eran más significativas en los distintos

T rane US Inc. es una rama de Ingersoll Rand y es líder en sistemas de
aire acondicionado doméstico y comercial. En un esfuerzo por mejorar
momentos que participan en el proceso, así como para medir la va-
riabilidad del tiempo. Estos datos se usaron en modelos de simulación
su calidad y eficiencia, la compañía ha consolidado la fabricación de desarrollados para determinar el impacto general de la nueva distribu-
bobinas de evaporador y de condensador en una sola ubicación en ción y determinar dónde se producirían cuellos de botella. Uno de los
Carolina del Sur. Una pieza clave de la unidad de bobina es un cabezal, cuellos de botella, en una máquina robótica de soldadura, se eliminó
que controla el flujo de agua o refrigerante a través de la bobina. Con mediante la reconfiguración del robot para permitir que el operador
cerca de 120 cabezales únicos producidos en cada turno, con un au- de la máquina pudiera trabajar a ambos lados del robot. Esto permite
mento de la demanda por sus aparatos de aire acondicionado debido que el robot procese dos cabezales de forma simultánea.
a las normas federales sobre refrigerantes y con una creciente presión Se estima que las iniciativas de mejora surgidas de este proyecto
para reducir costos, Trane comenzó una iniciativa de mejora en 2010. implicarán ahorros de más de $700,000 al año. Un proyecto así pone
Se usó un mapeo de la cadena de valor, una técnica de manu- de relieve la importancia de los análisis basados en datos y de las he-
factura esbelta, para visualizar todo el proceso e identificar los des- rramientas de manufactura esbelta en la identificación de tácticas de
perdicios en el sistema. Se sugirió un nuevo diseño para mejorar el mejora para flujos de valor complejos. Ahora, la compañía planea ini-
procesamiento y reducir el tiempo total de producción. Para pronos- ciativas de mejora similares para otros flujos de valor en el futuro.
ticar qué tan bien operaría la nueva distribución en la manufactura
de los cabezales, se recopilaron datos sobre el tiempo para trasladar Fuente: Basado en John B. Jensen, Sanjay L. Ahire y Manoj K. Malhotra.
los materiales hasta su posición, el tiempo para preparar un trabajo, “Trane/Ingersoll Rand Combines Lean and Operations Research Tools to Re-
el tiempo para configurar una máquina y el tiempo para procesar un design Feeder Manufacturing Operations”, Interfaces 43, 4 (julio-agosto de
trabajo. Se desarrollaron varios modelos de regresión para determinar 2013): 325-340.

4.5 Supuestos del modelo de regresión

Si podemos adoptar ciertos supuestos sobre los errores en un modelo de regresión, es posible realizar
pruebas estadísticas para determinar si el modelo es útil. Se hacen los siguientes supuestos acerca de los
errores:
1. Los errores son independientes.
2. Los errores se distribuyen normalmente.
3. Los errores tienen una media de cero.
4. Los errores tienen una varianza constante (sin importar el valor de X).
Una gráfica de los errores puede Es posible verificar los datos para saber si se cumplen estos supuestos. A menudo, una gráfica de los resi-
evidenciar problemas con el modelo. duos evidenciará cualquier transgresión flagrante de los supuestos. Cuando los errores (residuos) se repre-
sentan contra la variable independiente debería aparecer un patrón aleatorio.
En la figura 4.4 se presentan algunos patrones de error típicos; la figura 4.4A despliega el patrón que
se espera cuando se cumplan los supuestos y el modelo sea adecuado. Los errores son aleatorios y no se
distingue un patrón discernible. En la figura 4.4B se muestra un patrón de error en el cual los errores au-
mentan a medida que X aumenta, transgrediendo el supuesto de varianza constante. La figura 4.4C muestra
FIGURA 4.4A
Patrón de errores que
indica aleatoriedad
Error
FIGURA 4.4B
Error de varianza
no constante
Error
FIGURA 4.4C
Los errores indican una
relación que no es lineal
Error

4.6 PRUEBA DE LA SIGNIFICANCIA DEL MODELO 121
errores que aumentan en forma constante al principio y, luego, disminuyen también de manera constante.
Un patrón como éste indicaría que el modelo no es lineal y que debería usarse alguna otra forma (quizá
cuadrática). En general, los patrones en la gráfica de errores indican problemas con los supuestos o la es-
pecificación del modelo.
Estimación de la varianza
La varianza del error se estima Si bien se supone que los errores tienen una varianza constante 1s22, por lo general ésta no se conoce. Se
mediante el ECM. puede estimar a partir de los resultados de la muestra. La estimación de s2 es el error cuadrático medio
(ECM) y se representa mediante s 2. El ECM es la suma de los errores cuadrados dividida entre los grados
de libertad:1
SEC
s2 = ECM = (4-12)
n - k - 1
donde
n = número de observaciones en la muestra
k = número de variables independientes
En el ejemplo de Triple A Construction, n = 6 y k = 1. Entonces,
SEC 6.8750 6.8750

s2 = ECM = = = = 1.7188
n - k - 1 6 - 1 - 1 4
De aquí podemos estimar la desviación estándar como
s = 1ECM (4-13)
Esto se llama el error estándar de la estimación o desviación estándar de la regresión. En este

ejemplo,
s = 1ECM = 11.7188 = 1.31
Lo anterior se utiliza en muchas de las pruebas estadísticas al modelo. También se utiliza para encon-
trar las estimaciones de intervalo para la variable Y y para los coeficientes de regresión.2
4.6 Prueba de la significancia del modelo

Tanto el ECM como r 2 proporcionan una medida de precisión en un modelo de regresión. Sin embargo,
cuando el tamaño de la muestra es demasiado pequeño, es posible obtener buenos valores para los dos,
incluso si no hay relación entre las variables del modelo de regresión. Para determinar si estos valores son
significativos, es necesario probar la significancia del modelo.
Para saber si existe una relación lineal entre X y Y, se realiza una prueba de hipótesis estadística. El
modelo lineal subyacente está dado por la ecuación 4.1 como
Y = b 0 + b 1X + P
Si b 1 = 0, entonces Y no depende de X en modo alguno. La hipótesis nula indica que no hay relación
lineal entre las dos variables (es decir, b1 = 0). La hipótesis alternativa es que hay una relación lineal (es
decir, b1 Z 0). Si la hipótesis nula se puede rechazar, entonces hemos demostrado que sí existe una rela-
ción lineal, por lo que X es útil para pronosticar la distribución de Y. Para probar esta hipótesis se utiliza
Para determinar si existe una la distribución F. El apéndice D contiene valores para la distribución F que se pueden utilizar cuando los
relación entre X y Y se utiliza cálculos se realizan manualmente. Consulte en el capítulo 2 un repaso de la distribución F. Los resulta-
una prueba F. dos de la prueba también se pueden obtener mediante Excel y QM para Windows.
El estadístico F utilizado en la prueba de hipótesis se basa en el ECM (estudiado en la sección ante-
rior) y la regresión cuadrada media (RCM), la cual se calcula como
SCR
RCM = (4-14)
k
1
Consulte la bibliografía al final de este capítulo y encuentre libros con mayores detalles.
2
El ECM es una medida común de la exactitud en un pronóstico. Cuando se utiliza con técnicas distintas a la regresión, es común
dividir la SEC entre n en lugar de n - k - 1.

donde
k = número de variables independientes en el modelo
El estadístico F es
RCM
F = (4-15)
ECM
Con base en los supuestos relativos a los errores en un modelo de regresión, este estadístico F calculado se
describe mediante la distribución F con
grados de libertad para el numerador = gl1 = k

grados de libertad para el denominador = gl2 = n - k - 1
donde
k = el número de variables independientes 1X2
Si el error es muy poco, el denominador (ECM) del estadístico F es muy pequeño en relación con el
numerador (RCM), y el estadístico F resultante sería grande. Esto sería un indicador de que el modelo es
útil. En seguida, se encuentra un nivel de significancia en relación con el valor del estadístico F. Cada vez
Si el nivel de significancia para la que el valor de F sea grande, el nivel de significancia observado (valor p) será bajo, lo cual indica que es
prueba F es bajo, existe una relación muy poco probable que esto pudiera haber ocurrido por casualidad. Cuando el valor de F es grande (con
entre X y Y. un nivel de significancia resultante pequeño), es posible rechazar la hipótesis nula de que no existe una
relación lineal. Esto significa que hay una relación lineal y los valores del ECM y r 2 son significativos.
A continuación, se resume la prueba de hipótesis que acabamos de describir:
Pasos en la prueba de hipótesis para la significancia de un modelo de regresión

1. Especifique las hipótesis nula y alternativa:
H0:b1 = 0
H1:b1 Z 0
2. Seleccione el nivel de significancia 1a2. Los valores más comunes son 0.01 y 0.05.
3. Calcule el valor del estadístico de prueba utilizando la fórmula
RCM
F =
ECM
4. Tome una decisión usando uno de los siguientes métodos:
(a) Rechace la hipótesis nula si el resultado es mayor que el valor F de la tabla en el apéndice D.
De lo contrario, no rechace la hipótesis nula:
Rechazar si Fcalculada 7 Fa,gl1,gl2

gl1 = k
gl2 = n - k - 1
(b) Rechace la hipótesis nula si el nivel de significancia observado, o el valor p, es menor que el
nivel de significancia 1a2. De lo contrario, no rechace la hipótesis nula:
Valor p = P1F 7 estadístico de prueba calculado2

Rechazar si el valor p 6 a

4.6 PRUEBA DE LA SIGNIFICANCIA DEL MODELO 123
Ejemplo de Triple A Construction

Para ilustrar el proceso de prueba de la hipótesis de una relación significativa, considere el ejemplo de
Triple A Construction. Se utiliza el apéndice D para obtener los valores de la distribución F.
Paso 1.
H0 : b1 = 0 1sin relación lineal entre X y Y2
H0 : b1 Z 0 1existe relación lineal entre X y Y2
Paso 2.
Seleccione a = 0.05
Paso 3. Calcule el valor del estadístico de prueba. El ECM ya se calculó como 1.7188. En seguida se
calcula la RCM de forma que F pueda determinarse:
SCR 15.6250
RCM = = = 15.6250
k 1
RCM 15.6250
F = = = 9.09
ECM 1.7188
Paso 4. (a) Rechace la hipótesis nula si el resultado es mayor que el valor F en la tabla del apéndice D:
gl1 = k = 1
gl2 = n - k - 1 = 6 - 1 - 1 = 4
El valor de F asociado a un nivel de significancia de 5% y con 1 y 4 grados de libertad se encuentra en el

apéndice D. Lo anterior se ilustra en la figura 4.5:
F0.05,1.4 = 7.71
Fcalculada = 9.09
Rechazar H0 porque 9.09 7 7.71
Por lo tanto, hay datos suficientes para concluir que existe una relación estadísticamente significativa entre
X y Y, por lo que el modelo es útil. La fuerza de esta relación se mide por r 2 = 0.69. Entonces, podemos
concluir que aproximadamente 69% de la variabilidad en las ventas (Y) se explica mediante el modelo de
regresión basado en la nómina local (X).
Tabla del análisis de varianza (ANOVA)

Cuando se usa software como Excel o QM para Windows con la finalidad de desarrollar modelos de
regresión, la salida proporciona el nivel de significancia observado, o valor p, para el valor calculado F.
Después, esto se compara con el nivel de significancia 1a2 para tomar la decisión.
FIGURA 4.5
Distribución F para la
prueba de significancia
de Triple A Construction
0.05
F 7.71 9.09

TABLA 4.4 GL SC CM F SIGNIFICANCIA F

P 1F 7 RCM>ECM2
Tabla de análisis Regresión k SCR RCM>ECM
RCM = SCR>k
de varianza para
la regresión Residual n-k-1 SEC ECM = SEC>1n - k - 12
Total n-1 SST
La tabla 4.4 presenta información resumida sobre la tabla ANOVA. Esto muestra cómo se calculan
los números en las tres últimas columnas de la tabla. La última columna, de la significancia F, es el
valor p, o nivel de significancia observado, que puede usarse en la prueba de hipótesis sobre el modelo
de regresión.
Ejemplo de ANOVA para Triple A Construction

En la siguiente sección, se muestra la salida de Excel que incluye la tabla de ANOVA para los datos
de Triple A Construction. El nivel de significancia observado para F = 9.0909 es 0.0394, lo cual significa
que
P1F 7 9.09092 = 0.0394
Dado que esta probabilidad es menor que 0.05 1a2, tendríamos que rechazar la hipótesis de que no hay
relación lineal y concluir que existe una relación lineal entre X y Y. Observe en la figura 4.5 que el área
bajo la curva a la derecha de 9.09 es claramente menor que 0.05, que es el área a la derecha del valor de F
asociado con un nivel de significancia de 0.05.
4.7 Uso de software de computadora para la regresión

Con frecuencia, se usa software como Excel 2013, Excel QM y QM para Windows para realizar los cálcu-
los de regresión. Todas estas herramientas se ilustrarán con el ejemplo de Triple A Construction.
Excel 2013
El uso de Excel 2013 para la regresión inicia con la introducción de datos en las columnas. Haga clic en
la pestaña Data (Datos) para acceder a la barra de datos. Después, seleccione Data Analysis (Análisis de
datos), como se muestra en el programa 4.1A. Si en la barra de datos no aparece Data Analysis, aún no se
ha activado el complemento de Excel al respecto. Vea el apéndice F al final del libro para obtener instruc-
ciones sobre cómo activarlo. Una vez que se activa el complemento, permanecerá en la barra de datos para
su uso futuro.
Cuando se abra la ventana de Data Analysis, desplácese hacia abajo, resalte Regression (Regresión)
y haga clic en OK (Aceptar), como se ilustra en el programa 4.1A. Se abrirá la ventana de regresión, como
se muestra en el programa 4.1B, y usted podrá introducir los rangos de X y Y. Marque la casilla Labels
(Rótulos) porque las celdas con el nombre de la variable se incluyeron en la primera fila de los rangos de X
y Y. Para obtener la salida proporcionada en esta página en vez de en una nueva hoja de cálculo, seleccione
Output Range (Rango de salida) y proporcione una dirección de celda para el inicio de la salida. Haga
clic en el botón OK, y la salida aparecerá en el rango especificado. En el programa 4.1C se muestran la
intersección (2), la pendiente (1.25) e información adicional que se calculó previamente para el ejemplo de
Triple A Construction.
Las sumas de cuadrados se muestran en la columna con encabezado SS. Otro nombre para el error es
residuo. En Excel, la suma de los errores cuadrados se muestra como la suma de los residuos cuadrados.
Los valores de esta salida son los mismos que se muestran en la tabla 4.3:
Suma de los cuadrados de regresión = SCR = 15.625

Suma de los errores (residuos) cuadrados = 6.8750
Suma de cuadrados total = SCT = 22.5
Se muestra que el coeficiente de determinación 1r 22 es 0.6944. El coeficiente de correlación 1r2 se

llama Multiple R en la salida de Excel, y es 0.8333.

4.7 USO DE SOFTWARE DE COMPUTADORA PARA LA REGRESIÓN 125
PROGRAMA 4.1A
Acceso a la opción de
regresión en Excel 2013
Vaya a la pestaña Data.
Haga clic en OK.
Selecione Data Analysis.
Cuando se abra la ventana del

análisis de datos, descienda hasta
Regression.
PROGRAMA 4.1B
Introducción de datos
para regresión en Especifique los rangos de X y Y.
Excel 2013
Marque la casilla Labels si la primera

fila en los rangos de X y Y incluye los
nombres de las variables.
Haga clic en OK para que

Especifique la ubicación para la salida. Para Excel desarrolle el modelo
ponerlo en la hoja de trabajo actual, haga clic de regresión.
en Output Range y dé una ubicación de celda
como inicio.
PROGRAMA 4.1C
Se desea un r 2 alto
Salida de Excel 2013 para (cercano a 1)
el ejemplo de Triple A
Construction La SCR (regresión), la SEC Una significancia F (valor p de todo el modelo)
(residuo o error) y la SCT baja (por ejemplo, menor que 0.05) indica una
(total) se muestran en la relación significativa entre X y Y.
columna de SC de la tabla
ANOVA.
Aquí se dan los coeficientes

de regresión.
Excel QM
Si se desea utilizar Excel QM para realizar cálculos de regresión, es necesario seleccionar el módulo de
la barra de Excel QM al hacer clic en Alphabetical - Forecasting - Multiple Regression como se muestra
en el programa 4.2A. Se abrirá una ventana que le permitirá especificar el tamaño del problema, como se
muestra en el programa 4.2B. Introduzca un nombre o título para el problema, el número de observacio-
nes pasadas y el número de variables independientes (X). Para el ejemplo de Triple A Construction, hay
seis periodos anteriores de datos y una variable independiente. Al hacer clic en OK, aparecerá una hoja de
cálculo para introducir los datos de X y Y en el área sombreada. Los cálculos se realizan de forma auto-
mática, por lo que no hay nada que hacer después de introducir los datos. Los resultados se observan en el
programa 4.2C.

PROGRAMA 4.2A Uso de Excel QM para Regresión
Vaya a la pestaña de
Excel QM en Excel 2013.
En el grupo de menús,
haga clic en Alphabetical.
Apunte el cursor en
Forecasting.
Cuando aparezcan las opciones,

haga clic en Multiple Regression.
PROGRAMA 4.2B
Inicialización de la hoja
de cálculo en Excel QM Introduzca un título.
Ingrese el número de
observaciones pasadas.
Introduzca el número de
variables independientes (X ).
Haga clic en OK.
PROGRAMA 4.2C
Introduzca las observaciones pasadas de Y y
Entradas y resultados X. Los resultados aparecen automáticamente.
para la regresión en
Excel QM
Aquí se muestran
la intersección y la
pendiente.
Aquí se da el coeficiente
de correlación.
Para pronosticar Y con base en cualquier valor

de X, simplemente ingrese el valor de X aquí.

4.7 USO DE SOFTWARE DE COMPUTADORA PARA LA REGRESIÓN 127
QM para Windows
Para desarrollar una ecuación de regresión utilizando QM para Windows con los datos de la compañía
Triple A Construction, seleccione el módulo de Forecasting y elija New. Después seleccione Least Squa-
res-Simple and Multiple Regression, como se ilustra en el programa 4.3A. Lo anterior abre la ventana que
se muestra en el programa de 4.3B. Introduzca el número de observaciones (seis en este ejemplo) y espe-
cifique el número de variables independientes (una en este ejemplo). Haga clic en OK y se abrirá una ven-
tana que le permite introducir los datos como se muestra en el programa 4.3C. Después de introducir los
datos, haga clic en Solve, y se mostrarán los resultados de los pronósticos que se presentan en el programa
4.3D. En esta pantalla, se proporciona la ecuación, así como otra información. Observe que la ecuación de
regresión se despliega a través de dos rectas. Existen salidas adicionales, incluyendo la tabla ANOVA, que
están disponibles al hacer clic en la opción Window en la barra de herramientas.
PROGRAMA 4.3A Después de seleccionar el módulo Forecasting, haga clic en

Opción de regresión en New y seleccione Least Squares - Simple and Multiple Regression.
el módulo de pronósticos
de QM para Windows
PROGRAMA 4.3B
Pantalla de QM para
Windows para inicializar Especifique el número
el problema de observaciones.
Especifique el número
de variables.
Haga clic en OK.
PROGRAMA 4.3C
para el ejemplo de
Triple A Construction

PROGRAMA 4.3D
Salida de QM para
Windows para el ejemplo Existe información adicional
disponible al hacer clic en
de Triple A Construction Window.
La ecuación de regresión
se da a través de dos filas.
4.8 Análisis de regresión múltiple

Un modelo de regresión múltiple El modelo de regresión múltiple es una extensión práctica del modelo que acabamos de estudiar. Nos
tiene más de una variable permite construir un modelo con varias variables independientes. El modelo asociado es:
independiente.
Y = b0 + b1X1 + b2X2 + … + bk X k + P (4-16)
donde
Y = variable dependiente (variable de respuesta)

Xi = i-ésima variable independiente (variable predictiva o variable explicativa)
b0 = intersección (valor de Y cuando toda Xi = 0)
bi = coeficiente de la i-ésima variable independiente
k = número de variables independientes
P = error aleatorio
Para estimar los valores de estos coeficientes, se toma una muestra y se desarrolla la siguiente
ecuación:
Ŷ = b0 + b1X1 + b2X2 + … + b k X k (4-17)
donde
Ŷ = valor pronosticado de Y
b0 = intersección de la muestra (y es una estimación de b0)
bi = coeficiente de la muestra asociado con la i-ésima variable (y es una estimación de bi )
Considere el caso de Jenny Wilson Realty, una compañía de bienes raíces en Montgomery, Ala-
bama. Jenny Wilson, dueña y corredora de esta compañía, quiere desarrollar un modelo para determinar
un precio de lista sugerido para las casas, en función de su tamaño y antigüedad. Jenny selecciona
una muestra de casas que se han vendido recientemente en una área en particular, y registra el precio
de venta, los metros cuadrados de la casa, su antigüedad, así como su condición (buena, excelente o

4.8 ANÁLISIS DE REGRESIÓN MÚLTIPLE 129
TABLA 4.5
PRECIO PIES ANTIGÜEDAD
Datos de Jenny Wilson DE VENTA ($) CUADRADOS (AÑOS) CONDICIÓN
Real State
95,000 1,926 30 Buena
119,000 2,069 40 Excelente
124,800 1,720 30 Excelente
135,000 1,396 15 Buena
142,800 1,706 32 Perfecta
145,000 1,847 38 Perfecta
159,000 1,950 27 Perfecta
165,000 2,323 30 Excelente
182,000 2,285 26 Perfecta
183,000 3,752 35 Buena
200,000 2,300 18 Buena
211,000 2,525 17 Buena
215,000 3,800 40 Excelente
219,000 1,740 12 Perfecta
perfecta). Los datos recabados se muestran en la tabla 4.5. En un inicio Jenny tiene previsto utilizar
sólo los metros cuadrados y la antigüedad para desarrollar un modelo, aunque desea guardar la informa-
ción de la condición de la casa para un uso posterior. Quiere encontrar los coeficientes para el siguiente
modelo de regresión múltiple:
Ŷ = b0 + b1X1 + b2X2
donde
Ŷ = valor pronosticado de la variable dependiente (precio de venta)

b0 = intersección de Y
X1 y X2 = valor de las dos variables independientes (pies cuadrados y antigüedad),
respectivamente
b1 y b2 = pendientes para X1 y X2, respectivamente
Las matemáticas de la regresión múltiple se vuelven bastante complejas, por lo cual las fórmulas
Para desarrollar modelos de para b0, b1 y b2 se dejan para los libros de texto que tratan sobre regresión.3 Para desarrollar un modelo
regresión múltiple, es posible de regresión múltiple, es posible utilizar Excel del mismo modo que se usó en los modelos de regresión
utilizar Excel. lineal simple. Al introducir los datos en Excel, es importante que todas las variables independientes
estén en columnas adyacentes para facilitar su captura. En la pestaña Data de Excel, seleccione Data
Analysis y después Regression, como se mostró anteriormente en el programa 4.1A. Esto abre la ventana
de regresión para permitir la introducción de datos, como se muestra en el programa 4.4A. Observe que
el rango de X incluye los datos en dos columnas (B y C), porque hay dos variables independientes. La
salida de Excel que Jenny Wilson obtiene se muestra en el programa 4.4B, y proporciona la siguiente
ecuación:
Ŷ = b0 + b1X1 + b2X2
= 146,630.89 + 43.82 X1 - 2898.69 X2
Evaluación del modelo de regresión múltiple

Un modelo de regresión múltiple se puede evaluar de manera similar a la de evaluar un modelo de re-
gresión lineal simple. Tanto el valor p para la prueba F como r 2 se pueden interpretar del mismo modo
3
Vea, por ejemplo, Norman R. Draper y Harry Smith. Applied Regression Analysis, 3a. ed. Nueva York: John Wiley & Sons,
Inc., 1998.

PROGRAMA 4.4A Las columnas que contienen los datos

Pantalla de entrada para de las variables X deberían ser contiguas.
la regresión múltiple de
Jenny Wilson Realty en
Excel 2013
El rango de X va desde el inicio de la

primera columna hasta la parte final de
la segunda columna.
PROGRAMA 4.4B
Pantalla de salida para
el ejemplo de regresión El coeficiente de determinación es 0.67.
múltiple de Jenny Wilson
Realty en Excel 2013 Los coeficientes se encuentran aquí.
Un valor bajo de la significancia F indica que el

modelo es estadísticamente significativo.
con varios modelos de regresión múltiple que con los modelos de regresión lineal simple. Sin embargo,
dado que hay más de una variable independiente, la hipótesis que se probará con la prueba F es que todos
los coeficientes sean iguales a 0. Si todos éstos son 0, entonces ninguna de las variables independientes en
el modelo es útil para pronosticar la variable dependiente.
Para determinar cuál de las variables independientes en un modelo de regresión múltiple es significa-
tiva, se realiza una prueba de significancia del coeficiente para cada variable. Aunque los libros de texto de
estadística suelen ofrecer los detalles de estas pruebas, sus resultados se muestran automáticamente en las
salidas de Excel. La hipótesis nula es que el coeficiente es 0 1H0 : bi = 0) y la hipótesis alternativa es que
no es 0 1H1 : bi Z 0). El estadístico de prueba se calcula en Excel, y se proporciona el valor p. Si el valor p
es menor que el nivel de significancia 1a2, entonces la hipótesis nula se rechaza y se puede concluir que la
variable es significativa.
Ejemplo de Jenny Wilson Realty

En el programa 4.4B, sobre el ejemplo de Jenny Wilson Realty, el modelo general es estadísticamente
significativo y útil para pronosticar el precio de venta de la casa, ya que el valor p para la prueba F es
0.002. El valor de r 2 es 0.6719, por lo que 67% de la variabilidad en el precio de venta de estas casas puede
explicarse usando el modelo de regresión. Sin embargo, había dos variables independientes en el modelo:
los pies cuadrados y la antigüedad. Es posible que uno de ellos sea significativo y el otro no. La prueba F
simplemente indica que el modelo en su conjunto es significativo.

4.9 VARIABLES BINARIAS O FICTICIAS 131
Se pueden realizar dos pruebas de significancia para determinar si los pies cuadrados o la antigüedad
(o ambos) son significativos. En el programa 4.4B, se proporcionan los resultados de dos pruebas de hipó-
tesis. La primera prueba para la variable X1 (pies cuadrados) es
H0 : b1 = 0
H1 : b1 Z 0
Si se usa un nivel de significancia del 5% 1a = 0.052, se rechaza la hipótesis nula debido a que el valor p
para esto es 0.0013. Por lo tanto, los pies cuadrados resultan útiles para pronosticar el precio de una casa.
Del mismo modo, la variable X2 (antigüedad) se prueba mediante la salida de Excel, y el valor p es
0.0039. La hipótesis nula se rechaza porque este valor es inferior a 0.05. Por consiguiente, la antigüedad
también es útil para pronosticar el precio de una casa.
4.9 Variables binarias o ficticias

Todas las variables que hemos utilizado en los ejemplos de regresión han sido variables cuantitativas, como
las cifras de ventas, el tamaño de la nómina, los pies cuadrados y la antigüedad en años. Todas han sido
fácilmente medibles y se les han asociado números. En muchas ocasiones, creemos que una variable cua-
litativa y no una cuantitativa sería de gran ayuda para pronosticar la variable dependiente Y. Por ejemplo,
se puede utilizar la regresión para encontrar una relación entre los ingresos anuales y ciertas características
de los empleados. Los años de experiencia en un puesto de trabajo en particular sería una variable cuan-
titativa. Por otro lado, la información sobre si una persona tiene un título universitario también puede ser
importante. Esto no sería un valor medible o una cantidad, por lo que se utilizaría una variable especial
Una variable ficticia se llama llamada variable ficticia (o variable binaria o variable indicativa). A una variable ficticia se le asigna un
también variable indicativa valor de 1 si se cumple una condición específica (por ejemplo, una persona tiene un título universitario) y
o variable binaria. un valor de 0 en caso contrario.
De nuevo vayamos al ejemplo de Jenny Wilson Realty. Jenny cree que es posible desarrollar un mejor
modelo si se incluye la condición de la propiedad. Para incorporar el estado de la casa en el modelo, Jenny
estudia la información disponible (vea la tabla 4.5), y observa que las tres categorías son las condiciones
buena, excelente y perfecta. Como éstas no son variables cuantitativas, debe utilizar variables ficticias, las
cuales se definen como
X3 = 1 si la casa está en excelentes condiciones

= 0 en otro caso
X4 = 1 si la casa está en perfecto estado
= 0 en otro caso
Observe que no hay una variable para la condición “buena”. Si X3 y X4 son iguales a 0, entonces la casa no
puede estar en excelente o perfecto estado, por lo que debe estar en buenas condiciones. Cuando se utilizan
El número de variables ficticias variables ficticias, el número de variables deben ser uno menos que el número de categorías. En este pro-
debe ser uno menos que el número blema, había tres categorías (estados bueno, excelente y perfecto) por lo que debemos tener dos variables
de categorías de una variable ficticias. Si hubiéramos utilizado erróneamente demasiadas variables y el número de variables ficticias
cualitativa. fuera igual al número de categorías, los cálculos matemáticos no podrían llevarse a cabo o no resultarían
en valores confiables.
Estas variables ficticias se utilizarán con las dos variables anteriores (X1 - pies cuadrados, y X2 - anti-
güedad) con la finalidad de pronosticar los precios de venta de las casas para Jenny Wilson. Los programas
4.5A y 4.5B presentan las entradas y la salida de Excel para estos nuevos datos, y muestran cómo se codi-
ficaron las variables ficticias. El nivel de significancia de la prueba F es 0.00017, por lo que este modelo
es estadísticamente significativo. El coeficiente de determinación 1r 22 es 0.898, por lo que este modelo es
mucho mejor que el anterior. La ecuación de regresión es:
Ŷ = 121,658 + 56.43X1 - 3,962X2 + 33,162X3 + 47,369X4

PROGRAMA 4.5A
Pantalla de entrada
en Excel 2013 para el
ejemplo de Jenny Wilson
Realty con variables
ficticias
El rango de X incluye las
columnas B, C, D y E, pero no F.
PROGRAMA 4.5B Cada una de las variables individuales es

Pantalla de salida en útil porque los valores p son bajos para
cada una de ellas (mucho menos de 5%).
Excel 2013 para el
ejemplo de Jenny Wilson El coeficiente de antigüedad es
negativo, lo cual indica que el precio
Realty con variables disminuye a medida que la casa se
ficticias hace más antigua.
El modelo general es útil porque la

probabilidad de significancia F es baja
(mucho menos de 5%).
Lo anterior indica que una casa en excelentes condiciones 1X3 = 1, X4 = 02 se vendería por alrede-
dor de $33,162 más que una casa en buenas condiciones 1X3 = 0, X4 = 02. Una casa en perfecto estado
(X3 = 0, X4 = 1) se vendería por alrededor de $47,369 más que una casa en buen estado.
4.10 Construcción del modelo

Al desarrollar un buen modelo de regresión, se identifican las posibles variables independientes y se selec-
cionan las mejores para utilizarse en el modelo. El mejor modelo es un modelo estadísticamente significa-
tivo con un valor de r 2 alto y pocas variables.
El valor de r 2 nunca puede disminuir A medida que se agregan más variables a un modelo de regresión, el valor de r 2 suele aumentar, y
cuando se agregan más variables al no puede disminuir. Resulta tentador seguir añadiendo variables a un modelo para intentar aumentar el
modelo. valor de r 2. Sin embargo, si se incluyen demasiadas variables independientes en el modelo, pueden surgir
El valor de r 2 ajustado puede problemas. Por tal razón, es común utilizar el valor de r 2 ajustado (en vez de r 2) para determinar si una
disminuir cuando se agregan más variable independiente adicional es benéfica. El valor de r 2 ajustado toma en cuenta el número de variables
variables al modelo. independientes en el modelo, y el r 2 ajustado podrá disminuir. La fórmula para r 2 es
SCR SEC
r2 = = 1 -
SCT SCT
El valor de r2 ajustado es
SEC>1n - k - 12
Valor de r2 ajustado = 1 - (4-18)
SCT>1n - 12

4.11 REGRESIÓN NO LINEAL 133
Observe que conforme el número de variables 1 k2 aumenta, n - k - 1 disminuirá. Esto hace que
SEC>1n - k - 12 aumente y, en consecuencia, el r 2 ajustado disminuirá, a menos que la variable adicional
en el modelo cause una disminución significativa en la SEC. Por lo tanto, la reducción en el error (y en
la SEC) debe ser suficiente para compensar el cambio en k.
Una variable no se debe agregar al Como regla general, si el r 2 ajustado aumenta cuando se añade una nueva variable al modelo, es pro-
modelo si hace que el r2 ajustado bable que esa variable deba permanecer en el modelo. Si el r 2 ajustado disminuye cuando se agrega una
disminuya. nueva variable, la variable no debería permanecer en el modelo. Hay otros factores que también tienen
que considerarse cuando se trata de construir un modelo, pero están más allá del nivel introductorio de
este capítulo.
Regresión por pasos

Si bien el proceso de construcción del modelo puede ser tedioso, hay muchos paquetes de software
estadístico que incluyen procedimientos de regresión por pasos para realizar esta actividad. La re-
gresión por pasos es un proceso automatizado para agregar o eliminar sistemáticamente variables
independientes a un modelo de regresión. Un procedimiento por pasos hacia adelante coloca primero
en el modelo la variable más significativa y, luego, agrega la siguiente variable que mejora más al
modelo, dado que la primera variable ya se encuentra en éste. Las variables se siguen añadiendo de
esta manera, hasta que todas las variables estén en el modelo o hasta que las variables restantes no
mejoren significativamente el modelo. Un procedimiento por pasos hacia atrás comienza con todas
las variables independientes en el modelo, y una a una se eliminan las variables menos útiles. Esto
continúa hasta que sólo permanecen las variables significativas. Existen muchas variaciones de estos
modelos paso a paso.
Multicolinealidad
En el ejemplo de Jenny Wilson Realty ilustrado en el programa 4.5B, vemos un r 2 de alrededor de 0.90
y un r 2 ajustado de 0.85. Dado que otras variables como el tamaño del terreno, el número de habitaciones y
el número de cuartos de baño podrían estar relacionadas con el precio de venta de una casa, es posible que
no desee incluirlas en el modelo. También es probable que estas variables se correlacionen con los pies o
La multicolinealidad existe cuando metros cuadrados de la casa (por ejemplo, más habitaciones por lo general significa una casa más grande),
una variable se correlaciona con que ya están incluidos en el modelo. Por lo tanto, la información proporcionada por estas variables adicio-
otras variables. nales podría duplicar la información que ya está en el modelo.
Cuando una variable independiente se correlaciona con otra variable independiente, se dice que
las variables son colineales. Si una variable independiente se correlaciona con una combinación de
otras variables independientes, existe la condición de multicolinealidad. Esto puede crear problemas
al momento de interpretar los coeficientes de las variables, puesto que varias variables están presen-
tando información duplicada. Por ejemplo, si dos variables independientes fueran los gastos mensuales
de salarios para una empresa y los gastos salariales anuales para esa misma compañía, la información
proporcionada en una variable también está dada en la otra. Existen varios conjuntos de coeficientes de
regresión para estas dos variables que producirían exactamente los mismos resultados. Por lo tanto, la
interpretación individual de estas variables sería cuestionable, aunque el modelo en sí seguiría siendo
bueno para fines de predicción. Cuando existe multicolinealidad, la prueba F global sigue siendo válida,
pero las pruebas de hipótesis relacionadas con los coeficientes individuales no lo son. Una variable
puede parecer significativa cuando es insignificante, o una variable puede parecer insignificante cuando
en realidad es significativa.
4.11 Regresión no lineal

Los modelos de regresión que hemos visto hasta ahora son modelos lineales. Sin embargo, en ocasiones
existen relaciones no lineales entre las variables. Algunas transformaciones de variables simples se pueden
utilizar para crear un modelo aparentemente lineal de una relación no lineal. Esto nos permite utilizar Ex-
cel y otros programas de regresión lineal y realizar los cálculos. Lo anterior se demostrará en el siguiente
Es posible usar transformaciones ejemplo.
para convertir un modelo no lineal En cada automóvil nuevo vendido en Estados Unidos, la eficiencia de combustible (medida en mi-
en un modelo lineal. llas por galón [MPG] de gasolina) del auto ocupa un lugar prominente en el engomado del parabrisas.

TABLA 4.6
PESO PESO
Peso del automóvil MPG (EN MILES DE LB) MPG (EN MILES DE LB)
contra las MPG
12 4.58 20 3.18
13 4.66 23 2.68
15 4.02 24 2.65
18 2.53 33 1.70
19 3.09 36 1.95
19 3.11 42 1.92
Las MPG están relacionadas con varios factores, uno de los cuales es el peso del vehículo. Se ha pe-
dido a los ingenieros de Colonel Motors, en un intento por mejorar la eficiencia de combustible, que
estudien el impacto del peso en las MPG. Ellos decidieron que se debe utilizar un modelo de regresión
para hacer esto.
Se seleccionó una muestra de 12 autos nuevos, y se registró su peso y sus MPG. En la tabla 4.6 se
proporcionan estos datos, y en la figura 4.6A se muestra un diagrama de dispersión con el peso y las MPG.
A través de los puntos se trazó una recta de regresión lineal. Se utilizó Excel para desarrollar una ecuación
de regresión lineal que relacionara las MPG (Y) con el peso en miles de libras (X1) en la forma
Ŷ = b0 + b1X1
La salida de Excel se muestra en el programa 4.6. De aquí obtenemos la ecuación
Ŷ = 47.6 - 8.2X1
o bien,
MPG = 47.6 - 8.2 1peso en miles de libras2
El modelo es útil porque el nivel de significancia de la prueba F es pequeño y r 2 = 0.7446. Sin em-
bargo, un examen más detenido de la gráfica de la figura 4.6A pone en tela de juicio el uso de un modelo
FIGURA 4.6A
45
Modelo lineal para los
datos de MPG 40
35
30
25
MPG
20
15
10
0
1.00 2.00 3.00 4.00 5.00
Peso (miles de libras)

4.11 REGRESIÓN NO LINEAL 135
FIGURA 4.6B
45
Modelo no lineal para
los datos de MPG 40
35
30
25
MPG
20
15
10
0
1.00 2.00 3.00 4.00 5.00
Peso (miles de libras)
lineal. Tal vez existe una relación no lineal, y quizás el modelo debería modificarse para tomar en cuenta
esto. En la figura 4.6B se ilustra un modelo cuadrático que sería de la forma
MPG = b0 + b1 1peso2 + b2 1peso2 2
La forma más fácil de desarrollar este modelo es definir una nueva variable
X 2 = 1peso2 2
De aquí se obtiene el modelo
Ŷ = b0 + b1X1 + b2X2
Podemos crear otra columna en Excel y volver a ejecutar la herramienta de regresión. La salida se
muestra en el programa 4.7. La nueva ecuación es
Ŷ = 79.8 - 30.2X1 + 3.4X2

Un valor de significancia bajo
para F y un r2 alto son indicios El nivel de significancia para F es bajo (0.0002), por lo que el modelo es útil, y r 2 = 0.8478. El r 2 ajustado
de un buen modelo. aumentó desde 0.719 hasta 0.814, por lo que esta nueva variable sin duda mejoró el modelo.
PROGRAMA 4.6
con modelo de regresión
lineal para los datos
de MPG

PROGRAMA 4.7
con modelo de regresión
no lineal para los datos
de MPG
Este modelo es bueno para fines de predicción. Sin embargo, no deberíamos tratar de interpretar los
coeficientes de las variables debido a la correlación entre X1 (peso) y X2 (peso al cuadrado). Normalmente
interpretamos el coeficiente de X1 como el cambio en Y que resulta de un cambio de una unidad en X1, si
todas las demás variables se mantienen constantes. Desde luego, mantener constante una variable mientras
se cambia la otra es imposible en este ejemplo, porque X2 = X12. Si X1 cambia, entonces X2 debe cambiar
también. Éste es un ejemplo de un problema que se presenta cuando existe multicolinealidad.
Otros tipos de no linealidades se pueden manejar usando un enfoque similar. Existe una serie de
transformaciones que pueden ayudar a desarrollar un modelo lineal a partir de variables con relaciones no
lineales.
4.12 Advertencias y trampas en el análisis de regresión

En este capítulo se ha proporcionado una breve introducción al análisis de regresión, una de las técnicas
cuantitativas más utilizadas en los negocios. Sin embargo, existen algunos errores comunes que se cometen
con los modelos de regresión, por lo que es necesario tener precauciones al utilizarlos.
Si no se cumplen los supuestos, las pruebas estadísticas no pueden ser válidas. Las estimaciones de
intervalos también serán inválidas, aunque el modelo puede utilizarse con propósitos de predicción.
Una alta correlación no significa La correlación no necesariamente implica causalidad. Dos variables (como el precio de los automó-
que una variable esté causando viles y su salario anual) pueden estar altamente correlacionadas entre sí, pero una no está causando que la
un cambio en la otra. otra cambie. Ambas pueden estar cambiando debido a otros factores, como la economía en general o la tasa
de inflación.
Si existe multicolinealidad en un modelo de regresión múltiple, el modelo sigue siendo bueno para
realizar predicciones, pero la interpretación de los coeficientes individuales es cuestionable. Las pruebas
individuales sobre los coeficientes de regresión no son válidas.
La ecuación de regresión no debería El uso de una ecuación de regresión más allá del intervalo de X es muy cuestionable. Es posible que
utilizarse con valores de X que estén pueda existir una relación lineal dentro del intervalo de valores de X en la muestra. Lo que suceda más
por debajo del valor inferior de X allá de este intervalo es desconocido; la relación lineal puede llegar a ser no lineal en algún momento. Por
o por encima del valor más alto ejemplo, suele haber una relación lineal entre la publicidad y las ventas dentro de un intervalo limitado.
de X encontrado en la muestra. A medida que se gasta más dinero en publicidad, las ventas tienden a aumentar; incluso si todo lo demás
se mantiene constante. Sin embargo, en algún momento, el incremento de los gastos en publicidad tendrá
menos impacto en las ventas, a menos que la compañía realice otras acciones que sean de ayuda, como la
apertura de nuevos mercados o la ampliación de las ofertas de los productos. Si la publicidad se incrementa
y lo demás no cambia, es probable que las ventas se estabilicen en algún momento.
La interpretación de la intersección 1b02 se relaciona con la limitación acerca del intervalo de X. Dado
que el menor valor para X en una muestra suele ser mucho mayor que cero, la intersección es un punto de la
recta de regresión que está fuera del intervalo de X. Por lo tanto, no deberíamos preocuparnos si la prueba t
para este coeficiente no es significativa, ya que no deberíamos estar usando la ecuación de regresión para

GLOSARIO 137
pronosticar el valor de Y cuando X = 0. Esta intersección se utiliza simplemente en la definición de la recta

que se ajusta mejor a los puntos de la muestra.
La aplicación de la prueba F y la conclusión de que un modelo de regresión lineal es útil para pronos-
ticar Y no implica que ésta sea la mejor relación. Si bien este modelo puede explicar la mayor parte de la
variabilidad en Y, es posible que haya una relación no lineal que la explique mejor. Del mismo modo, si se
concluye que no existe una relación lineal, es posible que exista otro tipo de relación.
Es posible encontrar un valor Una relación estadísticamente significativa no tiene de manera necesaria algún valor práctico. Con
significativo de F incluso cuando muestras suficientemente grandes, es posible tener una relación estadísticamente significativa, pero r 2
la relación no es fuerte. podría ser 0.01, lo cual normalmente sería de poca utilidad para un administrador. Del mismo modo, se po-
dría encontrar un alto r 2 debido a la casualidad si la muestra es pequeña. Para colocar cualquier valor en r 2,
la prueba F también debe mostrar significancia.
Resumen
El análisis de regresión es una herramienta cuantitativa de gran va- La regresión múltiple implica el uso de más de una variable in-
lor. El uso de diagramas de dispersión ayuda a ver las relaciones dependiente. Las variables ficticias (variables binarias o indicativas)
entre las variables. La prueba F se utiliza para determinar si los rese utilizan con los datos cualitativos o categóricos. Los modelos no
sultados pueden considerarse útiles. El coeficiente de determinación lineales pueden transformarse en modelos lineales.
(r 2) sirve para medir la proporción de variabilidad en Y que puede En este capítulo vimos cómo se utiliza Excel para desarrollar
ser explicada por el modelo de regresión. El coeficiente de correla- modelos de regresión. Se presentó la interpretación de las salidas de la
ción mide la relación entre dos variables. computadora y se presentaron varios ejemplos.
Glosario
Análisis de regresión Un procedimiento para pronosticar que Mínimos cuadrados Una referencia al criterio utilizado para
utiliza el método de mínimos cuadrados sobre una o más variables seleccionar la recta de regresión, con la finalidad de minimizar
independientes, con la finalidad de desarrollar un modelo de las distancias al cuadrado entre la recta estimada y los valores
pronóstico. observados.
Coeficiente de correlación (r) Mide la fuerza de la relación entre Modelo de regresión múltiple Un modelo de regresión que tiene
dos variables. más de una variable independiente.
Coeficiente de determinación (r 2) El porcentaje de la variabilidad Multicolinealidad Una condición que existe cuando una variable
de la variable dependiente (Y) que puede explicarse mediante la independiente se correlaciona con otras variables independientes.
ecuación de regresión. Nivel de significancia observado Otro nombre para el valor p.
Colinealidad Una condición que existe cuando una variable r 2 ajustado Mide la capacidad explicativa de un modelo de
independiente se correlaciona con otra variable independiente. regresión que toma en cuenta el número de variables indepen-
Diagramas de dispersión o gráficas de dispersión Diagramas de dientes en el modelo.
la variable que se va a pronosticar, graficada contra otra variable, Regresión por pasos Un proceso automatizado para agregar o
como el tiempo. También se llaman gráficas de dispersión. eliminar sistemáticamente variables independientes de un modelo
Error La diferencia entre el valor real (Y) y el valor predicho 1Ŷ2. de regresión.
Error cuadrado medio (ECM) Una estimación de la varianza Residuo Otro término para el error.
del error. Suma de cuadrados de la regresión (SCR) La suma total de las di-
ferencias al cuadrado entre cada valor predicho 1Y 2 y la media 1Ŷ2.
–
Error estándar de la estimación Una estimación de la desviación
estándar de los errores; en ocasiones se llama desviación estándar Suma de cuadrados totales (SCT) La suma total de las diferencias
cuadradas entre cada observación (Y) y la media 1Y 2.
–
de la regresión.

Suma de errores cuadrados (SEC) La suma total de las Variable explicativa La variable independiente en una ecuación
diferencias al cuadrado entre cada observación (Y) y el valor de regresión.
predicho 1Ŷ2. Variable ficticia Una variable que se utiliza para representar
Valor p Un valor de probabilidad que se utiliza cuando se prueba un factor o condición cualitativa. Las variables ficticias tienen
una hipótesis. La hipótesis se rechaza cuando p es baja. valores de 0 o 1. También se denomina variable binaria o variable
Variable binaria Vea Variable ficticia. indicativa.
Variable de respuesta La variable dependiente en una ecuación Variable independiente La variable X en una ecuación de
de regresión. regresión. Se utiliza para ayudar a pronosticar la variable
Variable dependiente La variable Y en un modelo de regresión. dependiente.
Es la variable que se pronostica. Variable predictiva Otro nombre para la variable explicativa.
Ecuaciones clave
(4-1) Y = b0 + b1X + P Coeficiente de correlación. Éste tiene el mismo signo que la
pendiente.
Modelo lineal subyacente para la regresión lineal simple.
(4-2) Ŷ = b0 + b1X SEC
(4-12) s2 = ECM =
n - k - 1
Modelo de regresión lineal simple calculado a partir de una
muestra. Una estimación de la varianza de los errores en la regresión;
n es el tamaño de la muestra y k es el número de variables
(4-3) e = Y - Ŷ independientes.
Error en el modelo de regresión. (4-13) s = 1ECM
g 1X - X2 1Y - Y 2 Una estimación de la desviación estándar de los errores. Tam-
(4-4) b1 =
g 1X - X2 2 bién se denomina error estándar de la estimación.
Pendiente de la recta de regresión. SCR
(4-14) RCM =
– – k
(4-5) b0 = Y - b1X
Regresión cuadrada media. k es el número de variables inde-
La intersección en la recta de regresión.
pendientes.
(4-6) SCT = g 1Y - Y 2 2
–
RCM
(4-15) F =
Suma de cuadrados totales. ECM
(4-7) SEC = g e 2 = g 1Y - Ŷ 2 2 Estadístico F utilizado para probar la significancia del modelo
de regresión general.
Suma de errores al cuadrado.
(4-8) SCR = g 1Ŷ - Y 2 2
– (4-16) Y = b0 + b1X1 + b2X2 + … + bk Xk + P
Modelo subyacente para el modelo de regresión múltiple.
Suma de cuadrados de la regresión.
(4-17) Ŷ = b0 + b1X1 + b2X2 + … + bk Xk
(4-9) SCT = SCR + SEC
Modelo de regresión múltiple calculada a partir de una
Relación entre las sumas de cuadrados en la regresión.
muestra.
SCR SEC SEC>1n - k - 12
(4-10) r 2 = = 1 -
SCT SCT (4-18) r2 ajustado = 1 -
SCT>1 n - 12
Coeficiente de determinación. 2
r ajustado que se utiliza en la construcción de modelos de re-
(4-11) r = { 2r 2 gresión múltiple.

Problemas resueltos
Judith Thompson dirige una florería en la costa del Golfo de Texas, especializada en arreglos florales para bodas
y otros eventos especiales. Judith se anuncia semanalmente en los periódicos locales y está considerando aumentar
su presupuesto de publicidad. Antes de hacerlo, decide evaluar la eficacia pasada de estos anuncios. La mues-
tra se compone de cinco semanas, y el dinero dedicado a publicidad y el volumen de ventas para cada semana se
presentan en la siguiente tabla. Desarrolle una ecuación de regresión que ayude a Judith a evaluar su publicidad.
Encuentre el coeficiente de determinación para este modelo.
VENTAS PUBLICIDAD
(MILES DE $) (CIENTOS DE $)
11 5
6 3
10 7
6 2
12 8
Solución
1X - X 2 2 1X - X 2 1Y - Y 2
– – –
VENTAS Y PUBLICIDAD X
11 5 15 - 52 2 = 0 15 - 52 111 - 92 = 0
6 3 13 - 52 = 4
2
13 - 52 16 - 92 = 6
10 7 17 - 52 = 4
2
17 - 52 110 - 92 = 2
6 2 12 - 52 = 9
2
12 - 52 16 - 92 = 9
12 8 18 - 52 2 = 9 18 - 52 112 - 92 = 9
g 1X - X 2 2 = 26 g 1X - X 2 1Y - Y 2 = 26
– – –
g Y = 45 g X = 25
– –
Y = 45>5 X = 25>5
=9 =5
g 1X - X2 1Y - Y 2 26
b1 = = = 1
g 1X - X2 2 26
b0 = Y - b1X = 9 - 112 152 = 4
La ecuación de regresión es
Ŷ = 4 + 1X

Para calcular r 2, utilizamos la siguiente tabla:
1Ŷ - Y 2 2 1Y - Y 2 2
– –
Y X Ŷ = 4 + 1X
11 5 9 111 - 92 2 = 4 111 - 92 2 = 4
6 3 7 16 - 72 = 1
2
16 - 92 2 = 9
10 7 11 110 - 112 2 = 1 110 - 92 2 = 1
6 2 6 16 - 62 2 = 0 16 - 92 2 = 9
12 8 12 112 - 122 2 = 0 112 - 92 2 = 9
g 1Y - Ŷ 2 2 = 6 g 1Y - Y 2 2 = 32
–
g Y = 45 g X = 25
– –
Y=9 X=5 SEC SCT
La pendiente 1b1 = 12 nos indica que por cada aumento de una unidad en X (o $100 en publicidad), las ventas
aumentan en una unidad (o $1,000). Asimismo, r = 0.8125, lo cual significa que aproximadamente 81% de
la variabilidad en las ventas puede explicarse mediante el modelo de regresión, con la publicidad como variable
independiente.

Use Excel con los datos del problema resuelto 4-1 para encontrar el modelo de regresión. ¿Qué dice la prueba F
acerca de este modelo?
Solución
El programa 4.8 presenta la salida de Excel para este problema. Vemos que la ecuación es
Ŷ = 4 + 1X
Se muestra que el coeficiente de determinación 1r 22 es 0.8125. El nivel de significancia para la prueba F es

0.0366, que es menor que 0.05. Esto indica que el modelo es estadísticamente significativo. Por lo tanto,
hay suficiente evidencia en los datos para concluir que el modelo es útil, y hay una relación entre X (publicidad)
y Y (ventas).
PROGRAMA 4.8
para el problema
resuelto 4-2

Autoevaluación
● Consulte las soluciones en la parte final del libro para corregir sus respuestas.
1. Uno de los supuestos en el análisis de regresión es que c. el coeficiente de determinación sería -1.
a. los errores tienen una media de 1. d. el coeficiente de determinación sería 0.
b. los errores tienen una media de 0. 8. Al utilizar variables ficticias en una ecuación de regresión para
c. las observaciones (Y) tienen una media de 1. modelar una variable cualitativa o categórica, el número de
d. las observaciones (Y) tienen una media de 0. variables ficticias debe ser igual a
2. Una gráfica de los puntos de la muestra que se utilizarán para a. el número de categorías.
desarrollar una recta de regresión se llama b. uno más que el número de categorías.
a. una gráfica de la muestra. c. uno menos que el número de categorías.
b. un diagrama de regresión. d. el número de las otras variables independientes en el modelo.
c. un diagrama de dispersión. 9. Un modelo de regresión múltiple se diferencia de un modelo de
d. una gráfica de regresión. regresión lineal simple, porque el modelo de regresión múltiple
3. Cuando se utiliza la regresión, un error también se llama tiene más de
a. una intersección. a. una variable independiente.
b. una predicción. b. una variable dependiente.
c. un coeficiente. c. una intersección.
d. un residuo. d. un error.
4. En un modelo de regresión, Y se llama 10. La significancia global de un modelo de regresión se prueba
a. la variable independiente. utilizando una prueba F. El modelo es significativo si
b. la variable dependiente. a. el valor de F es bajo.
c. la variable de regresión. b. el nivel de significancia del valor F es bajo.
d. la variable predictiva. c. el valor de r 2 es bajo.
5. Una cantidad que proporciona una medida de qué tanto se aleja d. la pendiente es más baja que la intersección.
cada punto de la muestra de la recta de regresión es 11. Una nueva variable no se debe añadir a un modelo de regresión
a. la SCR. múltiple si esa variable causa
b. la SEC. a. que r 2 disminuya.
c. la SCT. b. que el r 2 ajustado disminuya.
d. la RCM. c. que la SCT disminuya.
6. El porcentaje de variación en la variable dependiente que puede d. que la intersección disminuya.
explicarse con una ecuación de regresión se mide por 12. Un buen modelo de regresión debería tener
a. el coeficiente de correlación. a. un r 2 bajo y un bajo nivel de significancia para la prueba F.
b. el ECM. b. un r 2 alto y un alto nivel de significancia para la prueba F.
c. el coeficiente de determinación. c. un r 2 alto y un bajo nivel de significancia para la prueba F.
d. la pendiente. d. un r 2 bajo y un alto nivel de significancia para la prueba F.
7. En un modelo de regresión, si cada punto de la muestra
estuviera sobre la recta de regresión (todos los errores son 0),
entonces,
a. el coeficiente de correlación sería 0.
b. el coeficiente de correlación sería -1 o 1.

Preguntas de análisis 4-4 Explique cómo se puede usar un diagrama de dispersión
para identificar el tipo de regresión a utilizar.
4-1 ¿Cuál es el significado de los mínimos cuadrados en un
modelo de regresión? 4-5 Explique cómo se utiliza el valor del r 2 ajustado en el de-
sarrollo de un modelo de regresión.
4-2 Comente el uso de variables ficticias en el análisis de
regresión. 4-6 Explique qué información proporciona la prueba F.
4-3 Comente la forma en que el coeficiente de determinación 4-7 ¿Qué es la SEC? ¿Cómo se relaciona con la SCT y con la
y el coeficiente de correlación están vinculados, y cómo se SCR?
utilizan en el análisis de regresión. 4-8 Explique cómo se puede usar una gráfica de residuos para
el desarrollo de un modelo de regresión.

Problemas mismos estudiantes. Se obtuvo una muestra de algunas

calificaciones:
4-9 John Smith ha desarrollado el siguiente modelo de
pronóstico:
ESTUDIANTE 1 2 3 4 5 6 7 8 9
Ŷ = 36 + 4.3X1
Calif. en el 1er. examen 98 77 88 80 96 61 66 95 69
donde
Promedio final 93 78 84 73 84 64 64 95 76
Ŷ = demanda de aparatos de aire acondicionado K10
X1 = la temperatura exterior (°F) (a) Desarrolle un modelo de regresión que se pueda utili-
(a) Pronostique la demanda de K10 cuando la tempera- zar para pronosticar el promedio final en el curso, con
tura es de 70°F base en la calificación del primer examen.
(b) ¿Cuál es la demanda para una temperatura de 80°F? (b) Pronostique el promedio final de un estudiante que
(c) ¿Cuál es la demanda para una temperatura de 90°F? obtuvo un 83 en el primer examen.
4-10 El gerente de operaciones de un distribuidor de instrumen- (c) Proporcione los valores de r y r 2 para este modelo. In-
tos musicales piensa que la demanda de un tipo particular terprete el valor de r 2 en el contexto de este problema.
de guitarra puede estar relacionada con el número de vi- 4-14 Con los datos del problema 4-13, pruebe si existe una re-
sitas, en YouTube, a un video musical del popular grupo lación estadísticamente significativa entre la calificación
de rock Marble Pumpkins durante el mes previo. El ge- del primer examen y el promedio final, con un nivel de
rente ha recopilado los datos que se muestran en la si- significancia de 0.05. Utilice las fórmulas de este capítulo
guiente tabla: y del apéndice D.
4-15 Use software de computadora para encontrar la recta de
VISITAS en VENTAS DE regresión por mínimos cuadrados para los datos del pro-
YouTube (miles) LA GUITARRA blema 4-13. Con base en la prueba F, ¿existe una relación
estadísticamente significativa entre la calificación del pri-
30 8
mer examen y el promedio final en el curso?
40 11
4-16 Steve Caples, un valuador de bienes raíces en Lake Char-
70 12 les, Louisiana, desarrolló un modelo de regresión para
60 10 ayudar a valuar las viviendas residenciales en el área de
80 15 Lake Charles. El modelo fue desarrollado utilizando casas
50 13
vendidas recientemente en un vecindario en particular. El
precio (Y) de la casa se basa en los pies cuadrados (X) de
la casa. El modelo es
(a) Grafique estos datos para saber si una ecuación lineal
podría describir la relación entre las visitas en You- Ŷ = 33,478 + 62.4X
Tube y las ventas de la guitarra. El coeficiente de correlación para el modelo es 0.63.
(b) Use las ecuaciones presentadas en este capítulo para
calcular la SCT, SEC y SCR. Encuentre la ecua- (a) Utilice el modelo para pronosticar el precio de venta
ción de regresión por mínimos cuadrados para estos de una casa que tiene 1,860 pies cuadrados.
datos. (b) Recientemente, una casa con 1,860 pies cuadrados se
(c) Use la ecuación de regresión para pronosticar las vendió por $165,000. Explique por qué esto no es lo
ventas de la guitarra, si hubo 40,000 vistas el mes que predice el modelo.
pasado. (c) Si usted va a utilizar la regresión múltiple para desa-
rrollar un modelo de valuación, ¿qué otras variables
4-11 Con los datos del problema 4-10, pruebe si existe una re-
cuantitativas podrían incluirse en el modelo?
lación estadísticamente significativa entre las ventas y las
(d) ¿Cuál es el coeficiente de determinación de este
visitas en YouTube con un nivel de significancia de 0.05.
modelo?
Utilice las fórmulas de este capítulo y del apéndice D.
4-17 Los contadores de la firma Walker and Walker creen que
4-12 Use software de computadora para encontrar la recta de
varios ejecutivos viajeros presentan comprobantes de gas-
regresión por mínimos cuadrados para los datos del pro-
tos inusualmente altos cuando regresan de sus viajes de
blema 4-10. Con base en la prueba F, ¿existe una relación
negocios. Los contadores tomaron una muestra de 200
estadísticamente significativa entre la demanda de guita-
comprobantes enviados desde el año pasado; y después
rras y el número de visitas en YouTube?
desarrollaron la siguiente ecuación de regresión múltiple
4-13 Los estudiantes de una clase de ciencias de la adminis- que relaciona los gastos de viaje esperados (Y) con el nú-
tración acaban de recibir las calificaciones de su primer mero de días del viaje 1X12 y la distancia recorrida en mi-
examen. El profesor ha proporcionado información so- llas 1X22:
bre las calificaciones en el primer examen de algunos
cursos anteriores, así como el promedio final de los Ŷ = $90.00 + $48.50X1 + $0.40X2

El coeficiente de correlación calculado fue de 0.68. (d) Si no hubiera turistas en absoluto, explique la canti-
(a) Si Thomas Williams regresa de un viaje de 300 mi- dad de pasajeros prevista.
llas que lo mantuvo fuera de la ciudad durante 5 días, 4-20 Use software de computadora con la finalidad de desarro-
¿cuál es la cantidad esperada de gastos que debería llar un modelo de regresión para los datos del problema
reclamar? 4-19. Explique qué indica esta salida sobre la utilidad del
(b) Williams presentó una solicitud de reembolso de modelo.
$685; ¿qué debe hacer el contador? 4-21 En los siguientes datos se proporciona el salario inicial
(c) Comente sobre la validez de este modelo. ¿Deberían de los estudiantes que se graduaron recientemente de una
incluirse algunas otras variables? ¿Cuáles? ¿Por qué? universidad local y que obtuvieron un empleo poco des-
4-18 Trece estudiantes ingresaron al programa de negocios en pués de su graduación. También se dan el promedio de ca-
el Rollins College hace 2 años. La siguiente tabla indica lificaciones (GPA) y el título obtenido (negocios u otro).
cuáles fueron sus promedios de calificaciones (GPA) des-
SALARIO $29,500 $46,000 $39,800 $36,500
pués de estar en el programa durante 2 años, y el puntaje
que obtuvo cada estudiante en el examen SAT (máximo GPA 3.1 3.5 3.8 2.9
2400) cuando cursaba su educación media. ¿Existe una re- Título Otro Negocios Negocios Otro
lación significativa entre los promedios de calificaciones y
SALARIO $42,000 $31,500 $36,200
los resultados del SAT? Si un estudiante obtuvo 1200 en el
SAT, ¿cuál sería su GPA? ¿Qué sucede con un estudiante GPA 3.4 2.1 2.5
que obtuvo 2400? Título Negocios Otro Negocios
PUNTAJE PUNTAJE (a) Con el uso de una computadora, desarrolle un modelo

ESTUDIANTE EN EL SAT GPA ESTUDIANTE EN EL SAT GPA de regresión que pueda utilizarse para pronosticar el
salario inicial con base en el GPA y el título.
A 1263 2.90 H 1443 2.53
(b) Utilice este modelo para pronosticar el salario inicial
B 1131 2.93 I 2187 3.22 de un graduado en negocios con un GPA de 3.0.
C 1755 3.00 J 1503 1.99 (c) ¿Qué indica el modelo sobre el salario inicial de un
D 2070 3.45 K 1839 2.75 graduado en negocios comparado con un graduado de
otra carrera?
E 1824 3.66 L 2127 3.90
(d) ¿Cree usted que este modelo sea útil para pronosticar
F 1170 2.88 M 1098 1.60 el salario inicial? Justifique su respuesta con base en
G 1245 2.15 la información proporcionada por los resultados de la
computadora.
4-19 Durante los meses de verano, se cree que los pasajeros 4-22 Los siguientes datos proporcionan el precio de venta, los
de autobuses y del metro en Washington, D.C. están fuer- pies cuadrados, el número de habitaciones y la antigüe-
temente ligados a la cantidad de turistas que visitan la dad de las casas que se han vendido en un vecindario en
ciudad. Durante los últimos 12 años, se han obtenido los los últimos 6 meses. Desarrolle tres modelos de regresión
siguientes datos: para pronosticar el precio de venta con base en cada uno
NÚMERO DE PASAJEROS
de los otros factores de manera individual. ¿Cuál de estos
TURISTAS (EN CIENTOS modelos es el mejor?
AÑO (EN MILLONES) DE MILES)
PRECIO DE PIES ANTIGÜEDAD
1 7 15 VENTA ($) CUADRADOS HABITACIONES (AÑOS)
2 2 10 84,000 1,670 2 30
3 6 13 79,000 1,339 2 25
4 4 15 91,500 1,712 3 30
5 14 25 120,000 1,840 3 40
6 15 27
127,500 2,300 3 18
132,500 2,234 3 30
7 16 24
145,000 2,311 3 19
8 12 20
164,000 2,377 3 7
9 14 27 155,000 2,736 4 10
10 20 44 168,000 2,500 3 1
11 15 34 172,500 2,500 4 3
12 7 17 174,000 2,479 3 3
175,000 2,400 3 1
(a) Grafique estos datos y determine si un modelo lineal
177,500 3,124 4 0
es razonable.
184,000 2,500 3 2
(b) Desarrolle un modelo de regresión.
(c) ¿Cuántos pasajeros se esperan si 10 millones de turis- 195,500 4,062 4 10
tas visitan la ciudad? 195,000 2,854 3 3

4-23 Utilice los datos del problema 4-22 para desarrollar un MPG CABALLOS DE FUERZA PESO
modelo de regresión que pronostique el precio de venta
37 69 1,980
con base en los pies cuadrados y el número de habitacio-
nes. Use el modelo para pronosticar el precio de venta de 37 66 1,797
una casa de 2,000 pies cuadrados con tres habitaciones. 34 63 2,199
Compare este modelo con los modelos del problema 4-22. 35 90 2,404
¿Debería incluirse el número de habitaciones en el mo-
32 99 2,611
delo? ¿Por qué?
30 63 3,236
4-24 Utilice los datos del problema 4-22 para desarrollar un
28 91 2,606
modelo de regresión que pronostique el precio de venta
con base en los pies cuadrados, el número de habitaciones 26 94 2,580
y la antigüedad. Use el modelo para pronosticar el pre- 26 88 2,507
cio de venta de una casa de 2,000 pies cuadrados, con 10 25 124 2,922
años de antigüedad y tres habitaciones. 22 97 2,434
4-25 Los gastos totales de un hospital se relacionan con mu- 20 114 3,248
chos factores. Dos de ellos son el número de camas en el 21 102 2,812
hospital y el número de admisiones. Se recopilaron datos
18 114 3,382
en 14 hospitales, como se indica en la siguiente tabla:
18 142 3,197
NÚMERO ADMISIONES GASTOS TOTALES

16 153 4,380
HOSPITAL DE CAMAS (CIENTOS) (MILLONES) 16 139 4,036
1 215 77 57
4-27 Use los datos del problema 4-26 para desarrollar un mo-
2 336 160 127 delo de regresión lineal múltiple. ¿Cómo se compara este
3 520 230 157 modelo con cada uno de los modelos del problema 4-26?
4 135 43 24 4-28 Use los datos del problema 4-26 para encontrar el mejor
5 35 9 14 modelo de regresión cuadrática. (Hay más de uno a con-
6 210 155 93 siderar). ¿Cómo se compara esto con los modelos de los
7 140 53 45 problemas 4-26 y 4-27?
8 90 6 6 4-29 Se tomó una muestra de nueve universidades públicas y
9 410 159 99 nueve universidades privadas. Se registraron el costo total
por año (incluyendo el alojamiento y la comida) y la pun-
10 50 18 12 tuación mediana del SAT (el total máximo es de 2,400) en
11 65 16 11 cada escuela. Se consideró que las escuelas con las ma-
12 42 29 15 yores puntuaciones medianas del SAT tendrían una mejor
13 110 28 21 reputación y, como resultado, de eso cobrarían una matrí-
cula más alta. Los datos se presentan en la siguiente tabla.
14 305 98 63
Utilice la regresión para ayudar a responder las siguientes
preguntas con base en los datos de la muestra. ¿Las escue-
Encuentre el mejor modelo de regresión para pronosticar las con los resultados del SAT más altos cobran más por
los gastos totales de un hospital. Analice la exactitud de su matrícula y sus cuotas? ¿Son las escuelas privadas más
este modelo. ¿Deberían incluirse ambas variables en el caras que las escuelas públicas cuando se toman en consi-
modelo? ¿Por qué? deración los resultados del SAT? Comente qué tan exacta-
4-26 Se tomó una muestra de 20 automóviles y se registraron mente cree usted que estos resultados estén utilizando la
las millas por galón (MPG), los caballos de fuerza y el información relacionada con los modelos de regresión.
peso total de cada uno. Desarrolle un modelo de regre-
sión lineal para pronosticar las MPG usando los caballos CATEGORÍA COSTO TOTAL ($) MEDIANA DEL SAT
de fuerza como la única variable independiente. Desa- Pública 21,700 1990
rrolle otro modelo con el peso como la variable indepen- Pública 15,600 1620
diente. ¿Cuál de estos dos modelos es mejor? Explique su
Pública 16,900 1810
respuesta.
Pública 15,400 1540
Pública 23,100 1540
MPG CABALLOS DE FUERZA PESO
Pública 21,400 1600
44 67 1,844
Pública 16,500 1560
44 50 1,998
Pública 23,500 1890
40 62 1,752
(Continúa en la página siguiente)

CATEGORÍA COSTO TOTAL ($) MEDIANA DEL SAT EQUIPO W ERA R AVG OBP
Pública 20,200 1620 Orioles de Baltimore 93 3.90 712 0.247 0.311
Privada 30,400 1630 Medias Rojas de Boston 69 4.70 734 0.260 0.315
Privada 41,500 1840 Medias Blancas de Chicago 85 4.02 748 0.255 0.318
Privada 36,100 1980 Indios de Cleveland 68 4.78 667 0.251 0.324
Privada 42,100 1930 Tigres de Detroit 88 3.75 726 0.268 0.335
Privada 27,100 2130 Reales de Kansas City 72 4.30 676 0.265 0.317
Privada 34,800 2010 Serafines de Los Ángeles 89 4.02 767 0.274 0.332
Privada 32,100 1590 Mellizos de Minnesota 66 4.77 701 0.260 0.325
Privada 31,800 1720 Yanquis de Nueva York 95 3.85 804 0.265 0.337
Privada 32,100 1770 Atléticos de Oakland 94 3.48 713 0.238 0.310
Marineros de Seattle 75 3.76 619 0.234 0.296
4-30 En 2012 la nómina total de los Yanquis de Nueva York era
de casi $200 millones, mientras que la nómina de los Atlé- Mantarrayas de Tampa Bay 90 3.19 697 0.240 0.317
ticos de Oakland (un equipo conocido por su uso del aná- Rangers de Texas 93 3.99 808 0.273 0.334
lisis del béisbol o sabermetrics) fue de aproximadamente Azulejos de Toronto 73 4.64 716 0.245 0.309
$55 millones, menos de un tercio de la nómina de los Yan-
quis. En la siguiente tabla se presentan las nóminas (en (a) Desarrolle un modelo de regresión que se pueda uti-
millones de dólares) y el número total de victorias de los lizar para pronosticar el número de victorias con base
equipos de béisbol de la Liga Americana en la temporada en las ERA.
2012. Desarrolle un modelo de regresión para pronosti- (b) Desarrolle un modelo de regresión que se pueda uti-
car el número total de victorias con base en la nómina. lizar para pronosticar el número de victorias con base
Utilice el modelo para pronosticar el número de victorias en las carreras anotadas.
para un equipo con una nómina de $79 millones. Con base (c) Desarrolle un modelo de regresión que se pueda uti-
en los resultados de la salida de computadora, analice la lizar para pronosticar el número de victorias con base
relación entre la nómina y las victorias. en el promedio de bateo.
(d) Desarrolle un modelo de regresión que se pueda uti-
NÓMINA NÚMERO DE lizar para pronosticar el número de victorias con base
EQUIPO (MILLONES DE $) VICTORIAS en el porcentaje de hombres en base.
Orioles de Baltimore 81.4 93 (e) ¿Cuál de los cuatro modelos pronostica de mejor ma-
nera el número de victorias?
Medias Rojas de Boston 173.2 69 (f) Encuentre el mejor modelo de regresión múltiple para
Medias Blancas de Chicago 96.9 85 pronosticar el número de victorias. Utilice cualquier
combinación de variables para encontrar el mejor
Indios de Cleveland 78.4 68
modelo.
Tigres de Detroit 132.3 88 4-32 Se registró el precio de cierre de dos acciones durante un
Reales de Kansas City 60.9 72 periodo de 12 meses. También se registró el precio de cie-
Serafines de Los Ángeles 154.5 89
rre del Dow Jones Industrial Average (DJIA) durante el
mismo periodo de tiempo. Estos valores se muestran en la
Mellizos de Minnesota 94.1 66 siguiente tabla:
Yanquis de Nueva York 198.0 95
MES DJIA ACCIÓN 1 ACCIÓN 2
Atléticos de Oakland 55.4 94
1 11,168 48.5 32.4
Marineros de Seattle 82.0 75
2 11,150 48.2 31.7
Mantarrayas de Tampa Bay 64.2 90
3 11,186 44.5 31.9
Rangers de Texas 120.5 93 4 11,381 44.7 36.6
Azulejos de Toronto 75.5 73 5 11,679 49.3 36.7
6 12,081 49.3 38.7
4-31 En la tabla siguiente, se proporciona el número de vic- 7 12,222 46.1 39.5
torias (W), el promedio de carreras limpias (ERA), las
8 12,463 46.2 41.2
carreras anotadas (R), el promedio de bateo (AVG) y el
porcentaje de hombres en base (OBP) para cada equipo en 9 12,622 47.7 43.3
la Liga Americana durante la temporada 2012. El prome- 10 12,269 48.3 39.4
dio de carreras es una medida de la eficacia del cuerpo de 11 12,354 47.0 40.1
lanzadores, y lo mejor es tener un número bajo. Los otros 12 13,063 47.9 42.1
estadísticos son medidas de la eficacia de los bateadores y
13 13,326 47.8 45.2
los números más altos son los mejores.

(a) Desarrolle un modelo de regresión para pronosticar el (c) ¿Cuál de las dos acciones está más correlacionada con
precio de la acción 1 con base en el Dow Jones Indus- el Dow Jones Industrial Average durante este periodo
trial Average. de tiempo?
(b) Desarrolle un modelo de regresión para pronosticar el
precio de la acción 2 con base en el Dow Jones Indus-
trial Average.
Estudio de caso
North–South Airline
En enero de 2012, Northern Airlines se fusionó con Southeast Airlines 1994. Se calculó la antigüedad promedio de cada flota multiplicando
para crear la cuarta mayor aerolínea de Estados Unidos. La nueva aero- el número total de días naturales que cada aeronave había estado en
línea North-South heredó una flota de aviones antiguos Boeing 727-300 servicio, en el punto pertinente del tiempo, por la utilización diaria
y a Stephen Ruth. Stephen fue un duro ex secretario de la Marina, que promedio de la flota, correspondiente al total de horas voladas. Des-
intervino como nuevo presidente y jefe del consejo directivo. pués, el total de horas voladas se dividió entre el número de aviones
El primer interés de Stephen para crear una empresa financie- en servicio en ese momento, cuyo resultado fue la edad “promedio”
ramente sólida fueron los costos de mantenimiento. Con frecuencia de las aeronaves en la flota.
en la industria de las aerolíneas, se infiere que los costos de manteni- La utilización promedio se encontró tomando las horas voladas
miento aumentan con la antigüedad de las aeronaves. Rápidamente, totales reales de la flota el 30 de septiembre de 2011, a partir de los
Stephen se dio cuenta de que, históricamente, se había producido una datos de Northern y Southeast, y dividiéndolas entre el total de días
diferencia significativa en los costos de mantenimiento reportados de servicio para todas las aeronaves en ese momento. El promedio de
para los B727-300 en las áreas del fuselaje y los motores entre Nor- utilización para Southeast fue de 8.3 horas al día, y el promedio de uti-
thern Airlines y Southeast Airlines, donde Southeast tenía la flota más lización de Northern fue de 8.7 horas diarias. Debido a que los datos de
nueva. costos disponibles se calcularon para cada periodo anual que termina
El 12 de febrero de 2012, Stephen llamó a Peg Jones, vicepre- al final del primer trimestre, la edad promedio de la flota se calculó
sidente de operaciones y mantenimiento, a su oficina y le pidió que en los mismos puntos en el tiempo. Los datos de la flota se mues-
estudiara el tema. Específicamente, Stephen quería saber si la antigüe- tran en la siguiente tabla. En esa misma tabla, se presentan datos sobre
dad promedio de la flota estaba correlacionada con los costos de man- los costos de fuselaje y los costos de motor emparejados con la anti-
tenimiento directos del fuselaje, y si existía una relación entre la edad güedad promedio de la flota.
promedio de la flota y los costos de mantenimiento directos del motor.
Peg debía regresar antes del 26 de febrero con la respuesta, junto con Pregunta para análisis
descripciones cuantitativas y gráficas de la relación.
El primer paso de Peg fue hacer que su personal obtuviera la 1. Prepare la respuesta de Peg Jones a Stephen Ruth.
antigüedad promedio de las flotas de B727-300 de Northern y Sou- Nota: Las fechas y los nombres de las compañías aéreas y los individuos se cam-
theast, por trimestre, desde la introducción de la aeronave hasta el ser- biaron en este caso para mantener la confidencialidad. Los datos y los problemas
vicio realizado por cada aerolínea a finales de 1993 y principios de descritos aquí son reales.
Datos de la aerolínea North-South para los aviones Boeing 727-300
DATOS DE NORTHERN AIRLINE SOUTHEAST AIRLINE DATA
COSTO DE COSTO ANTIGÜEDAD COSTO DE COSTO ANTIGÜEDAD

FUSELAJE DE MOTOR PROMEDIO FUSELAJE DE MOTOR PROMEDIO
AÑO POR AVIÓN ($) POR AVIÓN ($) (HORAS) POR AVIÓN ($) POR AVIÓN ($) (HORAS)
2001 51.80 43.49 6,512 13.29 18.86 5,107

2002 54.92 38.58 8,404 25.15 31.55 8,145
2003 69.70 51.48 11,077 32.18 40.43 7,360
2004 68.90 58.72 11,717 31.78 22.10 5,773
2005 63.72 45.47 13,275 25.34 19.69 7,150
2006 84.73 50.26 15,215 32.78 32.58 9,364
2007 78.74 79.60 18,390 35.56 38.07 8,259

APÉNDICE 4.1: FÓRMULAS PARA LOS CÁLCULOS DE REGRESIÓN 147
Bibliografía
Berenson, Mark L., David M. Levine y Timothy C. Kriehbiel. Basic Business Kutner, Michael, John Neter y Chris J. Nachtsheim. Applied Linear Regression
Statistics, 12a. ed. Upper Saddle River, NJ: Prentice Hall, 2012. Models, 4a. ed. Boston; Nueva York: McGraw-Hill/Irwin, 2004.
Black, Ken. Business Statistics: For Contemporary Decision Making, 7a. ed. John Mendenhall, William y Terry L. Sincich. A Second Course in Statistics: Regression
Wiley & Sons, Inc., 2012. Analysis, 7a. ed. Upper Saddle River, NJ: Prentice Hall, 2012.
Draper, Norman R. y Harry Smith. Applied Regression Analysis, 3a. ed. Nueva York:
John Wiley & Sons, Inc., 1998.
Apéndice 4.1: Fórmulas para los cálculos de regresión

Al realizar los cálculos de regresión en forma manual, hay otras fórmulas que pueden hacer la tarea más
fácil y son matemáticamente equivalentes a las que se presentaron en el capítulo. Sin embargo, dificultan
entender la lógica detrás de las fórmulas y el significado real de los resultados.
El uso de estas fórmulas ayuda a configurar una tabla con las columnas que se muestran en la tabla
4.7, la cual contiene los datos de la empresa Triple A Construction utilizados anteriormente en este capí-
tulo. El tamaño de la muestra (n) es 6. Se muestran los totales para todas las columnas y se calculan los
promedios de X y Y. Una vez hecho esto, podemos utilizar las siguientes fórmulas para realizar los cálcu-
los de un modelo de regresión lineal simple (una variable independiente). De nuevo, la ecuación de regre-
sión lineal simple es
Ŷ = b0 + b1X
Pendiente de la ecuación de regresión:
g XY - nXY
b1 =
g X 2 - nX 2
180.5 - 6142 172
b1 = = 1.25
106 - 6142 2
Intersección de la ecuación de regresión:
b0 = Y - b1X
b0 = 7 - 1.25142 = 2
Suma de los errores cuadrados:
SEC = g Y 2 - b0 g Y - b1 g XY
SEC = 316.5 - 21422 - 1.251180.52 = 6.875
TABLA 4.7 Cálculos

Y X Y2 X2 XY
preliminares para
Triple A Construction 6 3 62 = 36 32 = 9 3 162 = 18
8 4 2
8 = 64 42 = 16 4 182 = 32
9 6 2
9 = 81 2
6 = 36 6 192 = 54
5 4 2
5 = 25 2
4 = 16 4 152 = 20
4.5 2 2
4.5 = 20.25 2
2 =4 2 14.52 = 9
9.5 5 2
9.5 = 90.25 2
5 = 25 5 19.52 = 47.5
g Y = 42 g X = 24 g Y = 316.5
2
g X = 106
2
g XY = 180.5
– –
Y = 42>6 = 7 X = 24>6 = 4

Estimación de la varianza del error:

SEC
s2 = ECM =
n - 2
6.875
s2 = = 1.71875
6 - 2
Estimación de la desviación estándar del error:
s = 1ECM
s = 21.71875 = 1.311
Coeficiente de determinación:
SEC
r2 = 1 -
g Y - nY 2
2
6.875
r2 = 1 - = 0.6944
316.5 - 6172 2
Esta fórmula para el coeficiente de correlación determina automáticamente el signo de r. Lo anterior tam-
bién podría encontrarse al obtener la raíz cuadrada de r 2 y establecer el mismo signo que la pendiente:
ng XY - g Xg Y
r =
2 3 ng X - 1 gX2 2 4 3 ng Y 2 - 1 gY 2 2 4
2
61180.52 - 1242 1422

r = = 0.833
2 3 611062 - 242 4 3 61316.52 - 422 4

CAPÍTULO 5
Pronósticos
1. Comprender y saber cuándo utilizar las distintas 4. Entender el método Delphi y otros enfoques
familias de modelos de pronósticos. cualitativos para la toma de decisiones.
2. Comparar los promedios móviles, la suavización 5. Calcular una variedad de medidas de error.
exponencial y otros modelos de series de tiempo.
3. Ajustar los datos en forma estacional.

5.1 Introducción 5.6 Modelos de pronósticos: variaciones de tendencia
5.2 Tipos de modelos de pronósticos y aleatorias
5.3 Componentes de una serie de tiempo 5.7 Ajuste para variaciones estacionales
5.4 Medidas de la precisión del pronóstico 5.8 Modelos de pronósticos: variaciones de
tendencia, estacionales y aleatorias
5.5 Modelos de pronósticos: sólo variaciones
aleatorias 5.9 Seguimiento y control de los pronósticos
problemas • Problemas de tarea en Internet • Estudio de caso: Pronóstico de asistencia a los partidos de fútbol americano
en la SWU • Estudio de caso: Pronóstico mensual de ventas • Estudio de caso en Internet • Bibliografía
149

150 CAPÍTULO 5 • PRONÓSTICOS
5.1 Introducción
Todos los días, los administradores toman decisiones sin saber qué va a pasar en el futuro. Se ordena in-
ventario aunque nadie sabe cuáles serán las ventas, se compran equipos nuevos aunque nadie sabe cuál será
la demanda de los productos y se realizan inversiones aunque nadie sabe cuáles serán las ganancias. Los
administradores siempre están tratando de reducir esta incertidumbre y de hacer una mejor estimación de
lo que sucederá en el futuro. Lograr esto es el propósito fundamental de los pronósticos.
Hay muchas maneras de pronosticar el futuro. En muchas empresas (especialmente las pequeñas),
todo el proceso es subjetivo e involucra las corazonadas, la intuición y los años de experiencia.
También hay técnicas de pronósticos más formales, tanto cuantitativas como cualitativas en su natura-
leza. El objetivo principal de este capítulo será entender los modelos de series de tiempo y determinar qué
modelo funciona mejor con un conjunto de datos en particular.
5.2 Tipos de modelos de pronósticos

En la figura 5.1 se mencionan algunos de los modelos de pronósticos más comunes, clasificados de acuerdo
con su tipo. La primera categoría incluye los modelos cualitativos, mientras que las otras son de naturaleza
cuantitativa y utilizan modelos matemáticos para desarrollar mejores pronósticos.
Modelos cualitativos
Los modelos cualitativos son técnicas de pronósticos basadas en juicios o factores subjetivos. Cuando se
introduce un producto totalmente nuevo, como el iPad, el pronóstico de la demanda es muy difícil debido
a la inexistencia de datos históricos de ventas para ese producto en particular o para alguno similar. La
empresa debe contar con la opinión de expertos, experiencias y juicios individuales, entre otros factores
subjetivos.
A continuación se presenta una breve reseña de cuatro diferentes técnicas cualitativas de pronósticos:
1. Método Delphi. Este proceso iterativo en grupo permite que los pronósticos sean realizados por ex-
pertos, los cuales pueden estar ubicados en diferentes sitios. Hay tres tipos diferentes de participantes
en el proceso Delphi: tomadores de decisiones, personal de una compañía y encuestados. Por lo
general, el grupo de tomadores de decisiones consta de entre cinco y 10 expertos que harán el pro-
nóstico real. El personal de la compañía ayuda a los tomadores de decisiones al preparar, distribuir,
recolectar y resumir una serie de cuestionarios y resultados de encuestas. Los encuestados son un
grupo de personas cuyos juicios se recopilan y evalúan. Este grupo proporciona los insumos para los
tomadores de decisiones antes de realizar el pronóstico.
FIGURA 5.1 Técnicas de

Modelos de pronósticos pronósticos
Modelos Métodos de Métodos

cualitativos series de tiempo causales
Método Promedios Análisis de

Delphi móviles regresión
Jurado de Suavización Regresión

opinión ejecutiva exponencial múltiple
Composición de la Proyecciones
fuerza de ventas de tendencias
Estudio del
Descomposición
mercado de
consumo

5.3 COMPONENTES DE UNA SERIE DE TIEMPO 151
Presentación de cuatro enfoques En el método Delphi, cuando se obtienen los resultados del primer cuestionario, se resumen los
cualitativos o de juicio: Delphi, resultados y se modifica el cuestionario. Tanto el resumen de los resultados como el nuevo cuestiona-
jurado de opinión ejecutiva, rio se envían a los mismos encuestados para una nueva ronda de respuestas. Los encuestados, al ver
composición de la fuerza de ventas y los resultados del primer cuestionario, quizá perciban las cosas de manera diferente y modifiquen sus
estudio del mercado de consumo.
respuestas originales. Este proceso se repite con la esperanza de que se llegue a un consenso.
2. Jurado de opinión ejecutiva. Este método toma las opiniones de un pequeño grupo de administrado-
res de alto nivel, a menudo en combinación con modelos estadísticos, y da como resultado una esti-
mación en grupo de la demanda.
3. Composición de la fuerza de ventas. En este enfoque, cada vendedor estima cuál será la magnitud de
las ventas en su región; estos pronósticos se revisan para garantizar que sean realistas y, después, se
combinan a nivel distrital y nacional para llegar a un pronóstico general.
4. Estudio del mercado de consumo. Este método solicita el aporte de los clientes o posibles consumi-
dores en relación con sus futuros planes de compra. Puede ser útil en la preparación de un pronós-
tico, así como para mejorar el diseño y la planificación de nuevos productos.
Modelos causales
Existe una variedad de modelos cuantitativos de pronósticos cuando se dispone de datos numéricos del
pasado. Los modelos de pronósticos se identifican como modelos causales, si la variable a pronosticar está
influida por otras variables incluidas en el modelo, o correlacionada con ellas. Por ejemplo, las ventas dia-
rias de agua embotellada podrían depender de la temperatura promedio, el promedio de humedad, etcétera.
Un modelo causal incluiría factores como éstos en el modelo matemático. Los modelos de regresión (vea
el capítulo 4) y otros modelos más complejos se clasifican como modelos causales.
Modelos de series de tiempo

Las series de tiempo también son modelos cuantitativos, y se dispone de muchos métodos basados en ellas.
Un modelo de series de tiempo es una técnica de pronósticos que intenta predecir los valores futuros de una
variable sólo mediante el uso de datos históricos de esa única variable. Estos modelos son extrapolaciones de
valores pasados de esa serie. Si bien hay otros factores que pueden haber influido en estos valores pasados, el
impacto de esos factores se refleja en los valores anteriores de la variable que se pretende predecir. Por lo tanto,
si se están pronosticando las ventas semanales de cortadoras de césped, se utilizan las últimas ventas semanales
para cortadoras de césped con la finalidad de hacer el pronóstico de las ventas futuras, y se hace caso omiso
de otros factores como la economía, la competencia e incluso el precio de venta de las cortadoras de césped.
5.3 Componentes de una serie de tiempo

Una serie de tiempo es una secuencia de valores registrados en intervalos de tiempo sucesivos. Los inter-
valos pueden ser días, semanas, meses, años u otra unidad de tiempo. Como ejemplo se pueden mencionar
las ventas semanales de computadoras personales HP, los informes de ganancias trimestrales de Microsoft
Corporation, los envíos diarios de baterías Eveready y los índices anuales de precios al consumidor en
Estados Unidos. Una serie de tiempo puede consistir en cuatro componentes posibles: de tendencia, esta-
cionales, cíclicos y aleatorios.
El componente de tendencia (T) es el movimiento general ascendente o descendente de los datos du-
rante un periodo de tiempo relativamente largo. Por ejemplo, las ventas totales de una empresa pueden estar
aumentando constantemente con el tiempo. El índice de precios al consumidor, una medida de la infla-
ción, aumenta con el tiempo. Dado que los movimientos consistentes hacia arriba (o hacia abajo) son indi-
cativos de una tendencia, puede haber una tendencia positiva (o negativa) presente en una serie de tiempo
y, sin embargo, los valores no aumentan (o disminuyen) en cada periodo de tiempo. Puede haber un movi-
miento ocasional que parece incompatible con la tendencia, debido a fluctuaciones aleatorias o de otro tipo.
En la figura 5.2 se muestran diagramas de dispersión para varias series de tiempo. Los datos de todas
las series son trimestrales, y hay cuatro años de datos. La serie 3 posee componentes tanto de tendencia
como aleatorios.
El componente estacional (S) es un patrón de fluctuaciones por encima o por debajo de un valor pro-
medio que se repite a intervalos regulares. Por ejemplo, con los datos de ventas mensuales de sopladores de
nieve, las ventas tienden a ser altas en diciembre y enero, y más bajas en los meses de verano y se espera
que este patrón se repita cada año. Las ventas trimestrales de una tienda minorista de aparatos electrónicos
suelen ser más altas en el cuarto trimestre de cada año y menores en los trimestres restantes. Las ventas
diarias en una tienda al por menor pueden ser más altas los sábados que en otros días de la semana. Por lo
general, se espera que las ventas por hora en un restaurante de comida rápida sean más altas alrededor de la
hora de la comida y la cena, y más bajas en otros horarios. La serie 2 de la figura 5.2 ilustra las variaciones
estacionales de los datos trimestrales.

FIGURA 5.2
para cuatro series Serie 4: Variaciones de tendencia, estacionales y aleatorias
de tiempo de datos
trimestrales
Serie 3: Variaciones de tendencia y aleatorias
Ventas
Serie 2: Sólo variaciones estacionales
Serie 1: Sólo variaciones aleatorias
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Periodo de tiempo (trimestres)
Si un componente estacional está presente en un conjunto de datos, el número de estaciones depende

del tipo de datos. Con los datos trimestrales, hay cuatro estaciones, porque hay cuatro trimestres en un año.
Con datos mensuales, habría 12 estaciones porque hay 12 meses en un año. Con los datos de ventas diarias
en una tienda que está abierta los siete días de la semana, habría siete estaciones. Con datos por hora, po-
dría haber 24 estaciones si el negocio está abierto las 24 horas del día.
Un componente cíclico (C) de una serie de tiempo es un patrón en los datos anuales que tiende a
repetirse cada cierta cantidad de años. El componente cíclico de una serie de tiempo sólo se utiliza al hacer
pronósticos a muy largo plazo y, por lo general, se asocia con el ciclo económico. Las ventas o la actividad
económica podrían llegar a un pico y, luego, comenzar a descender o contraerse hasta alcanzar un punto
bajo o un valle. En algún momento después de llegar al punto bajo, la actividad tendría una recuperación y
se presentaría una expansión. Un nuevo pico se alcanzaría y el ciclo iniciaría de nuevo. En la figura 5.3 se
muestran 16 años de datos anuales para una serie de tiempo que tiene un componente cíclico, así como un
componente aleatorio.
Aunque la gráfica de una serie de tiempo con variaciones cíclicas puede parecerse a la de una serie
con variaciones estacionales, las variaciones cíclicas tienden a ser irregulares en longitud (desde unos
FIGURA 5.3
de una serie de tiempo
con componentes cíclicos
y aleatorios
Ventas
0 2 4 6 8 10 12 14 16 18
Periodo de tiempo (años)

5.4 MEDIDAS DE LA PRECISIÓN DEL PRONÓSTICO 153
pocos años hasta 10 o más años) y magnitud, y son muy difíciles de predecir. Las variaciones estacionales
son muy consistentes en longitud y magnitud, son mucho más cortas puesto que las estaciones se repiten
en un año o menos, y son mucho más fáciles de predecir. Los modelos de pronósticos que se presentan en
este capítulo serán para pronósticos de corto o mediano plazos y no incluirán el componente cíclico.
El componente aleatorio (R) consiste en variaciones irregulares e impredecibles en una serie de
tiempo. Cualquier variación en una serie de tiempo que no se puede atribuir a variaciones de tendencia,
estacionales o cíclicas caería en esta categoría. Si los datos para una serie de tiempo no se alinean con nin-
guna tendencia o ningún patrón estacional discernibles, las variaciones aleatorias podrían ser la causa de
los cambios de un periodo de tiempo a otro. La serie 1 de la figura 5.2 es un ejemplo de una serie de tiempo
con sólo un componente aleatorio.
En la estadística, hay dos formas generales para los modelos de series de tiempo. El primero es un
modelo multiplicativo, que supone que la demanda es el producto de cuatro componentes. Se indica de la
manera siguiente:
Demanda = T * S * C * R
Un modelo aditivo suma los componentes para proporcionar una estimación. Para desarrollar los mo-
delos aditivos, con frecuencia se usa la regresión múltiple. Esta relación aditiva se establece como sigue:
Demanda = T + S + C + R
Hay otros modelos que pueden ser una combinación de éstos. Por ejemplo, uno de los componentes
(como el de tendencia) podría ser aditivo, mientras que otro (como el estacional) podría ser multiplicativo.
La comprensión de los componentes de una serie de tiempo ayudará a la selección de una técnica de pro-
nósticos adecuada. Los métodos presentados en este capítulo se agrupan de acuerdo con los componentes
que se consideran al desarrollar el pronóstico.
5.4 Medidas de la precisión del pronóstico

En este capítulo, se analizan diferentes modelos de pronósticos. Para saber qué tan bien funciona un mo-
delo, o para comparar este modelo con otros, los valores del pronóstico se comparan con los valores reales
u observados. El error de pronóstico (o la desviación) se define de la manera siguiente:
Error de pronóstico = Valor real - Valor del pronóstico
Una medida de la precisión es la desviación absoluta media (MAD, mean absolute deviation),
que se calcula al obtener la suma de los valores absolutos de los errores de pronóstico individuales para,
después, dividirla entre el número de errores (n):
g error de pronóstico
MAD = (5-1)
n
TABLA 5.1
VENTAS REALES VALOR ABSOLUTO DE LOS
Cálculo de la desviación DE ALTAVOCES PRONÓSTICO ERRORES (DESVIACIÓN)
absoluta media (MAD) MES INALÁMBRICOS DE VENTAS u REAL-PRONÓSTICO u
1 110 — —
2 100 110 u 100 - 110 u = 10
3 120 100 u 120 - 100 u = 20
4 140 120 u 140 - 120 u = 20
5 170 140 u 170 - 140 u = 30
6 150 170 u 150 - 170 u = 20
7 160 150 u 160 - 150 u = 10
8 190 160 u 190 - 160 u = 30
9 200 190 u 200 - 190 u = 10
10 190 200 u 190 - 200 u = 10
11 — 190 —
Suma de u errores u = 160
MAD = 160>9 = 17.8

Para ilustrar cómo se calculan las medidas de precisión, se utilizará el modelo ingenuo con la finalidad
de pronosticar un periodo en el futuro. El modelo ingenuo no intenta reflejar ninguno de los componen-
tes de una serie de tiempo, pero es muy rápido y fácil de usar. Un pronóstico ingenuo para el próximo
periodo de tiempo es el valor real que se observó en el periodo de tiempo actual. Por ejemplo, suponga
que alguien le pidió pronosticar la temperatura más alta que se registrará en su ciudad el día de mañana.
Si pronostica que esa temperatura será la temperatura más alta de hoy, su pronóstico sería un pronóstico
ingenuo. Con frecuencia, esta técnica se utiliza cuando se requiere un pronóstico rápido y la precisión no
se considera muy importante.
Considere las ventas de altavoces inalámbricos en Walker Distributors que se muestran en la tabla
5.1. Suponga que, en el pasado, Walker había pronosticado que las ventas de cada mes serían las ventas
reales logradas el mes anterior. En la tabla 5.1 se presentan tales pronósticos, así como el valor absoluto
Pronósticos de la ubicación de la entrada a tierra

EN ACCIÓN de un huracán y la desviación absoluta media
ubicación de la entrada a tierra se registran cuando un huracán está

L os científicos del Centro Nacional de Huracanes (CNH) del Ser-
vicio Meteorológico Nacional tienen la muy difícil tarea de predecir
a 72 horas, 48 horas, 36 horas, 24 horas y 12 horas de llegar a la
costa. Una vez que el huracán ha llegado a tierra, estos pronósticos
dónde entrará a tierra el ojo de los huracanes. Los pronósticos exac- se comparan con la ubicación real, y se registra el error (en millas).
tos son muy importantes para las empresas y para los residentes cos- Al final de la temporada de huracanes, los errores de todo el año se
teros que deben prepararse para una tormenta o quizás incluso para utilizan para calcular la MAD para cada tipo de pronóstico (12 horas,
evacuar. También son importantes para los funcionarios del gobierno 24 horas, etcétera). La siguiente gráfica muestra la forma en que ha
local, las fuerzas del orden y otros servicios de emergencia que pro- mejorado el pronóstico de la ubicación de la entrada a tierra de los
porcionarán ayuda una vez que la tormenta haya pasado. Con los huracanes desde 1989. Durante la década de 1990, el pronóstico con
años, el CNH ha mejorado enormemente la precisión de sus pronós- 48 horas de antelación tuvo una MAD cercana a las 200 millas; en
ticos (medida con la desviación absoluta media [MAD]) para predecir 2009, este número se redujo a cerca de 75 millas. Evidentemente,
la localización real de la entrada a tierra de los huracanes que se ha habido una gran mejora en la precisión de los pronósticos, y esta
originan en el Océano Atlántico. tendencia continúa.
El CNH ofrece pronósticos y actualizaciones periódicas de dónde
entrará a tierra el ojo de los huracanes. Tales predicciones de la Fuente: Basado en el National Hurricane Center, http://www.nhc.noaa.gov.
MAD (en millas)

del pronóstico para la ubicación de la entrada
a tierra de huracanes (1989-2009)
450
400
350
300
250 a 12 horas
Millas
a 24 horas
200
a 36 horas
150 a 48 horas
100 a 72 horas
50
0
1989 1994 1999 2004 2009
Año

5.4 MEDIDAS DE LA PRECISIÓN DEL PRONÓSTICO 155
Pronósticos en Tupperware
MODELADO EN EL MUNDO REAL Internacional
Definición
del problema Para impulsar la producción en cada una de las 15 plantas de Tupperware en Estados Unidos, América Latina,
África, Europa y Asia, la empresa necesita pronósticos exactos de la demanda de sus productos.

un modelo Se usa una variedad de modelos estadísticos, incluyendo promedios móviles, suavización exponencial y análi-
sis de regresión. En el proceso, también se emplea el análisis cualitativo.
Adquisición de
datos de entrada En la sede mundial de Orlando, Florida, se conservan enormes bases de datos con el mapa de las ventas
de cada producto, los resultados del mercado de prueba para cada producto nuevo (dado que 20% de las
ventas de la empresa provienen de productos con menos de 2 años de antigüedad), y dónde cada producto
comienza a decaer en su ciclo de vida.
Desarrollo de
una solución Cada uno de los 50 centros de utilidades de Tupperware en todo el mundo desarrolla proyecciones compu-
tarizadas de las ventas mensuales, trimestrales y anuales. Estas proyecciones se consolidan por región y des-
pués a nivel mundial.

a la solución Estos pronósticos se revisan en los departamentos de ventas, marketing, finanzas y producción.
Análisis
Análisis de resultados
de resultados Los gerentes participantes analizan los pronósticos en una versión para Tupperware de un “jurado de opinión
ejecutiva”.

de resultados Los pronósticos se utilizan para programar los materiales, los equipos y el personal en cada planta.
Fuente: Entrevistas de los autores con ejecutivos de Tupperware.
El pronóstico ingenuo para el de los errores. En la previsión para el próximo periodo de tiempo (mes 11), el pronóstico sería 190. Ob-
próximo periodo es el valor real serve que no hay ningún error calculado para el mes 1, ya que no había pronóstico para ese mes, y no
observado en el periodo actual. existe error para el mes 11, puesto que todavía no se conoce el valor real de éste. Por lo tanto, el número
de errores (n) es 9.
A partir de esto, observamos lo siguiente:
g error de pronóstico 160

MAD = = = 17.8
n 9
Esto significa que, en promedio, cada pronóstico se alejó del valor real en 17.8 unidades.
En ocasiones, se usan otras medidas de la precisión de los errores históricos en los pronósticos, ade-
más de la MAD. Una de las más comunes es el error cuadrático medio (ECM), que es el promedio de los
errores al cuadrado:*
g 1error2 2
ECM = (5-2)
n
*
En el análisis de regresión, por lo general, la fórmula del ECM se ajusta para proporcionar un estimado insesgado de la
varianza del error. A lo largo de este capítulo, utilizaremos la fórmula presentada aquí.

Además de la MAD y el ECM, a veces se utiliza el error porcentual absoluto medio (MAPE, por
mean absolute percent error), que es el promedio de los valores absolutos de los errores, expresado como
porcentaje de los valores reales. Esto se calcula como sigue:
error
g` `
real
MAPE = 100% (5-3)
n
Tres medidas comunes de error son Existe otro término común asociado con el error en los pronósticos. El sesgo es el error promedio e
la MAD, el ECM y el MAPE. El indica si el pronóstico tiende a ser demasiado alto o demasiado bajo, y por cuánto. Así que el sesgo puede
sesgo proporciona el error promedio ser negativo o positivo. No es una buena medida del tamaño real de los errores, debido a que los errores
y puede ser positivo o negativo. negativos pueden anular los positivos.
5.5 Modelos de pronósticos: sólo variaciones aleatorias

Si todas las variaciones en una serie de tiempo se deben a variaciones aleatorias, sin componentes de ten-
dencia, estacionales o cíclicos, sería adecuado usar algún tipo de promedio o modelo de suavización. En
este capítulo, las técnicas basadas en el promedio son el promedio móvil, el promedio móvil ponderado y
la suavización exponencial. Estos métodos suavizan los pronósticos y no están demasiado influidos por va-
riaciones aleatorias. Sin embargo, si hay una tendencia o patrón estacional presente en los datos, se debería
utilizar una técnica que incorpore ese componente específico al pronóstico.
Promedios móviles
Los promedios móviles suavizan las Los promedios móviles son útiles si se puede suponer que las demandas del mercado se mantendrán bas-
variaciones cuando los pronósticos tante estables en el tiempo. Por ejemplo, un promedio móvil de cuatro meses se encuentra simplemente
de demanda son bastante estables. al sumar la demanda durante los últimos cuatro meses y al dividirla entre 4. Con cada mes que pasa, se
agregan los datos del mes más reciente a la suma de los datos de los tres meses anteriores, se descarta y el
primer mes. Esto tiende a suavizar las irregularidades a corto plazo en la serie de datos.
Un pronóstico por promedios móviles de n periodos, que sirve como una estimación de la demanda
para el próximo periodo, se expresa de la manera siguiente:
Suma de las demandas en los n periodos anteriores
Pronóstico por promedio móvil = (5-4)
n
Matemáticamente, esto se escribe como
Yt + Yt - 1 + Á + Yt - n + 1
Ft +1 = (5-5)
n
donde
Ft + 1 = pronóstico para el periodo de tiempo t + 1
Yt = valor real en el periodo de tiempo t
n = número de periodos a promediar
Un promedio móvil de 4 meses tiene n = 4; para un promedio móvil de 5 meses, n = 5.
EJEMPLO DE WALLACE GARDEN SUPPLY En la columna central de la tabla 5.2, se presentan las
ventas de cobertizos de almacenamiento en Wallace Garden Supply. A la derecha, se incluye un promedio
móvil de 3 meses. El pronóstico para el próximo mes de enero, mediante el uso de esta técnica, es 16. Si
se hubiera pedido simplemente encontrar un pronóstico para el próximo enero, sólo habría que realizar
este cálculo. Los otros pronósticos sólo son necesarios si se desea calcular la MAD u otra medida de
precisión.
Promedios móviles ponderados

Es posible utilizar pesos para dar Un promedio móvil simple da el mismo peso (1/n) a cada una de las últimas observaciones que se utiliza
más énfasis a los periodos más para desarrollar el pronóstico. Por otro lado, un promedio móvil ponderado permite asignar diferentes
recientes. pesos a las observaciones pasadas. Como el método del promedio móvil ponderado suele asignar un ma-
yor peso a las observaciones más recientes, este pronóstico es más sensible a los cambios que se presentan
en el patrón de datos. Sin embargo, ésta también es una desventaja potencial del método porque el peso
más importante también respondería rápidamente a las fluctuaciones aleatorias.

5.5 MODELOS DE PRONÓSTICOS: SÓLO VARIACIONES ALEATORIAS 157
TABLA 5.2
MES VENTAS REALES DE COBERTIZOS PROMEDIO MÓVIL DE 3 MESES
Ventas de cobertizos en
Wallace Garden Supply Enero 10
Febrero 12
Marzo 13
Abril 16 1 10 + 12 + 13 2 >3 = 11.67
Mayo 19 1 12 + 13 + 16 2 >3 = 13.67
Junio 23 1 13 + 16 + 19 2 >3 = 16.00
Julio 26 1 16 + 19 + 23 2 >3 = 19.33
Agosto 30 1 19 + 23 + 26 2 >3 = 22.67
Septiembre 28 1 23 + 26 + 30 2 >3 = 26.33
Octubre 18 1 26 + 30 + 28 2 >3 = 28.00
Noviembre 16 1 30 + 28 + 18 2 >3 = 25.33
Diciembre 14 1 28 + 18 + 16 2 >3 = 20.67
Enero — 1 18 + 16 + 14 2 >3 = 16.00
Un promedio móvil ponderado se expresa como
g 1Peso en el periodo i2 1Valor real en el periodo i 2

Ft +1 = (5-6)
g 1Pesos2
Matemáticamente, esto es
w1Yt + w2Yt - 1 + Á + wnYt - n + 1

Ft + 1 = (5-7)
w1 + w2 + Á + wn
donde
wi = peso para la observación i-ésima
Wallace Garden Supply decide utilizar un promedio móvil ponderado de 3 meses, con pesos de 3 para
la observación más reciente, 2 para la siguiente observación y 1 para la observación más distante. Esto se
lleva a cabo como sigue:
PESOS APLICADOS PERIODO
3 Último mes
2 Hace 2 meses
1 Hace 3 meses
3 * Ventas del último mes + 2 * Ventas de hace 2 meses + 1 * Ventas de hace 3 meses
6
Suma de los pesos
En la tabla 5.3 se muestran los resultados del pronóstico por promedios ponderados para Wallace Garden
Supply. En esta situación particular, se observa que la ponderación más alta de los últimos meses propor-
ciona una proyección mucho más precisa; lo anterior se puede verificar mediante el cálculo de la MAD
para cada uno de estos pronósticos.
Evidentemente, la elección de los pesos tiene un impacto importante en los pronósticos. Una manera
de elegir los pesos es intentar varias combinaciones de éstos, calcular la MAD para cada uno, y seleccionar
el conjunto de pesos que resulte en la menor MAD. Algunos programas de software para pronósticos tie-
nen una opción para buscar el mejor conjunto de pesos y, en seguida, proporcionan los pronósticos obteni-
dos con el uso de estos pesos. También es posible encontrar el mejor conjunto de pesos mediante el uso de
programación no lineal, como se verá en un capítulo posterior.

TABLA 5.3
VENTAS REALES PROMEDIO MÓVIL PONDERADO
Pronóstico por promedio MES DE COBERTIZOS DE 3 MESES
móvil ponderado para
Wallace Garden Supply Enero 10
Febrero 12
Marzo 13
Abril 16 3 1 3 * 13 2 + 1 2 * 12 2 + 1 10 2 4 >6 = 12.17
Mayo 19 3 1 3 * 16 2 + 1 2 * 13 2 + 1 12 2 4 >6 = 14.33
Junio 23 3 1 3 * 19 2 + 1 2 * 16 2 + 1 13 2 4 >6 = 17.00
Julio 26 3 1 3 * 23 2 + 1 2 * 19 2 + 1 16 2 4 >6 = 20.5
Agosto 30 3 1 3 * 26 2 + 1 2 * 23 2 + 1 19 2 4 >6 = 23.83
Septiembre 28 3 1 3 * 30 2 + 1 2 * 26 2 + 1 23 2 4 >6 = 27.5
Octubre 18 3 1 3 * 28 2 + 1 2 * 30 2 + 1 26 2 4 >6 = 28.33
Noviembre 16 3 1 3 * 18 2 + 1 2 * 28 2 + 1 30 2 4 >6 = 23.33
Diciembre 14 3 1 3 * 16 2 + 1 2 * 18 2 + 1 28 2 4 >6 = 18.67
Enero — 3 1 3 * 14 2 + 1 2 * 16 2 + 1 18 2 4 >6 = 15.33
Algunos paquetes de software requieren que los pesos sumen 1, y esto simplificaría la ecuación 5-7,
debido a que el denominador sería 1. Es posible forzar fácilmente que la suma de los pesos sea 1 divi-
diendo cada uno de los pesos entre la suma éstos. En el ejemplo de Wallace Garden Supply de la tabla 5.3,
los pesos son 3, 2 y 1, que suman 6. Los pesos podrían modificarse como 3/6, 2/6 y 1/6 para sumar 1. El
uso de estos pesos proporciona los mismos pronósticos que se muestran en la tabla 5.4.
Tanto los promedios móviles simples como los ponderados son eficaces al suavizar las fluctuaciones
bruscas en el patrón de la demanda, con la finalidad de proporcionar estimaciones estables. Sin embargo,
los promedios móviles tienen dos problemas. En primer lugar, el aumento del tamaño de n (el número de
Los promedios móviles tienen dos periodos promediados) suaviza de mejor manera las fluctuaciones, pero hace que el método sea menos
problemas: un mayor número de sensible ante los cambios reales en los datos en caso de que éstos se produzcan. En segundo lugar, los pro-
periodos puede suavizar los cambios medios móviles no reflejan muy bien las tendencias. Debido a que son promedios, siempre se mantienen
reales y no reflejan las tendencias. dentro de los niveles anteriores y no predicen un cambio, ya sea a un nivel más alto o más bajo.
Suavización exponencial
La suavización exponencial es un método de pronósticos fácil de usar y que se realiza de manera eficiente
por medio de computadoras. A pesar de que es una técnica del tipo de los promedios móviles, implica poca
conservación de registros de datos históricos. La fórmula básica de la suavización exponencial se puede
mostrar como sigue:
Nuevo pronóstico = Pronóstico del último periodo (5-8)

+ a 1Demanda real del último periodo - Pronóstico del último periodo2
donde a es un peso (o constante de suavización) que tiene un valor entre 0 y 1, inclusive.

La ecuación 5-8 también se puede escribir matemáticamente como
Ft + 1 = Ft + a 1Yt - Ft 2 (5-9)
donde
Ft + 1 = nuevo pronóstico (para el periodo de tiempo t + 1)

Ft = pronóstico anterior (para el periodo de tiempo t)
a = constante de suavización (0 … a … 1)
Yt = demanda real del periodo anterior
El concepto aquí no es complejo. La última estimación de la demanda es igual a la estimación antigua ajus-
tada por una fracción del error (demanda real del último periodo menos la estimación antigua).

La constante de suavización, a, se puede cambiar para dar más peso a los datos recientes cuando el
La constante de suavización, A, valor es alto, o más peso a los datos del pasado cuando es bajo. Por ejemplo, si a = 0.5 es posible demos-
permite a los administradores trar matemáticamente que el nuevo pronóstico se basa casi por completo en la demanda de los últimos tres
asignar peso a los datos más periodos. Cuando a = 0.1, el pronóstico coloca poco peso en cualquier periodo único, incluso en el más
recientes. reciente, y toma en cuenta muchos periodos (alrededor de 19) de valores históricos.*
Por ejemplo, en enero, un distribuidor predijo una demanda de 142 para cierto modelo de auto-
móvil para febrero. La demanda real en febrero fue de 153 autos, por lo que el error de pronóstico fue
153 - 142 = 9. Si se usa una constante de suavización a = 0.20, el pronóstico con suavización expo-
nencial de la demanda de marzo se encuentra al sumar el 20% de este error al pronóstico anterior de 142.
Cuando sustituimos en la fórmula, obtenemos
Nuevo pronóstico 1para la demanda de marzo2 = 142 + 0.2 1153 - 1422

= 144.2
Así, el pronóstico para la demanda de automóviles en marzo sería de 144 después de haber sido redon-
deado por el distribuidor.
Suponga que la demanda real de los autos en marzo fue de 136. Ahora se puede realizar un pronóstico
para la demanda en abril, utilizando el modelo de suavización exponencial con una constante de a = 0.20:
Nuevo pronóstico 1para la demanda de abril2 = 144.2 + 0.2 1136 - 144.22

= 142.6 o 143 automóviles
PRIMEROS PASOS El enfoque de suavización exponencial es fácil de usar y ha sido aplicado con éxito
por bancos, empresas de manufactura, mayoristas y otras organizaciones. Para desarrollar un pronóstico
con este método, es necesario seleccionar una constante de suavización y conocer o suponer un pronós-
tico anterior. Si una empresa ha estado utilizando de forma rutinaria este método, no hay ningún pro-
blema. Sin embargo, si una empresa está empezando a utilizarlo, es necesario tener en cuenta las siguientes
consideraciones.
El valor apropiado de la constante de suavización, a, puede hacer la diferencia entre un pronóstico
preciso y uno inexacto. Al elegir un valor para la constante de suavización, el objetivo es obtener el pronós-
tico más exacto. Es posible evaluar varios valores de la constante de suavización, y seleccionar aquél con la
MAD más baja. Esto es similar a la forma en que se seleccionan los pesos para un pronóstico con prome-
dios móviles ponderados. Algunos programas de software de pronósticos seleccionarán automáticamente
la mejor constante de suavización. QM para Windows mostrará la MAD que se obtendría con valores de a
que van desde 0 hasta 1 en incrementos de 0.01.
Cuando se utiliza el modelo de suavización exponencial por primera vez, no hay pronóstico anterior
para el periodo de tiempo actual que pueda utilizarse en el desarrollo de un pronóstico para el próximo
periodo de tiempo. Por lo tanto, debe suponerse un valor anterior para obtener el pronóstico. Una práctica
común consiste en suponer un pronóstico para el primer periodo y usarlo con la finalidad de desarrollar
un pronóstico para el segundo. El pronóstico del periodo de tiempo 2 se utiliza después para pronosticar el
periodo de tiempo 3, y esto continúa hasta que se encuentra el pronóstico para el periodo actual. A menos
que haya una razón para asumir otro valor, se supone que el pronóstico para el periodo de tiempo 1 es igual
al valor real en el periodo de tiempo 1 (es decir, el error es cero). Por lo general, el valor del pronóstico
para el periodo de tiempo 1 tiene muy poco impacto en el valor de los pronósticos de muchos periodos de
tiempo en el futuro.
EJEMPLO DEL PUERTO DE BALTIMORE A continuación, aplicaremos este concepto con una prueba de
ensayo y error de dos valores de a en un ejemplo. En el Puerto de Baltimore, se han descargado grandes
cantidades de grano procedentes de los barcos durante los últimos ocho trimestres. El gerente de operacio-
nes del puerto quiere poner a prueba el uso de la suavización exponencial para saber qué tan bien funciona
esa técnica en la predicción del tonelaje descargado. Se supone que el pronóstico del grano descargado en
el primer trimestre fue de 175 toneladas. Se examinan dos valores de a: a = 0.10 y a = 0.50. En la tabla
5.4, se muestran solamente los cálculos detallados para a = 0.10.
Al evaluar la precisión de cada constante de suavización, calculamos las desviaciones absolutas y las
MAD (vea la tabla 5.5). Con base en este análisis, se prefiere una constante de suavización de a = 0.10
sobre a = 0.50 porque su MAD es menor.
*
Se usa el término suavización exponencial porque el peso de la demanda de cualquier periodo en un pronóstico disminuye
exponencialmente con el tiempo. Consulte la demostración algebraica en un libro de pronósticos avanzado.

TABLA 5.4
TONELAJE REAL PRONÓSTICO PRONÓSTICO
Pronósticos con TRIMESTRE DESCARGADO CON A = 0.10 CON A = 0.50
suavización exponencial
1 180 175 175
del Puerto de Baltimore
para A = 0.10 y A = 0.50 2 168 175.5 = 175.00 + 0.10 1180 - 1752 177.5
3 159 174.75 = 175.50 + 0.10 1168 - 175.502 172.75
4 175 173.18 = 174.75 + 0.10 1159 - 174.752 165.88
5 190 173.36 = 173.18 + 0.10 1175 - 173.182 170.44
6 205 175.02 = 173.36 + 0.10 1190 - 173.362 180.22
7 180 178.02 = 175.02 + 0.10 1205 - 175.022 192.61
8 182 178.22 = 178.02 + 0.10 1180 - 178.022 186.30
9 ? 178.60 = 178.22 + 0.10 1182 - 178.222 184.15
TABLA 5.5
TONELAJE PRONÓSTICO DESVIACIONES PRONÓSTICO DESVIACIONES
Desviaciones absolutas REAL CON ABSOLUTAS CON ABSOLUTAS
y MAD para el ejemplo TRIMESTRE DESCARGADO A = 0.10 PARA A = 0.10 A = 0.50 PARA A = 0.50
del Puerto de Baltimore
1 180 175 5 175 5
2 168 175.5 7.5 177.5 9.5
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.3
Suma de las desviaciones 82.45 98.63
absolutas
g desviación
MAD = = 10.31 MAD = 12.33
n
Uso de software para el pronóstico de series de tiempo

Los dos paquetes de software disponibles con este libro, Excel QM y QM para Windows, son muy fáci-
les de usar en los pronósticos. A continuación se resuelven los ejemplos que hemos visto, usando estos
paquetes.
Para utilizar Excel QM con Excel 2013, con la finalidad de realizar pronósticos, seleccione Alphabe-
tical de la barra de Excel QM, como se muestra en el programa 5.1A. Después sólo tiene que seleccionar
el método que desea usar, y se abrirá una ventana de inicialización que le permitirá establecer la magnitud
del problema. En el programa 5.1B se muestra esta ventana para el ejemplo de Wallace Garden Supply
sobre los promedios móviles ponderados, con el número de periodos anteriores y el número de periodos en
el promedio ponderado ya introducidos. Al hacer clic en OK aparece la pantalla mostrada en el programa
5.1C, que le permite introducir los datos y los pesos. Una vez que se han ingresado todos los números, se
realizan los cálculos de forma automática como se observa en el programa 5.1C.
Para realizar pronósticos con QM para Windows, bajo Modules seleccione Forecasting. Después,
seleccione New y Time Series Analysis como se muestra en el programa 5.2A. Esto se hace para todos

los modelos presentados en este capítulo. En la ventana que se abre (programa 5.2B), especifique el
número de periodos anteriores con datos. Para el ejemplo del Puerto de Baltimore, esto es 8. Haga clic
en OK y aparecerá una pantalla de entrada que le permite introducir los datos y seleccionar la técnica
de pronósticos, como se muestra en el programa 5.2C. De acuerdo con en el método que elija, podrán
abrirse otras ventanas para permitir que especifique los parámetros necesarios en ese modelo. Para este
ejemplo, se selecciona el modelo de suavización exponencial, por lo que será necesario especificar la
constante de suavización. Después de introducir los datos, haga clic en Solve y aparecerá el resultado
que se muestra en el programa 5.2D. En esta pantalla de salida, usted puede seleccionar una ventana que
le permite ver información adicional, por ejemplo, los detalles de los cálculos y una gráfica de la serie
de tiempo y los pronósticos.
PROGRAMA 5.1A
Selección del modelo
de pronósticos en el
problema de Wallace
Garden Supply Haga clic en
la pestaña de
Haga clic en Alphabetical y Excel QM.
desplácese hasta Forecasting.
Con el cursor sobre Forecasting,

aparece un menú a la derecha.
Seleccione el modelo que desea
y se abrirá una ventana de
inicialización.
PROGRAMA 5.1B
Introduzca un título. Especifique el número de periodos
Inicialización de la hoja anteriores con datos.
de cálculo en Excel QM
para el problema de
Wallace Garden Supply
Introduzca el número de periodos a promediar.
Haga clic en OK.

PROGRAMA 5.1C Introduzca los datos de demanda y los pesos.

Salida de Excel QM para Los cálculos se realizarán en forma automática.
el problema de Wallace
Garden Supply
Las medidas de precisión se muestran aquí.
El pronóstico para el próximo

periodo está aquí.
PROGRAMA 5.2A En el módulo Forecasting, haga clic

Selección del análisis de en New y en Time-Series Analysis.
series de tiempo en el
módulo de pronósticos
de QM para Windows
PROGRAMA 5.2B
Introduzca un título.
Introducción de
datos del ejemplo del Introduzca el número
Puerto de Baltimore en de periodos anteriores
QM para Windows con datos.
Haga clic en OK.
PROGRAMA 5.2C
Selección del modelo
e introducción de Haga clic aquí para ver los modelos. De
datos del ejemplo del acuerdo con el modelo elegido, aparecerán Introduzca el valor de la
otras áreas de entrada. Seleccione constante de suavización.
Puerto de Baltimore Exponential Smoothing y se abrirá una
en QM para Windows ventana para que ingrese la constante de
suavización.
Introduzca los datos. Después haga clic

en Solve en la parte superior de la página.

5.6 MODELOS DE PRONÓSTICOS: VARIACIONES DE TENDENCIA Y ALEATORIAS 163
PROGRAMA 5.2D
Salida para el ejemplo En Window se dispone
del Puerto de Baltimore de salidas adicionales.
en QM para Windows
Las medidas de precisión

se muestran aquí.
El pronóstico para el próximo

periodo está aquí.
5.6 Modelos de pronósticos: variaciones de tendencia y aleatorias

Si en una serie de tiempo existe una tendencia presente, el modelo de pronósticos debe tomar en cuenta
esto y no puede limitarse a valores promedio del pasado. En esta sección se presentan dos técnicas muy
comunes. La primera es la suavización exponencial con tendencia, y la segunda se denomina proyección
de tendencia o simplemente línea de tendencia.
Suavización exponencial con tendencia

Una extensión del modelo de suavización exponencial que se ajustará de forma explícita a la tendencia se
llama modelo de suavización exponencial con tendencia. La idea es desarrollar un pronóstico con suavi-
zación exponencial y, después, ajustarlo a la tendencia. En este modelo se utilizan dos constantes de sua-
vización, a y b, cuyos valores deben estar entre 0 y 1. El nivel del pronóstico se ajusta multiplicando la
primera constante de suavización, a, por el error de pronóstico más reciente y sumando esto al pronóstico
anterior. La tendencia se ajusta multiplicando la segunda constante de suavización, b, por el error más
Se utilizan dos constantes de reciente o por la cantidad excedente en la tendencia. Un valor más alto da más peso a las observacio-
suavización. nes recientes y, por lo tanto, responde más rápidamente a los cambios en los patrones.
Del mismo modo que con la suavización exponencial simple, la primera vez que se desarrolla
un pronóstico, es necesario proporcionar o estimar un pronóstico anterior (Ft). Si no existe uno, con
frecuencia se supone que el pronóstico inicial es perfecto. Además, se debe proporcionar o estimar
una tendencia anterior (T t). A menudo, esta tendencia se calcula utilizando otros datos del pasado,
Estime o suponga valores iniciales si están disponibles, o usando medios subjetivos, o bien, mediante el cálculo del aumento (o dismi-
para Ft y Tt. nución) observado durante los primeros periodos de tiempo de los datos disponibles. Si no existe
tal estimación, a veces se supone que la tendencia es 0 en un inicio, aunque esto puede dar lugar a
malos pronósticos si la tendencia es grande y b es pequeña. Una vez que se han establecido estas
condiciones iniciales, se desarrolla el pronóstico con suavización exponencial incluyendo tendencia
(FITt) mediante tres pasos:
Paso 1. Calcule el pronóstico suavizado 1 Ft + 12 para el periodo de tiempo t + 1 usando la ecuación

Pronóstico suavizado = Pronóstico anterior incluyendo tendencia + a 1último error2
Ft + 1 = FITt + a 1Yt - FITt 2 (5-10)
Paso 2. Actualice la tendencia 1Tt + 12 usando la ecuación

Tendencia suavizada = Tendencia anterior + b 1error o excedente en la tendencia2
Tt + 1 = Tt + b 1Ft + 1 - FITt 2 (5-11)
Paso 3. Calcule el pronóstico con suavización exponencial y ajuste a la tendencia 1FITt + 12 usando la
ecuación
Pronóstico incluyendo tendencia 1FITt + 12 = Pronóstico suavizado 1Ft + 12 + Tendencia suavizada 1Tt + 12
FITt + 1 = Ft + 1 + Tt + 1 (5-12)

donde
Tt = tendencia suavizada para el periodo de tiempo t
Ft = pronóstico suavizado para el periodo de tiempo t
FITt = pronóstico que incluye la tendencia para el periodo de tiempo t
a = constante de suavización para los pronósticos
b = constante de suavización para la tendencia
Considere el caso de la compañía Midwestern Manufacturing, que tuvo la demanda de generadores
eléctricos durante el periodo de 2007 a 2013 que se muestra en la tabla 5.6. Para utilizar el método de
suavización exponencial con ajuste a la tendencia, establezca primero las condiciones iniciales (valores an-
teriores para F y T) y elija a y b. Si se supone que F1 es perfecto y que T1 es 0, y se eligen 0.3 y 0.4 como
las constantes de suavización, entonces
F1 = 74 T1 = 0 a = 0.3 b = 0.4
Esto resulta en
FIT1 = F1 + T1 = 74 + 0 = 74
Siguiendo los tres pasos para obtener el pronóstico para el año 2008 (periodo de tiempo 2), tenemos
Paso 1. Calcule Ft + 1 usando la ecuación
Ft + 1 = FITt + a1Yt - FITt 2

F2 = FIT1 + 0.31Y1 - FIT1 2 = 74 + 0.3174 - 742 = 74
Paso 2. Actualice la tendencia 1Tt + 12 usando la ecuación
Tt + 1 = Tt + b 1Ft + 1 - FITt 2
T2 = T1 + 0.41F2 - FIT1 2 = 0 + 0.4174 - 742 = 0
Paso 3. Calcule el pronóstico con suavización exponencial y ajuste a la tendencia 1FITt + 12 usando la
ecuación
FIT2 = F2 + T2 = 74 + 0 = 74
Para el año 2009 (periodo de tiempo 3) tenemos
Paso 1.
F3 = FIT2 + 0.3 1Y2 - FIT22 = 74 + 0.3 179 - 742 = 75.5
Paso 2.
T3 = T2 + 0.4 1F3 - FIT22 = 0 + 0.4 175.5 - 742 = 0.6
Paso 3.
FIT3 = F3 + T3 = 75.5 + 0.6 = 76.1
Los otros resultados se muestran en la tabla 5.7. El pronóstico para 2014 sería de aproximadamente 131.35.
TABLA 5.6
AÑO GENERADORES ELÉCTRICOS VENDIDOS
Demanda de Midwestern
Manufacturing 2007 74
2008 79
2009 80
2010 90
2011 105
2012 142
2013 122

5.6 MODELOS DE PRONÓSTICOS: VARIACIONES DE TENDENCIA Y ALEATORIAS 165
TABLA 5.7 Pronósticos con suavización exponencial y tendencia para Midwestern Manufacturing
TIEMPO DEMANDA
(t) (Yt ) Ft + 1 = FITt + 0.3 1Yt - FITt 2 Tt + 1 = Tt + 0.4 1Ft + 1 - FITt 2 FITt + 1 = Ft + 1 + Tt + 1
1 74 74 0 74
2 79 74 = 74 + 0.3174 - 742 0 = 0 + 0.4174 - 742 74 = 74 + 0
3 80 75.5 = 74 + 0.3179 - 742 0.6 = 0 + 0.4175.5 - 742 76.1 = 75.5 + 0.6
4 90 77.270 1.068 78.338
= 76.1 + 0.3180 - 76.12 = 0.6 + 0.4177.27 - 76.12 = 77.270 + 1.068
5 105 81.837 2.468 84.305
= 78.338 + 0.3190 - 78.3382 = 1.068 + 0.4181.837 - 78.3382 = 81.837 + 2.468
6 142 90.514 4.952 95.466
= 84.305 + 0.31105 - 84.3052 = 2.468 + 0.4190.514 - 84.3052 = 90.514 + 4.952
7 122 109.426 10.536 119.962
= 95.466 + 0.31142 - 95.4662 = 4.952 + 0.41109.426 - 95.4662 = 109.426 + 10.536
8 120.573 10.780 131.353
= 119.962 + 0.31122 - 119.9622 = 10.536 + 0.41120.573 - 119.9622 = 120.573 + 10.780
Para que Excel QM realice los cálculos en Excel 2013, seleccione la lista alfabética de técnicas de la
barra de Excel QM; después, elija Forecasting y luego Trend Adjusted Exponential Smoothing. Una vez
que haya especificado el número de observaciones pasadas, introduzca los datos y los valores de a y b,
como se muestra en el programa 5.3.
Proyecciones de tendencia
Una línea de tendencia es una Otro método para pronosticar series de tiempo con tendencia se llama proyección de tendencia. Esta
ecuación de regresión en la que el técnica ajusta una línea de tendencia a una serie de puntos de datos históricos y, después, proyecta la línea
tiempo es la variable independiente. hacia el futuro para realizar pronósticos a mediano y largo plazos. Es posible desarrollar varias ecuaciones
matemáticas de tendencia (por ejemplo, la exponencial y la cuadrática), pero en esta sección estudiaremos
sólo la tendencia lineal (en línea recta). Una línea de tendencia es simplemente una ecuación de regresión
PROGRAMA 5.3
Salida de Excel QM en
Excel 2013 para el
ejemplo de la suavización
exponencial con ajuste
a la tendencia
El pronóstico para el próximo periodo está aquí.

lineal donde la variable independiente (X) es el periodo de tiempo. El primer periodo de tiempo será 1. El
segundo periodo de tiempo será 2, y así sucesivamente. El último periodo de tiempo será n. Esta ecuación
tiene la forma
Ŷ = b0 + b1X
donde
Ŷ = valor pronosticado
b0 = intersección
b1 = pendiente de la línea
X= periodo de tiempo (es decir, X = 1, 2, 3,…, n)
Los coeficientes que minimizan la suma de los errores al cuadrado se pueden encontrar mediante
la aplicación del método de regresión por mínimos cuadrados, con lo que también se minimiza el error
cuadrático medio (ECM). En el capítulo 4 se ofrece una explicación detallada de la regresión por míni-
mos cuadrados y de las fórmulas para calcular los coeficientes de manera manual. En esta sección, se
utilizan programas de computadora para realizar los cálculos.
Considere el caso de la demanda de generadores en Midwestern Manufacturing que se presenta en la
tabla 5.6. Es posible usar una línea de tendencia para predecir la demanda (Y) con base en el periodo de
tiempo, empleando una ecuación de regresión. Sea X = 1 para el primer periodo de tiempo, que fue 2007.
Para 2008, X = 2, y así sucesivamente. Si se utiliza software de computadora para desarrollar una ecuación
de regresión como lo hicimos en el capítulo 4, obtenemos la siguiente ecuación:
Ŷ = 56.71 + 10.54X
Para proyectar la demanda en 2014, primero denotamos el año 2014 en nuestro nuevo sistema de
codificación como X = 8:
1ventas en 20142 = 56.71 + 10.54 182

= 141.03, o 141 generadores
Podemos estimar la demanda de 2015 introduciendo X = 9 en la misma ecuación:
1ventas en 20152 = 56.71 + 10.54 192

= 151.57, o 152 generadores
En el programa 5.4 se proporciona una salida de Excel QM en Excel 2013. Para ejecutar este modelo,
seleccione Alphabetical de la barra de Excel QM para ver las técnicas. Después, seleccione Forecasting y
Regression/Trend Analysis. Cuando se abra la ventana de entrada, introduzca el número de observaciones
pasadas (7), y la hoja de cálculo se inicializará permitiendo la entrada de los siete valores de Y y los siete
valores de X, como se muestra en el programa 5.4.
PROGRAMA 5.4
Salida de Excel QM
en Excel 2013 para
el ejemplo de la línea
de tendencia
Para pronosticar otros periodos

de tiempo, introduzca aquí el
periodo de tiempo.
El pronóstico para el próximo periodo está aquí.

5.7 AJUSTE PARA VARIACIONES ESTACIONALES 167
PROGRAMA 5.5
Salida de QM para
Aquí se muestran los pronósticos
Windows en Excel 2013,
para los periodos de tiempo futuros.
línea de tendencia
La línea de tendencia se muestra

a través de dos filas.
FIGURA 5.4
180
Demanda de generadores
Línea de tendencia
y proyecciones para 160 ^
Y = 56.71 ⫹ 10.54X
los próximos tres años
con base en la línea 140
Demanda de generadores
de tendencia
120 La demanda proyectada
para los próximos tres años
100 se muestra sobre la línea
de tendencia.
80
60
40
20
0
0 1 2 3 4 5 6 7 8 9 10 11
Periodo de tiempo
Este problema también podría resolverse mediante el uso de QM para Windows. Para ello, selec-
cione el módulo Forecasting y, luego, introduzca un nuevo problema al seleccionar New – Time Series
Analysis. Cuando se abra la ventana siguiente, introduzca el número de observaciones (7) y pulse OK.
Ingrese los valores (Y) para las siete observaciones pasadas cuando se abra la ventana de entrada. No es
necesario introducir los valores de X (1, 2, 3, …, 7), porque QM para Windows utilizará automáticamente
estos números. Después, haga clic en Solve y verá los resultados que se muestran en el programa 5.5.
En la figura 5.4 se presenta un diagrama de dispersión y una línea de tendencia para estos datos.
También se muestra la demanda proyectada en cada uno de los próximos tres años sobre la línea de
tendencia.
5.7 Ajuste para variaciones estacionales

Los pronósticos de series de tiempo como el del ejemplo de Midwestern Manufacturing implican examinar
la tendencia de los datos a través de una serie de observaciones en el tiempo. Sin embargo, hay ocasiones
en que las variaciones recurrentes en ciertas estaciones del año hacen necesario un ajuste estacional en la
línea de tendencia para los pronósticos. Por ejemplo, la demanda de carbón y combustible suele alcanzar
su máximo durante los meses fríos del invierno. La demanda de palos de golf o lociones bronceadoras

puede ser más alta en verano. Por lo general, el análisis de los datos en periodos mensuales o trimestrales
facilita la detección de patrones estacionales. En los modelos de pronósticos de series de tiempo multipli-
cativos, se usa con frecuencia un índice estacional que hace un ajuste en el pronóstico cuando existe un
componente estacional. Una alternativa es el uso de un modelo aditivo como modelo de regresión; éste se
presentará en una sección posterior.
Índices estacionales
Un índice estacional indica la forma en que una estación particular (por ejemplo, un mes o un trimestre)
se compara con una estación promedio. Un índice de 1 para una estación indicaría que la estación es pro-
medio. Si el índice es mayor que 1, los valores de la serie de tiempo en esa estación tienden a ser más altos
que el promedio. Si el índice es menor que 1, los valores de la serie de tiempo en esa estación tienden a
estar por debajo del promedio.
Los índices estacionales se utilizan con los modelos de pronósticos multiplicativos de dos maneras.
En primer lugar, cada observación en una serie de tiempo se divide entre el índice estacional apropiado
para eliminar los efectos de la estacionalidad. Los valores resultantes se denominan datos desestacionali-
zados. Estos valores desestacionalizados pueden utilizarse para desarrollar pronósticos de valores futuros
empleando una variedad de técnicas de pronósticos. Una vez que se han desarrollado los pronósticos de
valores futuros desestacionalizados, éstos se multiplican por los índices estacionales, con la finalidad
de desarrollar los pronósticos definitivos, que ahora incluyen las variaciones debidas a la estacionalidad.
Hay dos maneras de calcular los índices estacionales. El primer método, basado en un promedio ge-
neral, es sencillo y se puede utilizar cuando no existe una tendencia presente en los datos. El segundo
método, basado en un enfoque centrado en los promedios móviles, es más complicado, pero debe usarse
cuando existe una tendencia presente.
Cálculo de índices estacionales sin tendencia

Una estación promedio tiene un Cuando no hay ninguna tendencia presente, el índice se puede encontrar dividiendo el valor promedio para
índice de 1. una estación específica entre el promedio de todos los datos. Así, un índice de 1 significa que la estación
es promedio. Por ejemplo, si el promedio de ventas en enero fue de 120 y el promedio de ventas en todos
los meses fue de 200, el índice estacional para enero sería 120>200 = 0.60, por lo que enero es inferior a la
media. El siguiente ejemplo ilustra cómo se calculan los índices estacionales a partir de datos históricos y
cómo se utilizan para pronosticar valores futuros.
En la tabla 5.8 se muestran las ventas mensuales de una marca de contestadoras telefónicas automáti-
cas en Eichler Supplies, para los dos años más recientes. Se calcula la demanda promedio en cada mes, y
estos valores se dividen entre el promedio general (94) para encontrar el índice estacional de cada mes. En
seguida, se utilizan los índices estacionales de la tabla 5.8 para ajustar los pronósticos futuros. Por ejemplo,
suponga que se espera que la demanda anual de contestadoras en el tercer año sea de 1,200 unidades, es
TABLA 5.8
DEMANDA DE VENTAS DEMANDA ÍNDICE
Ventas de contestadoras PROMEDIO DEMANDA ESTACIONAL
e índices estacionales MES AÑO 1 AÑO 2 DE 2 AÑOS MENSUALa PROMEDIOb
Enero 80 100 90 94 0.957
Febrero 85 75 80 94 0.851
Marzo 80 90 85 94 0.904
Abril 110 90 100 94 1.064
Mayo 115 131 123 94 1.309
Junio 120 110 115 94 1.223
Julio 100 110 105 94 1.117
Agosto 110 90 100 94 1.064
Septiembre 85 95 90 94 0.957
Octubre 75 85 80 94 0.851
Noviembre 85 75 80 94 0.851
Diciembre 80 80 80 94 0.851
Demanda promedio total = 1,128
1,128 Demanda promedio de 2 años

a
Demanda mensual promedio = = 94 b
Índice estacional =
12 meses Demanda mensual promedio

5.7 AJUSTE PARA VARIACIONES ESTACIONALES 169
decir, 100 al mes. No podríamos pronosticar que cada mes tuviera una demanda de 100, pero ajustaríamos
tales demandas con base en los índices estacionales de la siguiente manera:
1,200 1,200
Ene. * 0.957 = 96 Jul. * 1.117 = 112
12 12
1,200 1,200
Feb. * 0.851 = 85 Ago. * 1.064 = 106
12 12
1,200 1,200
Mar. * 0.904 = 90 Sep. * 0.957 = 96
12 12
1,200 1,200
Abr. * 1.064 = 106 Oct. * 0.851 = 85
12 12
1,200 1,200
May. * 1.309 = 131 Nov. * 0.851 = 85
12 12
1,200 1,200
Jun. * 1.223 = 122 Dic. * 0.851 = 85
12 12
Cálculo de índices estacionales con tendencia

Cuando en una serie de tiempo están presentes componentes, tanto de tendencia como estacionales, un
cambio de un mes a otro podría deberse a una tendencia, a una variación estacional o simplemente a fluc-
Los promedios móviles centrados tuaciones aleatorias. Para ayudar con este problema, los índices estacionales deberían calcularse utilizando
se utilizan para calcular los índices un enfoque de promedios móviles centrados (CMA, centered moving average) siempre que haya una ten-
estacionales cuando existe una dencia. El uso de este enfoque evita que una variación debida a la tendencia sea interpretada erróneamente
tendencia. como una variación debida a la estación. Considere el siguiente ejemplo.
En la tabla 5.9 se muestran las cifras de ventas trimestrales de Turner Industries. Observe que hay una
tendencia definida, ya que el total se incrementa cada año, y también hay un aumento para cada trimestre
de un año al siguiente. El componente estacional es evidente porque hay una caída definida del cuarto
trimestre de un año al primer trimestre del año siguiente. Se observa un patrón similar al comparar los ter-
ceros trimestres con los cuartos trimestres que les siguen.
Si se calculara un índice estacional para el trimestre 1 utilizando el promedio general, el índice sería
demasiado bajo y engañoso, puesto que este trimestre tiene menos tendencia que cualquiera de los otros
en la muestra. Si el primer trimestre del año 1 se omite y se sustituye por el primer trimestre del año 4 (de
estar disponible), el promedio para el trimestre 1 (y en consecuencia el índice estacional para el trimestre
1) sería considerablemente mayor. Para deducir un índice estacional exacto, es necesario utilizar un CMA.
Considere el trimestre 3 del año 1 para el ejemplo de Turner Industries. Las ventas reales en ese tri-
mestre fueron de 150. Para determinar la magnitud de la variación estacional, es necesario comparar esto
con un trimestre promedio centrado en ese periodo de tiempo. Por lo tanto, deberíamos tener un to-
tal de cuatro trimestres (1 año de datos) con un número igual de trimestres antes y después del trimestre 3,
de manera que la tendencia se promedie. Por lo tanto, necesitamos 1.5 trimestres antes del trimestre 3 y
1.5 trimestres después de él. Para obtener el CMA, tomamos los trimestres 2, 3 y 4 del año 1, más la mitad
de trimestre 1 para el año 1 y la mitad del trimestre 1 para el año 2. El promedio será
0.511082 + 125 + 150 + 141 + 0.511162
CMA 1trimestre 3 del año 12 = = 132.00
4
Comparamos las ventas reales en este trimestre con el CMA y tenemos la siguiente relación estacional:
Ventas en el trimestre 3 150
Relación estacional = = = 1.136
CMA 132.00
TABLA 5.9
TRIMESTRE AÑO 1 AÑO 2 AÑO 3 PROMEDIO
Ventas trimestrales
(en millones de $) para 1 108 116 123 115.67
Turner Industries 2 125 134 142 133.67
3 150 159 168 159.00
4 141 152 165 152.67
Promedio 131.00 140.25 149.50 140.25

TABLA 5.10
VENTAS RELACIÓN
Promedios móviles AÑO TRIMESTRE (MILLONES DE $) CMA ESTACIONAL
centrados y relaciones
estacionales para Turner 1 1 108
Industries 2 125
3 150 132.000 1.136
4 141 134.125 1.051
2 1 116 136.375 0.851
2 134 138.875 0.965
3 159 141.125 1.127
4 152 143.000 1.063
3 1 123 145.125 0.848
2 142 147.875 0.960
3 168
4 165
Por lo tanto, las ventas en el trimestre 3 del año 1 son aproximadamente 13.6% más altas que un trimestre
promedio en este tiempo. Todos los CMA y las relaciones estacionales se muestran en la tabla 5.10.
Como hay dos relaciones estacionales para cada trimestre, las promediamos para obtener el índice
estacional. Así,
Índice del trimestre 1 = I1 = 10.851 + 0.8482 >2 = 0.85

La suma de estos índices debería ser el número de estaciones (4), puesto que una estación promedio debería
tener un índice de 1. En este ejemplo, la suma es 4. Si la suma no fuera 4, se haría un ajuste. Multiplica-
ríamos cada índice por 4 y lo dividiríamos entre la suma de los índices.
Pasos utilizados para calcular los índices estacionales con base en los CMA
1. Calcule un CMA para cada observación (cuando sea posible).
2. Calcule la relación estacional = Observación/CMA para esa observación.
3. Promedie las relaciones estacionales para obtener índices estacionales.
4. Si los índices estacionales no suman el número de estaciones, multiplique cada índice por (Número
de estaciones)/(Suma de los índices).
Los índices estacionales que se encuentran utilizando los CMA se utilizan para eliminar el impacto de
las estaciones, de modo que la tendencia sea más fácil de identificar. Después, los índices estacionales se
utilizarán de nuevo para ajustar el pronóstico de tendencia con base en las variaciones estacionales.
5.8 Modelos de pronósticos: variaciones de tendencia, estacionales y aleatorias

Cuando en una serie de tiempo existen componentes de tendencia y estacionales, el modelo de pronósticos
seleccionado debe reflejar ambos. El método de descomposición, que utiliza índices estacionales, es un en-
foque muy común. Los modelos de regresión múltiple también se usan con frecuencia, en ellos se emplean
variables ficticias para ajustar las variaciones estacionales en un modelo aditivo de series de tiempo.
El método de descomposición
El proceso de aislamiento de la tendencia lineal y los factores estacionales para desarrollar pronósticos
más precisos se llama descomposición. El primer paso consiste en calcular los índices estacionales para
cada estación, como lo hemos hecho hasta ahora con los datos de Turner Industries. Después, los datos
se desestacionalizan al dividir cada número entre su índice estacional, como se muestra en la tabla 5.11.

5.8 MODELOS DE PRONÓSTICOS: VARIACIONES DE TENDENCIA, ESTACIONALES Y ALEATORIAS 171
TABLA 5.11
VENTAS VENTAS DESESTACIONALIZADAS
Datos desestacionalizados (EN MILLONES DE $) ÍNDICE ESTACIONAL (EN MILLONES DE $)
para Turner Industries
108 0.85 127.059
125 0.96 130.208
150 1.13 132.743
141 1.06 133.019
116 0.85 136.471
134 0.96 139.583
159 1.13 140.708
152 1.06 143.396
123 0.85 144.706
142 0.96 147.917
168 1.13 148.673
165 1.06 155.660
La figura 5.5 presenta una gráfica de los datos originales, así como una gráfica de los datos desestaciona-
lizados. Observe cuánto se suavizan los datos desestacionalizados.
Después se encuentra una línea de tendencia utilizando los datos desestacionalizados. Si usamos pro-
gramas de computadora con estos datos, tenemos*
b1 = 2.34
b0 = 124.78
La ecuación de tendencia es
Ŷ = 124.78 + 2.34X
donde
X = tiempo
FIGURA 5.5
200
de los datos de
ventas originales y
desestacionalizados de
Turner Industries 150
Ventas
100
Datos de ventas
Datos de ventas desestacionalizados
50
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Periodo de tiempo (trimestres)
*
Si usted realiza los cálculos manualmente, sus números pueden diferir ligeramente de éstos debido al redondeo.

TABLA 5.12 Pronósticos de Turner Industries para cuatro trimestres del año 4
PRONÓSTICO DE TENDENCIA PRONÓSTICO FINAL
AÑO TRIMESTRE PERIODO (X) Ŷ = 124.78 + 2.34X ÍNDICE ESTACIONAL (AJUSTADO)
4 1 13 155.20 0.85 131.92

2 14 157.54 0.96 151.24
3 15 159.88 1.13 180.66
4 16 162.22 1.06 171.95
Esta ecuación se utiliza para desarrollar el pronóstico con base en la tendencia, y el resultado se multi-
plica por el índice estacional apropiado para hacer un ajuste estacional. Para los datos de Turner Industries,
el pronóstico para el primer trimestre del año 4 (periodo de tiempo X = 13 e índice estacional I1 = 0.85) se
encuentra de la siguiente manera:
Ŷ = 124.78 + 2.34X
= 124.78 + 2.34 1132
= 155.2 1pronóstico antes del ajuste por estacionalidad2
Multiplicamos esto por el índice estacional para el trimestre 1 y obtenemos
Ŷ * I1 = 155.2 * 0.85 = 131.92
Con el mismo procedimiento, encontramos los pronósticos para los trimestres 2, 3 y 4 del próximo
año. En la tabla 5.12 se muestra el pronóstico no ajustado con base en la línea de tendencia, para cada uno
de los cuatro trimestres del año 4. La última columna de esta tabla proporciona los pronósticos definitivos
que se encontraron al multiplicar cada tendencia pronosticada por el índice estacional apropiado. En la
figura 5.6, se presenta un diagrama de dispersión que muestra los datos originales y los datos desestaciona-
lizados; también se da el pronóstico no ajustado y el pronóstico final para estos próximos cuatro trimestres.
Pasos para desarrollar un pronóstico utilizando el método de descomposición

1. Calcule los índices estacionales utilizando los CMA.
2. Desestacionalice los datos dividiendo cada número entre su índice estacional.
3. Encuentre la ecuación de una línea de tendencia a partir de los datos desestacionalizados.
4. Pronostique para los periodos futuros utilizando la línea de tendencia.
5. Multiplique la línea de tendencia pronosticada por el índice estacional adecuado.
FIGURA 5.6
Diagrama de dispersión 200
de los datos de ventas
originales y los datos
desestacionalizados en
Turner Industries, con 150
pronósticos no ajustados
y ajustados
Ventas
100
Datos de ventas
Datos de ventas desestacionalizados
Pronóstico de tendencia no ajustado
50 Pronóstico ajustado por la estacionalidad
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Periodo de tiempo (trimestre)

5.8 MODELOS DE PRONÓSTICOS: VARIACIONES DE TENDENCIA, ESTACIONALES Y ALEATORIAS 173
La mayor parte del software de pronósticos, incluyendo Excel QM y QM para Windows, incluye el método
de descomposición como una de las técnicas disponibles. Ésta calculará automáticamente los CMA, deses-
tacionalizará los datos, desarrollará la línea de tendencia, realizará el pronóstico utilizando la ecuación de
tendencia y ajustará el pronóstico final de la estacionalidad.
Software para la descomposición

El programa 5.6A muestra la pantalla de entrada de QM para Windows que aparece después de seleccio-
nar el módulo de pronósticos, elegir una nueva serie de tiempo y especificar 12 observaciones anteriores.
Se selecciona el método de descomposición multiplicativa, y se pueden ver las entradas que se utilizan
para este problema. Cuando esto se resuelve, aparece la pantalla de salida del programa 5.6B. Existen
resultados adicionales que pueden verse al seleccionar los detalles o las gráficas del menú desplegable
Windows (no se muestra en el programa 5.6B) que aparece después de que el problema está resuelto.
Los pronósticos son ligeramente diferentes a los mostrados en la tabla 5.12 debido a errores de redondeo.
También es posible emplear Excel QM en Excel 2013 para resolver este problema. De la barra de
QM, seleccione los menús By Chapter y elija Chapter 5-Forecasting-Decomposition. Especifique que hay
12 observaciones pasadas, 4 estaciones y el uso de un promedio móvil centrado.
PROGRAMA 5.6A
Pantalla de entrada de
QM para Windows en
el ejemplo de Turner Especifique el enfoque
Industries del promedio móvil
Seleccione la opción
centrado.
de reescalar:
Especifique el número de estaciones establezca un
(4 para datos trimestrales). promedio de 1.
Seleccione descomposición multiplicativa

en el menú desplegable.
Introduzca los datos.
PROGRAMA 5.6B El pronóstico final se obtiene multiplicando el

Pantalla de salida de pronóstico de tendencia (sin ajustar) por los
QM para Windows en índices estacionales (factores).
el ejemplo de Turner Los índices estacionales
Industries (factores) se muestran aquí.
La línea de tendencia se
muestra aquí a través de
dos filas.

Uso de la regresión con tendencia y de los componentes estacionales

La regresión múltiple se puede La regresión múltiple se puede utilizar para pronosticar con componentes de tendencia y estacionales pre-
utilizar para desarrollar un modelo sentes en una serie de tiempo. Una variable independiente es el tiempo, y otras variables independientes
de descomposición aditiva. son las variables ficticias que indican la estación. Si se pronostican datos trimestrales, hay cuatro catego-
rías (trimestres) así que se usarían tres variables ficticias. El modelo básico es un modelo de descomposi-
ción aditiva y se expresa como sigue:
Ŷ = a + b1X1 + b2X2 + b3X3 + b4X4
donde
X1 = periodo de tiempo
X2 = 1 si es el trimestre 2
= 0 en otro caso
= 0 en otro caso
= 0 en otro caso
Si X2 = X3 = X4 = 0, entonces el trimestre sería el primero. La elección de cuál de los trimestres no tendrá

una variable ficticia específica asociada es arbitraria. Los pronósticos serán los mismos independiente-
mente de qué trimestre no tenga una variable ficticia específica.
Para usar Excel QM en Excel 2013 con la finalidad de desarrollar el modelo de regresión, selec-
cione el menú Chapter 5—Forecasting de la barra de Excel QM; en seguida, elija el método Multiple Re-
gression. Aparecerá la pantalla de entrada que se muestra en el programa 5.7A, y se introduce el número
de observaciones (12) y el número de variables independientes (4). Se despliega una hoja de cálculo de
inicialización y se introducen los valores para todas las variables en las columnas B a F, como se indica
en el programa 5.7B. Una vez que se ha hecho esto, aparecen los coeficientes de regresión. La ecuación
de regresión (con coeficientes redondeados) es
Ŷ = 104.1 + 2.3X1 + 15.7X2 + 38.7X3 + 30.1X4
Si utilizamos esto para pronosticar las ventas en el primer trimestre del próximo año, obtenemos
Ŷ = 104.1 + 2.3 1132 + 15.7 102 + 38.7 102 + 30.1 102 = 134
Para el trimestre 2 del próximo año, obtenemos
Ŷ = 104.1 + 2.3 1142 + 15.7 112 + 38.7 102 + 30.1 102 = 152
Observe que éstos no son los mismos valores que obtuvimos usando el método de descomposición multi-
plicativa. Podríamos comparar la MAD o el ECM para cada método y elegir el mejor.
PROGRAMA 5.7A
Pantalla de inicialización
para la regresión
múltiple de Turner
Industries en Excel QM
periodos de datos pasados.
Seleccione el número de
variables independientes.

5.9 SEGUIMIENTO Y CONTROL DE LOS PRONÓSTICOS 175
EN ACCIÓN Pronósticos en Disney World
Debido a que 20% de los clientes de Disney World provienen de

C uando el director general de Disney recibe un informe diario de
sus principales parques temáticos en Orlando, Florida, el informe con-
fuera de Estados Unidos, su modelo econométrico incluye variables
como la confianza del consumidor y el producto interno bruto de
tiene sólo dos números: el pronóstico de asistencia del día anterior siete países. Disney también encuesta a un millón de personas cada
a los parques (Magic Kingdom, Epcot, Fort Wilderness, Hollywood año para examinar sus planes futuros de viaje y sus experiencias en
Studios [anteriormente MGM Studios], Animal Kingdom, Typhoon La- los parques. Esto ayuda a pronosticar no sólo la asistencia, sino el
goon y Blizzard Beach) y la asistencia real. Se espera un error cercano comportamiento en cada atracción (cuánto tiempo esperan las per-
a cero (usando el error porcentual absoluto medio (MAPE) como me- sonas y cuántas veces ingresan en cada atracción). Las entradas al
dida). El director general toma muy en serio sus pronósticos. modelo de pronósticos mensual incluyen las promociones de las lí-
Sin embargo, el equipo de pronósticos en Disney World no sólo neas aéreas, los discursos del presidente de la Reserva Federal y las
realiza una predicción diaria, y el director general no es su único tendencias de Wall Street. Disney incluso monitorea los calenda-
cliente. También proporciona pronósticos diarios, semanales, men- rios de vacaciones/festividades de 3,000 distritos escolares dentro y
suales, anuales y a 5 años, a los departamentos de administración fuera de Estados Unidos.
de personal, mantenimiento, operaciones, finanzas y planeación de
parques. Utiliza modelos de juicio, modelos econométricos, modelos Fuente: Basado en la presentación de J. Newkirk y M. Haskell. “Forecasting in
de promedios móviles y análisis de regresión. El pronóstico anual del the Service Sector” en la 12a. Reunión Anual de la Production and Operations
volumen total que realizó el equipo en 1999 para el año 2000, resultó Management Society. 1 de abril de 2001, Orlando, FL.
en un MAPE de 0.
PROGRAMA 5.7B
Excel QM de la regresión Introduzca los valores de
Y y X1-X4 como se muestra.
múltiple para Turner
Industries
Los coeficientes de regresión

se muestran aquí.
Introduzca los valores de las variables

para obtener cualquier pronóstico.
5.9 Seguimiento y control de los pronósticos

Después de haber completado un pronóstico, es importante que éste no se olvide. A ningún administrador
Una señal de seguimiento mide qué le gusta que se le recuerde cuando su pronóstico es angustiosamente inexacto, pero una compañía necesita
tan bien se ajustan las predicciones determinar por qué la demanda real (o cualquiera que sea la variable que se está examinando) se alejó sig-
a los datos reales. nificativamente de la proyectada.*
Una forma de dar seguimiento a los pronósticos —para asegurarse de que se están desempeñando
bien— consiste en emplear una señal de seguimiento, que es una medida de qué tan bien el pronóstico
predice los valores reales. A medida que los pronósticos se actualizan cada semana, mes o trimestre, los
datos de demanda recientemente disponibles se comparan con los valores pronosticados.
*
Si el pronosticador es preciso, por lo general, se asegura de que todos estén conscientes de sus talentos. Sin embargo, es muy
raro leer un artículo en Fortune, Forbes o Wall Street Journal sobre administradores de dinero que están constantemente 25%
alejados en sus pronósticos del mercado de valores.

La señal de seguimiento se calcula como la suma de los errores de pronóstico corrientes (RSFE,
running sum of the forecast errors) dividida entre la desviación absoluta media:
RSFE
Señal de seguimiento = (5-13)
MAD
g 1error de pronóstico2
=
MAD
donde
g error de pronóstico
MAD =
n
como se vio anteriormente en la ecuación 5-1.
Las señales de seguimiento positivas indican que la demanda es mayor que el pronóstico. Las señales
negativas significan que la demanda es menor que la prevista. Una buena señal de seguimiento —es decir,
con una RSFE mínima— tiene un error positivo como aproximadamente igual al error negativo. En otras
palabras, las desviaciones pequeñas están bien, pero las desviaciones positivas y negativas deberían equili-
brarse, de manera que la señal de seguimiento se centre aproximadamente alrededor de cero.
La fijación de límites de seguimiento Cuando se calculan las señales de seguimiento, éstas se comparan con límites de control predetermi-
es una cuestión de establecer valores nados. Cuando una señal de seguimiento supera un límite superior o inferior, se activa una señal, lo cual
razonables para los límites superior significa que hay un problema con el método de pronósticos y es posible que la gerencia desee reevaluar la
e inferior. forma en que pronostica la demanda. En la figura 5.7 se muestra la gráfica de una señal de seguimiento que
excede el rango de variación aceptable. Si el modelo que se utiliza es la suavización exponencial, tal vez
las constantes del método necesiten reajustarse.
¿Cómo deciden las compañías cuáles son los límites de seguimiento superior e inferior? No existe una
respuesta única, sino que tratan de encontrar valores razonables —en otras palabras, límites no tan bajos
como para ser activados con cada pequeño error de pronóstico ni tan altos como para permitir que los ma-
los pronósticos se pasen por alto en forma regular—. George Plossl y Oliver Wight, dos expertos en control
de inventarios, sugirieron utilizar máximos de ; 4 MAD para artículos con alto volumen de inventario y ±8
MAD para artículos de menor volumen.*
Otros analistas sugieren rangos ligeramente inferiores. Un MAD es equivalente a aproximadamente
0.8 desviaciones estándar, de modo que ; 2 MAD = 1.6 desviaciones estándar, ; 3 MAD = 2.4 desviacio-
nes estándar y ; 4 MAD = 3.2 desviaciones estándar. Esto sugiere que para tener un pronóstico “bajo con-
trol”, se espera que 89% de los errores estén dentro de ; 2 MAD, 98% dentro de ; 3 MAD o 99.9% dentro
de ; 4 MAD siempre que los errores se distribuyan de manera aproximadamente normal.**
FIGURA 5.7
Gráfica de señales Señal activada
de seguimiento Señal de
Límite de control superior seguimiento
⫹
Rango
0 MAD
aceptable
⫺
Límite de control inferior
Tiempo
*
Vea G. W. Plossl y O. W. Wight. Production and Inventory Control. Upper Saddle River, NJ: Prentice Hall, 1967.
**
Para probar estos tres porcentajes, configure una curva normal para ; 1.6 desviaciones estándar (valores Z). En la tabla
normal del apéndice A, encontrará que el área bajo la curva es 0.89. Esto representa ; 2 MAD. De manera similar,
; 3 MAD = 2.4 desviaciones estándar abarca 98% del área; lo mismo sucede para ; 4 MAD.

RESUMEN 177
A continuación se presenta un ejemplo que muestra cómo se pueden calcular la señal de seguimiento
y la RSFE. En la siguiente tabla, se incluyen las ventas trimestrales de croissants (miles) en Kimball
Bakery, así como el pronóstico de la demanda y el cálculo de los errores. El objetivo es calcular la señal de
seguimiento y determinar si los pronósticos están funcionando adecuadamente.
PRONÓSTICO
PERIODO DE LA DEMANDA ERROR DE ERROR SEÑAL DE
DE TIEMPO DEMANDA REAL ERROR RSFE PRONÓSTICO ACUMULADO MAD SEGUIMIENTO
1 100 90 -10 -10 10 10 10.0 -1

2 100 95 -5 -15 5 15 7.5 -2
3 100 115 +15 0 15 30 10.0 0
4 110 100 -10 -10 10 40 10.0 -1
5 110 125 +15 +5 15 55 11.0 +0.5
6 110 140 +30 +35 30 85 14.2 +25
En el periodo 6, los cálculos son
g u error de pronóstico u 85
MAD = =
n 6
= 14.2
RSFE 35
Señal de seguimiento = =
MAD 14.2
= 2.5 MAD
Esta señal de seguimiento está dentro de límites aceptables. Vemos que se encuentra entre -2.0 MAD y
+2.5 MAD.
Suavización adaptativa
Se ha publicado una gran cantidad de investigaciones sobre el tema de los pronósticos adaptativos. Esto se
refiere al monitoreo por computadora de las señales de seguimiento y el ajuste automático, si la señal pasa
los límites prefijados. En la suavización exponencial, primero se seleccionan los coeficientes a y b con
base en valores que minimicen los errores de pronóstico y, luego, se ajustan en consecuencia, cada vez que
el equipo observa una señal de seguimiento errática. Esto se denomina suavización adaptativa.
Resumen
Los pronósticos son una parte crucial de la función de un administra- explicamos el uso de los diagramas de dispersión y de las medidas
dor. Los pronósticos de la demanda guían los sistemas de producción, de precisión de los pronósticos. En los próximos capítulos se verá la
capacidad y programación en una empresa, y afectan las funciones de utilidad de estas técnicas para la determinación de valores en los dis-
finanzas, marketing y planeación del personal. tintos modelos de toma de decisiones.
En este capítulo presentamos tres tipos de modelos de pronós- Como aprendimos en este capítulo, no existe un método de pro-
ticos: series de tiempo, causales y cualitativos. Se desarrollaron los nósticos que sea perfecto en todas las condiciones. Incluso cuando la
modelos de promedios móviles, suavización exponencial, proyección administración haya encontrado un método satisfactorio, deberá mo-
de tendencia y descomposición de series de tiempo. Los modelos de nitorear y controlar sus pronósticos para asegurarse de que los errores
regresión y regresión múltiple fueron reconocidos como modelos cau- no se salgan de control. Con frecuencia, los pronósticos pueden ser
sales. Se analizaron brevemente cuatro modelos cualitativos. Además, una parte muy difícil pero gratificante de la administración.

Glosario
Componente aleatorio Las variaciones impredecibles e irregulares Mínimos cuadrados Un procedimiento utilizado en la proyec-
en una serie de tiempo. ción de tendencia y el análisis de regresión para minimizar
Componente cíclico Un componente de una serie de tiempo es un las distancias al cuadrado entre la recta estimada y los valores
patrón en los datos anuales que tiende a repetirse cada varios años. observados.
Componente de tendencia El movimiento general ascendente o Modelo de series de tiempo Una técnica de pronósticos que pre-
descendente de los datos en una serie de tiempo, durante un pe- dice los valores futuros de una variable, sólo mediante el uso de
riodo relativamente largo. datos históricos de esa variable.
Componente estacional Un patrón de fluctuaciones en una serie Modelo ingenuo Un modelo de pronósticos de series de tiempo
de tiempo, por encima o por debajo de un valor promedio, que se en el que el pronóstico para el próximo periodo es el valor real
repite a intervalos regulares. para el periodo actual.
Constante de suavización Un valor entre 0 y 1 que se utiliza en un Modelos causales Modelos que pronostican mediante el uso de va-
pronóstico de suavización exponencial. riables y factores además del tiempo.
Datos desestacionalizados Datos de series de tiempo en los que Modelos cualitativos Modelos que pronostican mediante el uso del
cada valor se ha dividido entre su índice estacional para eliminar juicio, la experiencia y los datos cualitativos y subjetivos.
el efecto del componente estacional. Promedio móvil centrado Un promedio de los valores centrados
Delphi Una técnica de juicio que utiliza a tomadores de decisiones, en un punto determinado del tiempo. Se utiliza para calcular índi-
al personal y a encuestados para realizar pronósticos. ces estacionales cuando existe una tendencia.
Descomposición Un modelo de pronósticos que descompone una Promedio móvil ponderado Un método de pronósticos de prome-
serie de tiempo en sus componentes estacionales y de tendencia. dios móviles que coloca diferentes pesos a los valores pasados.
Desviación Un término que se utiliza en los pronósticos para nom- Promedios móviles Una técnica que promedia valores pasados en
brar al error. el cálculo de un pronóstico.
Desviación absoluta media (MAD) Una técnica para determinar Proyección de tendencia El uso de una línea de tendencia para
la exactitud de un modelo de pronósticos tomando el promedio pronosticar una serie de tiempo con la tendencia actual. Una línea
de las desviaciones absolutas. de tendencia lineal es una línea de regresión cuya variable inde-
Error La diferencia entre el valor real y el valor pronosticado. pendiente es el tiempo.
Error cuadrático medio (ECM) Una técnica para determinar la Señal de seguimiento Una medida de qué tan bien el pronóstico
exactitud de un modelo de pronósticos tomando el promedio de predice los valores reales.
los errores al cuadrado para un modelo de pronósticos. Sesgo Una técnica para determinar la precisión de un modelo de
Error porcentual absoluto medio (MAPE) Una técnica para deter- pronósticos con la medición del error promedio y su dirección.
minar la exactitud de un modelo de pronósticos tomando el pro- Suavización adaptativa El proceso de monitorear y ajustar auto-
medio de los errores absolutos como un porcentaje de los valores máticamente las constantes de suavización en un modelo de suavi-
observados. zación exponencial.
Grupo de tomadores de decisiones Un grupo de expertos en Suavización exponencial Un método de pronósticos que es una
la técnica Delphi que tiene la responsabilidad de realizar un combinación del último pronóstico y el último valor observado.
pronóstico. Suma de los errores de pronóstico corrientes (RSFE) Se utiliza
Índice estacional Un número índice que indica cómo se compara para desarrollar una señal de seguimiento para modelos de pro-
una estación particular con un periodo de tiempo promedio (un nósticos de series de tiempo, y es una suma acumulada de los
índice de 1 indica una estación promedio). errores que puede ser positiva o negativa.
Ecuaciones clave
g u error de pronóstico u error
(5-1) MAD = g` `
n real
(5-3) MAPE = 100%
Una medida del error de pronóstico global llamada desviación n
absoluta media. Una medida de la precisión de los pronósticos llamada error
porcentual absoluto medio.
g 1error2 2
(5-2) ECM = Suma de las demandas
n (5-4) Pronóstico
en n periodos anteriores
Una medida de la precisión de los pronósticos llamada error de promedios =
móviles n
cuadrático medio.
Una ecuación para realizar un pronóstico con promedios
móviles.

Yt + Yt - 1 + Á + Yt - n + 1 (5-10) Ft + 1 = FITt + a 1Yt - FITt 2

(5-5) Ft + 1 =
n Ecuación para actualizar el pronóstico suavizado 1Ft+12 que se
Una expresión matemática para un pronóstico con promedios usa en el modelo de suavización exponencial con ajuste a la
móviles. tendencia.
g 1Peso en el periodo i2 1Valor real en el periodo i 2 (5-11) Tt + 1 = Tt + b 1Ft + 1 - FITt 2

(5-6) Ft + 1 = Ecuación para actualizar el valor de la tendencia suavizada
g 1Pesos2
1Tt+12 que se utiliza en el modelo de suavización exponencial
Una ecuación para calcular un pronóstico con promedios mó-
con ajuste a la tendencia.
viles ponderados.
w1Yt + w2Yt - 1 + Á + wnYt - n + 1 (5-12) FITt + 1 = Ft + 1 + Tt + 1
(5-7) Ft + 1 =
w1 + w2 + Á + wn Ecuación para desarrollar pronósticos incluyendo la tendencia
(FIT) en el modelo de suavización exponencial con ajuste a la
Una expresión matemática para un pronóstico con promedios tendencia.
móviles ponderados.
RSFE
(5-8) Nuevo pronóstico = Pronóstico del último periodo + (5-13) Señal de seguimiento =
a 1Demanda real del último periodo - Pronóstico del último
MAD
periodo2 g 1error de pronóstico 2
=
Una ecuación para calcular un pronóstico con suavización MAD
exponencial. Una ecuación para monitorear los pronósticos con una señal
(5-9) Ft + 1 = Ft + a 1Yt - Ft 2 de seguimiento.
Ecuación 5-8 reescrita matemáticamente.
Problemas resueltos

La demanda de cirugías ambulatorias en el Hospital General de Washington ha aumentado constantemente en los
últimos años, como se observa en la siguiente tabla:
AÑO CIRUGÍAS AMBULATORIAS REALIZADAS
1 45
2 50
3 52
4 56
5 58
6 —
El director de servicios médicos predijo hace seis años que la demanda en el año 1 sería de 42 cirugías. Utilice
suavización exponencial con un peso de a = 0.20 para desarrollar los pronósticos de los años 2 a 6. ¿Cuál es la MAD?
Solución
AÑO REAL PRONÓSTICO (SUAVIZADO) ERROR |ERROR|
1 45 42 +3 3
2 50 42.6 = 42 + 0.2 145 - 422 + 7.4 7.4
3 52 44.1 = 42.6 + 0.2 150 - 42.62 + 7.9 7.9
4 56 45.7 = 44.1 + 0.2 152 - 44.12 + 10.3 10.3
5 58 47.7 = 45.7 + 0.2 156 - 45.72 + 10.3 10.3
6 — 49.8 = 47.7 + 0.2 158 - 47.72 — —
g errores 38.9 38.9

MAD = = = 7.78
n 5


La demanda trimestral de automóviles Jaguar XJ8 en un concesionario de Nueva York se pronostica con la ecuación
Ŷ = 10 + 3X
donde
X = periodo de tiempo (trimestre): trimestre 1 del año pasado = 0
trimestre 2 del año pasado = 1
trimestre 1 de este pasado = 4, y así sucesivamente
y
Ŷ = demanda trimestral predicha
La demanda de los sedanes de lujo es estacional, y los índices para los trimestres 1, 2, 3 y 4 son 0.80, 1.00, 1.30 y
0.90, respectivamente. Utilice la ecuación de tendencia para pronosticar la demanda en cada trimestre del próximo
año. Después, ajuste cada pronóstico a las variaciones estacionales (trimestrales).
Solución
El trimestre 2 de este año se codifica X = 5; el trimestre 3 de este año, X = 6, y el trimestre 4 de este año, X = 7.
Por lo tanto, el trimestre 1 del próximo año se codifica X = 8; el trimestre 2, X = 9; etcétera.
Ŷ 1trimestre 1 del próximo año2 = 10 + 132 182 = 34 Pronóstico ajustado = 10.802 1342 = 27.2
Ŷ 1trimestre 2 del próximo año2 = 10 + 132 192 = 37 Pronóstico ajustado = 11.002 1372 = 37
Ŷ 1trimestre 3 del próximo año2 = 10 + 132 1102 = 40 Pronóstico ajustado = 11.302 1402 = 52
Ŷ 1trimestre 4 del próximo año2 = 10 + 132 1112 = 43 Pronóstico ajustado = 10.902 1432 = 38.7
Autoevaluación
1. Los modelos de pronósticos cualitativos incluyen c. suavización exponencial

a. análisis de regresión. d. regresión múltiple
b. Delphi. 5. ¿Cuál de los siguientes no es un componente de una serie de
c. modelos de series de tiempo. tiempo?
d. líneas de tendencia. a. estacionalidad
2. Un modelo de pronósticos que sólo utiliza datos históricos para b. variaciones causales
la variable a pronosticar se llama c. tendencia
a. modelo de series de tiempo. d. variaciones aleatorias
b. modelo causal. 6. ¿Cuál de los siguientes puede ser negativo?
c. modelo Delphi. a. MAD
d. modelo variable. b. sesgo
3. Un ejemplo de un modelo causal es (son) c. MAPE
a. la suavización exponencial. d. ECM
b. las proyecciones de tendencia. 7. Al comparar varios modelos de pronósticos para determinar
c. los promedios móviles. cuál se ajusta mejor a un determinado conjunto de datos, el
d. el análisis de regresión. modelo que se debería seleccionar es aquél
4. ¿Cuál de los siguientes es un modelo de series de tiempo? a. con el ECM más alto.
a. modelo Delphi b. con la MAD más cercana a 1.
b. análisis de regresión c. con un sesgo de 0.
d. con la MAD más baja.

8. En la suavización exponencial, si desea dar un peso significativo b. las ventas de enero tienden a ser 20% mayores que en un
a las observaciones más recientes, entonces la constante de mes promedio.
suavización debe ser c. las ventas de enero tienden a ser 80% menores que en
a. cercana a 0. un mes promedio.
b. cercana a 1. d. las ventas de enero tienden a ser 20% menores que en un
c. cercana a 0.5. mes promedio.
d. menor que el error. 13. Si en una serie de tiempo existen componentes de tendencia y
9. Una ecuación de tendencia es una ecuación de regresión donde estacionales, entonces los índices estacionales
a. hay múltiples variables independientes. a. deberían calcularse con base en un promedio general.
b. la intersección y la pendiente son iguales. b. deberían calcularse con base en los CMA.
c. la variable dependiente es el tiempo. c. serán todos mayores que 1.
d. la variable independiente es el tiempo. d. deberían ignorarse en el desarrollo del pronóstico.
10. Por lo general, las ventas de una empresa son más altas en los 14. ¿Cuál de las siguientes opciones se usa para alertar al usuario
meses de verano que en los meses de invierno. Esta variación de un modelo de pronósticos de que se ha producido un error
se denomina importante en uno de los periodos?
a. tendencia. a. un índice estacional
b. factor estacional. b. una constante de suavización
c. factor aleatorio. c. una señal de seguimiento
d. factor cíclico. d. un coeficiente de regresión
11. Un pronóstico de suavización exponencial con una constante de 15. Si se utiliza el modelo de descomposición multiplicativa para
suavización de 1 daría el mismo resultado que pronosticar las ventas diarias de una tienda, ¿cuántas estaciones
a. un pronóstico de línea de tendencia. habrá?
b. un pronóstico de suavización exponencial con una constante a. 4
de suavización de 0. b. 7
c. un pronóstico ingenuo. c. 12
d. un pronóstico por promedios móviles de 2 periodos. d. 365
12. Si el índice estacional para enero es de 0.80, entonces
a. las ventas de enero tienden a ser 80% mayores que en un
mes promedio.

Preguntas para análisis 5-11 ¿Cómo se remueve el impacto de la estacionalidad de una
5-1 Describa brevemente los pasos utilizados para desarrollar serie de tiempo?
un sistema de pronósticos. 5-12 Al utilizar el método de descomposición, el pronóstico
5-2 ¿Qué es un modelo de pronósticos de series de tiempo? con base en la tendencia se encuentra usando una línea de
tendencia. ¿Cómo se utiliza el índice estacional para ajus-
5-3 ¿Cuál es la diferencia entre un modelo causal y un modelo
tar este pronóstico basado en la tendencia?
de series de tiempo?
5-13 Explique qué pasaría si la constante de suavización en un
5-4 ¿Qué es un modelo de pronósticos cualitativo, y cuándo es
modelo de suavización exponencial fuera igual a cero.
apropiado?
Explique qué pasaría si la constante de suavización fuera
5-5 ¿Cuáles son algunos de los problemas e inconvenientes igual a uno.
del modelo de pronósticos por promedios móviles?
5-14 Explique cuándo se debería usar un CMA (en lugar de un
5-6 ¿Qué efecto tiene el valor de la constante de suavización promedio general) para el cálculo de un índice estacional.
sobre el peso dado al pronóstico pasado y al valor obser- Explique por qué esto es necesario.
vado pasado?
5-7 Describa brevemente la técnica Delphi. Problemas
5-8 ¿Qué es la MAD, y por qué es importante en la selección 5-15 Desarrolle un pronóstico por promedios móviles de cuatro
y el uso de modelos de pronósticos? meses para Wallace Garden Supply y calcule la MAD. En
5-9 Explique cómo se determina el número de estaciones al la tabla 5.2 de la sección de promedios móviles se desarro-
pronosticar con un componente estacional. lló un pronóstico con un promedio móvil de tres meses.
5-10 Un índice estacional puede ser menor que uno, igual a uno 5-16 Use la MAD para determinar si el pronóstico del pro-
o mayor que uno. Explique qué significaría cada uno de blema 5-15 es más preciso que el pronóstico en la sección
estos valores. relativa a Wallace Garden Supply.

5-17 En la siguiente tabla se muestran los datos recopilados so- 5-23 ¿Qué efecto tuvieron las constantes de suavización so-
bre la demanda anual de bolsas de 50 libras de fertilizante bre el pronóstico de los aires acondicionados Cool-Man?
en Wallace Garden Supply. Desarrolle un promedio móvil (Consulte los problemas 5-21 y 5-22). ¿Qué constante de
de 3 años para pronosticar las ventas. Después, estime de suavización muestra el pronóstico más preciso?
nuevo la demanda con un promedio móvil ponderado en 5-24 Utilice un modelo de pronósticos por promedios móviles
el que las ventas del último año tengan un peso de 2 y las de tres años para pronosticar las ventas de aparatos de aire
ventas en los otros 2 años tengan cada uno un peso de 1. acondicionado Cool-Man (vea el problema 5.21).
¿Qué método cree usted que sea el mejor? 5-25 Utilice el método de proyección de tendencia para desarro-
llar un modelo de pronósticos para las ventas de aparatos
DEMANDA DE FERTILIZANTE
AÑO (MILES DE BOLSAS)
de aire acondicionado Cool-Man (vea el problema 5-21).
5-26 ¿Utilizaría usted suavización exponencial con una cons-
1 4
tante de suavización de 0.3, un promedio móvil de 3 años
2 6 o una línea de tendencia para pronosticar las ventas de
3 4 aparatos de aire acondicionado Cool-Man? Consulte los
4 5 problemas 5-21, 5-24 y 5-25.
5 10 5-27 Las ventas de aspiradoras industriales en R. Lowenthal
6 8 Supply Co. en los últimos 13 meses son las siguientes:
7 7 VENTAS VENTAS
8 9 (MILES DE $) MES (MILES DE $) MES
9 12 11 Enero 14 Agosto
10 14 14 Febrero 17 Septiembre
11 15 16 Marzo 12 Octubre
5-18 Desarrolle una línea de tendencia para la demanda de fer- 10 Abril 14 Noviembre
tilizante del problema 5-17; para ello, utilice cualquier 15 Mayo 16 Diciembre
software. 17 Junio 11 Enero
5-19 En los problemas 5-17 y 5-18, se desarrollaron tres pro- 11 Julio
yecciones diferentes para la demanda de fertilizantes. Es-
(a) Use un promedio móvil con tres periodos para deter-
tos tres pronósticos son un promedio móvil de 3 años, un
minar la demanda de aspiradoras en el próximo mes
promedio móvil ponderado y una línea de tendencia. ¿Cuál
de febrero.
usaría usted? Explique su respuesta.
(b) Use un promedio móvil ponderado con tres periodos
5-20 Use suavización exponencial con una constante de suavi- para determinar la demanda de aspiradoras en febrero.
zación de 0.3 para pronosticar la demanda de fertilizante Utilice 3, 2 y 1 como los pesos de los periodos úl-
dada en el problema 5-17. Para iniciar el procedimiento, timo, penúltimo y antepenúltimo, respectivamente.
suponga que el pronóstico para el último periodo del año Por ejemplo, si usted quisiera pronosticar la demanda
1 es de 5,000 bolsas. ¿Qué prefiere usar, el modelo de sua- de febrero, noviembre tendría un peso de 1, diciembre
vización exponencial o el modelo de promedios móviles tendría un peso de 2 y enero tendría un peso de 3.
ponderados que se empleó en el problema 5-17? Explique (c) Evalúe la precisión de cada uno de estos métodos.
su respuesta. (d) ¿Qué otros factores podría R. Lowenthal tomar en
5-21 Las ventas de aparatos de aire acondicionado Cool-Man cuenta para pronosticar las ventas?
han crecido constantemente durante los últimos 5 años: 5-28 En la siguiente tabla, se muestran las millas voladas por
pasajero durante los últimos 12 meses en Northeast Air-
AÑO VENTAS
lines, una empresa de transporte que da servicio al centro
1 450 de operaciones de Boston:
2 495
PASAJERO REAL PASAJERO REAL
3 518
SEMANA MILLAS (MILES) SEMANA MILLAS (MILES)
4 563
1 17 7 20
5 584
6 ? 2 21 8 18
3 19 9 22
El gerente de ventas había pronosticado, antes de iniciar 4 23 10 20
con el negocio, que las ventas del año 1 serían de 410 apa-
5 18 11 15
ratos de aire acondicionado. Use suavización exponencial
con un peso de a = 0.30 para desarrollar los pronósticos 6 16 12 22
de los años 2 a 6. (a) Si se supone un pronóstico inicial para la semana 1
5-22 Utilice constantes de suavización de 0.6 y 0.9 para desa- de 17,000 millas, utilice suavización exponencial
rrollar los pronósticos de las ventas de aparatos de aire para calcular las millas de las semanas 2 a 12. Utilice
acondicionado Cool-Man (vea el problema 5-21). a = 0.2.

(b) ¿Cuál es la MAD para este modelo? (a) Calcule los índices estacionales para cada trimestre,
(c) Calcule la RSFE y las señales de seguimiento. ¿Están con base en un CMA.
dentro de los límites aceptables? (b) Desestacionalice los datos y desarrolle una línea de
5-29 Las llamadas de emergencia al sistema 911 en Winter tendencia sobre los datos desestacionalizados.
Park, Florida, durante las últimas 24 semanas son las (c) Utilice la línea de tendencia para pronosticar las ven-
siguientes: tas de cada trimestre del año 5.
(d) Utilice los índices estacionales para ajustar los pro-
SEMANA LLAM. SEMANA LLAM. SEMANA LLAM.
nósticos encontrados en el inciso (c) y obtener los
1 50 9 35 17 55
pronósticos definitivos.
2 35 10 20 18 40 5-34 Utilice los datos del problema 5-33 para desarrollar un mo-
3 25 11 15 19 35 delo de regresión múltiple que prediga las ventas (con com-
4 40 12 40 20 60 ponentes de tendencia y estacionales), uso variables ficticias
5 45 13 55 21 75 para incorporar el factor estacional al modelo. Utilice este
6 35 14 35 22 50 modelo para pronosticar las ventas de cada trimestre en el
7 20 15 25 23 40 próximo año. Comente sobre la exactitud de este modelo.
8 30 16 55 24 65 5-35 Trevor Harty, un ávido ciclista de montaña, siempre quiso
iniciar un negocio de venta de bicicletas de montaña y otros
(a) Calcule el pronóstico exponencialmente suavizado suministros para actividades al aire libre. Hace un poco más
de las llamadas semanales. Suponga un pronóstico de 6 años, él y un socio silencioso abrieron una tienda lla-
inicial de 50 llamadas en la primera semana y utilice mada Hale y Harty Trail Bikes and Supplies. El negocio cre-
a = 0.1. ¿Cuál es el pronóstico para la semana 25? ció rápidamente los primeros 2 años pero, desde entonces,
(b) Pronostique de nuevo cada periodo usando a = 0.6. el crecimiento de las ventas ha disminuido un poco, como
(c) Las llamadas reales durante la semana 25 fueron 85. era de esperarse. En la siguiente tabla se muestran las ventas
¿Qué constante de suavización ofrece un pronóstico trimestrales (en miles de $) durante los últimos 4 años:
superior?
5-30 ¿Cómo cambiaría el pronóstico para la semana 25 del pro- AÑO 1 AÑO 2 AÑO 3 AÑO 4
blema anterior, si el pronóstico inicial fuera 40 en vez de TRIMESTRE 1 274 282 282 296
50? ¿Cómo cambiaría el pronóstico para la semana 25 si
TRIMESTRE 2 172 178 182 210
se supone que el pronóstico para la semana 1 es de 60?
5-31 Los ingresos por consultoría en Kate Walsh Associates TRIMESTRE 3 130 136 134 158
para el periodo de febrero a julio han sido los siguientes: TRIMESTRE 4 162 168 170 182
MES INGRESOS (MILES DE $) (a) Desarrolle una línea de tendencia utilizando los datos
Febrero 70.0 de la tabla. Use esto para pronosticar las ventas de
Marzo 68.5 cada trimestre del año 5. ¿Qué indica la pendiente
Abril 64.8 de esta línea?
(b) Utilice el modelo de descomposición multiplicativa
Mayo 71.7
para incorporar los componentes de tendencia y es-
Junio 71.3
tacionales al pronóstico. ¿Qué indica la pendiente de
Julio 72.8 esta línea?
Utilice la suavización exponencial para pronosticar los in- (c) Compare la pendiente de la línea de tendencia del in-
gresos de agosto. Suponga que el pronóstico inicial para ciso (a) con la pendiente de la línea de tendencia para
febrero es de $65,000. La constante de suavización selec- el modelo de descomposición basado en las cifras de
cionada es a = 0.1. ventas desestacionalizadas. Comente por qué son tan
5-32 Resuelva el problema 5-31 con a = 0.3. Con base en la diferentes y explique cuál es mejor.
MAD, ¿qué constante de suavización proporciona un 5-36 En la siguiente tabla, se presentan las tasas de desempleo
mejor pronóstico? en Estados Unidos durante un periodo de 10 años. Utilice
5-33 Una fuente importante de ingresos en Texas es un im- la suavización exponencial para encontrar el mejor pro-
puesto estatal sobre las ventas en ciertos tipos de bienes nóstico del año próximo. Utilice constantes de suaviza-
y servicios. Se recopilan datos y el contralor del estado ción de 0.2, 0.4, 0.6 y 0.8. ¿Cuál tiene la menor MAD?
los utiliza para proyectar los ingresos futuros para el pre- AÑO 1 2 3 4 5 6 7 8 9 10
supuesto del estado. Una categoría especial de bienes
Tasa de 7.2 7.0 6.2 5.5 5.3 5.5 6.7 7.4 6.8 6.1
se clasifica como comercio minorista. A continuación se
desempleo (%)
muestran cuatro años de datos trimestrales (en millones de
dólares) para una área específica del sureste de Texas: 5-37 La administración de la tienda departamental Davis ha uti-
lizado la extrapolación de series de tiempo para pronosticar
TRIMESTRE AÑO 1 AÑO 2 AÑO 3 AÑO 4 las ventas al por menor en los próximos cuatro trimestres.
1 218 225 234 250 Las estimaciones de ventas son de $100,000, $120,000,
2 247 254 265 283 $140,000 y $160,000 para los respectivos trimestres antes
3 243 255 264 289 de ajustarlos por estacionalidad. Se ha encontrado que los
4 292 299 327 356 índices estacionales para los cuatro trimestres son 1.30,

0.90, 0.70 y 1.10, respectivamente. Calcule un pronóstico 5-41 Consulte los datos del DJIA en el problema 5-39.
de ventas estacionalizado o ajustado. (a) Utilice un modelo de suavización exponencial con
5-38 En el pasado, la distribuidora de neumáticos de Judy Hol- una constante de suavización de 0.4 para pronosticar
mes vendió un promedio de 1,000 neumáticos radiales el valor de apertura del índice Dow Jones en 2014.
cada año. En los últimos dos años se vendieron, respecti- Encuentre el ECM de esto.
vamente, 200 y 250 en el otoño, 350 y 300 en el invierno, (b) Use QM para Windows o Excel y encuentre la constan-
150 y 165 en la primavera y 300 y 285 en el verano. De- te de suavización que proporcione el ECM más bajo.
bido a una gran expansión planeada, Judy proyecta que 5-42 La siguiente tabla proporciona el tipo de cambio mensual
las ventas aumenten el próximo año a 1,200 neumáticos promedio entre el dólar estadounidense y el euro para el
radiales. ¿Cuál será la demanda cada temporada? año 2009. Esto muestra que 1 euro era equivalente a 1.289
5-39 La tabla siguiente proporciona valor de apertura del índice dólares estadounidenses en enero de 2009. Desarrolle una
Dow Jones Industrial Average (DJIA) el primer día hábil línea de tendencia que se podría utilizar para pronosticar
de 1994 a 2013: el tipo de cambio en 2010. Utilice este modelo para pro-
Desarrolle una línea de tendencia y utilícela para pronosti- nosticar el tipo de cambio para enero y febrero de 2010.
car el valor de apertura del índice Dow Jones para los años
2014, 2015 y 2016. Encuentre el ECM para este modelo. MES TIPO DE CAMBIO
Enero 1.289
AÑO DJIA AÑO DJIA
Febrero 1.324
2013 13,104 2003 8,342
Marzo 1.321
2012 12,392 2002 10,022
Abril 1.317
2011 11,577 2001 10,791
Mayo 1.280
2010 10,431 2000 11,502
Junio 1.254
2009 8,772 1999 9,213
Julio 1.230
2008 13,262 1998 7,908
Agosto 1.240
2007 12,460 1997 6,448
Septiembre 1.287
2006 10,718 1996 5,117
Octubre 1.298
2005 10,784 1995 3,834
Noviembre 1.283
2004 10,453 1994 3,754
Diciembre 1.311
5-40 Con los datos del DJIA en el problema 5-39, utilice la sua-
vización exponencial con ajuste a la tendencia para pro- 5-43 Para los datos del problema 5-42, desarrolle un modelo de
nosticar el valor de apertura del DJIA para 2014. Utilice suavización exponencial con una constante de suavización
a = 0.8 y b = 0.2. Compare el ECM para esta técnica con de 0.3. Utilice el ECM para comparar esto con el mode-
el ECM para la línea de tendencia. lo del problema 5-42.
Estudio de caso
Pronóstico de asistencia a los partidos de fútbol americano en la SWU
La Southwestern University (SWU), una universidad estatal grande Bob Taylor como su entrenador en jefe. Aunque el número uno de la
en Stephenville, Texas, que se encuentra a 30 millas al suroeste del clasificación se mantuvo fuera de su alcance, la asistencia a los cinco
área metropolitana de Dallas/Fort Worth, cuenta con una matrícula partidos sabatinos en casa aumenta cada año. Antes de la llegada de
cercana a los 20,000 estudiantes. En una relación típica con la ciudad Taylor, la asistencia general promediaba entre 25,000 y 29,000 aficio-
que la recibe, la universidad es una fuerza dominante en la localidad, nados por partido. La venta de entradas para la temporada se elevó en
con más estudiantes durante el otoño y la primavera que residentes 10,000 solamente con el anuncio de la llegada del nuevo entrenador.
permanentes. ¡Stephenville y la SWU estaban listos para grandes cosas!
La SWU, una fuente histórica inagotable de fútbol americano, es Sin embargo, el problema inmediato que enfrentó la SWU, no
miembro de la conferencia de los Once Grandes y, por lo general, se fue la clasificación de la NCAA, sino su capacidad. El estadio exis-
encuentra entre los 20 equipos mejor clasificados del fútbol americano tente de la SWU, construido en 1953, tiene una capacidad para 54,000
universitario. Para reforzar sus posibilidades de llegar al esquivo y tan aficionados. La siguiente tabla indica la asistencia a cada partido en
anhelado primer lugar, en 2008, la SWU contrató al legendario Billy los últimos seis años.

ESTUDIO DE CASO 185
Una de las demandas de Taylor al incorporarse a la SWU había los ingresos, suponiendo un precio promedio de entrada de $20 en
sido una ampliación del estadio, o incluso un posible nuevo estadio. 2014 y un aumento de 5% anual en los precios futuros.
Con la asistencia cada vez mayor, los administradores de la SWU co-
menzaron a enfrentar el problema. Taylor había pedido dormitorios
únicamente para sus atletas en el estadio, como una característica adi-
Preguntas para análisis
cional de cualquier expansión. 1. Desarrolle un modelo de pronósticos, justifique su selección
El rector de la SWU, el doctor Marty Starr, decidió que era hora frente a otras técnicas, y proyecte la asistencia hasta el año 2015.
de que su vicepresidente de desarrollo pronosticara cuándo el estadio 2. ¿Qué ingresos se esperan en 2014 y 2015?
existente estaría “a su máximo”. También buscaba una proyección de 3. Comente las opciones de la escuela.
Asistencia a los juegos de futbol de la Southwestern University, 2008-2013
2008 2009 2010
JUEGO ASISTENTES ADVERSARIO ASISTENTES ADVERSARIO ASISTENTES ADVERSARIO
1 34,200 Baylor 36,100 Oklahoma 35,900 TCU

*
2 39,800 Texas 40,200 Nebraska 46,500 Texas Tech
3 38,200 LSU 39,100 UCLA 43,100 Alaska
**
4 26,900 Arkansas 25,300 Nevada 27,900 Arizona
5 35,100 USC 36,200 Ohio State 39,200 Rice
2011 2012 2013
JUEGO ASISTENTES ADVERSARIO ASISTENTES ADVERSARIO ASISTENTES ADVERSARIO
1 41,900 Arkansas 42,500 Indiana 46,900 LSU

*
2 46,100 Missouri 48,200 North Texas 50,100 Texas
3 43,900 Florida 44,200 Texas A&M 45,900 Prairie View
A&M
4** 30,100 Miami 33,900 Southern 36,300 Montana
5 40,500 Duke 47,800 Oklahoma 49,900 Arizona State
*
Partidos en casa
**
Durante la cuarta semana de cada temporada, Stephenville organiza un muy popular festival de artes del suroeste. Este evento reúne a
decenas de miles de turistas en la ciudad, especialmente los fines de semana, y tiene un impacto negativo en la asistencia a los partidos.
Fuente: J. Heizer y B. Render. Administración de operaciones, 11a. ed. Upper Saddle River, Nueva Jersey: Pearson, 2014, p. 148.
Estudio de caso
Pronóstico mensual de ventas
Durante años, el restaurante Glass Slipper ha operado en una comuni- de una cena gourmet. Desde su apertura, Glass Slipper ha desarro-
dad turística cerca de una zona de esquí en Nuevo México. El restau- llado y mantenido una reputación como uno de los lugares que se “de-
rante es más activo durante los primeros 3 meses del año, cuando las ben visitar” en esa región de Nuevo México.
pistas están llenas y los turistas acuden a la zona. Aunque James disfruta esquiar y verdaderamente aprecia la
Cuando James y Deena Weltee construyeron Glass Slipper, te- montaña y todo lo que ésta tiene para ofrecer, también comparte el
nían una visión de la experiencia culinaria suprema. Debido a que sueño de Deena de retirarse a un paraíso tropical y disfrutar de un
el paisaje montañoso circundante es impresionante, dieron énfasis estilo de vida más relajado en la playa. Después de un cuidadoso
a grandes ventanales que proporcionan una vista espectacular desde análisis de su situación financiera, sabían que la jubilación estaba
cualquier lugar dentro del restaurante. También prestaron atención a muchos años de distancia. Sin embargo, elaboraron un plan que
especial a la iluminación, los colores y el ambiente en general; obte- los acercara a su sueño. Decidieron vender Glass Slipper y abrir
niendo una magnífica experiencia para todos los que desean disfrutar una posada (con hospedaje y desayuno) en una hermosa playa de

TABLA 5.13 sabían que la contratación del administrador indicado permitiría

Ingresos mensuales (miles de $) que James y Deena comenzarán de inmediato un semirretiro en un
rincón del paraíso.
Para que esto suceda, James y Deena tendrían que vender Glass
MES 2011 2012 2013
Slipper por el precio correcto. El precio de la empresa se basa en el
Enero 438 444 450 valor de la propiedad y el equipo, así como en las proyecciones de
Febrero 420 425 438
ingresos futuros. Se requiere un pronóstico de ventas para el próximo
año, con la finalidad de determinar el valor del restaurante. En la ta-
Marzo 414 423 434 bla 5.13, se presentan las ventas mensuales en cada uno de los últi-
Abril 318 331 338 mos 3 años.
Mayo 306 318 331
Junio 240 245 254 Preguntas para análisis
Julio 240 255 264 1. Prepare una gráfica de los datos. En esta misma gráfica, repre-
Agosto 216 223 231 sente un pronóstico por promedios móviles de 12 meses. Co-
mente cualquier tendencia y patrón estacional que sea evidente.
Septiembre 198 210 224 2. Use la regresión para desarrollar una línea de tendencia que se
Octubre 225 233 243 podría utilizar para pronosticar las ventas mensuales del año
Noviembre 270 278 289 próximo. ¿Es la pendiente de esta línea consistente con lo que
observó en la pregunta 1? Si no es así, proporcione una posible
Diciembre 315 322 335
explicación.
3. Utilice el modelo de descomposición multiplicativa en es-
tos datos. Use este modelo para pronosticar las ventas de cada
México. Aunque esto significaba que aún había trabajo en su fu- mes durante el año próximo. Comente por qué la pendiente de
turo, podrían despertar por las mañanas con la vista del viento en la ecuación de tendencia con este modelo es tan diferente de la
las palmeras y las olas rompiendo en la orilla del mar. También ecuación de tendencia encontrada en la pregunta 2.
Estudio de caso en Internet

Visite nuestra página en Internet, www.pearsonenespañol.com/render, y consulte el estudio de caso
adicional sobre Akron Zoological Park. Este caso involucra el pronóstico de la asistencia al parque
zoológico de Akron.
Bibliografía
Billah, Baki, Maxwell L. King, Ralph D. Snyder y Anne B. Koehler. “Exponential Hyndman, Rob J. “The Interaction Between Trend and Seasonality”, International
Smoothing Model Selection for Forecasting”, International Journal of Journal of Forecasting 20, 4 (octubre-diciembre de 2004): 561-563.
Forecasting 22, 2 (abril-junio de 2006): 239-247. Hyndman, Rob J. y Anne B. Koehler. “Another Look at Measures of Forecast
Black, Ken. Business Statistics: For Contemporary Decision Making, 7a. ed. John Accuracy”, International Journal of Forecasting 22, 4 (octubre de 2006):
Wiley & Sons, Inc., 2012. 679-688.
Diebold, F. X. Elements of Forecasting, 4a. ed. Cincinnati: Cengage College Levine, David M., David F. Stephan y Kathryn A. Szabat. Statistics for Managers
Publishing, 2007. Using Microsoft Excel, 7a. ed. Upper Saddle River, NJ: Pearson, 2014.
Gardner, Everette Jr. “Exponential Smoothing: The State of the Art—Part II”, Meade, Nigel. “Evidence for the Selection of Forecasting Methods”, Journal of
International Journal of Forecasting 22, 4 (octubre de 2006): 637-666. Forecasting 19, 6 (noviembre de 2000): 515-535.
Granger, Clive W. y J. M. Hashem Pesaran. “Economic and Statistical Measures Snyder, Ralph D. y Roland G. Shami. “Exponential Smoothing of Seasonal Data:
of Forecast Accuracy”, Journal of Forecasting 19, 7 (diciembre de 2000): A Comparison”, Journal of Forecasting 20, 3 (abril de 2001): 197-202.
537-560. Yurkiewicz, J. “Forecasting Software Survey”, OR/MS Today 39, 3 (junio de
Hanke, J. E. y D. W. Wichern. Business Forecasting, 9a. ed. Upper Saddle River, 2012): 52-61.
NJ: Prentice Hall, 2009.
Heizer, J. y B. Render. Operations Management, 9a. ed. Upper Saddle River, NJ:
Prentice Hall, 2008.

CAPÍTULO 6
Modelos de control
de inventarios
1. Comprender la importancia del control de 6. Describir el uso de la planeación de las
inventarios y el análisis ABC. necesidades de materiales para resolver
2. Utilizar la cantidad económica de pedido (EOQ) problemas de inventario y de demanda
para determinar la cantidad a ordenar. dependiente.
3. Calcular el punto de reorden (ROP) para determinar 7. Analizar los conceptos del inventario justo a
cuándo se debe pedir más inventario. tiempo para reducir los niveles y los costos de
4. Manejar problemas de inventario que permiten inventario.
descuentos por cantidad o recepción no instantánea. 8. Analizar los sistemas de planeación de recursos
5. Entender el uso del inventario de seguridad. empresariales.

6.1 Introducción 6.7 Modelos de descuento por cantidad
6.2 Importancia del control de inventarios 6.8 Uso del inventario de seguridad
6.3 Decisiones de inventario 6.9 Modelos de inventario de un solo periodo
6.4 Cantidad económica de pedido: determinación de 6.10 Análisis ABC
la cantidad a ordenar 6.11 Demanda dependiente: el caso de la planeación
6.5 Punto de reorden: determinación de cuándo hacer de las necesidades de materiales
un pedido 6.12 Control de inventarios justo a tiempo
6.6 EOQ sin el supuesto de recepción instantánea 6.13 Planeación de recursos empresariales
Resumen • Glosario • Ecuaciones clave • Problemas resueltos • Autoevaluación • Preguntas para análisis y problemas •
Estudio de caso: Martin-Pullin Bicycle Corporation • Estudios de caso en Internet • Bibliografía
Apéndice 6.1: Control de inventarios con QM para Windows
187

188 CAPÍTULO 6 • MODELOS DE CONTROL DE INVENTARIOS
6.1 Introducción
El inventario es uno de los activos más costosos e importantes para muchas empresas, en ocasiones repre-
senta hasta 50% del capital total invertido. Los administradores han reconocido desde hace tiempo que
un buen control del inventario es crucial. Por un lado, una empresa puede tratar de reducir los costos me-
diante la reducción de los niveles de inventario disponible. Por otro lado, los clientes pueden estar insatis-
fechos cuando existe escasez de inventarios, llamado desabasto, en forma frecuente. Por consiguiente, las
empresas deben encontrar un equilibrio entre los niveles bajos y altos de inventario. Como es de esperarse,
la minimización de costos es el factor principal en la obtención de este delicado equilibrio.
El inventario es cualquier recurso El inventario es cualquier recurso almacenado que se utiliza para satisfacer una necesidad actual o
almacenado que se utiliza para futura. Las materias primas, el trabajo en proceso y los productos terminados son ejemplos de inventario.
satisfacer una necesidad actual Los niveles de inventario de productos terminados están en función directa de la demanda. Por ejemplo,
o futura. cuando se determina la demanda de secadoras de ropa terminadas, es posible utilizar esta información para
calcular la cantidad de lámina metálica, pintura, motores eléctricos, interruptores y otras materias primas,
así como el trabajo en proceso, que son necesarios para obtener el producto terminado.
Todas las organizaciones tienen algún tipo de sistema para la planeación y el control del inventario.
Un banco tiene métodos para controlar su inventario de efectivo. Un hospital cuenta con métodos para
controlar los suministros de sangre y otros elementos importantes. Los gobiernos estatales y federales, las
escuelas, y prácticamente todas las organizaciones de manufactura y producción, se ocupan de la planea-
ción y el control de inventarios. El estudio de la forma en que las organizaciones controlan su inventario
es equivalente a estudiar cómo alcanzan sus objetivos mediante el suministro de bienes y servicios a sus
clientes. El inventario es el hilo común que une a todas las funciones y los departamentos de la organiza-
ción en su conjunto.
En la figura 6.1 se ilustran los componentes básicos de un sistema de planeación y control de inven-
tarios. La fase de planeación se ocupa principalmente del inventario que debe ser almacenado y la forma
en que se va a adquirir (si se va a fabricar o a comprar). Esta información se utiliza luego en el pronóstico
de la demanda para el inventario y en el control de los niveles de inventario. El ciclo de retroalimentación
en la figura 6.1 presenta una manera de revisar el plan y el pronóstico con base en la experiencia y la
observación.
A través de la planeación del inventario, una organización determina qué bienes y/o servicios se van a
producir. En el caso de los productos físicos, la organización también debe decidir si producirá estos bienes
o los comprará a otro fabricante. Cuando esto se ha determinado, el siguiente paso consiste en pronosticar
la demanda. Como se estudió en el capítulo 5, hay muchas técnicas matemáticas que pueden utilizarse para
pronosticar la demanda de un producto específico. En este capítulo se da énfasis al control de inventarios,
es decir, a la forma de mantener los niveles de inventario adecuados dentro de una organización.
FIGURA 6.1
Planeación y control Planeación
del inventario sobre qué
almacenar y
cómo adquirirlo
Mediciones de
retroalimentación Pronóstico
para revisar de la demanda de
los planes y piezas/productos
pronósticos
Control de
los niveles
de inventario

6.2 IMPORTANCIA DEL CONTROL DE INVENTARIOS 189
6.2 Importancia del control de inventarios

El control de inventarios cumple varias funciones importantes y agrega una gran flexibilidad a la operación
de las compañías. Considere los siguientes cinco usos del inventario:
1. La función de desacoplamiento
2. Almacenamiento de recursos
3. Oferta y demanda irregulares
4. Descuentos por cantidad
5. Prevención del desabasto y la escasez
Función de desacoplamiento
Una de las principales funciones del inventario es desacoplar los procesos de fabricación dentro de la
organización. Si no se almacenara inventario, podría haber muchos retrasos e ineficiencias. Por ejemplo,
cuando es necesario completar una actividad de fabricación antes de que se inicie una segunda actividad, la
El inventario puede actuar como falta de inventario podría detener todo el proceso. Sin embargo, cuando existe algún inventario almacenado
amortiguador. entre los procesos, éste podría actuar como amortiguador.
Almacenamiento de recursos
Los productos agrícolas y del mar suelen tener estaciones definidas en las que pueden cosecharse o captu-
rarse, pero la demanda de estos productos es algo constante durante el año. En estos y otros casos simila-
res, el inventario se suele utilizar para almacenar los recursos.
En un proceso de fabricación, las materias primas pueden almacenarse como tales, como trabajo
en proceso o como producto terminado. Por lo tanto, si su compañía fabrica cortadoras de césped,
es posible que pueda adquirir neumáticos para cortadora de césped de otro fabricante. Si usted tiene
400 cortadoras de césped terminadas y 300 neumáticos en inventario, en realidad tiene 1,900 neumáti-
cos almacenados en inventario. Trescientos neumáticos están almacenados como tales y 1,600 neumáticos
(1,600 = 4 neumáticos por cortadora de césped * 400 cortadoras de césped) están almacenados en las
Los recursos se pueden almacenar cortadoras de césped terminadas. En el mismo sentido, la mano de obra se puede almacenar en inven-
en el trabajo en proceso. tario. Si usted tiene 500 subensambles y se requieren 50 horas de trabajo para producir cada ensamble,
en realidad tiene 25,000 horas de trabajo almacenadas en el inventario de subensambles. En general,
cualquier recurso, físico o de otro tipo, se puede almacenar en inventario.
Oferta y demanda irregulares

Cuando la oferta o la demanda de un artículo en inventario son irregulares, el almacenamiento de ciertas
cantidades de inventario puede ser importante. Si la mayor demanda de la bebida de dieta Delight se da
durante el verano, es necesario asegurarse de que haya suficiente oferta para satisfacer esta demanda irre-
El inventario puede compensar gular. Lo anterior puede requerir la producción de una mayor cantidad de bebida en el invierno que la que
los patrones de demanda y oferta realmente se necesita para satisfacer la demanda de esa temporada. Los niveles de inventario de la bebida
irregulares. Delight se acumularían gradualmente durante el invierno, pero se utilizarían en el verano. El mismo princi-
pio es aplicable para la oferta irregular.
Descuentos por cantidad

Otro uso del inventario es tomar ventaja de los descuentos por cantidad. Muchos proveedores ofrecen
descuentos por realizar grandes pedidos. Por ejemplo, una sierra eléctrica podría costar normalmente $20
por unidad. Si pide 300 o más sierras en una orden, su proveedor disminuiría el costo a $18.75. La compra
Las compras a granel pueden en cantidades más grandes suele reducir significativamente el costo de los productos. Sin embargo, existen
representar una ventaja económica. algunas desventajas de comprar en grandes cantidades. Se tendrán mayores costos de almacenamiento y
costos más altos debido a deterioro, inventario dañado, hurtos, seguros, etcétera. Por otro lado, al invertir
en más inventario, habrá menos dinero disponible para invertir en otros sitios.
Prevención del desabasto y la escasez

Otra función importante del inventario es evitar la escasez o el desabasto. Si una compañía presenta desa-
La conservación de un inventario basto en varias ocasiones, los clientes tenderán a ir a otra parte para satisfacer sus necesidades. La pérdida
de seguridad puede aumentar la de la buena imagen generalmente es un alto precio a pagar por no tener el producto correcto en el momento
satisfacción del cliente. adecuado.

6.3 Decisiones de inventario

A pesar de que literalmente existen millones de diferentes tipos de artículos producidos en nuestra socie-
dad, sólo hay dos decisiones fundamentales que deben tomarse cuando se controla el inventario:
1. Cuánto ordenar
2. Cuándo ordenar
El propósito de todos los modelos y las técnicas de inventario es determinar racionalmente cuánto
ordenar y cuándo ordenar. Como es sabido, el inventario cumple muchas funciones importantes dentro de
una organización. Pero a medida que los niveles de inventario suben para realizar esas funciones, el costo
Un objetivo principal de todos los de almacenar y mantener inventarios también aumenta. Por lo tanto, es necesario alcanzar un delicado
modelos de inventario es minimizar equilibrio al establecer los niveles de inventario. Un objetivo importante en el control de inventarios es
los costos de inventario. minimizar sus costos totales. Algunos de los costos de inventario más significativos son los siguientes:
1. Costo de los artículos (costo de adquisición o costo de materiales)
2. Costo de pedido
3. Costo de almacenamiento o de mantener inventario
4. Costo de desabasto
Gestión de la cadena de suministro

MODELADO EN EL MUNDO REAL energética en la actualidad
Definición
del problema La gestión de la cadena de suministro energética en la actualidad es un problema cada vez más complejo.
Aun así, las empresas de petróleo y gas deben optimizar sus cadenas de suministro para sobrevivir en el mer-
cado actual.

un modelo Investigadores de Portugal desarrollaron un modelo unidireccional de los productos de petróleo y gas desde
las refinerías hasta los centros de distribución. El modelo incorpora muchos parámetros distintos, entre ellos el
número de productos, las capacidades de almacenamiento máximas para cada producto, la capacidad de los
ductos, así como la demanda de cada producto.
Adquisición de
datos de entrada Los datos de entrada consistieron en los niveles actuales de inventario de productos específicos de petróleo y
gas en diferentes puntos a lo largo de la cadena de suministro.

una solución Se desarrolló un gran programa mixto lineal-entero (vea el capítulo 10 de este libro), como parte del procedi-
miento de solución para optimizar la cadena de suministro.

a la solución Todos los problemas resueltos por los investigadores portugueses se basaron en datos reales de la Companhia
Logistica Combustiveis, una gran empresa portuguesa dedicada a la distribución de petróleo y gas. Se realiza-
ron pruebas y los resultados fueron comparados con escenarios del mundo real.

de resultados Los resultados obtenidos a partir del modelo se compararon con la operación real. Los resultados identificaron
oportunidades de mejoras significativas en las tasas de flujo y en la reducción de costos de bombeo.

de resultados Como resultado, las compañías de petróleo y gas pueden mejorar la planeación y la gestión de sus cadenas de
suministro, con menos interrupciones y costos generales más bajos.
Fuente: S. Relvas, S.N.B. Magatão, A.P.F.D. Barbosa-Póvoa y F. Neves. “Integrated Scheduling and Inventory Management
of an Oil Products Distribution System”, Omega 41 (2013): 955-968.

6.4 CANTIDAD ECONÓMICA DE PEDIDO: DETERMINACIÓN DE LA CANTIDAD A ORDENAR 191
TABLA 6.1 Factores de los costos de inventario

FACTORES DE COSTOS
FACTORES DE COSTOS DE PEDIDO DE ALMACENAMIENTO
Desarrollo y envío de órdenes de compra Costo de capital
Procesamiento e inspección del inventario entrante Impuestos
Pago de facturas Seguros
Consultas de inventario Deterioro
Servicios públicos, facturas de teléfono, etcétera, para el departamento de compras Hurtos
Sueldos y salarios para los empleados del departamento de compras Obsolescencia
Suministros como formularios y papel para el departamento de compras Sueldos y salarios de los empleados del almacén
Servicios públicos y costos de construcción del
almacén
Suministros como formularios y papel para el
almacén
En la tabla 6.1, se muestran los factores más comunes asociados con los costos de pedido y los costos
de almacenamiento. Observe que los costos de pedido suelen ser independientes del tamaño de la orden, y
muchos de ellos implican tiempo del personal. Cada vez que se realiza una orden se incurre en un costo de
pedido, sin importar que la orden sea de 1 unidad o de 1,000 unidades. El tiempo para procesar el papeleo,
pagar la factura, etcétera, no depende del número de unidades pedidas.
Por otro lado, el costo de almacenamiento varía a medida que cambia el tamaño de las existencias. Si
se colocan 1,000 unidades en inventario, los impuestos, los seguros, el costo de capital y otros costos por
mantenerlo serán mayores, que si sólo se colocara 1 unidad en inventario. Del mismo modo, si el nivel de
inventario es bajo, hay pocas posibilidades de deterioro y obsolescencia.
El costo de los artículos, o el costo de compra, es lo que se paga por adquirir el inventario. El costo
de desabasto indica la pérdida de ventas y de buena imagen (ventas futuras) que resultan de no contar con
artículos disponibles para los clientes. Esto se analiza más adelante en el capítulo.
6.4 Cantidad económica de pedido: determinación de la cantidad a ordenar

La cantidad económica de pedido (EOQ, economic order quantity) es una de las técnicas más antiguas
y conocidas para el control de inventarios. La investigación sobre su uso se remonta a una publicación de
1915 realizada por Ford W. Harris. Esta técnica sigue siendo utilizada por un gran número de organizacio-
nes en la actualidad. Es relativamente fácil de usar, pero requiere hacer una serie de supuestos. Algunos de
los supuestos más importantes son:
1. La demanda es conocida y constante a través del tiempo.
2. El tiempo de entrega —es decir, el tiempo entre la colocación de la orden y la recepción del pedido—
se conoce y es constante.
3. La recepción del inventario es instantánea. En otras palabras, el inventario de un pedido llega en un
lote y en un punto del tiempo.
4. El costo de compra por unidad es constante durante todo el año. No existen descuentos por cantidad.
5. Los únicos costos variables son el costo por colocar una orden, el costo de pedido, y el costo por
almacenar inventario en el tiempo, el costo de almacenamiento o costo por mantener inventario. El
costo de almacenamiento por unidad, por año, y el costo de pedido, por orden colocada, son constan-
tes durante todo el año.
6. Los pedidos se realizan para evitar por completo cualquier desabasto o escasez.
Cuando no se cumplen estos supuestos, es necesario realizar ajustes al modelo de la EOQ. Los ajustes
se analizan más adelante en el capítulo.
La curva de uso del inventario tiene Con estos supuestos, el uso del inventario tiene forma de dientes de sierra, como se indica en la figura
forma de dientes de sierra. 6.2, donde Q representa la cantidad que se ordenó. Si tal cantidad es de 500 vestidos, todos ellos llegan
en el momento en que se recibe el pedido. Por lo tanto, el nivel de inventario salta de 0 a 500 vestidos. En
general, un nivel de inventario aumenta de 0 a Q unidades cuando llega una orden.
Debido a que la demanda es constante a través del tiempo, el inventario disminuye a una velocidad
uniforme. (Observe las líneas inclinadas en la figura 6.2). Se coloca otro pedido, de forma que cuando el ni-
vel de inventario llegue a 0, se reciba la nueva orden y el nivel de inventario salte de nuevo a Q unidades, lo
cual se representa mediante las líneas verticales. Este proceso continúa indefinidamente a través del tiempo.

FIGURA 6.2 Nivel de

Uso del inventario inventario
a través del tiempo Cantidad de pedido = Q =
Nivel máximo de inventario
Inventario
mínimo
0
Tiempo
Costos de inventario en la situación de la EOQ

El objetivo del modelo de la EOQ El objetivo de la mayoría de los modelos de inventarios es minimizar los costos totales. Con los supuestos
simple es minimizar el costo total listados, los costos relevantes son el costo de pedido y el costo de almacenamiento. Todos los demás cos-
del inventario. Los costos relevantes tos, como el costo del inventario en sí (el costo de compra), son constantes. Por lo tanto, si minimizamos la
son los costos de pedido y los costos suma de los costos de pedido y los costos de almacenamiento, también estaríamos minimizando los costos
de almacenamiento. totales.
El costo anual de pedidos es simplemente el número de pedidos anual multiplicado por el costo de
colocar cada pedido. Dado que el nivel de inventario cambia diariamente, es apropiado utilizar el nivel
de inventario promedio para determinar el costo anual de almacenamiento o costo por mantener inventa-
rios. El costo anual de almacenamiento será igual al inventario promedio multiplicado por el costo por
mantener una unidad de inventario al año. Una vez más, al consultar la figura 6.2, se observa que el in-
ventario máximo es la cantidad de pedido (Q) y el inventario promedio será de la mitad de ésta. En la
El nivel de inventario promedio es la tabla 6.2 se proporciona un ejemplo numérico para ilustrar el inventario promedio. Note que, para esta si-
mitad del nivel máximo. tuación, si la cantidad de pedido es 10, el inventario promedio será 5, o la mitad de Q. Por lo tanto:
Q
Nivel de inventario promedio = (6-1)
2
Mediante el uso de las siguientes variables, es posible desarrollar expresiones matemáticas para los costos
anuales de pedido y de almacenamiento:
Q = número de piezas a ordenar

EOQ = Q* = número óptimo de piezas a ordenar
D = demanda anual en unidades para el artículo de inventario
Co = costo de pedido de cada orden
Ch = costo de almacenamiento por unidad anual
TABLA 6.2
NIVEL DE INVENTARIO
Cálculo del inventario
promedio DÍA INICIO FINAL PROMEDIO
1 de abril (orden recibida) 10 8 9

2 de abril 8 6 7
3 de abril 6 4 5
4 de abril 4 2 3
5 de abril 2 0 1
Nivel máximo del 1 de abril = 10 unidades

Total de promedios diarios = 9 + 7 + 5 + 3 + 1 = 25
Número de días = 5
Nivel de inventario promedio = 25>5 = 5 unidades

Una compañía de moda global modela un sistema

EN ACCIÓN de administración de inventarios
administración de inventarios. El nuevo sistema centralizado de toma

F undada en 1975, la minorista española Zara cuenta actualmente con
más de 1,600 tiendas en todo el mundo, lanza más de 10,000 nuevos
de decisiones reemplazó todas las decisiones de inventario a nivel
tienda, lo que proporcionó resultados globalmente óptimos. Al tener
diseños cada año y es reconocida como una de las principales distribui- los productos adecuados en los sitios correctos en el momento apro-
doras de moda en el mundo. Las mercancías se enviaban desde dos al- piado para los clientes, se logró un incremento de las ventas entre 3 y
macenes centrales hasta cada una de las tiendas, con base en solicitudes 4% desde el inicio de su aplicación. Esto se tradujo en un aumento en
de los gerentes de los almacenes individuales. Estas decisiones locales los ingresos de más de $230 millones en 2007 y más de $350 millones
conducían inevitablemente a almacenajes, envíos y operaciones logísti- en 2008. ¡Piensen en eso fashionistas!
cas ineficientes, cuando eran evaluados a escala global. Recientemente
se presentaron excesos de producción, cadenas de suministro ineficientes
y un mercado en constante cambio (por decir lo menos), lo cual ocasionó Fuente: Basado en F. Caro, J. Gallien, M. Díaz, J. García, J. M. Corredoira,
que Zara hiciera frente a este problema. M. Montes, J. A. Ramos y J. Correa. “Zara Uses Operations Research to Re-
Se utilizó una variedad de modelos de investigación de opera- engineer Its Global Distribution Process”, Interfaces 40, 1 (enero-febrero de
ciones para el rediseño y la implementación de un nuevo sistema de 2010): 71-84.
Costo de pedido anual = 1Número de pedidos realizados al año 2 * 1Costo de pedido por orden2
Demanda anual
= * 1Costo de pedido por orden2
Número de unidades en cada pedido
D
= C
Q o
Costo anual de almacenamiento = 1Inventario promedio2 * 1Costo de almacenamiento por unidad anual2
Cantidad de pedido
= * 1Costo de almacenamiento por unidad anual 2
2
Q
= C
2 h
En la figura 6.3, se muestra una gráfica del costo de almacenamiento, el costo de pedido y el total de estos
dos costos. El punto más bajo de la curva de costo total se produce cuando el costo de pedido es igual al
costo de almacenamiento. Por lo tanto, para minimizar los costos totales ante esta situación, la cantidad de
pedido debería ser aquella donde ambos costos son iguales.
FIGURA 6.3
Costo total en función de Costo
la cantidad de pedido Curva de costo total
de pedido y
almacenamiento
Costo
total
mínimo
Curva de costo
de almacenamiento
Curva de costo de pedido
Cantidad Cantidad de pedido

de pedido
óptima

Determinación de la EOQ
La ecuación de la EOQ se obtiene Cuando se cumplen los supuestos de la EOQ, el costo total se minimiza si:
al igualar el costo de pedido con
el costo de almacenamiento. Costo de almacenamiento anual = Costo de pedido anual
Q D
Ch = C
2 Q o
Cuando despejamos Q, obtenemos la cantidad óptima de pedido:
Q2 Ch = 2DCo
2DCo
Q2 =
Ch
2DCo
Q =
A Ch
Con frecuencia, esta cantidad óptima de pedido se denota mediante Q *. Por consiguiente, la cantidad eco-
nómica de pedido está dada por la siguiente fórmula:
2DCo
EOQ = Q* =
A Ch
Esta fórmula de la EOQ es la base de muchos modelos más avanzados, algunos de los cuales se analizan
más adelante en este capítulo.
Modelo de la cantidad económica de pedido (EOQ)

D
Costo de pedido anual = C (6-2)
Q o
Q
Costo de almacenamiento anual = C (6-3)
2 h
2DCo
EOQ = Q* = (6-4)
A Ch
Ejemplo de la compañía Sumco Pump

Sumco, una empresa que vende carcasas para bomba a otros fabricantes, desearía reducir sus costos de
inventario, mediante la determinación del número óptimo de carcasas para bomba a obtener por pedido. La
demanda anual es de 1,000 unidades, el costo de pedido es de $10 por pedido y el costo promedio de alma-
cenamiento por unidad anual es de $0.50. A partir de estas cifras, si se cumplen los supuestos de la EOQ,
podemos calcular el número óptimo de unidades por pedido:
2DCo
Q* =
A Ch
211,0002 1102
=
B 0.50
= 140,000
= 200 unidades
El costo de inventario anual total correspondiente es la suma de los costos de pedido y los costos de
almacenamiento:
Costo anual total = Costo de pedido + Costo de almacenamiento

El costo de inventario anual total En términos de las variables del modelo, el costo total (CT) se expresa ahora como
es igual al costo de pedido más el
costo de almacenamiento para D Q
el modelo de la EOQ simple.
CT = Co + Ch (6-5)
Q 2
El costo de inventario anual total para Sumco se calcula de la siguiente manera:
D Q
CT = C + C
Q o 2 h
1,000 200
= 1102 + 10.52
200 2
= $50 + $50 = $100
El número de pedidos al año 1D>Q2 es 5, y el inventario promedio 1Q>22 es 100.

Como era de esperarse, el costo de pedido es igual al costo de almacenamiento. Es posible que desee
probar diferentes valores de Q, como 100 o 300 bombas. Encontrará que el costo total mínimo se produce
cuando Q es igual a 200 unidades. La EOQ, Q*, es de 200 bombas.
USO DE EXCEL PARA PROBLEMAS BÁSICOS DE INVENTARIO CON EOQ El ejemplo de la compañía
Sumco Pump, y una variedad de problemas de inventario que estudiamos en este capítulo, pueden resol-
verse con facilidad mediante Excel QM. El programa 6.1A muestra los datos de entrada para Sumco y
las fórmulas de Excel necesarias para el modelo de la EOQ. El programa 6.1B contiene la solución a este
ejemplo, incluyendo la cantidad óptima de pedido, el nivel máximo de inventario, el nivel de inventario
promedio y el número de pedidos u órdenes.
Costo de compra de los artículos en inventario

En ocasiones, la expresión para el costo total de inventario se escribe de modo que incluya el costo real del
material comprado. Con los supuestos de la EOQ, el costo de compra no depende de la política de pedidos
específica que resultó ser óptima, porque independientemente del número de pedidos realizado cada año,
se sigue incurriendo en el mismo costo de compra anual de D * C, donde C es el costo de compra por uni-
dad y D es la demanda anual en unidades.*
PROGRAMA 6.1A
Datos de entrada y
fórmulas de Excel QM Introduzca aquí la tasa de demanda, el costo
de pedido, el costo de almacenamiento y, si
para el ejemplo de la está disponible, el precio unitario.
compañía Sumco Pump
Aquí se da el costo unitario total.
*
Más adelante en este capítulo, se analiza el caso donde el precio puede afectar la política de pedidos; es decir, cuando se
ofrecen descuentos por cantidad.

PROGRAMA 6.1B
Solución de Excel QM
compañía Sumco Pump
Aquí se calcula el costo total que incluye los

costos de almacenamiento y de pedido, así
como el precio unitario, si éste se proporciona.
Es útil saber cómo se calcula el nivel de inventario promedio en términos monetarios, cuando se pro-
porciona el precio unitario. Esto puede hacerse de la siguiente manera. Si la variable Q representa la can-
tidad de unidades ordenadas, y se supone un costo unitario de C, podemos determinar el valor monetario
promedio del inventario:
1CQ 2
Nivel monetario promedio = (6-6)
2
Esta fórmula es similar a la ecuación 6-1.
Los costos por mantener inventario para muchos negocios e industrias también se expresan frecuen-
temente como un porcentaje anual sobre el costo o precio unitario. Cuando esto es así, se introduce una
I es el costo anual de mantener nueva variable. Sea I el cargo anual por mantener inventario como porcentaje del precio o el costo unitario.
inventarios como un porcentaje Entonces el costo de almacenar una unidad de inventario para el año, Ch, está dado por Ch = IC, donde C
del costo unitario. es el precio unitario o el costo de un artículo en inventario. En este caso, Q* se expresa como
2DCo
Q* = (6-7)
B IC
Análisis de sensibilidad con el modelo de la EOQ

El modelo de la EOQ supone que todos los valores de entrada son fijos y se conocen con certeza. Sin em-
bargo, dado que estos valores suelen ser estimados o pueden cambiar con el tiempo, es importante entender
cómo puede cambiar la cantidad de pedido si se utilizan valores de entrada diferentes. La determinación de
los efectos de estos cambios se denomina análisis de sensibilidad.
La fórmula de la EOQ se da como sigue:
2DCo
EOQ =
B Ch
Debido a la raíz cuadrada en la fórmula, cualquier cambio en las entradas (D, Co, Ch) dará lugar a cambios
relativamente menores en la cantidad óptima de pedido. Por ejemplo, si Co aumentara en un factor de 4,
la EOQ sólo aumentaría en un factor de 2. Considere el ejemplo de Sumco que se acaba de presentar. La
EOQ para esta compañía es:
211,0002 1102
EOQ = = 200
B 0.50

6.5 PUNTO DE REORDEN: DETERMINACIÓN DE CUÁNDO HACER UN PEDIDO 197
Si aumentamos Co de $10 a $40,
211,0002 1402
EOQ = = 400
B 0.50
En general, la EOQ cambia por la raíz cuadrada de un cambio en cualquiera de las entradas.
6.5 Punto de reorden: determinación de cuándo hacer un pedido

Ahora que hemos decidido cuánto ordenar, nos enfocaremos en la segunda pregunta sobre el inventario:
cuándo ordenar. Con frecuencia, el tiempo entre la colocación y la recepción de un pedido, llamado el
tiempo de entrega o plazo de recepción, es de un par de días o incluso de unas cuantas semanas. Debe
existir inventario disponible para satisfacer la demanda durante ese tiempo, y el inventario puede poseerse
El punto de reorden (ROP) ahora mismo o haberse ordenado, sin haberlo recibido aún. El total de éstos se llama la posición de inven-
determina cuándo ordenar tario. Por lo tanto, la decisión de cuándo ordenar se expresa generalmente en términos de un punto de
inventario. Se encuentra al reorden (ROP, reorder point), la posición de inventario en la cual se debería colocar un pedido. El ROP
multiplicar la demanda diaria se da como
por el tiempo de entrega en días.
ROP = 1Demanda por día2 * 1Tiempo de entrega en días para un nuevo pedido2
= d * L (6-8)
En la figura 6.4, se presentan dos gráficas que muestran el ROP. Uno de ellos tiene un tiempo de entrega
relativamente corto, mientras que el otro tiene uno más grande. Cuando la posición de inventario llega
al ROP, es necesario colocar una nueva orden. Mientras se espera que llegue ese pedido, la demanda se
FIGURA 6.4 Nivel de

Gráficas del punto inventario
de reorden
Q
ROP
0
Tiempo
Tiempo de entrega = L
ROP < Q
Nivel de
inventario
En pedido
Q
Disponible
0
Tiempo
Tiempo de entrega = L
ROP > Q

satisfará con el inventario actualmente disponible o con el inventario que ya se ha pedido, pero que llegará
cuando el inventario disponible alcance el nivel de cero. Veamos un ejemplo.
EJEMPLO DE LOS CHIPS DE COMPUTADORA DE PROCOMP La demanda de Procomp de chips de

computadora es de 8,000 por año. La compañía tiene una demanda diaria de 40 unidades, y la cantidad
de pedido es de 400 unidades. La entrega de un pedido tarda tres días hábiles. El punto de reorden para
los chips se calcula de la siguiente manera:
ROP = d * L = 40 unidades por día * 3 días

= 120 unidades
Por lo tanto, cuando las existencias de chips en el inventario se reducen a 120, es necesario colocar una
orden. El pedido llegará tres días más tarde, al mismo tiempo que las existencias de la compañía alcanzan
un nivel de 0. Dado que la cantidad de pedido es de 400 unidades, el ROP es simplemente el inventario
disponible. Ésta es la situación que se presenta en la primera gráfica de la figura 6.4.
Suponga que el tiempo de entrega de los chips de computadora para Procomp es de 12 días en vez de
3 días. El punto de reorden sería:
ROP = 40 unidades por día * 12 días

= 480 unidades
Dado que el nivel máximo de inventario disponible es la cantidad de pedido, 400 unidades, una posición de
inventario de 480 sería:
Posición de inventario = 1Inventario disponible2 + 1Inventario en pedido2

480 = 80 + 400
Por lo tanto, sería necesario colocar una nueva orden cuando el inventario disponible cayera a 80, al tiempo
que habría otro pedido en tránsito. La segunda gráfica de la figura 6.4 ilustra este tipo de situación.
6.6 EOQ sin el supuesto de recepción instantánea

Cuando una compañía recibe su inventario a lo largo de un periodo de tiempo, necesita un nuevo mo-
delo que no utilice el supuesto de recepción instantánea de inventario. Este nuevo modelo es aplicable
cuando de forma continua el inventario fluye o se acumula durante un periodo de tiempo, después de haber
realizado un pedido, o cuando se producen y se venden unidades al mismo tiempo. En tales circunstan-
El modelo de corrida de la cias, debe tomarse en cuenta la tasa de demanda diaria. La figura 6.5 muestra los niveles de inventario en
producción elimina el supuesto función del tiempo. Debido a que este modelo es especialmente adecuado para el entorno de producción,
de recepción instantánea. comúnmente se denomina modelo de corrida de la producción.
En este modelo, en vez de tener un costo de pedido, habrá un costo de instalación. Éste es el costo
por preparar la planta de producción para fabricar el producto deseado. Normalmente incluye los sueldos
y salarios de los trabajadores que son responsables de configurar los equipos, los costos de ingeniería y di-
seño para realizar la configuración, el papeleo, los suministros, los servicios públicos, etcétera. El costo de
almacenamiento por unidad se compone de los mismos factores que en el modelo de la EOQ tradicional,
aunque la ecuación del costo anual de almacenamiento se modifica debido a un cambio en el inventario
promedio.
FIGURA 6.5
Nivel de
Control del inventario y inventario Parte del ciclo del inventario Durante esta parte del ciclo
el proceso de producción durante el cual se realiza del inventario, no hay
la producción producción
Inventario
máximo
t Tiempo

6.6 EOQ SIN EL SUPUESTO DE RECEPCIÓN INSTANTÁNEA 199
La resolución del modelo de corrida La cantidad de producción óptima se puede obtener al igualar los costos de instalación con los
de la producción implica igualar los costos por mantener inventarios para, después, despejar la cantidad de pedido. Comenzaremos por
costos de instalación con los costos el desarrollo de la expresión para los costos de almacenamiento. Sin embargo, deberíamos tener en
de almacenamiento y despejar Q. cuenta que la igualación del costo de instalación con el costo de almacenamiento no siempre garantiza
soluciones óptimas para modelos más complejos que el modelo de corrida de la producción.
Costo anual de almacenamiento para el modelo de corrida de la producción

Al igual que con el modelo de la EOQ, los costos de almacenamiento del modelo de corrida de la produc-
ción se basan en el inventario promedio y éste es la mitad del nivel máximo de inventario. Sin embargo,
dado que la reposición del inventario se produce durante un periodo de tiempo y la demanda continúa du-
rante este tiempo, el inventario máximo será menor que la cantidad de pedido Q. Es posible desarrollar la
expresión del costo anual de almacenamiento utilizando las siguientes variables:
Q = número de piezas por orden, o corrida de la producción

Cs = costo de instalación
Ch = costo de almacenamiento por unidad por año
p = tasa de producción diaria
d = tasa de demanda diaria
t = duración de corrida de la producción en días
El nivel máximo de inventario es el siguiente:
1Total producido durante la corrida de la producción2 - 1Total utilizado durante la corrida de la producción2
= 1Tasa de producción diaria2 1Número de días de producción2
- 1Demanda diaria2 1Número de días de producción2
= 1pt2 - 1dt2
Dado que
total producido = Q = pt,
sabemos que
Q
t =
p
Q Q d
Nivel máximo de inventario = pt - dt = p - d = Q a1 - b
p p p
El nivel máximo de inventario Dado que el inventario promedio es la mitad del máximo, tenemos
en el modelo de producción es
inferior a Q. Q d
Inventario promedio = a1 - b (6-9)
2 p
y
Q d
Costo anual de almacenamiento = a1 - bCh (6-10)
2 p
Costo anual de instalación o costo anual de pedido

Cuando un producto se fabrica a través del tiempo, el costo de instalación reemplaza al costo de pedido.
Ambos son independientes del tamaño de pedido y del tamaño de corrida de la producción. Este costo es
simplemente el número de pedidos (o corridas de la producción) por el costo de pedido (costo de instala-
ción). Así,
D
Costo anual de instalación = C (6-11)
Q s
y
D
Costo anual de pedido = Co (6-12)
Q

Determinación de la cantidad óptima de producción

Cuando se cumplen los supuestos del modelo de corrida de la producción, los costos se minimizan si el
costo de instalación es igual al costo de almacenamiento. Es posible encontrar la cantidad óptima al igualar
estos costos para después despejar Q. Por lo tanto,
Costo anual de almacenamiento = Costo anual de instalación
Q d D
a1 - bCh = C
2 p Q s
Ésta es la fórmula para la cantidad Cuando encontramos el valor de Q, obtenemos la cantidad óptima de producción 1Q* 2:
óptima de producción. Observe la
2DCs
similitud con el modelo básico
Q* = (6-13)
de la EOQ. d
Ch a1 - b
H p
Cabe señalar que si la situación no implica producción, sino más bien consiste en la recepción de inventa-
rio en forma gradual durante un periodo de tiempo, la aplicación de este mismo modelo es adecuada, pero
en la fórmula Co sustituye a Cs.
Modelo de corrida de la producción

Q d
Costo anual de almacenamiento = a1 - bCh
2 p
D
Costo anual de instalación = C
Q s
2DCs
Cantidad óptima de producción Q* =
d
Ch a1 - b
H p
Ejemplo de Brown Manufacturing

Brown Manufacturing produce unidades de refrigeración comercial por lotes. La demanda estimada de la
empresa para el año es de 10,000 unidades. Cuesta alrededor de $100 configurar el proceso de fabricación,
y el costo de almacenamiento es de unos 50 centavos por unidad anual. Cuando se ha instalado el proceso
de producción, se pueden fabricar hasta 80 unidades de refrigeración a diario. Históricamente, la demanda
durante el periodo de producción ha sido de 60 unidades al día. Brown opera su área de producción de uni-
dades de refrigeración durante 167 días al año. ¿Cuántas unidades de refrigeración debería producir Brown
Manufacturing en cada lote? ¿Cuánto tiempo tiene que durar la parte de producción del ciclo mostrada en
la figura 6.5? A continuación se resuelve este problema:
Demanda anual = D = 10,000 unidades
Costo de instalación = Cs = $100
Costo de almacenamiento = Ch = $0.50 por unidad por día
Tasa de producción diaria = p = 80 unidades diarias
Tasa de demanda diaria = d = 60 unidades diarias
2DCs
1. Q* =
d
Ch a1 - b
R p
2 * 10,000 * 100
2. Q* =
60
0.5 a1 - b
R 80
2,000,000
= = 116,000,000
B 0.51 1>4 2
= 4,000 unidades

6.6 EOQ SIN EL SUPUESTO DE RECEPCIÓN INSTANTÁNEA 201
Si Q * = 4,000 unidades y sabemos que se pueden producir 80 unidades a diario, la duración de cada ciclo
de producción será de Q>p = 4,000/80 = 50 días. Por lo tanto, cuando Brown decida producir unidades de
refrigeración, el equipo se configurará para la fabricación de las unidades necesarias para un periodo
de tiempo de 50 días. El número de corridas de la producción por año será D>Q = 10,000/4,000 = 2.5.
Esto significa que el número promedio de corridas de la producción por año es de 2.5. Habrá tres corridas
de la producción en un año con un poco de inventario sobrante para el próximo año, por lo que sólo se ne-
cesitarán dos ciclos de producción en el segundo año.
USO DE EXCEL QM PARA MODELOS DE CORRIDAS DE LA PRODUCCIÓN El modelo de corrida de

la producción para Brown Manufacturing también puede resolverse con Excel QM. El programa 6.2A
contiene los datos de entrada y las fórmulas de Excel para este problema. El programa 6.2B presenta los
resultados de la solución, incluyendo la cantidad óptima de producción, el nivel máximo de inventario, el
nivel de inventario promedio y el número de configuraciones.
PROGRAMA 6.2A Introduzca la tasa de demanda, el

Fórmulas en Excel QM y costo de instalación y el costo de
datos de entrada para almacenamiento. Tenga en cuenta que
el problema de Brown el costo de almacenamiento es una
cantidad monetaria fija en vez de un
Manufacturing porcentaje del precio unitario.
Introduzca la tasa de producción

diaria y la tasa de demanda diaria.
Calcula la cantidad de producción óptima.
Determina el nivel máximo de inventario.

Calcula el número
promedio de
configuraciones.
Determina los costos anuales

de almacenamiento y de
instalación.
PROGRAMA 6.2B
Soluciones de Excel QM
para el problema de
Brown Manufacturing

Compañía de Fortune 100 mejora la política

EN ACCIÓN de inventarios para vehículos de servicio
reducir el inventario de piezas en cada camión, ya que esto representa

L a mayoría de los fabricantes de electrodomésticos ofrecen repa-
ración a domicilio de los aparatos que se encuentran bajo garantía.
un costo importante por mantener inventarios. Sin embargo, tras un
análisis más detallado, se decidió que el objetivo debería ser la minimi-
Una de estas compañías clasificada en Fortune 100 tenía alrededor zación del costo general, incluyendo los costos de las entregas especia-
de 70,000 diferentes piezas que fueron utilizadas en la reparación de les de piezas, de las dobles visitas al cliente si la pieza de repuesto no
sus electrodomésticos. El valor anual del inventario de esas piezas era estaba inicialmente disponible y de la satisfacción general del cliente.
mayor a $7 millones. La empresa contaba con más de 1,300 vehículos El equipo del proyecto ha mejorado el sistema de pronósticos uti-
de servicio que eran enviados al recibir solicitudes de reparación. De- lizado para proyectar el número de piezas necesarias en cada vehículo.
bido al espacio limitado en estos vehículos, solían transportarse sólo Como resultado, el número real de piezas conservadas en cada auto-
alrededor de 400 piezas en cada uno. Si un técnico de servicio llegaba móvil aumentó. Sin embargo, el número de reparaciones en la primera
a reparar un electrodoméstico y no tenía la pieza necesaria (es de- visita se incrementó de 86 a 90%. Esto resultó en un ahorro de $3
cir, ocurría un desabasto), se hacía un pedido especial que se recibía millones al año en el costo de estas reparaciones. También mejoró la
por aire para que el técnico pudiera regresar y arreglar el aparato tan satisfacción del cliente, debido a que el problema se resolvía sin que el
pronto como fuera posible. técnico de servicio tuviera que volver una segunda vez.
La decisión de qué piezas debían transportarse era un problema es-
pecialmente difícil. Se ideó un proyecto para encontrar una mejor ma- Fuente: Basado en Michael F. Gorman y Sanjay Ahire. “A Major Appliance
nera de pronosticar la demanda de piezas e identificar cuáles de ellas Manufacturer Rethinks Its Inventory Policies for Service Vehicles”, Interfaces
deberían almacenarse en cada vehículo. En un inicio, la intención era 36, 5 (septiembre-octubre de 2006): 407-419.
6.7 Modelos de descuento por cantidad

En el desarrollo del modelo de la EOQ, se supuso que no existían descuentos por cantidad. Sin embargo,
muchas empresas ofrecen este tipo de opción. Si existe la posibilidad de un descuento y se cumplen todos
los demás supuestos de la EOQ, es posible encontrar la cantidad que minimiza el costo total del inventario
mediante el modelo de la EOQ con ciertos ajustes.
Cuando existen descuentos por cantidad, el costo de adquisición o costo de material se convierte en
un costo relevante, puesto que cambia con base en la cantidad ordenada. Los costos totales correspondien-
tes son los siguientes:
Costo total = Costo de material + Costo de pedido + Costo de almacenamiento
D Q
Costo total = DC + Co + C (6-14)
Q 2 h
donde
D = demanda anual en unidades
Co = costo de pedido por cada orden
C = costo por unidad
Ch = costo de almacenamiento por unidad anual
Dado que el costo de almacenamiento por unidad anual se basa en el costo de los artículos, es conveniente
expresarlo como
Ch = IC
donde
I = costo de almacenamiento como un porcentaje del costo unitario (C)
Para un costo de compra específico (C), dados los supuestos que hemos realizado, colocar el pedido de la
EOQ minimizará los costos totales de inventario. Sin embargo, en la situación de descuento, esta cantidad
quizá no sea suficientemente grande como para obtener un descuento; por ello, también se debe considerar
la orden de esta cantidad mínima para el descuento. En la tabla 6.3, se muestra un programa típico de des-
cuentos por cantidad.
El objetivo general del modelo Como se observa en la tabla, el costo normal del artículo es $5. Cuando se piden de 1,000 a 1,999
de descuentos por cantidad es unidades a la vez, el costo por unidad se reduce a $4.80, y cuando la cantidad pedida a la vez es de
minimizar los costos de inventario 2,000 unidades o más, el costo es de $4.75 por unidad. Como siempre, la administración debe decidir
totales, que ahora incluyen los costos cuándo y cuánto ordenar. Pero con descuentos por cantidad, ¿cómo debería el administrador tomar estas
de materiales reales. decisiones?

6.7 MODELOS DE DESCUENTO POR CANTIDAD 203
TABLA 6.3
NÚMERO DE CANTIDAD PARA DESCUENTO COSTO CON
Programa de descuentos DESCUENTOS DESCUENTO (%) DESCUENTO ($)
por cantidad
1 0 a 999 0 5.00
2 1,000 a 1,999 4 4.80
3 2,000 y más 5 4.75
Al igual que con otros modelos de inventario analizados hasta ahora, el objetivo general será minimi-
zar el costo total. Debido a que el costo unitario del tercer descuento en la tabla 6.3 es el más bajo, usted
podría verse tentado a pedir 2,000 unidades o más para aprovechar el costo inferior del material. Sin em-
bargo, colocar un pedido por esa cantidad con el mayor descuento en el costo podría no minimizar el costo
total del inventario. A medida que aumenta la cantidad de descuento, el costo del material disminuye, pero
los costos de almacenamiento se incrementan porque los pedidos son grandes. Por lo tanto, la principal
disyuntiva al considerar descuentos por cantidad está entre la reducción del costo de material y el aumento
del costo de almacenamiento.
En la figura 6.6, se proporciona una representación gráfica del costo total para esta situación. Observe
que la curva de costo disminuye considerablemente cuando la cantidad de pedido alcanza el mínimo para
cada descuento. Con los costos específicos de este ejemplo, vemos que la EOQ para la segunda categoría
de precio 11,000 … Q … 1,9992 es inferior a 1,000 unidades. Aunque el costo total para esta EOQ es menor
que el costo total de la EOQ con el costo de la categoría 1, la EOQ no es suficientemente grande como para
obtener este descuento. Por consiguiente, el costo total más bajo posible para este descuento se produce en
la cantidad mínima necesaria para obtener el descuento 1Q = 1,0002. El proceso para determinar la canti-
dad de costo mínimo en esta situación se resume en el siguiente cuadro.
Modelo de descuentos por cantidad

2DCo
1. Para cada precio con descuento (C), calcule la EOQ = .
B IC
2. Si la EOQ 6 Mínimo para el descuento, ajuste la cantidad a Q = Mínimo para el descuento.
D Q
3. Para cada EOQ o Q ajustada, calcule el costo total = DC + Co + Ch.
Q 2
4. Elija la cantidad de menor costo.
FIGURA 6.6
Curva de costo total para Costo Curva de CT para
el modelo de descuento total el descuento 3
$
por cantidad
Curva de CT para
el descuento 1
Curva de CT para el descuento 2
EOQ para el descuento 2
0 1,000 2,000
Cantidad de pedido

EN ACCIÓN Intel mejora sus operaciones de inventario
el sistema MEIO redujo los niveles de inventario globales en aproxima-

F rente a los altos costos de distribución, Intel abordó el análisis
cuantitativo para diseñar, construir y poner en práctica un sistema
damente 11%, sin sacrificar los plazos de entrega, mejoró los nive-
les de servicio en ocho puntos porcentuales, y logró una reducción en la
de optimización de inventarios multinivel (MEIO, multi-echelon in- magnitud de los costos de aceleración.
ventory optimization). El sistema se extendió por toda la cadena de
suministro global de Intel e incluye a sus proveedores, la logística
de terceros proveedores (3PL), sus distribuidores y minoristas, entre
otros. Debido a la complejidad inherente, el diseño y la construcción
del sistema en sí mismo tomó varios años. Fuente: Basado en B. Wieland, P. Mastrantonio, S. Willems y K. G. Kempf.
Sin embargo, como resultado, Intel fue capaz de optimizar sus ni- “Optimizing Inventory Levels within Intel’s Channel Supply Demand Opera-
veles de inventario en todo el mundo. Después de un año de operación, tions”, Interfaces 42, 6 (noviembre-diciembre de 2012): 517-527.
Ejemplo de la tienda departamental Brass

A continuación veremos cómo se aplica este procedimiento mediante un ejemplo. La tienda departamental
Brass almacena automóviles de carreras de juguete. Recientemente, recibió un programa de descuentos
por cantidad para estos autos; en la tabla 6.3, se presenta el programa propuesto. Así, el costo normal de
los autos de juguete es de $5. Para pedidos entre 1,000 y 1,999 unidades, el costo unitario es de $4.80, y
para pedidos de 2,000 o más unidades, el costo unitario es de $4.75. Por otro lado, el costo de pedido es
de $49 por orden, la demanda anual es de 5,000 automóviles, y el cargo por almacenar inventario como un
porcentaje del costo, I, es de 20% o 0.2. ¿Qué cantidad de pedido minimizará el costo total de inventario?
El primer paso es calcular la EOQ para todos los descuentos en la tabla 6.3, lo cual se hace de la si-
guiente manera:
122 15,0002 1492
EOQ1 = = 700 autos por pedido
B 10.22 15.002
122 15,0002 1492
Se calculan los valores de la EOQ. EOQ2 = = 714 autos por pedido
B 10.22 14.802
122 15,0002 1492
EOQ3 = = 718 autos por pedido
B 10.22 14.752
El segundo paso es ajustar las cantidades que estén por debajo del rango de descuento permisible. Como la
Se ajustan los valores de la EOQ. EOQ1 está entre 0 y 999, no tiene que ser ajustada. La EOQ2 está por debajo del rango permisible de 1,000
a 1,999 y, por lo tanto, debe ajustarse a 1,000 unidades. Lo mismo ocurre para la EOQ3: debe ajustarse a
2,000 unidades. Después de este paso, es necesario probar las siguientes cantidades de pedido en la ecua-
ción de costo total:
Q1 = 700
Q2 = 1,000
Q3 = 2,000
El tercer paso es usar la ecuación 6-14 y calcular un costo total para cada una de las cantidades de pedido.
Se calcula el costo total. Esto se logra con la ayuda de la tabla 6.4.
TABLA 6.4 Cálculos del costo total para la tienda departamental Brass
COSTO ANUAL COSTO ANUAL DE

NÚMERO PRECIO CANTIDAD COSTO ANUAL DE DE PEDIDO MANTENIMIENTO
DE DES- UNITARIO DE PEDIDO MATERIAL D Q
($) = Co ($) = Ch
CUENTOS (C) (Q) ($) = DC Q 2 TOTAL ($)
1 $5.00 700 25,000 350.00 350.00 25,700.00

2 4.80 1,000 24,000 245.00 480.00 24,725.00
3 4.75 2,000 23,750 122.50 950.00 24,822.50

6.7 MODELOS DE DESCUENTO POR CANTIDAD 205
El cuarto paso es seleccionar la cantidad de pedido con el menor costo total. En la tabla 6.4, se ob-
serva que una cantidad de pedido de 1,000 autos de carreras minimiza el costo total. Sin embargo, debería
Se selecciona la Q*. tenerse en cuenta que el costo total por ordenar 2,000 autos es sólo ligeramente mayor que el costo total
por ordenar 1,000. Por lo tanto, si el tercer costo de descuento baja a $4.65, por ejemplo, esta cantidad de
pedido sería la que minimice el costo total de inventario.
USO DE EXCEL QM PARA PROBLEMAS CON DESCUENTOS POR CANTIDAD Como pudo verse en
el análisis anterior, el modelo de descuentos por cantidad es más complejo que los modelos de inventario
estudiados hasta ahora en este capítulo. Por fortuna, podemos usar la computadora para simplificar los
cálculos. En el programa 6.3A, se muestran las fórmulas de Excel y los datos de entrada necesarios en
Excel QM para el problema de la tienda departamental Brass. En el programa 6.3B, se proporciona la solu-
ción al problema, incluyendo las cantidades ajustadas y los costos totales para cada nivel de precio.
PROGRAMA 6.3A
Introduzca la tasa de demanda, el costo
Fórmulas y datos de de instalación y el costo de almacenamiento.
entrada en Excel QM
Introduzca el programa de descuentos
para el problema por cantidad y los precios unitarios para
con descuentos por cada nivel de precio.
cantidad de la tienda
departamental Brass Calcula la cantidad de pedido
para cada nivel de precio y los
ajusta hacia arriba, si es necesario.
Determina los costos

de instalación y
almacenamiento.
Determina la cantidad
óptima ordenada, Q*. Determina el costo total
de cada nivel de precio.
PROGRAMA 6.3B
Soluciones en Excel
QM para el problema
con descuentos por
cantidad de la tienda
departamental Brass

6.8 Uso del inventario de seguridad

Cuando se cumplen los supuestos de la EOQ, es posible programar los pedidos de modo que eviten por
completo el desabasto. No obstante, si la demanda o el tiempo de entrega son inciertos, la demanda exacta
El inventario de seguridad ayuda
durante el tiempo de entrega (que es el ROP en la situación de EOQ) no se conoce con certeza. Por lo tanto,
a evitar el desabasto. Consiste en
conservar inventario adicional para evitar desabasto, es necesario conservar existencias adicionales llamadas inventario de seguridad.
disponible. Cuando la demanda es inusualmente alta durante el tiempo de entrega, se acude al inventario de segu-
ridad en vez de encontrarse con un desabasto. Por lo tanto, el objetivo principal del inventario de seguridad
es evitar desabasto cuando la demanda es mayor de lo esperado. Su uso se muestra en la figura 6.7. Ob-
serve que, aunque los desabastos se pueden evitar con frecuencia mediante el uso del inventario de seguri-
dad, aún existe una posibilidad de que aquéllos puedan producirse. La demanda puede ser tan alta que todo
el inventario de seguridad se agote, por lo que seguiría habiendo un desabasto.
Una de las mejores formas de implementar una política de inventarios de seguridad es ajustar el pun-
to de reorden. En la situación de la EOQ, donde la demanda y el tiempo de entrega son constantes, el punto
de reorden es simplemente la cantidad de inventario que se utilizaría durante el tiempo de entrega (es decir,
la demanda diaria por el tiempo de entrega en días). Se supone que esto se conoce con certeza, por lo que
no hay necesidad de hacer un pedido cuando la posición del inventario es más alta que esta cantidad. Sin
embargo, cuando la demanda diaria o el tiempo de entrega fluctúan y son inciertos, la cantidad exacta de
inventario que se utilizará durante el tiempo de entrega es incierta. En tales situaciones se debe calcular el
uso del inventario promedio durante el tiempo de entrega y agregarle un poco de inventario de seguridad
para evitar desabasto. El punto de reorden se convierte en
ROP = 1Demanda promedio durante el tiempo de entrega2 + 1Inventario de seguridad2
ROP = 1Demanda promedio durante el tiempo de entrega2 + IS (6-15)
donde
IS = inventario de seguridad
FIGURA 6.7 Inventario

Uso del inventario disponible
de seguridad
0 unidades
Tiempo
Desabasto
Inventario
disponible
Inventario de
seguridad, IS
Se evita el desabasto
0 unidades
Tiempo

6.8 USO DEL INVENTARIO DE SEGURIDAD 207
El inventario de seguridad está La única pregunta que queda por responder es cómo se determina el tamaño correcto del inventario
incluido en el ROP. de seguridad. Dos factores importantes en esta decisión son el costo de desabasto y el costo de almace-
namiento. Por lo general, el costo de desabasto implica la pérdida de ventas y el daño a la reputación,
lo que resulta en pérdida de ventas futuras. Si el costo de almacenamiento es bajo, mientras que el costo
de desabasto es alto, es recomendable conservar una gran cantidad de inventario de seguridad para evi-
tar desabasto, ya que cuesta muy poco conservarlo; mientras que el desabasto resulta caro. Por otro lado,
si el costo de desabasto es bajo, pero el costo de almacenamiento es alto, sería preferible un inventario de
seguridad menor, ya que un desabasto costaría muy poco, pero el exceso de inventario de seguridad daría
lugar a costos anuales de almacenamiento mucho mayores.
¿Cómo se determina el nivel óptimo del inventario? Si la demanda fluctúa, pero el tiempo de entrega
es constante, y se conocen tanto el costo de desabasto como el costo de almacenamiento unitario, es posi-
ble considerar el uso de una tabla de costo/beneficio. Con sólo un pequeño número de posibles valores de
demanda durante el tiempo de entrega, podría construirse una tabla de costos donde los diferentes niveles
posibles de demanda serían los estados de la naturaleza, y los distintos tamaños del inventario de seguridad
serían las alternativas. Con base en las técnicas descritas en el capítulo 3, podría calcularse el costo espe-
rado para cada nivel del inventario de seguridad, y sería posible encontrar la solución de costo mínimo.
No obstante, un enfoque más general consiste en determinar el nivel de servicio que se desea y, des-
pués, encontrar el nivel del inventario de seguridad que podría lograr esto. Un administrador prudente toma
en cuenta el costo de almacenamiento y el costo de desabasto para ayudar a determinar un nivel de servicio
adecuado. El nivel de servicio indica qué porcentaje del tiempo se cumple con la demanda de los clientes.
En otras palabras, el nivel de servicio es el porcentaje de tiempo que evita los desabastos. Así,
Nivel de servicio = 1 - Probabilidad de un desabasto

o
Probabilidad de un desabasto = 1 - Nivel de servicio
Una vez establecido el nivel de servicio deseado, la cantidad del inventario de seguridad a conservar puede
encontrarse mediante la distribución de probabilidad de la demanda durante el tiempo de entrega.
INVENTARIO DE SEGURIDAD CON LA DISTRIBUCIÓN NORMAL La ecuación 6.15 proporciona la

fórmula general para determinar el punto de reorden. Cuando la demanda durante el tiempo de entrega
se distribuye normalmente, el punto de reorden se convierte en
ROP = 1Demanda promedio durante el tiempo de entrega2 + ZsdLT (6-16)
donde
Z = número de desviaciones estándar para un nivel de servicio dado
sdLT = desviación estándar de la demanda durante el tiempo de entrega
Por lo tanto, la cantidad de inventario de seguridad es simplemente ZsdLT. En el siguiente ejemplo se busca
determinar el nivel adecuado de inventario de seguridad, cuando la demanda durante el tiempo de entrega
se distribuye normalmente y se conocen la media y la desviación estándar.
EJEMPLO DE LA COMPAÑÍA HINSDALE La compañía Hinsdale mantiene una variedad de artículos

electrónicos en inventario, y éstos se identifican típicamente mediante su clave SKU. Un artículo en par-
ticular, el SKU A3378, tiene una demanda que se distribuye normalmente durante el tiempo de entrega,
con una media de 350 unidades y una desviación estándar de 10. Hinsdale quiere seguir una política que
implique la ocurrencia de desabastos sólo en 5% de los pedidos. ¿Cuánto inventario de seguridad se de-
bería mantener y cuál es el punto de reorden? La figura 6.8 ayuda a visualizar este ejemplo.
De la tabla de la distribución normal (apéndice A) tenemos que Z = 1.65:
ROP = 1Demanda promedio durante el tiempo de entrega2 + ZsdLT

= 350 + 1.65 1102
= 350 + 16.5 = 366.5 unidades 1o alrededor de 367 unidades2
Así que el punto de reorden es 366.5, y el inventario de seguridad es de 16.5 unidades.
CÁLCULO DE LA DEMANDA Y LA DESVIACIÓN ESTÁNDAR EN EL TIEMPO DE ENTREGA Si no se

conocen la media y la desviación estándar de la demanda durante el tiempo de entrega, se deben calcular a
partir de la demanda histórica y de los datos del tiempo de entrega. Una vez encontradas, puede utilizarse

FIGURA 6.8
Inventario de seguridad
y la distribución normal
5% del área de
la curva normal
IS
m = 350 X =?
m = Demanda media = 350
s = Desviación estándar = 10
X = Demanda media + Inventario de seguridad
IS = Inventario de seguridad = X – m Zs
X–m
Z =
s
la ecuación 6-16 para encontrar el inventario de seguridad y el punto de reorden. A lo largo de esta sec-
ción, se supondrá que el tiempo de entrega está en días, aunque el mismo procedimiento se puede aplicar
a semanas, meses o cualquier otro periodo de tiempo. También se supondrá que si la demanda fluctúa, la
distribución de la demanda cada día es idéntica e independiente de la demanda en otros días. Si tanto la de-
manda diaria como el plazo de entrega fluctúan, se supone que éstos son independientes.
Existen tres situaciones a considerar. En cada una de las siguientes fórmulas del ROP, la demanda pro-
medio durante el tiempo de entrega es el primer término y el inventario de seguridad 1ZsdLT2 es el segundo
término.
1. La demanda es variable, pero el tiempo de entrega es constante:
ROP = dL + Z 1sd 2L 2 (6-17)
donde
d = demanda diaria promedio
sd = desviación estándar de la demanda diaria
L = tiempo de entrega en días
2. La demanda es constante, pero el tiempo de entrega es variable:
ROP = dL + Z 1dsL2 (6-18)
donde
L = tiempo de entrega promedio
sL = desviación estándar del tiempo de entrega
d = demanda diaria
3. Tanto la demanda como el tiempo de entrega son variables:
ROP = d L + Z 1 2Ls2d + d 2s2L 2 (6-19)
Observe que la tercera situación es el caso más general y los demás casos se pueden obtener de éste. Si
ya sea la demanda o el tiempo de entrega son constantes, la desviación estándar y la varianza en este caso
sería 0, y el promedio sería simplemente igual a la cantidad constante. Por lo tanto, la fórmula del ROP en
la situación 3 se puede simplificar como la fórmula del ROP dada para esa situación.
CONTINUACIÓN DEL EJEMPLO DE LA COMPAÑÍA HINSDALE Hinsdale ha decidido determinar el

inventario de seguridad y el ROP para otros tres artículos: SKU F5402, SKU B7319 y SKU F9004.
Para el SKU F5402, la demanda diaria se distribuye normalmente, con una media de 15 unidades y
una desviación estándar de 3. El tiempo de entrega es exactamente 4 días. Hinsdale quiere mantener un ni-
vel de servicio de 97%. ¿Cuáles deberían ser el punto de reorden y el tamaño del inventario de seguridad?

6.8 USO DEL INVENTARIO DE SEGURIDAD 209
Con base en el apéndice A, para un nivel de servicio de 97%, Z = 1.88. Puesto que la demanda es
variable, pero el tiempo de entrega es constante, encontramos que
ROP = dL + Z 1sd 1L 2 = 15142 + 1.8813142 = 15142 + 1.88162
= 60 + 11.28 = 71.28
Así que la demanda promedio durante el tiempo de entrega es de 60, y el inventario de seguridad es 11.28
unidades.
Para el SKU B7319, la demanda diaria es constante en 25 unidades diarias, y el tiempo de entrega se
distribuye normalmente, con una media de 6 días y una desviación estándar de 3. Hinsdale quiere mantener
un nivel de servicio de 98% para este producto en particular. ¿Cuál es el punto de reorden?
A partir del apéndice A, para un nivel de servicio de 98%, Z = 2.05. Como la demanda es constante,
pero el tiempo de entrega es variable, encontramos
ROP = dL + Z 1dsL 2 = 25162 + 2.051252 132 = 150 + 2.051752
= 150 + 153.75 = 303.75
Así que la demanda promedio durante el tiempo de entrega es de 150, y el inventario de seguridad es de
154.03 unidades.
Para el SKU F9004, la demanda diaria se distribuye normalmente, con una media de 20 unidades y
una desviación estándar de 4; y el tiempo de entrega se distribuye normalmente, con una media de 5 días
y una desviación estándar de 2. Hinsdale quiere mantener un nivel de servicio de 94% para este producto
en particular. ¿Cuál es el punto de reorden?
Con base en el apéndice A, para un nivel de servicio de 94%, Z = 1.55. Dado que tanto la demanda
como el tiempo de entrega son variables, encontramos
ROP = d L + Z 1 2Ls2d + d 2s2L 2 = 1202 152 + 1.551 251 42 2 + 1202 2 122 2 2

= 100 + 1.5511680
= 100 + 1.551 40.992
= 100 + 63.53
= 163.53
Por lo que la demanda promedio durante el tiempo de entrega es de 100 y el inventario de seguridad es de
63.53 unidades.
Se determina un tamaño del A medida que aumenta el nivel de servicio, el inventario de seguridad se incrementa a un ritmo cada
inventario de seguridad para vez mayor. En la tabla 6.5, se ilustra la forma en que el tamaño del inventario de seguridad cambiaría para
cada nivel de servicio. el ejemplo de Hinsdale Company (SKU A3378) de acuerdo con el nivel de servicio. Cuando aumenta el
tamaño del inventario de seguridad, también se incrementan los costos anuales de almacenamiento.
CÁLCULO DEL COSTO ANUAL DE ALMACENAMIENTO CON INVENTARIO DE SEGURIDAD Cuando

se cumplen los supuestos de la EOQ de demanda y tiempo de entrega constantes, el inventario promedio es
Q>2, y el costo anual de almacenamiento es 1Q>22 Ch. Cuando se mantiene inventario de seguridad porque
TABLA 6.5
NIVEL DE VALOR DE Z EN LA TABLA INVENTARIO DE
Inventario de seguridad SERVICIO (%) DE LA CURVA NORMAL SEGURIDAD (UNIDADES)
para el SKU A3378 con
90 1.28 12.8
diferentes niveles de
servicio 91 1.34 13.4
92 1.41 14.1
93 1.48 14.8
94 1.55 15.5
95 1.65 16.5
96 1.75 17.5
97 1.88 18.8
98 2.05 20.5
99 2.33 23.3
99.99 3.72 37.2

la demanda fluctúa, se agrega el costo de almacenamiento de este inventario de seguridad al costo por
mantener el inventario regular con la finalidad de obtener el costo total anual de almacenamiento. Si la
demanda durante el tiempo de entrega se distribuye normalmente y se utiliza un inventario de seguridad,
el inventario promedio sobre la cantidad de pedido (Q) sigue siendo Q>2, pero el tamaño promedio del in-
ventario de seguridad que se mantiene es simplemente el inventario de seguridad (IS) y no la mitad de esa
cantidad. Dado que la demanda durante el tiempo de entrega se distribuye normalmente, habría momentos
en los que el uso de inventarios durante el tiempo de entrega superaría la cantidad esperada y se usaría un
poco del inventario de seguridad. No obstante, es igual de probable que el uso de inventarios durante el
tiempo de entrega fuera menor que la cantidad esperada y la orden llegará aunque algunas existencias re-
gulares se sigan conservando, junto con todo el inventario de seguridad. Por lo tanto, en promedio, la com-
pañía siempre debería tener disponible esta cantidad de inventario de seguridad, con lo cual se aplicaría un
costo de almacenamiento al total. De lo anterior, tenemos
Costo total anual de almacenamiento = Costo de almacenamiento del inventario regular

+ Costo de almacenamiento del inventario de seguridad
Q
CTA = C + 1IS 2Ch (6-20)
2 h
donde
CTA = costo total anual de almacenamiento
Q = cantidad de pedido
Ch = costo de almacenamiento por unidad por año
IS = inventario de seguridad
El costo de almacenamiento aumenta En el ejemplo de Hinsdale para el SKU A3378, supongamos que el costo de almacenamiento es de $2 por
a un ritmo creciente a medida que se
unidad anual. En la tabla 6.5, se muestra la cantidad de inventario de seguridad necesaria para alcanzar
incrementa el nivel de servicio.
diversos niveles de servicio. El costo por mantener el inventario de seguridad serían estas cantidades multi-
plicadas por $2 por unidad. Como se ilustra en la figura 6.9, este costo de almacenamiento aumentaría muy
rápidamente una vez alcanzado el nivel de servicio de 98 por ciento.
USO DE EXCEL QM PARA PROBLEMAS CON INVENTARIO DE SEGURIDAD Si desea utilizar Excel
QM para determinar el inventario de seguridad y el punto de reorden, seleccione Excel QM de la pestaña
Add-Ins y elija Inventory—Reorder Point/Safety Stock (normal distribution). Introduzca un título cuando
FIGURA 6.9
($)
Nivel de servicio contra 80
los costos anuales de
almacenamiento
Costos de almacenamiento de inventario ($)
70
60
50
40
30
20
90 91 92 93 94 95 96 97 98 99 99.99 (%)
Nivel de servicio (%)

6.9 MODELOS DE INVENTARIO DE UN SOLO PERIODO 211
PROGRAMA 6.4A
Fórmulas y entrada de datos en Excel QM para el problema del inventario de seguridad de Hinsdale
La demanda promedio y la desviación Si la demanda diaria se distribuye
estándar durante el tiempo de entrega normalmente, pero el tiempo de
se introducen aquí, si están disponibles. entrega es constante, los datos se
introducen aquí.
Si la demanda diaria y/o el tiempo de entrega

se distribuyen normalmente, los datos se
introducen aquí. Si una o el otro es constante,
anote cero para la desviación estándar,
respectivamente. La desviación estándar
de la demanda durante
el tiempo de entrega
se calcula aquí.
La desviación estándar de la
demanda durante el tiempo
de entrega se calcula aquí.
PROGRAMA 6.4B
Soluciones de Excel QM Solución al primer ejemplo de Hinsdale
cuando se da la desviación estándar
para el problema del de la demanda durante el tiempo de
inventario de seguridad entrega.
de Hinsdale
Solución al segundo ejemplo

de Hinsdale donde la demanda
diaria se distribuye normalmente.
Solución al tercer ejemplo de

Hinsdale en el que la demanda
diaria es constante, pero el
tiempo de entrega se distribuye
normalmente.
aparezca la ventana de entrada y haga clic en OK. El programa 6.4A muestra la pantalla de entrada y las
fórmulas para los tres primeros ejemplos de Hinsdale Company. El programa 6.4B muestra la solución.
6.9 Modelos de inventario de un solo periodo

Hasta ahora, hemos considerado decisiones de inventario en las cuales la demanda continúa en el futuro
y posteriormente se colocarán pedidos del mismo producto. Existen algunos productos para los que se
toma la decisión de atender la demanda de un solo periodo, y los artículos que no se venden durante este
periodo de tiempo no tienen valor o poseen un valor muy reducido en el futuro. Por ejemplo, un perió-
dico diario no sirve para nada después de que se imprime la siguiente edición. Otros ejemplos incluyen
revistas semanales, programas impresos para eventos deportivos, ciertos alimentos preparados que tienen
una vida corta y alguna ropa de temporada que tienen un valor bastante reducido al final de cada estación.

Con frecuencia, este tipo de problema se denomina problema del voceador o modelo de inventarios de un
solo periodo.
Por ejemplo, un restaurante grande podría ser capaz de almacenar entre 20 y 100 cajas de rosquillas
(donas) para satisfacer una demanda que va de 20 a 100 cajas por día. Aunque esto podría modelarse
utilizando una tabla de pagos (vea el capítulo 3), sería analizar 101 posibles alternativas y estados de la
naturaleza, lo cual sería bastante tedioso. Un enfoque más sencillo para este tipo de decisión es utilizar el
análisis marginal o incremental.
Un enfoque para la toma de decisiones por medio la utilidad marginal y la pérdida marginal se llama
análisis marginal. La utilidad marginal (MP, marginal profit) es la utilidad adicional lograda si se alma-
cena y se vende una unidad adicional. La pérdida marginal (ML) es la pérdida que se produce cuando se
surte una unidad adicional, pero no se puede vender.
Cuando hay un número manejable de alternativas y estados de la naturaleza, y sabemos las probabi-
lidades para cada uno de éstos, se puede utilizar el análisis marginal con distribuciones discretas. Cuando
hay un número muy grande de posibles alternativas y estados de la naturaleza y la distribución de proba-
bilidad de los estados de la naturaleza puede describirse con una distribución normal, resulta apropiado el
análisis marginal con la distribución normal.
Análisis marginal con distribuciones discretas

La determinación del nivel de inventario con el menor costo no es difícil cuando se sigue el procedimiento
del análisis marginal. Este enfoque indica que almacenaríamos una unidad adicional sólo si la utilidad mar-
ginal esperada para esa unidad es igual o superior a la pérdida marginal esperada. Esta relación se expresa
simbólicamente como sigue:
P = probabilidad de que la demanda sea mayor o igual a un suministro dado (o la probabilidad de
vender al menos una unidad adicional)
1 - P = probabilidad de que la demanda sea menor que la oferta (o la probabilidad de que una uni-
dad adicional no se venda)
La utilidad marginal esperada se calcula al multiplicar la probabilidad de que una determinada unidad
se venda por la utilidad marginal, P 1MP2. Asimismo, la pérdida marginal esperada es la probabilidad de no
vender la unidad multiplicada por la pérdida marginal, o 11 - P2 1ML2.
La regla de decisión óptima es almacenar la unidad adicional si
P1MP 2 Ú 11 - P2ML
Con algunas manipulaciones matemáticas básicas, podemos determinar el nivel de P para el que esta
relación se cumple:
P1MP 2 Ú ML - P1ML2
P1MP 2 + P1ML2 Ú ML
P1MP + ML2 Ú ML
o
ML
P Ú (6-21)
ML + MP
En otras palabras, siempre que la probabilidad de vender una unidad más (P) sea mayor o igual que
ML>1MP + ML2, almacenaríamos la unidad adicional.
Pasos del análisis marginal con distribuciones discretas

ML
1. Determine el valor de para el problema.
ML + MP
2. Construya una tabla de probabilidades y agregue una columna con la probabilidad acumulada.
3. Siga ordenando inventario, siempre que la probabilidad (P) de vender al menos una unidad adicional
ML
sea mayor que .
ML + MP

TABLA 6.6
VENTAS DIARIAS PROBABILIDAD (P) DE QUE LA
Distribución de (CAJAS DE ROSQUILLAS) DEMANDA TENGA ESTE NIVEL
probabilidad
de Café du Donut 4 0.05
5 0.15
6 0.15
7 0.20
8 0.25
9 0.10
10 0.10
Total 1.00
Ejemplo del Café du Donut

Café du Donut es un popular sitio para comer en Nueva Orleans, ubicado en el límite del Barrio Francés,
cuya especialidad es el café y las rosquillas. El Café compra rosquillas frescas todos los días a una gran pa-
nadería industrial. La cafetería paga $4 por cada caja (que contiene dos docenas de rosquillas) entregadas
por la mañana. Cualquier caja que no se vende al final del día se desecha, porque no serían suficientemente
frescas para cumplir las normas de la cafetería. Si se vende una caja de rosquillas, el ingreso total es de $6.
Por lo tanto, la utilidad marginal por caja de rosquillas es
MP = Utilidad marginal = $6 - $4 = $2
La pérdida marginal es ML = $4, porque las rosquillas no pueden ser devueltas ni recuperadas al final
del día.
A partir de las ventas históricas, el gerente de la cafetería estima que la demanda diaria sigue la dis-
tribución de probabilidad que se muestra en la tabla 6.6. Así, el gerente sigue tres pasos para encontrar el
número óptimo de cajas de rosquillas a ordenar cada día.
ML
Paso 1. Determinar el valor de para la regla de decisión
ML + MP
ML $4 4
P Ú = = = 0.67
ML + MP $4 + $2 6
P Ú 0.67
Entonces, la regla de decisión respecto al inventario es abastecerse de una unidad adicional si P … 0.67.
Paso 2. Agregar una nueva columna a la tabla que refleje la probabilidad de que las ventas de rosquillas
estarán en cada nivel o por encima de éste. Lo anterior se muestra en la columna derecha de la tabla 6.7.
Por ejemplo, la probabilidad de que la demanda sea de 4 cajas o más es 1.00 1= 0.05 + 0.15 + 0.15 +
0.20 + 0.25 + 0.10 + 0.102. Del mismo modo, la probabilidad de que las ventas sean de 8 cajas o más
es 0.45 1= 0.25 + 0.10 + 0.10); es decir, la suma de las probabilidades para ventas de 8, 9 o 10 cajas.
TABLA 6.7
VENTAS DIARIAS PROBABILIDAD (P) PROBABILIDAD (P) DE QUE
Análisis marginal del (CAJAS DE DE QUE LA DEMANDA LA DEMANDA TENGA
Café du Donut ROSQUILLAS) TENGA ESTE NIVEL ESTE NIVEL O UNO MAYOR
4 0.05 1.00 Ú 0.66

5 0.15 0.95 Ú 0.66
6 0.15 0.80 Ú 0.66
7 0.20 0.65
8 0.25 0.45
9 0.10 0.20
10 0.10 0.10
Total 1.00

Paso 3. Seguir ordenando cajas adicionales, siempre que la probabilidad de venta de al menos una caja
adicional sea mayor que P, la cual es la probabilidad de indiferencia. Si el Café du Donut pide 6 cajas, la
utilidad marginal seguirá siendo mayor que la pérdida marginal, porque
P en 6 cajas = 0.80 7 0.67
Análisis marginal con la distribución normal

Cuando la demanda del producto o las ventas siguen una distribución normal, lo cual es una situación
común de los negocios, es posible aplicar el análisis marginal con la distribución normal. En primer lugar,
debemos encontrar cuatro valores:
1. Las ventas promedio o medias del producto, m
2. La desviación estándar de las ventas, s
3. La utilidad marginal para el producto, MP
4. La pérdida marginal para el producto, ML
Una vez que se conocen estas cantidades, el proceso de encontrar la mejor política de almacenamiento es
similar al análisis marginal con distribuciones discretas. Sea X * = nivel de almacenamiento óptimo.
Pasos del análisis marginal con la distribución normal

ML
1. Determinar el valor de para el problema.
ML + MP
2. Localizar P en la distribución normal (apéndice A) y encontrar el valor Z asociado.
3. Calcular X * utilizando la relación
X* - m
Z =
s
para encontrar la política de almacenamiento resultante:
X * = m + Zs
Ejemplo del periódico

La demanda de ejemplares del periódico Chicago Tribune en el quiosco (puesto) de Joe se distribuye nor-
malmente y tiene una media de 60 periódicos al día, con una desviación estándar de 10 ejemplares. Con
una pérdida marginal de 20 centavos y una utilidad marginal de 30 centavos, ¿qué política de almacena-
miento diario debería seguir Joe?
Paso 1. Joe debe almacenar el Chicago Tribune, siempre que la probabilidad de vender la última unidad
sea al menos de ML>1ML + MP2:
ML 20 centavos 20
= = = 0.40
ML + MP 20 centavos + 30 centavos 50
Sea P = 0.40.
Paso 2. La figura 6.10 muestra la distribución normal. Dado que la tabla normal muestra las áreas
acumuladas bajo la curva entre el lado izquierdo y cualquier punto, debemos buscar 0.60 1= 1.0 - 0.402
con la finalidad de obtener el valor de Z correspondiente:
Z = 0.25 desviaciones estándar desde la media
Paso 3. En este problema, m = 60 y s = 10, por lo que
X * - 60
0.25 =
10
o
X * = 60 + 0.25 1102 = 62.5, o 62 periódicos.
Por lo tanto, Joe debería ordenar 62 ejemplares del Chicago Tribune cada día, dado que la probabilidad
de vender 63 es ligeramente menor que 0.40.

FIGURA 6.10
El área bajo la curva es 1 – 0.40 = 0.60
Decisión de Joe sobre (Z = 0.25)
Ventas diarias medias
el almacenamiento del
Chicago Tribune
El área bajo la curva es 0.40
m 60 X* X = Demanda
Política de almacenamiento óptima (62 periódicos)
Cuando P es mayor que 0.50, se utiliza el mismo procedimiento básico, aunque se debería tener pre-
caución cuando se busca el valor Z. Digamos que el quiosco de Joe también vende el Chicago Sun-Times,
y que su pérdida marginal es de 40 centavos y su utilidad marginal es de 10 centavos. Las ventas diarias
tienen un promedio de 100 copias del Chicago Sun-Times, con una desviación estándar de 10 ejemplares.
La política de almacenamiento óptima es la siguiente:
ML 40 centavos 40
= = = 0.80
ML + MP 40 centavos + 10 centavos 50
En la figura 6.11, se muestra la curva normal. Dado que la curva normal es simétrica, encontramos Z
para un área bajo la curva de 0.80 y multiplicamos este número por -1 porque todos los valores por debajo
de la media se asocian con un valor Z negativo:
Z = -0.84 desviaciones estándar desde la media para un área de 0.80
Con m = 100 y s = 10,
X * - 100
-0.84 =
10
o bien,
X * = 100 - 0.84 1102 = 91.6, o 91 periódicos.
Así que Joe debe ordenar 91 copias del Chicago Sun-Times cada día.
Las políticas óptimas de abastecimiento en estos dos ejemplos son intuitivamente consistentes.
Cuando la utilidad marginal es mayor que la pérdida marginal, esperaríamos que X * fuera mayor que la
demanda promedio, m, y cuando la utilidad marginal es inferior a la pérdida marginal, esperaríamos que
la política de almacenamiento óptima, X *, fuera inferior a m.
FIGURA 6.11
Decisión de Joe sobre
el almacenamiento del
Chicago Sun-Times El área bajo la curva es 0.80
(Z = –0.84)
X* m 100 X = Demanda
Política de almacenamiento óptima (91 periódicos)

TABLA 6.8
USO ARTÍCULOS EN ¿SE USAN TÉCNICAS
Resumen del GRUPO DE MONETARIO INVENTARIO CUANTITATIVAS DE
análisis ABC INVENTARIO (%) (%) CONTROL?
A 70 10 Sí
B 20 20 En algunos casos
C 10 70 No
6.10 Análisis ABC

Anteriormente, demostramos cómo se desarrollan políticas de inventario utilizando técnicas cuantitativas.
También existen algunas consideraciones muy prácticas que deberían incorporarse en la implementación
de las decisiones de inventario, como el análisis ABC.
El propósito del análisis ABC es dividir todos los artículos del inventario de una compañía en tres
grupos (A, B y C), con base en el valor general del inventario de los artículos. Un administrador prudente
debería dedicar más tiempo al manejo de los artículos que representan el mayor costo monetario de inven-
tario, ya que es ahí donde existen los mayores ahorros potenciales. A continuación se da una breve descrip-
ción de cada grupo, con las directrices generales en cuanto a la forma de clasificar los artículos.
Los artículos de inventario en el grupo A representan una parte importante de los costos de inventario de
la organización. Como resultado, sus niveles de inventario deben monitorearse con cuidado. Estos artículos
constituyen normalmente más de 70% del negocio de la compañía en valor monetario, pero pueden consistir
sólo en 10% de todos los artículos en inventario. En otras palabras, unos cuantos artículos del inventario son
muy costosos para la empresa. Por lo tanto, se debería tener gran cuidado al pronosticar la demanda y al de-
sarrollar buenas políticas para el manejo del inventario de este grupo de artículos (vea la tabla 6.8). Como hay
relativamente pocos artículos de este tipo, el tiempo empleado no sería excesivo.
Los artículos del grupo B suelen tener un precio moderado y representan una inversión mucho menor
que los artículos del tipo A. Por lo tanto, no es recomendable dedicar tanto tiempo al desarrollo de políti-
cas de inventario óptimas para este grupo como para el grupo A, puesto que estos costos de inventario son
mucho más bajos. Por lo general, los artículos del grupo B representan alrededor de 20% del negocio de la
compañía en valor monetario, y aproximadamente 20% de los artículos en inventario.
Los artículos del grupo C son los artículos de muy bajo costo que representan muy poco en térmi-
nos del dinero total invertido en el inventario. Estos artículos pueden constituir sólo 10% del negocio de
la compañía, pero consistir en 70% de los artículos en inventario. Desde una perspectiva de costo-be-
neficio, no es recomendable invertir tanto tiempo en el manejo de estos artículos, como en el de los
artículos A y B.
Para el grupo de artículos C, la empresa tiene que desarrollar una política de inventario muy simple, y
esto puede incluir una magnitud relativamente grande del inventario de seguridad. Dado que los artículos
cuestan muy poco, el costo de almacenamiento asociado con un inventario de seguridad grande también
será muy bajo. Se debe tener más cuidado en la determinación del inventario de seguridad de los artículos
del grupo B, con mayores precios. Para los artículos muy costosos del grupo A, el costo de mantener inven-
tario es tan alto que resulta beneficioso analizar con cuidado su demanda, de manera que el inventario de
seguridad se encuentre en un nivel adecuado. De lo contrario, la empresa enfrentaría costos muy altos por
mantener artículos del grupo A.
6.11 Demanda dependiente: el caso de la planeación de las necesidades de materiales

En todos los modelos de inventario analizados anteriormente, suponemos que la demanda de un artículo
es independiente de la demanda de otros artículos. Por ejemplo, la demanda de refrigeradores suele ser
independiente de la demanda de hornos tostadores. Sin embargo, muchos de los problemas de inventario
están relacionados entre sí: la demanda de un artículo depende de la demanda de otro. Considere a un
fabricante de pequeñas cortadoras eléctricas de césped. La demanda de ruedas y bujías para cortadoras de
césped depende de la demanda de las cortadoras de césped en sí. Se requieren cuatro ruedas y una bujía
para cada cortadora de césped terminada. Por lo general, cuando la demanda de los diferentes artículos es
dependiente, la relación entre ellos es conocida y constante. Por lo tanto, se debería pronosticar la demanda
de los productos finales y calcular las necesidades de las piezas componentes.
Al igual que con los modelos de inventario analizados previamente, las principales preguntas que
deben contestarse son cuánto ordenar y cuándo hacer el pedido. Pero con una demanda dependiente,
la programación y la planeación del inventario suelen ser realmente complejas. En tales situaciones, es

6.11 DEMANDA DEPENDIENTE: EL CASO DE LA PLANEACIÓN DE LAS NECESIDADES DE MATERIALES 217
posible usar con eficacia la planeación de las necesidades de materiales (MRP, materials requirements
planning). Algunos de los beneficios de la MRP son:
1. Aumento de la atención al cliente y la satisfacción de éste
2. Reducción de los costos de inventario
3. Mejor planeación y programación del inventario
4. Mayores ventas totales
5. Respuesta más rápida ante los cambios y movimientos del mercado
6. Disminución de los niveles de inventario sin reducir la atención al cliente
Aunque la mayoría de los sistemas de MRP están computarizados, el análisis es directo y similar de
un sistema computarizado a otro. A continuación se presenta el procedimiento típico.
Árbol de estructura de materiales

Iniciamos con el desarrollo de una lista de materiales (BOM, bill of materials). La BOM identifica los
componentes, sus descripciones y el número requerido para la producción de una unidad del producto fi-
En el árbol de estructura de nal. A partir de la BOM, desarrollamos un árbol de estructura de materiales. Digamos que la demanda de
materiales se identifican los un producto A es de 50 unidades. Cada unidad A requiere 2 unidades de B y 3 unidades de C. Ahora, cada
padres y los componentes. unidad de B requiere 2 unidades de D y 3 unidades de E. Además, cada unidad de C requiere 1 unidad de E
y 2 unidades de F. Por lo tanto, la demanda de B, C, D, E y F es totalmente dependiente de la demanda de
A. Dada esta información, es posible desarrollar un árbol de estructura de materiales para los artículos
de inventario relacionados (vea la figura 6.12).
El árbol de estructura tiene tres niveles: 0, 1 y 2. Los artículos que están por encima de cualquier nivel
se llaman padres, y los artículos que están por debajo de cualquier nivel se llaman componentes. Existen
tres padres: A, B y C. Cada elemento padre tiene al menos un nivel por debajo de él. Los productos B, C,
D, E y F son componentes debido a que cada artículo tiene al menos un nivel por encima de él. En este
árbol de estructura, B y C son tanto padres como componentes.
El árbol de estructura de materiales Observe que el número entre paréntesis de la figura 6.12 indica cuántas unidades se necesitan de ese
muestra cuántas unidades artículo en particular para fabricar el elemento inmediatamente superior. Por lo tanto, B(2) significa que se
se necesitan en cada nivel de requieren 2 unidades de B por cada unidad de A, y F(2) significa que se necesitan 2 unidades de F por cada
producción. unidad de C.
Después de desarrollar el árbol de estructura de materiales, es posible determinar el número de uni-
dades de cada artículo requerido para satisfacer la demanda. Esta información se representa de la siguiente
manera:
Pieza B: 2 * número de As = 2 * 50 = 100
Pieza C: 3 * número de As = 3 * 50 = 150
Pieza D: 2 * número de Bs = 2 * 100 = 200
Pieza E: 3 * número de Bs = 1 * número de Cs = 3 * 100 + 1 * 150 = 450
Pieza F: 2 * número de Cs = 2 * 150 = 300
Así, para 50 unidades de A necesitamos 100 unidades de B, 150 unidades de C, 200 unidades de D,
450 unidades de E y 300 unidades de F. Desde luego, los números en esta tabla podrían haberse determi-
nado directamente sobre el árbol de estructura de materiales al multiplicar los números a lo largo de las
FIGURA 6.12
Árbol de estructura de materiales para el artículo A
Árbol de estructura
de materiales para Nivel A
el artículo A 0
B(2) C(3)
2 D(2) E(3) E(1) F(2)

FIGURA 6.13 Semana

Plan de necesidades 1 2 3 4 5 6
brutas de material para Fecha requerida 50 Tiempo de entrega
50 unidades de A A Liberación de orden = 1 semana
50
Cada pieza A requiere 2 piezas B
en la semana 5
Fecha requerida 100 Tiempo de entrega
B = 2 semanas
Liberación de orden 100

C = 1 semana

D = 1 semana
Fecha requerida 300 150 Tiempo de entrega

E = 2 semanas
Liberación de orden 300 150

F = 3 semanas
ramas por la demanda de A, que es de 50 unidades en este problema. Por ejemplo, el número de unidades
necesarias de D es simplemente 2 * 2 * 50 = 200 unidades.
Plan de necesidades brutas y netas de material

Una vez desarrollado el árbol de estructura de materiales, se construye un plan de necesidades brutas de
material, que es un calendario que muestra cuándo se debe pedir un artículo a los proveedores si no hay
inventario disponible, o cuándo debe iniciar la producción de un artículo con la finalidad de satisfacer la
demanda de un producto terminado en una fecha en particular. Suponga que todos los artículos son produ-
cidos o fabricados por la misma empresa. Se requiere una semana para fabricar A, dos semanas para hacer
B, una semana para fabricar C, una semana para hacer D, dos semanas para fabricar E y tres semanas para
hacer F. Con esta información, es posible construir el plan de necesidades brutas de material con el propó-
sito de revelar el programa de producción necesario para satisfacer la demanda de 50 unidades de A en una
fecha futura. (Consulte la figura 6.13).
La interpretación del material en la figura 6.13 es la siguiente: si se desean 50 unidades de A en la
semana 6, es necesario iniciar el proceso de fabricación en la semana 5. Por lo tanto, en la semana 5 se
requieren 100 unidades de B y 150 unidades de C. Estos dos artículos necesitan 2 semanas y 1 semana
para ser producidos. (Vea los tiempos de entrega). La producción de B debería iniciarse en la semana 3, y
C debe comenzar en la semana 4. (Vea las liberaciones de orden para estos artículos). Trabaje hacia atrás;
es posible realizar los mismos cálculos para el resto de los artículos. El plan de necesidades de materiales
revela gráficamente cuándo se tiene que iniciar y completar cada artículo para tener 50 unidades de A en la
Uso del inventario disponible para semana 6. Ahora se puede desarrollar un plan de necesidades netas de material, dado el inventario disponi-
calcular las necesidades netas. ble de la tabla 6.9; a continuación se muestra la manera de hacer esto.
TABLA 6.9
ARTÍCULO INVENTARIO DISPONIBLE
Inventario disponible
A 10
B 15
C 20
D 10
E 10
F 5

6.11 DEMANDA DEPENDIENTE: EL CASO DE LA PLANEACIÓN DE LAS NECESIDADES DE MATERIALES 219
FIGURA 6.14 Semana

Tiempo
Plan de necesidades Artículo 1 2 3 4 5 6 de entrega
netas de materiales para
A Bruto 50 1
50 unidades de A
Disponible: 10 10
Neto 40
Recepción de orden 40
A
B Bruto 80 2
Disponible: 15 15
Neto 65
A
C Bruto 120 1
Disponible: 20 20
Neto 100
B
D Bruto 130 1
Disponible: 10 10
Neto 120
B C
E Bruto 195 100 2
Disponible: 10 10 0
Neto 185 100
C
F Bruto 200 3
Disponible: 5 5
Neto 195
Con base en estos datos, podemos desarrollar un plan de necesidades netas de material que incluya las
necesidades brutas, el inventario disponible, las necesidades netas, las recepciones de órdenes planificadas
y las liberaciones de órdenes previstas para cada artículo. Se desarrolla empezando por A y trabajando
hacia atrás a través de los demás artículos. En la figura 6.14 se muestra un plan de necesidades netas de
material para el producto A.
El plan de necesidades netas se construye como el plan de necesidades brutas. Comenzando con
el artículo A, trabajamos hacia atrás para determinar las necesidades netas de todos los artículos. Estos
cálculos se hacen consultando constantemente el árbol de estructura y los tiempos de entrega. Las nece-
sidades brutas de A son 50 unidades en la semana 6. Existen 10 artículos disponibles y, por lo tanto, las
necesidades netas y la recepción de pedidos planificada son de 40 artículos en la semana 6. Debido al
tiempo de entrega de una semana, la liberación de orden planificada tiene 40 artículos en la semana 5.
(Vea la flecha que conecta la recepción y la liberación de la orden). Observe la columna 5 y consulte
el árbol de estructura en la figura 6.13. Se requieren 80 (2 * 40) artículos B y 120 = 3 * 40 artículos C
en la semana 5 con la finalidad de tener un total de 50 artículos A en la semana 6. La letra A en la esquina
superior derecha para los artículos B y C significa que esta demanda de B y C fue generada como resul-
tado de la demanda del padre, A. Ahora, realice el mismo tipo de análisis para B y C, con el propósito de
determinar las necesidades netas para D, E y F.
Dos o más productos finales

Hasta ahora, hemos considerado sólo un producto final. Es común que la mayoría de las empresas de ma-
nufactura tengan dos o más productos finales que utilizan algunas de las mismas piezas o componentes.
Todos los productos finales deben incorporarse en un solo plan de necesidades netas de material.
En el ejemplo de MRP que acabamos de analizar, desarrollamos un plan de necesidades netas de
material para el producto A. Ahora, mostraremos cómo modificar el plan de necesidades netas de material

cuando se introduce un segundo producto final. Llamemos AA al segundo producto final. El árbol de es-
tructura de materiales para el producto AA es el siguiente:
AA
D(3) F(2)
Supongamos que tenemos 10 unidades de AA. Con esta información podemos calcular las necesidades
brutas de AA:
Pieza D: 3 * número de AAs = 3 * 10 = 30
Pieza F: 2 * número de AAs = 2 * 10 = 20
Para desarrollar un plan de necesidades netas de material, debemos saber el tiempo de entrega para
AA. Supongamos que es de una semana. También supongamos que necesitamos 10 unidades de AA en
la semana 6 y que no tenemos unidades de AA disponibles.
Ahora, estamos en condiciones de modificar el plan de necesidades netas de material para el pro-
ducto A, con la finalidad de incluir AA. Esto se hace en la figura 6.15.
FIGURA 6.15 Semana

Tiempo de
Plan de necesidades Artículo Inventario 1 2 3 4 5 6 entrega
netas de material,
incluyendo AA AA Bruto 10 1 semana
Disponible: 0 0
Neto 10
A Bruto 50 1 semana
Disponible: 10 10
Neto 40
A
B Bruto 80 2 semanas
Disponible: 15 15
Neto 65
A
C Bruto 120 1 semana
Disponible: 20 20
Neto 100
B AA
D Bruto 130 30 1 semana
Disponible: 10 10 0
Neto 120 30
Recepción de orden 120 30
B C
E Bruto 195 100 2 semanas
Disponible: 10 10 0
Neto 185 100
C AA
F Bruto 200 20 3 semanas
Disponible: 5 5 0
Neto 195 20

6.12 CONTROL DE INVENTARIOS JUSTO A TIEMPO 221
Observe la fila superior de la figura. Como se observa, tenemos una necesidad bruta de 10 unidades
de AA en la semana 6. No tenemos ninguna unidad de AA disponible, por lo que la necesidad neta también
es de 10 unidades de AA. Debido a que toma una semana hacer AA, la liberación de la orden de 10 unida-
des de AA se da en la semana 5. Esto significa que empezamos a hacer AA en la semana 5 y tenemos las
unidades terminadas en la semana 6.
Debido a que empezamos a hacer AA en la semana 5, debemos tener 30 unidades de D y 20 unida-
des de F en esa semana. (Vea las filas de D y F en la figura 6.15). El tiempo de entrega para D es de una
semana. Por lo tanto, debemos liberar la orden en la semana 4 para tener las unidades terminadas de D
en la semana 5. Note que no había inventario disponible de D en la semana 5. Las 10 unidades originales
de inventario de D se utilizaron en la semana 5 para hacer B, que posteriormente se utilizó para hacer A.
También es necesario tener 20 unidades de F en la semana 5 para producir 10 unidades de AA para la se-
mana 6. Una vez más, no tenemos inventario disponible de F en la semana 5. Las 5 unidades originales
se utilizaron en la semana 4 para hacer C, que posteriormente se utilizó para hacer A. El tiempo de entrega
para F es de tres semanas. Por lo tanto, se requiere liberar la orden de 20 unidades de F en la semana 2.
(Vea la fila de F en la figura 6.15).
Este ejemplo muestra cómo se pueden reflejar las necesidades de inventario de dos productos en el
mismo plan de necesidades netas de material. Algunas empresas de manufactura pueden tener más de 100
productos finales que deben coordinarse en el mismo plan de necesidades netas de material. Aunque tal si-
tuación puede ser muy complicada, se emplean los mismos principios que hemos utilizado en este ejemplo.
Recuerde que se han desarrollado programas computacionales para manejar operaciones de manufactura
grandes y complejas.
Además de utilizar la MRP para manejar productos finales y terminados, esta técnica también sirve
para manejar piezas de repuesto y componentes. Lo anterior es importante porque la mayoría de las empre-
sas de manufactura venden repuestos y componentes para mantenimiento. Un plan de necesidades netas de
material también debería reflejar estas piezas de repuesto y componentes.
6.12 Control de inventarios justo a tiempo

Durante las décadas más recientes, ha habido una tendencia a hacer que los procesos de manufactura sean
más eficientes. Uno de los objetivos es tener de manera constante menos inventario en proceso. Esto se
Con el JIT, el inventario llega justo conoce como inventario JIT (just in time). Con este enfoque, el inventario llega justo a tiempo para ser
antes de que sea necesario. utilizado durante el proceso de fabricación con la finalidad de producir subensambles, ensambles o pro-
ductos terminados. Una de las técnicas para aplicar el JIT es un procedimiento manual llamado kanban,
que significa “tarjeta” en japonés. Con un sistema kanban de tarjeta dual, hay un kanban de transporte,
o kanban C, y un kanban de producción, o kanban P. El sistema kanban es muy sencillo. Así es como
funciona:
Cuatro pasos de kanban

Flecha 1: Como se indica en la figura 6.16, desde el área de almacenamiento, se llevan contenedores
llenos junto con su tarjeta kanban C hasta un área de usuario, por lo general en una línea
de manufactura (vea la flecha 1).
Flecha 2: Durante el proceso de manufactura, el usuario utiliza las piezas del contenedor. Cuando el
contenedor está vacío, se lleva con la misma tarjeta kanban C de regreso al área de almacena-
miento (representada por la flecha número 2). Aquí, el usuario recoge un nuevo contenedor
lleno, separa la tarjeta kanban P de éste, le coloca su tarjeta kanban C y regresa con el
contenedor al área de usuario (representada nuevamente por la flecha número 1).
Flecha 3: Esta tarjeta kanban P individual se une después a un recipiente vacío en el área de almace-
namiento y, sólo entonces, el recipiente vacío se lleva de regreso al área de producción
(representada por la flecha número 3).
Flecha 4: Este contenedor vacío se rellena con piezas y es llevado con su tarjeta kanban P de nuevo
al área de almacenamiento (representada por la flecha número 4). Este proceso kanban se
repite en forma continua durante todo el día. En ocasiones, kanban se conoce como un sis-
tema de producción “tipo tirar de”.

FIGURA 6.16 Kanban P Kanban C

y y
El sistema kanban contenedor contenedor
4 1
Área de Área de Área de

producción almacenamiento usuario
3 2
Para utilizar el sistema kanban se requieren como mínimo dos contenedores. Un contenedor se utiliza
en el área de usuario, y otro está siendo rellenado para uso futuro. En realidad, generalmente hay más de
dos contenedores. Es así como se logra el control de inventarios. Los gerentes de inventarios pueden in-
troducir al sistema contenedores adicionales y sus kanban P asociadas. De manera similar, el gerente de
inventarios puede retirar contenedores y sus kanban P, para tener un control más estricto sobre las acumu-
laciones de inventario.
Además de ser un sistema simple y fácil de implementar, kanban también puede ser muy eficaz para
controlar los costos de inventario y descubrir cuellos de botella en la producción. El inventario llega al área
de usuario o a la línea de producción justo antes de que sea necesario. El inventario no se acumula innece-
sariamente, ni satura la línea de producción o agrega costos de inventario innecesarios. El sistema kanban
reduce los niveles de inventario y logra un funcionamiento más eficaz. Puede equipararse a poner la línea
de producción a dieta de inventarios. Al igual que cualquier dieta, la dieta de inventarios impuesta por el
sistema kanban hace que la operación de producción sea más ágil. Por otro lado, permite descubrir los
cuellos de botella y los problemas de producción. Muchos gerentes de producción eliminan contenedores y
sus kanban P asociadas del sistema, con el fin de “matar de hambre” la línea de producción, y así descubrir
cuellos de botella y problemas potenciales.
En la implementación de un sistema kanban, normalmente se ponen en práctica una serie de reglas
de trabajo o reglas kanban. Una regla kanban típica es que ningún contenedor se llena sin la kanban P co-
rrespondiente. Otra regla es que cada contenedor debe tener exactamente un número específico de piezas o
artículos de inventario. Estas reglas y otras similares hacen que el proceso de producción sea más eficiente.
Sólo se producen aquellas piezas que son realmente necesarias. El departamento de producción no produce
inventario sólo para mantenerse ocupado. Produce inventario o piezas sólo cuando se necesitan en el área
del usuario o en una línea de manufactura real.
6.13 Planeación de recursos empresariales

A través de los años, la MRP ha evolucionado para incluir no sólo los materiales requeridos en la produc-
ción, sino también las horas de mano de obra, el costo del material y otros recursos relacionados con la
producción. Cuando se enfoca de este modo, es común utilizar el término MRP II, y la palabra recursos se
sustituye por el término necesidades. Cuando este concepto evolucionó y se desarrollaron programas de
computación avanzados, estos sistemas fueron llamados planeación de recursos empresariales (ERP,
enterprise resource planning).
El objetivo de un sistema ERP es reducir los costos mediante la integración de todas las operaciones
de una empresa. Esto comienza con el proveedor de los materiales y fluye a través de la organización
hasta incluir la facturación al cliente del producto final. Los datos se introducen una sola vez en una base
de datos y, luego, estos datos pueden ser accesados de forma rápida y fácil por cualquier persona en la
organización. Lo anterior beneficia a las funciones relacionadas con la planeación y la administración de
inventarios, así como a otros procesos del negocio, como contabilidad, finanzas y recursos humanos.
Los beneficios de un sistema ERP bien desarrollado son la reducción de los costos de transacción,
así como un incremento de la velocidad y la precisión de la información. Sin embargo, también hay des-
ventajas. El software es caro y su ajuste para cada empresa es costoso. La implementación de un sistema
ERP puede requerir que una empresa cambie sus operaciones normales, y los empleados suelen presentar
resistencia al cambio. Asimismo, la capacitación de los empleados para el uso del nuevo software suele ser
costosa.
Existen muchos sistemas ERP disponibles. Los más comunes son SAP, Oracle y PeopleSoft, entre
otros. Incluso los sistemas pequeños pueden costar cientos de miles de dólares. Los sistemas más grandes
pueden costar cientos de millones de dólares.

GLOSARIO 223
Resumen
En este capítulo se presentan los fundamentos de la teoría del control cantidad y del inventario de seguridad. Cuando el artículo de inventario
de inventarios. Se demuestra que los dos problemas más importantes se usará en un solo periodo de tiempo, se utiliza el método del análi-
son: 1. cuánto ordenar y 2. cuándo hacer el pedido. sis marginal. El análisis ABC sirve para determinar qué elementos re-
Investigamos la cantidad económica de pedido, que determina la presentan el mayor costo potencial de inventario, de modo que estos
cantidad a ordenar, y el punto de pedido, que indica cuándo se debe artículos se puedan manejar con más cuidado.
hacer el pedido. Además, se exploró el uso del análisis de sensibilidad Cuando la demanda de inventario no es independiente de la de-
para determinar qué ocurre con los cálculos cuando cambia uno o más manda de otro producto, se requiere una técnica como la MRP, la cual
de los valores utilizados en una de las ecuaciones. se puede utilizar para determinar las necesidades brutas y netas de
El modelo de inventario de la EOQ básico presentado en este material para los productos. Para implementar grandes sistemas de in-
capítulo adopta una serie de supuestos: 1. la demanda y los tiempos de ventario, es necesario aplicar con éxito aplicaciones computacionales,
entrega son conocidos y constantes, 2. la recepción del inventario es incluyendo sistemas de MRP. En la actualidad, muchas empresas es-
instantánea, 3. no hay descuentos por cantidad, 4. no hay desabasto ni tán utilizando el software de ERP para integrar todas las operaciones
escasez y 5. los únicos costos variables son los costos de pedido y los dentro de una organización, incluyendo el inventario, la contabilidad,
costos de almacenamiento. Si estos supuestos son válidos, el modelo las finanzas y los recursos humanos.
de inventario de la EOQ ofrece soluciones óptimas. Por otro lado, si El sistema JIT puede reducir los niveles de inventario, disminuir
estos supuestos no se cumplen, el modelo de la EOQ básico no es los costos y hacer que un proceso de manufactura sea más eficiente.
aplicable. En tales casos, se requieren modelos más complejos, inclu- Kanban es una palabra japonesa que significa “tarjeta”, y es una
yendo los modelos de corrida de la producción, de los descuentos por forma de poner en práctica el enfoque JIT.
Glosario
Análisis ABC Un análisis que divide el inventario en tres grupos. Modelo de corrida de la producción Un modelo de inventarios
El grupo A es más importante que el grupo B, que a su vez es más donde el inventario se produce o fabrica a través del tiempo en
importante que el grupo C. lugar de ser ordenado o comprado. Este modelo elimina el
Análisis de sensibilidad El proceso para determinar qué tan supuesto de la recepción instantánea.
sensible es la solución óptima ante los cambios en los valores Nivel de servicio La probabilidad, expresada como un porcentaje,
utilizados en las ecuaciones. de que no haya un desabasto. Nivel de servicio = 1 - Probabili-
Análisis marginal Una técnica que utiliza la utilidad y la pérdida dad de un desabasto.
marginales para determinar las políticas óptimas para la toma de Pérdida marginal La pérdida en que se incurriría por almacenar y
decisiones. El análisis marginal se utiliza cuando el número no vender una unidad adicional.
de alternativas y estados de la naturaleza es grande. Planeación de las necesidades de materiales (MRP) Un modelo
Cantidad económica de pedido (EOQ) La cantidad de inventario de inventarios que puede manejar la demanda dependiente.
ordenada que minimiza el costo total de inventario. También se Planeación de recursos empresariales (ERP) Un sistema de
conoce como cantidad de pedido óptima, o Q *. información computarizado que integra y coordina las operaciones
Costo anual de instalación El costo por configurar el proceso de una empresa.
de fabricación o de producción para ejecutar el modelo de Posición de inventario La cantidad de inventario disponible, más
producción. la cantidad de los pedidos que se han realizado, pero que aún no
Desabasto Una situación que se produce cuando no existe inventario se reciben.
disponible. Punto de reorden (ROP) El número disponible de unidades
Descuentos por cantidad El costo por unidad cuando se colocan cuando se hace un pedido de más inventario.
grandes pedidos de un artículo de inventario. Recepción instantánea de inventario Un sistema en el cual se
Inventario de seguridad Inventario adicional que se utiliza para recibe o se obtiene el inventario en un instante y no en un periodo
ayudar a evitar desabasto. de tiempo.
Inventario justo a tiempo (JIT) Un enfoque en el que el inventario Tiempo de entrega El tiempo que transcurre hasta recibir un
llega justo a tiempo para utilizarse en el proceso de manufactura. pedido después de haber colocado la orden (en el capítulo se
Inventario promedio El promedio del inventario disponible. En llama L).
este capítulo, el inventario promedio es Q>2 para el modelo de Utilidad marginal La utilidad adicional que se obtiene por
la EOQ. almacenar y vender una unidad más.
Kanban Un sistema JIT manual desarrollado por los japoneses.
Kanban significa “tarjeta” en japonés.
Lista de materiales (BOM) Un árbol de estructura de materiales de
los componentes para un producto, que contiene la descripción y
la cantidad necesaria de componentes para fabricar una unidad de
ese producto.

Ecuaciones clave
Las ecuaciones 6-1 a 6-8 están relacionadas con la cantidad econó- La ecuación 6-14 se utiliza para el modelo de descuentos por
mica de pedido (EOQ). cantidad.
Q D Q
(6-1) Nivel de inventario promedio = (6-14) Costo total = DC + C + Ch
2 Q o 2
Costo total de inventario (incluyendo el costo de compra).
D
(6-2) Costo anual de pedido = C Las ecuaciones 6-15 a 6-20 se utilizan cuando se requiere un inventa-
Q o
rio de seguridad.
(6-3) Costo anual de almacenamiento =

Q
C (6-15) ROP = 1Demanda promedio durante el tiempo de
2 h entrega2 + IS
Fórmula general del punto de reorden para determinar cuándo
2DCo
(6-4) EOQ = Q* = se almacena un inventario de seguridad (IS).
A Ch
(6-16) ROP = 1Demanda promedio durante el tiempo de
D Q entrega) + ZsdLT
(6-5) CT = Co + Ch Fórmula del punto de reorden cuando la demanda durante el
Q 2
tiempo de entrega se distribuye normalmente, con una desvia-
Costo de inventario relevante total. ción estándar de sdLT.
1 CQ 2 (6-17) ROP = dL + Z 1sd 2L 2
(6-6) Nivel monetario promedio =
2 Fórmula para determinar el punto de reorden cuando la de-
manda diaria se distribuye normalmente, pero el tiempo de
2DCo entrega es constante; donde d es la demanda diaria promedio,
(6-7) Q =
B IC L es el tiempo de entrega constante en días y sd es la desvia-
EOQ con Ch expresado como porcentaje del costo unitario. ción estándar de la demanda diaria.
(6-18) ROP = dL + Z 1dsL2
(6-8) ROP = d * L
Fórmula para determinar el punto de reorden cuando la
Punto de reorden: d es la demanda diaria y L es el tiempo de demanda diaria es constante pero el tiempo de entrega se
entrega en días. distribuye normalmente, donde L es el tiempo de entrega
promedio en días, d es la demanda diaria constante y sL es
Las ecuaciones 6-9 a 6-13 se relacionan con el modelo de corrida la desviación estándar del tiempo de entrega.
de la producción.
(6-19) ROP = d L + Z 1 2Ls2d + d 2s2L 2
Q d
(6-9) Inventario promedio = a1 - b Fórmula para determinar el punto de reorden cuando la
2 p demanda diaria y el tiempo de entrega se distribuyen nor-
malmente; donde d es la demanda diaria promedio, L es el
Q d tiempo de entrega promedio en días, sL es la desviación es-
(6-10) Costo anual de almacenamiento = a1 - bCh
2 p tándar del tiempo de entrega y sd es la desviación estándar
de la demanda diaria.
D Q
(6-11) Costo anual de instalación = C (6-20) CTA = C + 1IS 2Ch
Q s 2 h
Fórmula del costo total anual de almacenamiento cuando se
D
(6-12) Costo anual de pedido = C mantiene un inventario de seguridad.
Q o
La ecuación 6-21 se utiliza para el análisis marginal.
2DCs
(6-13) Q* = ML
d (6-21) P Ú
Ch a1 - b ML + MP
H p
Regla de decisión en el análisis marginal para el almacena-
Cantidad óptima de producción. miento de unidades adicionales.

Problemas resueltos

Patterson Electronics suministra circuitos de microcomputadoras a una compañía que incorpora microprocesadores
en refrigeradores y otros electrodomésticos. Uno de los componentes tiene una demanda anual de 250 unidades y
esto es constante durante todo el año. El costo de almacenamiento se estima en $1 por unidad anual, y el costo de
pedido es de $20 por pedido.
a. Para minimizar el costo, ¿cuántas unidades deberían ordenarse cada vez que se hace un pedido?
b. ¿Cuántos pedidos al año se necesitan con una política óptima?
c. ¿Cuál es el inventario promedio, si los costos se reducen al mínimo?
d. Suponga que el costo de pedido no es de $20 y que Patterson ha estado ordenando 150 unidades cada vez que
hace un pedido. Para que esta política sea óptima, ¿cuál debería ser el costo de pedido?
Solución
a. Los supuestos de la EOQ se cumplen, por lo que la cantidad de pedido óptima es
2DCo 21250220
EOQ = Q* = = = 100 unidades
B Ch B 1
D 250
b. Número de pedidos al año = = = 2.5 pedidos por año
Q 100
Observe que esto significa que la empresa colocaría tres pedidos en un año y que el próximo año sólo necesi-
taría dos pedido, dado que se conservaría algún inventario del año pasado. En promedio, se harían 2.5 pedidos
al año.
Q 100
c. Inventario promedio = = = 500 unidades
2 2
d. Dada una demanda anual de 250, un costo de almacenamiento de $1 y una cantidad a ordenar de 150, Patterson
Electronics debe determinar cuál tendría que ser el costo de pedido para que una política de ordenar 150 uni-
dades sea óptima. Con la finalidad de encontrar la respuesta a este problema, debemos resolver la ecuación de
la EOQ tradicional para el costo de pedido. Como se observa en los cálculos siguientes, se requiere un costo
de pedido de $45 para que la cantidad de pedido de 150 unidades sea óptima.
2DCo
Q =
A Ch
Ch
Co = Q2
2D
11502 2 112
=
212502
22,500
= = $45
500

Flemming Accesories produce cortadoras de papel utilizadas en oficinas y tiendas de arte. La minicortadora ha
sido uno de sus artículos más populares: su demanda anual es de 6,750 unidades y es constante durante todo el
año. Kristen Flemming, propietario de la compañía, produce las minicortadoras en lotes. En promedio, Kristen
puede fabricar 125 minicortadoras al día. La demanda de estas máquinas durante el proceso de producción es
de 30 por día. El costo de instalación de los equipos necesarios para producir las minicortadoras es de $150. El
costo de almacenamiento es de $1 por minicortadora al año. ¿Cuántas minicortadoras debería fabricar Kristen
en cada lote?

Solución
Los datos para Flemming Accesories se resumen como sigue:
D = 6,750 unidades
Cs = $150
Ch = $1
d = 30 unidades
p = 125 unidades
Éste es un problema de corrida de la producción que implica una tasa de producción diaria y una tasa de demanda
diaria. Los cálculos apropiados se muestran a continuación:
2DCs
Q* =
B Ch 11 - d>p2
21 6,7502 11502
=
B 11 1 - 30>1252
= 1,632

Dorsey Distributors tiene una demanda anual de un detector de metales de 1,400 unidades. Para Dorsey, el costo
de un detector típico es de $400. El costo de almacenamiento se estima en 20% del costo unitario y el costo de
pedido es de $25 por orden. Si Dorsey ordena en cantidades de 300 o más puede obtener un descuento de 5%
sobre el costo de los detectores. ¿Debería Dorsey tomar el descuento por cantidad? Suponga que la demanda es
constante.
Solución
La solución a cualquier modelo de descuento por cantidad implica determinar el costo total de cada alternativa des-
pués de haber calculado las cantidades y haberlas ajustado para el problema original y para todos los descuentos. El
análisis inicia considerando la opción sin descuento:
211,4002 1252
EOQ 1 sin descuento2 =
B 0.214002
= 29.6 unidades
Costo total 1 sin descuento2 = Costo del material + Costo de pedido + Costo de almacenamiento
1,4001$252 29.61$4002 1 0.22
= $40011,4002 + +
29.6 2
= $560,000 + $1,183 + $1,183 = $562,366
El siguiente paso es calcular el costo total para el descuento:

211,4002 1252
EOQ 1con descuento2 =
B 0.21 $3802
= 30.3 unidades
Q 1ajustada2 = 300 unidades
Debido a que esta última cantidad económica de pedido está por debajo del precio de descuento, es necesario ajus-
tar la cantidad hasta 300 unidades. El siguiente paso consiste en calcular el costo total:
Costo total 1con descuento2 = Costo del material + Costo de pedido + Costo de almacenamiento
1,4001252 3001$3802 10.22
= $38011,4002 + +
300 2
= $532,000 + $117 + $11,400 = $543,517
La estrategia óptima es ordenar 300 unidades a un costo total de $543.517.

AUTOEVALUACIÓN 227

La compañía F. W. Harris vende un limpiador industrial a un gran número de plantas de producción en el área de
Houston. Un análisis de la demanda y los costos se ha traducido en una política de ordenar 300 unidades de este
producto cada vez que se hace un pedido. La demanda es constante, en 25 unidades por día. Por un acuerdo con
un proveedor, F. W. Harris está dispuesta a aceptar un tiempo de entrega de 20 días dado que dicho proveedor ha
proporcionado un excelente precio. ¿Cuál es el punto de reorden? ¿Cuántas unidades debería haber realmente en el
inventario al momento de colocar una orden?
Solución
El punto de reorden es
ROP = dxL = 25 1202 = 500 unidades
Esto significa que es necesario colocar una orden en la posición de inventario de 500. Dado que el ROP es mayor
que la cantidad de pedido, Q = 300, una orden ya debe haber sido colocada, pero aún no ha sido recibida. Así que
la posición de inventario debe ser
Posición de inventario = 1Inventario disponible2 + 1Inventario ordenado2
500 = 200 + 300
Habría 200 unidades disponibles y un pedido de 300 unidades en tránsito.

La B. N. Thayer y D. N. Thaht Computer Company vende una computadora de escritorio que es popular entre los
entusiastas de los juegos de video. En los últimos meses, la demanda se ha mantenido relativamente constante,
aunque fluctúa día con día. La compañía ordena las cajas para computadora a un proveedor. Cada pedido es de
5,000 cajas en el momento adecuado para evitar desabasto. La demanda durante el tiempo de entrega se distribuye
normalmente, con una media de 1,000 unidades y una desviación estándar de 200 unidades. El costo de almace-
namiento por unidad por año se estima en $4. ¿Cuánto inventario de seguridad debería conservar la empresa para
mantener un nivel de servicio de 96%? ¿Cuál es el punto de reorden? ¿Cuál sería el costo total anual de almacena-
miento si se siguiera esta política?
Solución
Con base en la tabla de distribución normal, el valor Z para un nivel de servicio de 96% es aproximadamente de
1.75. La desviación estándar es de 200. El inventario de seguridad se calcula como
IS = ZsdLT = 1.75 12002 = 375 unidades
Para una distribución normal con una media de 1,000, el punto de reorden es
ROP = 1Demanda promedio durante el tiempo entrega2 + IS
= 1000 + 350 = 1,350 unidades
El costo total anual de almacenamiento es
Q 5,000
CTA = Ch + 1IS 2Ch = 4 + 137524 = $11,500
2 2
Autoevaluación
1. ¿Cuál de los siguientes es un componente básico de un sistema e. todos los anteriores son componentes de un sistema de con-
de control de inventarios? trol de inventarios
a. la planeación de qué inventario almacenar y cómo adquirirlo 2. ¿Cuál de los siguientes es un uso válido del inventario?
b. el pronóstico de la demanda de piezas y productos a. la función de desacoplamiento
c. el control de los niveles de inventario b. aprovechar los descuentos por cantidad
d. el desarrollo y la implementación de medidas de retroali- c. evitar la escasez y el desabasto
mentación para revisar los planes y pronósticos d. suavizar la oferta y la demanda irregulares
e. todos los anteriores son usos válidos del inventario

3. Uno de los supuestos necesarios para el modelo de la EOQ es 9. ¿Por qué el costo anual de compra (de material) no se considera
el abastecimiento instantáneo. Esto significa que un costo de inventario relevante si se cumplen los supuestos de
a. el tiempo de entrega es cero. la EOQ?
b. se supone que el tiempo de producción es cero. a. Este costo será cero.
c. todo el pedido se entrega a la vez. b. Este costo es constante y no se ve afectado por la cantidad de
d. no puede ocurrir reabastecimiento hasta que el inventario pedido.
disponible sea cero. c. Este costo es insignificante en comparación con el resto de
4. Si se cumplen los supuestos de la EOQ y una empresa ordena los costos de inventario.
la EOQ cada vez que se hace un pedido, entonces d. Se considera que este costo no es un costo de inventario.
a. se minimiza el total de los costos anuales de almacenamiento. 10. Un sistema JIT suele dar como resultado
b. se minimiza el total de los costos anuales de pedido. a. un bajo costo anual de almacenamiento.
c. se minimiza el total de los costos de inventario. b. muy pocos pedidos al año.
d. la cantidad de pedido siempre será menor que el inventario c. interrupciones frecuentes en una línea de ensamble.
promedio. d. altos niveles de inventario de seguridad.
5. Si se cumplen los supuestos de la EOQ y una empresa ordena 11. Los fabricantes utilizan la MRP cuando
más que la cantidad económica de pedido, entonces a. la demanda de un producto depende de la demanda de otros
a. el costo total anual de almacenamiento será mayor que el productos.
costo total anual de pedido. b. la demanda de cada producto es independiente de la
b. el costo total anual de almacenamiento será menor que el demanda de otros productos.
costo total anual de pedido. c. la demanda es totalmente impredecible.
c. el costo total anual de almacenamiento será igual que el d. el costo de compra es extremadamente alto.
costo total anual de pedido. 12. Al usar el análisis marginal, es necesario abastecer una unidad
d. el costo total anual de almacenamiento será igual que el adicional si
costo total anual de compra. a. MP = ML.
6. El punto de reorden b. la probabilidad de vender esa unidad es mayor o igual que
a. es la cantidad que se ordena cada vez que se realiza un pedido. MP>1MP + ML2.
b. es la cantidad de inventario que sería necesaria para satisfacer c. la probabilidad de vender esa unidad es menor o igual que
la demanda durante el tiempo de entrega. ML>1MP + ML2.
c. es igual al inventario promedio cuando se cumplen los d. la probabilidad de vender esa unidad es mayor o igual que
supuestos de la EOQ. ML>1MP + ML2.
d. se supone que es cero si hay reabastecimiento instantáneo. 13. Al usar análisis marginal con la distribución normal, si la
7. Si se cumplen los supuestos de la EOQ, entonces utilidad marginal es menor que la pérdida marginal, esperamos
a. el costo anual por desabasto será cero. que la cantidad óptima de abastecimiento sea
b. el costo total anual de abastecimiento será igual al costo total a. mayor que la desviación estándar.
anual de pedido. b. menor que la desviación estándar.
c. el inventario promedio será la mitad de la cantidad de pedido. c. mayor que la media.
d. todo lo anterior. d. menor que la media.
8. En el modelo de corrida de la producción, el nivel máximo de 14. La posición de inventario se define como
inventario será a. la cantidad de inventario necesario para satisfacer la demanda
a. mayor que la cantidad de producción. durante el tiempo de entrega.
b. igual que la cantidad de producción. b. la cantidad de inventario disponible.
c. menor que la cantidad de producción. c. la cantidad de inventario pedido.
d. igual que la tasa de producción diaria más la demanda diaria. d. la suma del inventario disponible y el inventario pedido.

Preguntas de análisis 6-5 ¿Cuáles son algunos de los supuestos que se adoptan al
6-1 ¿Por qué es el inventario una consideración importante usar la EOQ?
para los administradores? 6-6 Comente los principales costos de inventario que se utili-
6-2 ¿Cuál es el propósito del control de inventarios? zan para determinar la EOQ.
6-3 ¿En qué circunstancias puede usarse el inventario como 6-7 ¿Qué es el ROP? ¿Cómo se determina?
una cobertura contra la inflación? 6-8 Si el ROP es mayor que la cantidad de pedido, explique
6-4 ¿Por qué una empresa no almacena siempre grandes cómo se implementa el ROP. ¿Puede el ROP ser más del
cantidades de inventario para eliminar la escasez y el doble de la cantidad de pedido y, si es así, ¿cómo se ma-
desabasto? neja una situación de este tipo?

6-9 Considere que la demanda anual de un producto arbitrario 500 de estos tornillos cada día. Debido a que la demanda
es de 1,000 unidades al año y que la EOQ asociada es de tiene estas características, Lila cree que puede evitar desa-
400 unidades por pedido. En tales circunstancias, el nú- basto por completo si sólo pide tornillos del número 6 en
mero de pedidos por año sería 1D>Q2 = 2.5 pedidos al año. el momento correcto. ¿Cuál es el ROP?
¿Cómo puede implementarse esto? 6-22 El hermano de Lila cree que ella realiza demasiados pe-
6-10 ¿Cuál es el propósito del análisis de sensibilidad? didos de tornillos al año, y considera que se debe colocar
6-11 ¿Qué supuestos se adoptan en el modelo de corrida de la un pedido sólo dos veces al año. Si Lila sigue la política
producción? de su hermano, ¿cuánto más costaría esto cada año que la
6-12 ¿Qué sucede con el modelo de corrida de la producción política de pedidos que desarrolló en el problema 6-20? Si
cuando la tasa de producción diaria se vuelve muy grande? se colocaran sólo dos pedido cada año, ¿qué efecto tendría
6-13 Describa brevemente qué está involucrado en la solución esto en el ROP?
de un modelo de descuentos por cantidad. 6-23 Barbara Bright es la agente de compras de la compañía
6-14 Cuando se utiliza un inventario de seguridad, ¿cómo se West Valve, la cual vende válvulas industriales y disposi-
calcula la desviación estándar de la demanda durante el tivos de control de fluidos. Una de las válvulas más popu-
tiempo de entrega si la demanda diaria se distribuye nor- lares es la Western, que tiene una demanda anual de 4,000
malmente, pero el tiempo de entrega es constante? ¿Cómo unidades. El costo de cada válvula es $90, y se estima que
se calcula si la demanda diaria es constante pero el tiempo el costo de conservarla en inventario es 10% del costo de
de entrega se distribuye normalmente? ¿Cómo se calcula cada válvula. Barbara ha hecho un estudio de los costos
si tanto la demanda diaria como el tiempo de entrega se involucrados en la colocación de un pedido de cualquiera
distribuyen normalmente? de las válvulas que almacena West Valve, y ha llegado a la
conclusión de que el costo promedio de pedido es de $25
6-15 Explique brevemente el enfoque del análisis marginal en
por orden. Además, el proveedor tarda alrededor de dos
problemas con un solo periodo de inventario.
semanas en entregar un pedido y, durante ese tiempo, la
6-16 Describa brevemente qué se entiende por análisis ABC.
demanda por semana de válvulas West es de aproximada-
¿Cuál es el propósito de esta técnica de inventarios?
mente 80.
6-17 ¿Cuál es el propósito general de la MRP? (a) ¿Cuál es la EOQ?
6-18 ¿Cuál es la diferencia entre el plan de necesidades brutas (b) ¿Cuál es el ROP?
de material y el plan de necesidades netas de material? (c) ¿El ROP es mayor que la EOQ? Si es así, ¿cómo se
6-19 ¿Cuál es el objetivo del JIT? maneja esta situación?
(d) ¿Cuál es el inventario promedio? ¿Cuál es el costo
Problemas anual de almacenamiento?
6-20 Lila Battle ha determinado que la demanda anual de torni- (e) ¿Cuántos pedidos al año se colocarían? ¿Cuál es el
llos del número 6 es de 100,000 unidades. Lila, que trabaja costo anual de pedido?
en la ferretería de su hermano, está a cargo de las compras. 6-24 Ken Ramsing ha estado en el negocio de la madera du-
Ella estima que tiene un costo de $10 cada vez que hace rante la mayor parte de su vida. El mayor competidor de
un pedido. Este costo incluye sus salarios, el costo de los Ken es Pacific Woods. A través de muchos años de expe-
formatos utilizados en la colocación de pedido, etcétera. riencia, Ken sabe que el costo de pedido de una orden de
Por otro lado, estima que el costo de conservar un tornillo madera contrachapada es de $25 y que el costo de alma-
en inventario durante un año es la mitad de 1 centavo. Su- cenamiento es 25% del costo unitario. Tanto Ken como
ponga que la demanda es constante durante todo el año. Pacific Woods reciben cargas de madera contrachapada
(a) ¿Cuántos tornillos del número 6 debería ordenar que cuestan $100 por carga. Por otro lado, Ken y Paci-
Lila cada vez si desea minimizar el costo total del fic Woods utilizan el mismo proveedor de madera contra-
inventario? chapada, y Ken pudo averiguar que los pedidos de Pacific
(b) ¿Cuántos pedidos al año colocaría? ¿Cuál sería el Woods son de 4,000 cargas a la vez. Ken también sabe que
costo anual de pedido? la EOQ para Pacific Woods es de 4,000 cargas. ¿Cuál es la
(c) ¿Cuál sería el inventario promedio? ¿Cuál sería demanda anual en cargas de madera contrachapada de
el costo anual de almacenamiento? Pacific Woods.
6-21 Una orden de tornillos del número 6 tarda aproximada- 6-25 Shoe Shine es una tienda local de zapatos al menudeo ubi-
mente 8 días hábiles en llegar, una vez que se ha realizado cada en la parte norte de Centerville. La demanda anual
el pedido (consulte el problema 6-20). La demanda de tor- de una sandalia popular es de 500 pares y John Dirk, el
nillos del número 6 es bastante constante y, en promedio, dueño del Shoe Shine, ha tenido la costumbre de ordenar
Lila ha observado que la ferretería de su hermano vende 100 pares a la vez. John estima que el costo de pedido es

de $10 por orden. El costo de las sandalias es de $5 por 6-29 Al enterarse de que Ross White (vea los problemas 6-27
par. Para que la política de pedidos de John fuera correcta, y 6-28) está considerando producir él mismo los soportes,
¿cuál tendría que ser el costo de almacenamiento como el proveedor ha notificado a Ross que reduciría el precio
porcentaje del costo unitario? Si el costo de almacena- de compra del soporte de $15 a $14.50, si Ross adquiere
miento fuera 10% del costo, ¿cuál sería la cantidad óptima los soportes en lotes de 1,000. Sin embargo, los tiempos
de pedido? de entrega aumentarían a 3 días para esta cantidad más
6-26 En el problema 6-20, usted ayudó a Lila Battle a deter- grande.
minar la cantidad de pedido óptima para los tornillos del (a) ¿Cuál es la suma del costo anual de inventario más el
número 6. Ella había estimado que el costo de pedido era costo anual de compra, si Ross adquiere los soportes
de $10 por orden. No obstante, en este momento cree que en lotes de 1,000 a $14.50 cada uno?
esta estimación era demasiado baja. Aunque no conoce el (b) Si Ross compra en lotes de 1,000 soportes, ¿cuál sería
costo exacto de pedido, cree que podría llegar a ser hasta el nuevo ROP?
de $40 por orden. ¿Cómo cambiaría la cantidad de pedido (c) Dadas las opciones de comprar los soportes a $15
óptima, si el costo de pedido fuera de $20, $30 y $40? cada uno, producirlos en el taller a $14.80 y aprove-
6-27 El taller de maquinado de Ross White utiliza 2,500 so- char el descuento, ¿cuál es su recomendación para
portes durante el transcurso de un año, y este uso es re- Ross White?
lativamente constante. Los soportes son comprados a 6-30 Tras analizar los costos de las distintas opciones para ob-
un proveedor ubicado a 100 millas por $15 la pieza, y tener los soportes, Ross White (consulte los problemas
el tiempo de entrega es de 2 días. El costo de almacena- 6-27 a 6-29) reconoce que, aunque sabe que el tiempo
miento por soporte por año es de $1.50 (o 10% del costo de entrega es de 2 días y la demanda promedio diaria es de
unitario) y el costo de pedido por pedido es de $18.75. Se 10 unidades, dicha demanda durante el tiempo de entrega
tienen 250 días de trabajo al año. suele variar. Ross mantiene registros muy cuidadosos y ha
(a) ¿Cuál es la EOQ? determinado que la demanda en el tiempo de entrega se
(b) Dada la EOQ, ¿cuál es el inventario promedio? ¿Cuál distribuye normalmente con una desviación estándar de
es el costo anual por mantener inventarios? 1.5 unidades.
(c) Para minimizar los costos, ¿cuántos pedidos se harían (a) ¿Qué valor Z sería apropiado para un nivel de servicio
cada año? ¿Cuál sería el costo anual de pedido? de 98%?
(d) Dada la EOQ, ¿cuál es el costo anual total de inventa- (b) ¿Qué inventario de seguridad debería mantener Ross
rio (incluyendo el costo de compra)? si quiere un nivel de servicio de 98%?
(e) ¿Cuál es el tiempo entre pedidos? (c) ¿Cuál es el ROP ajustado para los soportes?
(f) ¿Cuál es el ROP? (d) ¿Cuál es el costo anual de almacenamiento del inven-
6-28 Ross White (vea el problema 6-27) quiere reconsiderar tario de seguridad, si el costo de almacenamiento por
su decisión de comprar los soportes y está pensando en unidad anual es de $1.50?
fabricar los soportes él mismo. Ha determinado que los 6-31 Douglas Boats es un proveedor de equipos de navegación
costos de instalación serían de $25 por el tiempo del ma- para los estados de Oregon y Washington. Vende 5,000
quinista y el tiempo de producción perdido, y podría pro- motores a diesel White Marine WM-4 cada año. Douglas
ducir 50 soportes al día después de haber configurado la recibe estos motores en contenedores de 100 pies cúbicos,
máquina. Ross estima que el costo (incluyendo el tiempo y mantiene su almacén lleno de los motores WM4. El al-
de mano de obra y los materiales) de producir un soporte macén puede contener 5,000 pies cúbicos de suministros
sería $14.80. El costo de almacenamiento sería el 10% de de navegación. Douglas estima que el costo de pedido es de
este costo. $10 por orden, y el costo de almacenamiento se estima
(a) ¿Cuál es la tasa de demanda diaria? en $10 por motor por año. Douglas Boats está conside-
(b) ¿Cuál es la cantidad óptima de producción? rando la posibilidad de ampliar el almacén de los motores
(c) ¿Cuánto tiempo se necesita para producir la cantidad WM-4. ¿Cuánto debería expandirse Douglas Boats, y qué
óptima? ¿Cuánto inventario se vendería durante este utilidad tendría la empresa por realizar esa expansión? Su-
tiempo? ponga que la demanda es constante durante todo el año.
(d) Si Ross utiliza la cantidad óptima de producción, 6-32 Northern Distributors es una organización mayorista que
¿cuál sería el nivel máximo de inventario? ¿Cuál sería abastece a tiendas minoristas de productos para el cuidado
el nivel de inventario promedio? ¿Cuál sería el costo del jardín y limpieza del hogar. Un edificio se utiliza para
anual de almacenamiento? almacenar las cortadoras de césped Neverfail. El edificio
(e) ¿Cuántas corridas de la producción habría cada año? tiene 25 pies de ancho por 40 pies de profundidad por 8
¿Cuál sería el costo anual de instalación? pies de altura. Anna Oldham, gerente del almacén, estima
(f) Considerando una corrida de la producción de tamaño que alrededor de 60% de éste se puede utilizar para al-
óptimo, ¿cuál sería el costo total anual del inventario? macenar las cortadoras de césped Neverfail. El 40% res-
(g) Si el tiempo de entrega fuera de solo medio día, ¿cuál tante se utiliza para pasarelas y una pequeña oficina. Cada
sería el ROP? cortadora de césped Neverfail viene en una caja que mide

5 pies por 4 pies por 2 pies de altura. La demanda anual por lotes. En promedio, Jan puede producir 150 tijeras al
de estas cortadoras de césped es de 12,000, y el costo de día y, durante el proceso de producción, la demanda de
los pedidos realizados por Northern Distributors es de $30 las tijeras ha sido de unas 40 tijeras diarias. El costo por
por orden. Se estima que a Northern le cuesta $2 alma- configurar el proceso de producción es de $100, y a Jan le
cenar cada cortadora de césped por un año. La empresa cuesta 30 centavos almacenar unas tijeras durante un año.
está pensando en aumentar el tamaño del almacén. La ¿Cuántas tijeras debería Jan producir en cada lote?
empresa sólo puede hacerlo aumentando la profundidad 6-35 Jim Overstreet, gerente de control de inventarios de Itex,
del depósito. En la actualidad, el almacén tiene 40 pies de recibe cojinetes para rueda de Wheel-Rite, un pequeño
profundidad. ¿Cuántos pies de profundidad se deberían productor de piezas metálicas. Por desgracia, Whe-
agregar al almacén para minimizar los costos anuales de el-Rite sólo puede producir 500 cojinetes para rueda al
inventario? ¿Cuánto tendría que estar dispuesta a pagar día. Itex recibe 10,000 cojinetes de Wheel-Rite al año.
la empresa por esta expansión? Recuerde que sólo 60% Como Itex opera 200 días al año, la demanda diaria
de la superficie total se puede utilizar para almacenar las promedio de cojinetes para rueda es de 50. El costo de
cortadoras de césped Neverfail. Suponga que se cumplen pedido para Itex es de $40 por orden, y el costo de al-
todos los supuestos de la EOQ. macenamiento es de 60 centavos por cojinete por año.
6-33 Lisa Surowsky recibió la encomienda de ayudar a deter- ¿Cuántos cojinetes debería ordenar Itex a Wheel-Rite a
minar la mejor política de pedidos para un nuevo pro- la vez? Wheel-Rite se ha comprometido a enviar el nú-
ducto. Actualmente, se ha proyectado que la demanda mero máximo de cojinetes que produce cada día cuando
de este producto será cercana a 1,000 unidades anuales. reciba un pedido de Itex.
Para tener una noción de los costos de almacenamiento y 6-36 North Manufacturing tiene una demanda de 1,000 bombas
de pedido, Lisa preparó una serie de costos de inventario cada año. El costo de una bomba es de $50. A North Ma-
promedio. Lisa pensó que estos costos serían adecuados nufacturing le cuesta $40 hacer un pedido, y el costo de
para el nuevo producto. Los resultados se resumen en la almacenamiento es 25% del costo unitario. Si las bombas
siguiente tabla. Estos datos se recopilaron para 10,000 se ordenan en cantidades de 200, North Manufacturing
artículos de inventario almacenados durante el año y que puede obtener un descuento de 3% sobre el costo de las
fueron ordenados 100 veces durante el año pasado. Ayude bombas. ¿Debería North Manufacturing pedir 200 bombas
a Lisa a determinar la EOQ. a la vez y tomar el descuento de 3 por ciento?
6-37 Linda Lechner está a cargo de mantener los suministros
FACTOR DE COSTO COSTO ($) hospitalarios en el Hospital General. Durante el año pa-
sado, la demanda media durante el tiempo de entrega del
Impuestos 2,000
vendaje BX-5 fue de 60. Además, la desviación estándar
Procesamiento e inspección 1,500 para el BX-5 fue de 7. A Linda le gustaría mantener un
Desarrollo del nuevo producto 2,500 nivel de servicio de 90%. ¿Qué nivel de inventario de se-
Pago de factura 500 guridad le recomienda usted para el BX-5?
Suministros de pedido 50 6-38 Linda Lechner acaba de ser severamente reprendida por
su política de inventarios. (Vea el problema 6-37). Sue
Seguro del inventario 600
Surrowski, su jefa, cree que el nivel de servicio debe ser
Publicidad del producto 800 de 95 o 98%. Calcule los niveles de inventario de seguri-
Deterioro 750 dad para los niveles de servicio de 95 y 98%. Linda sabe
Envío de órdenes de compra 800 que el costo de almacenamiento del BX-5 es de 50 cen-
tavos por unidad anuales. Calcule el costo de almacena-
Consultas de inventario 450
miento que se asocia con un nivel de servicio de 90, 95 y
Suministros de almacén 280 98 por ciento.
Investigación y desarrollo 2,750 6-39 Ralph Janaro simplemente no tiene tiempo para anali-
Salarios de compras 3,000 zar todos los artículos en el inventario de su compañía.
Salarios de almacén 2,800 Como joven administrador, tiene cosas más importantes
que hacer. La siguiente es una tabla de seis artículos en
Robo de inventario 800
inventario, junto con el costo unitario y la demanda
Suministros de órdenes de compra 500 en unidades.
Obsolescencia del inventario 300 (a) Calcule la cantidad total gastada en cada artículo du-
rante el año. ¿Cuál es la inversión total para todos los
6-34 Jan Gentry es el dueño de una pequeña empresa que artículos?
produce tijeras eléctricas utilizadas para cortar tela. La (b) Determine el porcentaje de la inversión total en inven-
demanda anual es de 8,000 tijeras, y Jan produce tijeras tario que se gasta en cada artículo.

Quality Suppliers Inc.? Para simplificar los cálculos,

CÓDIGO DE COSTO DEMANDA EN
suponga que el inventario promedio es igual a la mi-
IDENTIFICACIÓN UNITARIO ($) UNIDADES
tad del nivel máximo de inventario para la nueva op-
XX1 5.84 1,200 ción de Quality.
B66 5.40 1,110 (c) Calcule el costo total de cada opción. ¿Qué recomen-
3CPO 1.12 896 daría usted?
33CP 74.54 1,104 6-42 Quality Suppliers, Inc., ha decidido ampliar su opción de
envío. (Para mayores detalles, consulte el problema 6-41).
R2D2 2.00 1,110
Ahora, Quality Suppliers está ofreciendo enviar la cantidad
RMS 2.08 961 ordenada en cinco partes iguales, una cada semana. La or-
den completa se recibirá durante cinco semanas. ¿Cuáles
(c) Con base en los porcentajes del inciso (b), ¿qué ar- son la cantidad de pedido y el costo total de esta nueva op-
tículo(s) se clasifica(n) en las categorías A, B y C uti- ción de envío?
lizando el análisis ABC? 6-43 Hardware Warehouse está evaluando la política de inven-
(d) ¿Qué artículo(s) debería controlar Ralph más cuida- tario de seguridad para todos sus artículos, que se iden-
dosamente utilizando técnicas cuantitativas? tifican mediante códigos SKU. Para el SKU M4389, la
6-40 Thaarugo, Inc., produce un dispositivo GPS que se está empresa siempre ordena 80 unidades cada vez que hace
volviendo popular en partes de Escandinavia. Cuando un pedido. La demanda diaria es constante, de 5 unidades
Thaarugo produce uno de estos dispositivos, utiliza una por día; el tiempo de entrega se distribuye normalmente,
tarjeta de circuitos impresos (PCB) y la llena con varios con una media de 3 días y una desviación estándar de 2.
componentes electrónicos. Thaarugo determina que nece- El costo de almacenamiento es de $3 por unidad anual. Es
sita alrededor de 16,000 de estas PCB cada año. La de- necesario mantener un nivel de servicio de 95 por ciento.
manda es relativamente constante durante todo el año y el (a) ¿Cuál es la desviación estándar de la demanda durante
costo de pedido es aproximadamente de $25 por orden; el tiempo de entrega?
el costo de almacenamiento es 20% del precio de cada (b) ¿Cuánto inventario de seguridad debería conservarse
PCB. Dos empresas están compitiendo para convertirse en y cuál debería ser el punto de reorden?
el proveedor dominante de las PCB, y ambas han ofreci- (c) ¿Cuál es el costo total anual de almacenamiento?
do descuentos, como se muestra en la siguiente tabla.
¿Cuál de los dos proveedores debería seleccionar Thaa- 6-44 Para el SKU A3510 en Hardware Warehouse, la cantidad
rugo si desea minimizar el costo total anual de inventario? de pedido se ha fijado en 150 unidades cada vez que se co-
¿Cuál sería ese costo? loca una orden. La demanda diaria se distribuye normal-
mente, con una media de 12 unidades y una desviación
estándar de 4. Este artículo siempre llega exactamente 5
PROVEEDOR A PROVEEDOR B
días después de haber sido pedido. Se ha determinado que
CANTIDAD PRECIO CANTIDAD PRECIO el costo de almacenamiento es de $10 por unidad anual.
Debido al gran volumen de ventas de este artículo, la
1–199 38.40 1–299 39.50
gerencia quiere mantener un nivel de servicio de 99 por
200–499 35.80 300–999 35.40 ciento.
500 o más 34.70 1,000 o más 34.60 (a) ¿Cuál es la desviación estándar de la demanda durante
el tiempo de entrega?
6-41 Dillard Travey recibe 5,000 trípodes anualmente de Qua- (b) ¿Cuánto inventario de seguridad se debería mantener,
lity Suppliers para satisfacer su demanda anual. Dillard y cuál debería ser el punto de reorden?
opera una tienda fotográfica grande, y los trípodes se (c) ¿Cuál es el costo total anual de almacenamiento?
utilizan principalmente con cámaras de 35 mm. El costo 6-45 H & K Electronics Warehouse vende un paquete de 12 ba-
de pedido es de $15 por orden, y el costo de almacena- terías AAA, que es un artículo muy popular. La demanda
miento es de 50 centavos por unidad anual. Quality está del paquete se distribuye normalmente, con un promedio
ofreciendo una nueva opción a sus clientes. Cuando hagan de 50 paquetes por día y una desviación estándar de 16. El
un pedido, Quality enviará una tercera parte de la orden tiempo de entrega promedio es de 5 días, con una desvia-
cada semana durante tres semanas, en lugar de enviar el ción estándar de 2 días. Se ha encontrado que el tiempo
pedido completo de una sola vez. La demanda semanal en de entrega se distribuye normalmente y se desea un ni-
el tiempo de entrega es de 100 trípodes. vel de servicio de 96 por ciento.
(a) ¿Cuál es la cantidad de pedido si Dillard recibe la or- (a) ¿Cuál es la desviación estándar de la demanda durante
den completa de una sola vez? el tiempo de entrega?
(b) ¿Cuál es la cantidad del pedido si Dillard recibe la (b) ¿Cuánto inventario de seguridad se debería mantener,
orden en tres semanas, usando la nueva opción de y cuál debería ser el punto de reorden?

6-46 Xemex ha recopilado los siguientes datos de inventario gratis para dos personas. El valor aproximado del viaje es
para los seis artículos que almacena: de $5,000. Se espera que cerca de 800 empresas entren al
sorteo de este viaje.
Sunbright estima que su demanda anual de concen-
COSTO DE
trado de frutas es de 1,000 latas. Además, el costo de pe-
COSTO ALMACENA-
CÓDIGO COSTO DEMANDA DE MIENTO COMO
dido se estima en $10, y el costo de almacenamiento en
DEL UNITARIO ANUAL PEDIDO PORCENTAJE DEL 10%, o aproximadamente $1 por unidad. La compañía
ARTÍCULO ($) (UNIDADES) ($) COSTO UNITARIO está intrigada con el plan de bonos por incentivos. Si la
empresa decide que conservaría las latas gratis, el viaje o
1 10.60 600 40 20 la computadora si los gana, ¿qué debería hacer?
2 11.00 450 30 25 6-49 John Lindsay vende discos compactos con 25 paquetes
3 2.25 500 50 15 de software que realizan una variedad de funciones finan-
4 150.00 560 40 15 cieras, incluyendo el valor actual neto, la tasa interna de
rendimiento y otros programas financieros normalmente
5 4.00 540 35 16
utilizados por los estudiantes de negocios con especializa-
6 4.10 490 40 17 ción en finanzas. Dependiendo de la cantidad pedida, John
ofrece los siguientes descuentos en los precios. La de-
Lynn Robinson, la gerente de inventarios en Xemex, no manda anual es de 2,000 unidades en promedio. Su costo
siente que todos los artículos se puedan controlar. ¿Qué de instalación para producir los CD es de $250. Estima
cantidades de pedido recomienda usted para cuál(es) pro- que los costos de almacenamiento son de 10% del precio,
ducto(s) de inventario? o alrededor de $1 por unidad anual.
6-47 Georgia Products ofrece el siguiente programa de des-
cuentos para sus hojas de madera contrachapada de buena CANTIDAD PEDIDA
calidad de 4 por 8 pies:
RANGOS DE PRECIOS DE A PRECIO
1 500 $10.00
PEDIDO COSTO UNITARIO ($)
501 1,000 9.95
9 hojas o menos 18.00
1,001 1,500 9.90
De 10 a 50 hojas 17.50
1,500 2,000 9.85
Más de 50 hojas 17.25
(a) ¿Cuál es el número óptimo de CD a producir cada

La Home Sweet Home Company le ordena madera con-
vez?
trachapada a Georgia Products. Home Sweet Home tiene
(b) ¿Cuál es el impacto del siguiente programa de canti-
un costo de pedido de $45. El costo de almacenamiento es
dad-precio sobre la cantidad óptima de pedido?
de 20%, y la demanda anual es de 100 hojas. ¿Qué reco-
mienda usted?
CANTIDAD PEDIDA
6-48 Sunbright Citrus Products elabora jugo de naranja, jugo
de toronja y otros artículos relacionados con los cítricos. RANGOS DE PRECIOS DE A PRECIO
Sunbright obtiene concentrado de frutas de una coopera-
1 500 $10.00
tiva en Orlando integrada por aproximadamente 50 pro-
ductores de cítricos. La cooperativa vende un mínimo de 501 1,000 9.99
100 latas de concentrado de frutas a los procesadores 1,001 1,500 9.98
de cítricos como Sunbright. El costo por lata es $9.90. 1,500 2,000 9.97
El año pasado, la cooperativa desarrolló el Progra-
ma de Incentivos por Bonos para motivar a sus clientes
6-50 Teresa Granger es la gerente de Chicago Cheese, que pro-
grandes a comprar en cantidad. Funciona de la siguiente
duce queso para untar y otros productos lácteos. El queso
manera: si se compran 200 latas de concentrado, el trato
para untar E-Z es un producto que siempre ha sido popu-
incluye 10 latas de concentrado gratis. Además, los nom-
lar. Su probabilidad de ventas, en cajas, es la siguiente:
bres de las empresas que compran el concentrado se ins-
criben a un sorteo de una computadora personal nueva. La
computadora tiene un valor de alrededor de $3,000, y ac- DEMANDA (CAJAS) PROBABILIDAD
tualmente cerca de 1,000 empresas pueden participar en el 10 0.2
sorteo. Con una compra de 300 latas, la cooperativa rega-
11 0.3
lará 30 latas y también inscribirá a la empresa compradora
en el sorteo de la computadora. Cuando la cantidad sube 12 0.2
a 400 latas de concentrado, se regalan 40 latas de con- 13 0.2
centrado con el pedido. Además, la empresa compradora 14 0.1
también entra al sorteo de la computadora y de un viaje

Una caja de queso para untar E-Z se vende a $100 y tie- utilidad marginal es de $15 por caja. Durante el año pasado,
ne un costo de $75. Cualquier queso que no se vende al filas ventas medias de Washington Reds fueron de 45,000 ca-
nal de la semana es vendido a un procesador de alimentos jas, y la desviación estándar fue de 4,450. ¿Cuántas cajas de
local por $50. Teresa nunca vende queso con antigüedad Washington Reds deberían llevarse al mercado? Suponga
mayor a una semana. Use el análisis marginal para deter- que las ventas siguen una distribución normal.
minar el número de cajas de queso E-Z que debe produ- 6-54 Linda Stanyon ha sido la gerente de producción de Plano
cirse cada semana para maximizar la utilidad promedio. Produce durante más de ocho años. Plano Produce es una
6-51 Harry’s Hardware hace un buen negocio durante el año. pequeña empresa ubicada cerca de Plano, Illinois. Uno
En la época navideña, Harry’s Hardware vende árboles de de sus productos, el tomate, se vende en cajas, con ventas
Navidad con una utilidad sustancial. Por desgracia, los ár- diarias promedio de 400 cajas. Se supone que las ven-
boles no vendidos al final de la temporada son totalmente tas diarias se distribuyen normalmente. Además, 85%
inútiles. Por lo tanto, el número de árboles que se almacena de las veces las ventas están entre 350 y 450 cajas. Cada
para una estación dada es una decisión muy importante. La caja cuesta $10 y se vende por $15. Todas las cajas que no
siguiente tabla muestra la demanda de árboles de Navidad: se venden deben desecharse.
(a) Con base en la información proporcionada, estime la
DEMANDA DE desviación estándar de las ventas.
ÁRBOLES DE NAVIDAD PROBABILIDAD (b) Use la desviación estándar del inciso (a) para determi-
50 0.05 nar el número de cajas de tomates que Linda debería
almacenar.
75 0.1
6-55 Paula Shoemaker produce un informe semanal del mer-
100 0.2 cado de valores para un público exclusivo. Normalmen-
125 0.3 te vende 3,000 informes por semana, y 70% de las veces
150 0.2 sus ventas van de 2,900 a 3,100. La producción de cada
informe cuesta a Paula $15, pero puede venderlos a $350
175 0.1
cada uno. Desde luego, cualquier informe que no vende al
200 0.05 final de la semana no tiene ningún valor. ¿Cuántos infor-
mes debe producir Paula cada semana?
Harry vende los árboles a $80 cada uno, pero su costo es
6-56 Emarpy Appliance produce todo tipo de electrodomésti-
de sólo $20.
cos. Richard Feehan, el presidente de Emarpy, está pre-
(a) Use el análisis marginal para determinar cuántos árbo- ocupado por la política de producción del refrigerador
les debería almacenar Harry. con mejores ventas de la compañía. La demanda de éste
(b) Si el costo se incrementa a $35 por árbol y Harry si- se ha mantenido relativamente constante en alrededor
gue vendiendo los árboles a $80 cada uno, ¿cuántos de 8,000 unidades al año. La capacidad de producción de
árboles debe almacenar Harry? este producto es de 200 unidades por día. Cada vez que
(c) Harry está pensando en aumentar el precio a $100 por inicia la producción, la compañía gasta $120 en mover
árbol. Suponga que el costo por árbol es de $20. Con los materiales hasta su lugar, restablecer la línea de mon-
el nuevo precio, se espera que la probabilidad de ven- taje y limpiar el equipo. El costo de almacenamiento de
der 50, 75, 100 o 125 árboles sea de 0.25 para cada un refrigerador es de $50 al año. El plan de producción
nivel de ventas. Harry no espera vender más de 125 actual exige la producción de 400 refrigeradores en cada
árboles con este aumento de precio. ¿Qué le reco- corrida de la producción. Suponga que hay 250 días de
mienda usted? trabajo al año.
6-52 Además de vender árboles de Navidad durante la tempo- (a) ¿Cuál es la demanda diaria de este producto?
rada de fin de año, Harry’s Hardware vende todos los ar- (b) Si la empresa tuviera que seguir produciendo 400 uni-
tículos ordinarios de ferretería (vea el problema 6-51). Uno dades cada vez que inicia la producción, ¿cuántos días
de los artículos más populares es el pegamento fuerte HH, continuaría la producción?
un artículo que se fabrica sólo para Harry’s Hardware. El (c) De acuerdo con la política actual, ¿cuántas corridas de
precio de venta es de $4 por botella, pero por desgracia, la producción serían necesarias al año? ¿Cuál sería el
el pegamento se endurece y queda inutilizable después de costo anual de instalación?
un mes. El costo del pegamento es de $1.20. Durante los úl- (d) Si la política actual continúa, ¿cuántos refrigeradores
timos meses, las ventas medias del pegamento han sido de estarían en inventario cuando se detuviera la produc-
60 unidades, y la desviación estándar es de 7. ¿Cuántas bo- ción? ¿Cuál sería el nivel promedio del inventario?
tellas de pegamento debería almacenar Harry’s Hardware? (e) Si la compañía produce 400 refrigeradores a la vez,
Suponga que las ventas siguen una distribución normal. ¿cuál sería el costo anual total de instalación y de
6-53 La pérdida marginal en Washington Reds, una marca de almacenamiento?
manzanas del estado de Washington, es de $35 por caja. La

ESTUDIO DE CASO 235
6-57 Considere la situación de Emarpy Appliance en el pro- (c) Construya un plan de necesidades netas de mate-
blema 6-56. Si Richard Feehan quiere minimizar el costo rial utilizando los siguientes datos del inventario
total anual de inventario, ¿cuántos refrigeradores deberían disponible:
producirse en cada corrida de la producción? ¿Cuánto
ahorraría la compañía en costos de inventario comparados ARTÍCULO S T U V W X Y Z
con la política actual de producir 400 en cada corrida de la Inventario
producción? disponible 20 20 10 30 30 25 15 10
6-58 En este capítulo se presenta un árbol de estructura de ma-
teriales para el artículo A de la figura 6.12. Suponga que 6-62 La compañía Webster Manufacturing produce un tipo
ahora se requiere 1 unidad del artículo B para cada unidad popular de carrito servicio. Este producto, el SL72, se
del artículo A. ¿Qué impacto tiene esto en el árbol de es- fabrica con las siguientes piezas: 1 unidad de la pieza A,
tructura materiales y en el número de artículos D y E que 1 unidad de la pieza B y 1 unidad del subensamble C. Cada
se requieren? subensamble C se compone de 2 unidades de la pieza D,
6-59 Dada la información del problema 6-58, desarrolle un plan 4 unidades de la pieza E y 2 unidades de la pieza F. Elabore
de necesidades brutas de material para 50 unidades del ar- un árbol de estructura de materiales para esto.
tículo A. 6-63 Blair H. Dodds, III, dirige un negocio en casa por eBay;
6-60 Utilice los datos de las figuras 6.12 a 6.14 para desarrollar éste es de tamaño mediano y vende fotografías antiguas.
un plan de necesidades netas de material para 50 unida- La demanda anual de sus fotos es de aproximadamente
des del artículo A, suponiendo que sólo se requiere 1 uni- 50,000. El costo general anual (sin incluir el precio de
dad del artículo B por cada unidad de artículo A. compra) por las fotografías es de $4,000 al año. Si se con-
sidera que este costo representa el costo anual de pedido
6-61 La demanda del producto S es de 100 unidades. Cada uni- óptimo y que la cantidad óptima de pedido es de 400 fo-
dad de S requiere 1 unidad de T y 0.5 onzas de U. Cada tografías a la vez, determine el costo de pedido y el nivel
unidad de T requiere 1 unidad de V, 2 unidades de W y promedio del inventario.
1 unidad de X. Finalmente, cada unidad de U requiere 0.5
6-64 El tiempo de entrega para cada una de las piezas del SL72
onzas de Y y 3 unidades de Z. Todos los artículos son fa-
(problema 6-62) es de una semana, con excepción de la
bricados por la misma empresa. Se necesitan dos semanas
pieza B, que tiene un tiempo de entrega de dos semanas.
para hacer S, una semana para hacer T, dos semanas para
Desarrolle un plan de necesidades netas de material para
hacer U, dos semanas para hacer V, tres semanas para ha-
un pedido de 800 SL72s. Suponga que actualmente no hay
cer W, una semana para hacer X, dos semanas para hacer
piezas en inventario.
Y y una semana para hacer Z.
6-65 Consulte el problema 6-64. Desarrolle un plan de necesi-
(a) Construya un árbol de estructura de materiales y un
dades netas de material suponiendo que en la actualidad se
plan de necesidades brutas de material para los artícu-
dispone de 150 unidades de la pieza A, 40 unidades de la
los dependientes del inventario.
pieza B, 50 unidades del subensamble C y 100 unidades
(b) Identifique todos los niveles, padres y componentes.
de la pieza F en inventario.
Estudio de caso
Martin-Pullin Bicycle Corporation
Martin-Pullin Bicycle Corporation (MPBC), que se encuentra en Da- de dos días después de notificar al centro de distribución, siempre que
llas, es un distribuidor mayorista de bicicletas y piezas de bicicleta. haya inventario disponible. Sin embargo, si la empresa no cumple con
Formada en 1981 por los primos Ray Martin y Jim Pullin, los pun- algún pedido, no se coloca una orden de respaldo; los minoristas se
tos de venta principales de la empresa se encuentran dentro de un ra- las arreglan para conseguir el pedido con otro distribuidor y MPBC
dio de 400 millas desde el centro de distribución. Estos puntos pierde ese negocio.
de venta reciben los pedidos enviados por Martin-Pullin en un plazo

Demandas del modelo AirWing fabricante extranjero, y el envío tarda hasta cuatro semanas desde el
momento en que se hace un pedido. Con el costo de la comunica-
MES 2009 2010 PRONÓSTICO PARA 2011 ción, el papeleo y el despacho de aduanas incluido, MPBC estima que
Enero 6 7 8 cada vez que hace un pedido, incurre en un costo de $65. El precio de
compra pagado por bicicleta, es aproximadamente 60% del precio
Febrero 12 14 15
de venta sugerido para todos los estilos disponibles, y el costo por al-
Marzo 24 27 31 macenar inventario es de 1% mensual (12% anual) del precio de com-
Abril 46 53 59 pra pagado por MPBC. El precio de venta (pagado por los clientes)
del AirWing es de $170 por bicicleta.
Mayo 75 86 97
MPBC está interesada en hacer un plan de inventarios para el año
Junio 47 54 60 2011. La empresa quiere mantener un nivel de servicio de 95% para
Julio 30 34 39 sus clientes, con la finalidad de minimizar las pérdidas por pedidos
perdidos. Los datos recogidos durante los últimos dos años se resu-
Agosto 18 21 24
men en la siguiente tabla. Se ha desarrollado un pronóstico de ventas
Septiembre 13 15 16 para el modelo Airwing en el próximo año 2011 y se utiliza para hacer
Octubre 12 13 15 un plan de inventarios de MPBC.
Noviembre 22 25 28
Diciembre 38 42 47
Total 343 391 439 1. Desarrolle un plan de inventarios para ayudar a MPBC.
2. Analice los ROP y los costos totales.
3. ¿Cómo se puede hacer frente a la demanda que no está al nivel
La compañía distribuye una amplia variedad de bicicletas. El
del horizonte de planeación?
modelo más popular, y la principal fuente de ingresos para la em-
presa, es el AirWing. MPBC recibe todos los modelos de un solo Fuente: Profesora Kala Chand Seal, Loyola Marymount University.
Visite nuestra página en Internet, www.pearsonenespañol.com/render, y consulte estos estudios de caso

adicionales:
(1) LaPlace Power and Light: Este caso involucra un servicio público en Luisiana y su uso de cables
eléctricos para conectar las casas a las líneas eléctricas.
(2) Western Ranchman Outfitters: Este caso involucra la gestión de inventarios para un estilo popular
de pantalones vaqueros cuando la fecha de entrega es a veces impredecible.
(3) Professional Video Management: Este caso se refiere a un sistema de videos en el que es posible
acceder a descuentos de los proveedores.
(4) Drake Radio: Este caso implica pedidos de sintonizadores de FM.
Bibliografía
Anderson, Eric T., Gavan J. Fitzsimons y Duncan Simester. “Measuring and Miti- Chopra, Sunil, Gilles Reinhardt y Maqbool Dada. “The Effect of Lead Time
gating the Costs of Stockouts”, Management Science 52, 11 (noviembre de Uncertainty on Safety Stocks”, Decision Sciences 35, 1 (invierno de 2004):
2006): 1751-1763. 1-24.
Bradley, James R. y Richard W. Conway. “Managing Cyclic Inventories”, Produc- Desai, Preyas S. y Oded Koenigsberg. “The Role of Production Lead Time and
tion and Operations Management 12, 4 (invierno de 2003): 464-479. Demand Uncertainty in Marketing Durable Goods”, Management Science
Chan, Lap Mui Ann, David Simchi-Levi y Julie Swann. “Pricing, Production, 53, 1 (enero de 2007): 150-158.
and Inventory Policies for Manufacturing with Stochastic Demand and Dis- Jayaraman, Vaidyanathan, Cindy Burnett y Derek Frank. “Separating Inventory
cretionary Sales”, Manufacturing & Service Operations Management 8, 2 Flows in the Materials Management Department of Hancock Medical Cen-
(primavera de 2006): 149-168. ter”, Interfaces 30, 4 (julio-agosto de 2000): 56-64.
Chickering, David Maxwell y David Heckerman. “Targeted Advertising on the Kapuscinski, Roman, Rachel Q. Zhang, Paul Carbonneau, Robert Moore y Bill
Web with Inventory Management”, Interfaces 33, 5 (septiembre-octubre de Reeves. “Inventory Decisions in Dell’s Supply Chain”, Interfaces 34, 3
2003): 71-77. (mayo-junio de 2004): 191-205.

APÉNDICE 6.1: CONTROL DE INVENTARIOS CON QM PARA WINDOWS 237
Karabakal, Nejat, Ali Gunal y Warren Witchie. “Supply-Chain Analysis at Ramdas, Kamalini y Robert E. Spekman. “Chain or Shackles: Understanding
Volkswagen of America”, Interfaces 30, 4 (julio-agosto de 2000): 46-55. What Drives Supply-Chain Performance”, Interfaces 30, 4 (julio-agosto de
Kök, A. Gürhan y Kevin H. Shang. “Inspection and Replenishment Policies for 2000): 3-21.
Systems with Inventory Record Inaccuracy”, Manufacturing & Service Ope- Rubin, Paul A. y W. C. Benton. “A Generalized Framework for Quantity Discount
rations Management 9, 2 (primavera de 2007): 185-205. Pricing Schedules”, Decision Sciences 34, 1 (invierno de 2003): 173-188.
Ramasesh, Ranga V. y Ram Rachmadugu. “Lot-Sizing Decision Under Limi- Shin, Hojung y W. C. Benton. “Quantity Discount-Based Inventory Coordination:
ted-Time Price Reduction”, Decision Sciences 32, 1 (invierno de 2001): Effectiveness and Critical Environmental Factors”, Production and Opera-
125-143. tions Management 13, 1 (primavera de 2004): 63-76.
Apéndice 6.1: Control de inventarios con QM para Windows

En este capítulo se presenta una variedad de modelos de control de inventarios. Cada modelo tiene diferentes
supuestos y utiliza enfoques ligeramente diferentes. El uso de QM para Windows es similar para los diferen-
tes tipos de problemas de inventario. Como se observa en el menú de inventarios en QM para Windows, la
mayoría de los problemas de inventario estudiados en este capítulo se pueden resolver por computadora.
Para hacer una demostración de QM para Windows, comenzamos con el modelo básico de la EOQ.
Sumco, una empresa de manufactura analizada en el capítulo, tiene una demanda anual de 1,000 unidades,
con un costo de pedido de $10 por unidad y un costo de almacenamiento de $0.50 por unidad anual. Con estos
datos, podemos utilizar QM para Windows para determinar la cantidad económica de pedido. Los resultados
se muestran en el programa 6.5.
En este capítulo también se cubre el problema de inventario de corrida de la producción, que requiere la
producción diaria y la tasa de demanda diaria, además de la demanda anual, el costo de pedido por orden y
el costo de almacenamiento por unidad anual. El ejemplo de Brown Manufacturing se utiliza en este capítulo
para mostrar cómo hacer los cálculos de forma manual. Estos datos también pueden usarse con QM para
Windows. El programa 6.6 muestra los resultados.
PROGRAMA 6.5
Resultados en QM
para Windows para
el modelo de la EOQ
PROGRAMA 6.6
Resultados en QM
para Windows para
el modelo de corrida
de la producción

El modelo de descuentos por cantidad permite que el costo de material varíe con la cantidad pedida. En
este caso, el modelo debe considerar y minimizar los costos de materiales, de pedido y de almacenamiento
examinando cada precio de descuento. El programa 6.7 muestra cómo se puede utilizar QM para Windows
para resolver el modelo con descuentos por cantidad analizado en el capítulo. Observe que la salida del pro-
grama muestra los datos de entrada, además de los resultados.
PROGRAMA 6.7
Resultados en QM
para Windows para
el modelo de
descuentos por
cantidad
Cuando una organización tiene un gran número de artículos de inventario, con frecuencia se utiliza el
análisis ABC. Como se estudia en este capítulo, el volumen total monetario de un artículo en inventario es una
manera de determinar si se deben utilizar técnicas de control cuantitativo. Los cálculos necesarios se realizan en
el programa 6.8, donde se muestra cómo puede usarse QM para Windows para calcular el volumen monetario
y determinar si las técnicas de control cuantitativo se justifican para cada artículo en inventario con este nuevo
ejemplo.
PROGRAMA 6.8
Resultados en QM
para Windows para
el análisis ABC

CAPÍTULO 7
Modelos de programación
lineal: métodos gráficos
y computacionales
1. Comprender los supuestos y las propiedades 3. Entender aspectos especiales de la PL como
básicas de la programación lineal (PL). región no factible, solución no acotada,
2. Resolver en forma gráfica cualquier problema redundancia y soluciones óptimas múltiples.
de PL que sólo tenga dos variables, usando 4. Comprender el papel del análisis de sensibilidad.
los métodos de los vértices y de la recta de 5. Usar hojas de cálculo en Excel para resolver
isoutilidad. problemas de PL.

7.1 Introducción 7.5 Resolución del problema de PL de Flair Furniture
7.2 Requisitos de un problema de programación lineal usando QM para Windows, Excel 2013 y Excel QM
7.3 Formulación de problemas de PL 7.6 Resolución de problemas de minimización
7.4 Solución gráfica a un problema de PL 7.7 Cuatro casos especiales de PL
7.8 Análisis de sensibilidad
Resumen • Glosario • Problemas resueltos • Autoevaluación • Preguntas para análisis y problemas • Estudio de caso:
Trabajo en Mexicana Wire • Estudio de caso en Internet • Bibliografía
239

240 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES
7.1 Introducción
Muchas de las decisiones administrativas implican la búsqueda del uso más eficaz de los recursos de
una organización. Por lo general, los recursos incluyen maquinaria, mano de obra, dinero, tiempo,
espacio de almacenamiento y materias primas. Tales recursos pueden usarse para fabricar productos
(como maquinaria, muebles, alimentos o ropa) u ofrecer servicios (como los programas de las com-
pañías aéreas o las líneas de producción, las políticas de publicidad o las decisiones de inversión). La
programación lineal (PL) es una técnica de modelado matemático que se utiliza ampliamente y que
La programación lineal es una está diseñada para ayudar a los gerentes a planear y a tomar decisiones en relación con la asignación
técnica que ayuda a tomar decisiones de recursos. El presente capítulo y el siguiente están dedicados a ilustrar cómo y por qué funciona la
para la asignación de recursos. programación lineal.
A pesar de su nombre, la PL y la categoría más general de las llamadas técnicas de programa-
ción “matemática” tienen muy poco que ver con la programación por computadora. En el mundo de
las ciencias de la administración, programación se refiere al modelado y la resolución de un problema
matemático. La programación por computadora tiene, desde luego, un papel relevante en el avance y el
uso de la PL. Los problemas de PL en la vida real son demasiado engorrosos como para resolverse ma-
nualmente o con una calculadora. Así que a lo largo de los capítulos sobre PL se ofrecen ejemplos de lo
valioso que puede ser un programa de cómputo en la resolución de un problema de PL.
7.2 Requisitos de un problema de programación lineal

En los últimos 60 años, la PL se ha aplicado ampliamente en problemas militares, industriales, financieros,
de marketing, contables y agrícolas. A pesar de que estas aplicaciones son diversas, todos los problemas de
PL tienen varias propiedades y supuestos en común.
Todos los problemas buscan maximizar o minimizar alguna cantidad, por lo general la utilidad o el
Los problemas buscan maximizar costo. Esta propiedad se conoce como la función objetivo de un problema de PL. El principal objetivo de
o minimizar un objetivo. un fabricante típico es maximizar las utilidades monetarias. En el caso de un sistema de transporte o distri-
bución ferrocarrilero, el objetivo sería minimizar los costos de envío. En cualquier caso, este objetivo debe
quedar claro y definirse matemáticamente. Por cierto, no importa si las utilidades y los costos se miden en
centavos, dólares o millones de dólares.
Las restricciones limitan el grado en La segunda propiedad que tienen en común los problemas de PL es la presencia de restricciones,
el que se puede alcanzar el objetivo. que limitan el grado en que podemos perseguir nuestro objetivo. Por ejemplo, la decisión de cuántas
unidades de cada producto se deben fabricar en la línea de productos de una empresa está restringida
por el personal y la maquinaria disponibles. La selección de una política de publicidad o de un porta-
folios financiero está limitada por la cantidad de dinero disponible para ser gastado o invertido. Por lo
tanto, se desea maximizar o minimizar una cantidad (la función objetivo) sujeta a recursos limitados (las
restricciones).
Debe haber alternativas disponibles. Es necesario tener alternativas de acción a elegir. Por ejemplo, si una empresa fabrica tres productos
diferentes, la gerencia puede utilizar PL para decidir cómo distribuir entre ellos sus recursos de pro-
ducción limitados (de personal, maquinaria, etcétera). ¿Es recomendable dedicar toda la capacidad de
fabricación solamente al primer producto? ¿Se debería producir la misma cantidad de cada producto?
¿O tienen que asignarse los recursos de alguna otra forma? Si no hubiera alternativas a seleccionar, no
necesitaríamos la PL.
Las relaciones matemáticas El objetivo y las restricciones en los problemas de PL deben expresarse en términos de ecuaciones
son lineales. o desigualdades lineales. Las relaciones matemáticas lineales sólo implican que todos los términos uti-
lizados en la función objetivo y las restricciones son de primer grado (es decir, no están elevados al cua-
drado, a la tercera potencia o a una potencia mayor, ni aparecen más de una vez). Por lo tanto, la ecuación
2A + 5B = 10 es una función lineal aceptable; mientras que la ecuación 2A2 + 5B 3 + 3AB = 10 no es
lineal, porque la variable A está elevada al cuadrado, la variable B está elevada al cubo y las dos varia-
bles aparecen de nuevo como un producto entre sí.
El término lineal implica tanto proporcionalidad como aditividad. La proporcionalidad significa que
si la producción de 1 unidad de un producto utiliza 3 horas, la producción de 10 unidades usaría 30 horas.
La aditividad significa que el total de todas las actividades es igual a la suma de las actividades individua-
les. Si la producción de un producto genera $3 de utilidad y la producción de otro producto genera $8 de
utilidad, la utilidad total sería la suma de estas dos, que son $11.
Suponemos que existen condiciones de certidumbre: las cifras en el objetivo y en las restricciones se
conocen con certeza y no cambian durante el periodo de estudio.
Adoptamos el supuesto de divisibilidad de que las soluciones no tienen que estar en números enteros.
En cambio, son divisibles y pueden tomar cualquier valor fraccionario. En los problemas de producción,
a menudo definimos variables como el número de unidades producidas por semana o por mes, y un valor

7.3 FORMULACIÓN DE PROBLEMAS DE PL 241
TABLA 7.1
PROPIEDADES DE LOS PROGRAMAS LINEALES
Propiedades y supuestos
de la PL 1. Una función objetivo
2. Una o más restricciones
3. Cursos de acción alternativos
4. La función objetivo y las restricciones son lineales:
proporcionalidad y divisibilidad
5. Certidumbre
6. Divisibilidad
7. Variables no negativas
fraccionario (por ejemplo, 0.3 sillas) simplemente significaría que hay trabajo en proceso. Algo que se ini-
ció en una semana puede terminarse en la siguiente. Sin embargo, en otros tipos de problemas, los valores
fraccionarios no tienen sentido. Si no es posible comprar una fracción de un producto (por ejemplo, un
tercio de un submarino), existe un problema de programación entera. La programación entera se analiza
con más detalle en el capítulo 10.
Por último, suponemos que todas las respuestas o variables son no negativas. Los valores negativos de
las cantidades físicas son imposibles; usted simplemente no puede producir un número negativo de sillas,
camisas, lámparas o computadoras. Sin embargo, hay algunas variables que pueden tener valores negati-
vos, como la utilidad, donde un valor negativo indica una pérdida. Una simple operación matemática puede
transformar una variable de este tipo en dos variables no negativas, y ese proceso puede encontrarse en los
libros de programación lineal. Sin embargo, al trabajar con programación lineal en este texto, usaremos
sólo variables no negativas. En la tabla 7.1 se resumen tales propiedades y supuestos.
7.3 Formulación de problemas de PL

La formulación de un programa lineal implica el desarrollo de un modelo matemático para representar un
problema administrativo. Por consiguiente, para formular un programa lineal, es necesario entender por
completo el problema administrativo que se enfrenta. Una vez entendido éste, es posible empezar a desa-
rrollar el enunciado matemático del problema. Los pasos de la formulación de un programa lineal son los
siguientes:
1. Entender por completo el problema administrativo que se enfrenta.
2. Identificar el objetivo y las restricciones.
3. Definir las variables de decisión.
4. Utilizar las variables de decisión para escribir expresiones matemáticas de la función objetivo y las
restricciones.
Los problemas de mezcla de Una de las aplicaciones más comunes de la PL es el problema de mezcla de productos. Por lo gene-
productos utilizan PL para decidir ral, se elaboran dos o más productos con recursos limitados, como personal, maquinaria, materias primas,
qué cantidad de cada producto se etcétera. La utilidad que la empresa busca maximizar se basa en la contribución a la utilidad por unidad de
debe fabricar, dada una serie de cada producto. (Como se recordará, la contribución a la utilidad es el precio de venta por unidad menos el
restricciones en recursos. costo variable por unidad).* La empresa desea determinar cuántas unidades de cada producto debería pro-
ducir con la finalidad de maximizar la utilidad total dados sus recursos limitados. En el siguiente ejemplo,
se formula un problema de este tipo.
Compañía Flair Furniture

La compañía Flair Furniture produce mesas y sillas de bajo precio. El proceso de producción de cada pro-
ducto se parece en que ambos requieren cierto número de horas de trabajo de carpintería, y cierto número
de horas de trabajo en el departamento de pintura y barnizado. Cada mesa requiere 4 horas de carpintería y
2 horas en el taller de pintura y barnizado. Cada silla necesita 3 horas en carpintería y 1 hora en pintura
y barnizado. Durante el periodo de producción actual, hay 240 horas de tiempo de carpintería disponibles, y
100 horas de tiempo disponibles en pintura y barnizado. Cada mesa vendida produce una utilidad de $70;
cada silla vendida produce $50 de utilidad.
*
Técnicamente, maximizamos el margen de contribución total, que es la diferencia entre el precio de venta unitario y los
costos que varían en proporción con la cantidad de artículos producidos. La depreciación, los gastos generales fijos y la
publicidad se excluyen de los cálculos.

HISTORIA Los inicios de la programación lineal
Mundial y fue asignado a trabajar en problemas de logística. Él vio

A ntes de 1945, los economistas, entre otros, habían sugerido al-
gunos problemas conceptuales referentes a la asignación de recursos
que muchos de los problemas relacionados con recursos limitados y
más de una demanda podrían representarse en términos de una serie
escasos. Dos de estas personas, Leonid Kantorovich y Tjalling Koop- de ecuaciones y desigualdades y, posteriormente, desarrolló el algo-
mans, compartieron el Premio Nobel de Economía en 1975 por el ritmo símplex para resolver tales problemas.
avance en su trabajo conceptual sobre planeación óptima, que inició Aunque las primeras aplicaciones de la programación lineal te-
durante la década de 1940. En 1945 George Stigler propuso el “pro- nían una naturaleza militar, las aplicaciones industriales se volvieron
blema de la dieta”, que ahora es el nombre dado a una categoría ge- evidentes con el uso generalizado de las computadoras en los nego-
neral de aplicaciones de programación lineal. Sin embargo, Stigler se cios. A medida que los problemas se volvieron más grandes, conti-
basó en técnicas heurísticas para encontrar una buena solución a este nuaron las investigaciones para encontrar incluso mejores maneras de
problema, ya que no había ningún método disponible para encontrar resolver los programas lineales. Los trabajos de Leonid Kachiyan en
la solución óptima. 1979 y Narendra Karmarkar en 1984 estimularon a otros investiga-
Posteriormente hubo grandes avances en el campo, cuando en dores a estudiar el uso de métodos de punto interior para resolver
1947 George D. Dantzig, a menudo llamado el “padre de la progra- programas lineales, algunos de los cuales se siguen utilizando en la
mación lineal”, publicó su trabajo sobre un procedimiento de solución actualidad. Sin embargo, el algoritmo símplex desarrollado por Dant-
conocido como el algoritmo símplex. Dantzig había sido un matemá- zig sigue siendo la base para la mayoría del software utilizado en la
tico de la Fuerza Aérea de Estados Unidos durante la Segunda Guerra resolución de programas lineales de la actualidad.
El problema de Flair Furniture es determinar la mejor combinación posible de mesas y sillas a fabri-
car con la finalidad de alcanzar la máxima utilidad. La compañía desea formular esta situación de mezcla
de producción como un problema de PL.
Empezamos con un resumen de la información necesaria para formular y resolver este problema (vea
la tabla 7.2). Esto nos ayuda a entender el problema que enfrentamos. En seguida, identificamos el objetivo
y las restricciones. El objetivo es
Maximizar la utilidad
Las restricciones son
1. Las horas de tiempo de carpintería usadas no pueden exceder 240 horas a la semana.
2. Las horas de tiempo de pintura y barnizado utilizadas no pueden exceder 100 horas a la semana.
Las variables de decisión que representan las decisiones reales que tomaremos se definen como
T = número de mesas a producir por semana

C = número de sillas a producir por semana
Ahora es posible crear la función objetivo de PL en términos de T y C. La función objetivo es maximizar

la utilidad = $70T + $50C.
El próximo paso consiste en desarrollar relaciones matemáticas para describir las dos restricciones del
problema. Una relación general es que la cantidad de un recurso utilizado debe ser menor o igual que (…)
la cantidad de recurso disponible.
En el caso del departamento de carpintería, el tiempo total utilizado es
14 horas por mesa2 1Número de mesas producidas2

+ 13 horas por silla2 1Número de sillas producidas2
TABLA 7.2
HORAS NECESARIAS PARA
Datos de la compañía PRODUCIR 1 UNIDAD
Flair Furniture
(T) (C) HORAS DISPONIBLES
DEPARTAMENTO MESAS SILLAS ESTA SEMANA
Carpintería 4 3 240
Pintura y barnizado 2 1 100
Utilidad por unidad $70 $50

7.4 SOLUCIÓN GRÁFICA A UN PROBLEMA DE PL 243
Las restricciones de recursos Así que la primera restricción puede expresarse de la siguiente manera:
ponen límites en forma matemática
al recurso de mano de obra de Tiempo de carpintería utilizado … Tiempo de carpintería disponible
carpintería y de pintura. 4T + 3C … 240 1horas del tiempo de carpintería2
Del mismo modo, la segunda restricción es la siguiente:

Tiempo de pintura y barnizado utilizado … Tiempo de pintura y barnizado disponible
2 T + 1C … 100 1horas del tiempo de pintura y barnizado2
(Esto significa que cada mesa producida requiere 2 horas del recurso de pintura y barnizado).
Ambas restricciones representan las limitaciones a la capacidad de producción y, desde luego, afec-
tan la utilidad total. Por ejemplo, Flair Furniture no puede producir 80 mesas durante el periodo de pro-
ducción, porque si T = 80, se quebrantarían las dos restricciones. Tampoco puede hacer T = 50 mesas y
C = 10 sillas. ¿Por qué? Debido a que esto transgrediría la segunda restricción de que no se asignen más
de 100 horas del tiempo de pintura y barnizado.
Para obtener soluciones significativas, los valores de T y C deben ser números no negativos. Es decir,
todas las soluciones posibles tienen que representar mesas reales y sillas reales. Matemáticamente, esto
significa que
T Ú 0 1el número de mesas producido es mayor o igual que 02

C Ú 0 1el número de sillas producido es mayor o igual que 02
Ahora es posible replantear matemáticamente el problema completo como
Maximizar la utilidad = $70T + $50C
Aquí se muestra un enunciado sujeta a las restricciones

matemático completo del problema
de PL. 4T + 3C … 240 (restricción de carpintería)
2T + 1C … 100 (restricción de pintura y barnizado)
TÚ0 (primera restricción de no negatividad)
CÚ0 (segunda restricción de no negatividad)
Aunque técnicamente las restricciones de no negatividad son restricciones independientes, suelen escri-
birse en una sola línea con las variables separadas por comas. En este ejemplo, se escriben como
T, C Ú 0
7.4 Solución gráfica a un problema de PL

El método gráfico sólo funciona La forma más fácil de resolver un problema sencillo de PL como el de la compañía Flair Furniture
cuando hay dos variables de decisión, consiste en usar el método de solución gráfica. El procedimiento gráfico es útil sólo cuando hay dos
pero ofrece información valiosa variables de decisión (como el número de mesas, T, y el número de sillas, C, a producir) en el problema.
sobre cómo están estructurados los Si hay más de dos variables, no es posible trazar la solución en una gráfica de dos dimensiones y es
problemas más grandes. necesario recurrir a enfoques más complejos. Pero el método gráfico es muy valioso y nos proporciona
una idea de cómo funcionan otras técnicas. Por esa sola razón, vale la pena pasar el resto de este capítulo
explorando soluciones gráficas como una base intuitiva para los capítulos sobre programación matemá-
tica que siguen.
Representación gráfica de las restricciones

Para encontrar la solución óptima a un problema de PL, primero debemos identificar un conjunto, o región,
de soluciones factibles. El primer paso para hacerlo es trazar cada una de las restricciones del problema en
una gráfica. La variable T (mesas) se representa gráficamente en el eje horizontal, y la variable C (sillas)
se representa gráficamente en el eje vertical. Se utiliza la notación 1T, C2 para identificar los puntos sobre
Las restricciones de no negatividad la gráfica. Las restricciones de no negatividad implican que siempre estaremos trabajando en el primer
implican que T Ú 0 y C Ú 0. cuadrante (o noreste) de una gráfica (vea la figura 7.1).
Para representar gráficamente la primera restricción, 4T + 3C … 240, debemos graficar primero la
parte de la igualdad de esto, que es
4T + 3C = 240

FIGURA 7.1
C
Cuadrante que contiene
todos los valores
100
positivos
Este eje representa la restricción T ≥ 0
80
Número de sillas
60
40 Este eje representa

la restricción C ≥ 0
20
0 20 40 60 80 100 T
Número de mesas
El trazado de la primera restricción Como se recordará del álgebra elemental, una ecuación lineal con dos variables es una línea recta. La
implica encontrar los puntos donde forma más fácil de trazar la recta es encontrar dos puntos que satisfagan la ecuación y, después, se dibuja
la recta cruza los ejes T y C. una línea recta a través de ellos.
Los dos puntos más fáciles de encontrar suelen ser los puntos en los que la recta cruza los ejes T y C.
Cuando Flair Furniture no produce mesas, es decir T = 0, esto implica que
4 102 + 3C = 240
o
3C = 240
o
C = 80
En otras palabras, si se utiliza todo el tiempo de carpintería disponible para producir sillas, podrían hacerse
80 sillas. Por lo tanto, esta ecuación de restricción cruza el eje vertical en 80.
Para encontrar el punto donde la recta cruza el eje horizontal, se supone que la compañía no produce
sillas, es decir, C = 0. Entonces,
4T + 3 102 = 240
o
4T = 240
o
T = 60
Por consiguiente, cuando C = 0, vemos que 4T = 240 y que T = 60.

La restricción de carpintería se ilustra en la figura 7.2. Está delimitada por la línea que va desde el
punto 1T = 0, C = 802 hasta el punto 1T = 60, C = 02.
Sin embargo, recuerde que la restricción de carpintería real es la desigualdad 4T + 3C … 240.
¿Cómo identificamos todos los puntos de solución que satisfacen esta restricción? Resulta que hay tres po-
sibilidades. En primer lugar, sabemos que cualquier punto que se encuentre sobre la recta 4T + 3C = 240
satisface la restricción. Cualquier combinación de mesas y sillas sobre esta recta utilizará las 240 horas del
tiempo de carpintería.* Ahora debemos encontrar el conjunto de puntos de solución que utilizarían menos
*
Por lo tanto, lo que hemos hecho es graficar la ecuación de restricción en su posición más limítrofe, es decir, usando todos
los recursos de carpintería.

FIGURA 7.2
Gráfica de la ecuación C
de la restricción de
carpintería, 4T + 3C = 240 100
80 (T = 0, C = 80)
Número de sillas
60
40
20
(T = 60, C = 0)
0 20 40 60 80 100 T
Número de mesas
de las 240 horas. Los puntos que satisfacen la porción 6 de la restricción (es decir, 4T + 3C 6 240) serán
todos los puntos a un lado de la recta; mientras que todos los puntos en el otro lado de la línea no satis-
farán esta condición. Para determinar cuál es el lado de la recta indicado, basta con elegir cualquier punto
a cada lado de la recta de restricción mostrada en la figura 7.2 y verificar si satisface la condición.
Por ejemplo, elija el punto (30, 20), como se ilustra en la figura 7.3:
4 1302 + 3 1202 = 180
Dado que 180 6 240, este punto satisface la restricción, y todos los puntos de este lado de la línea también
satisfarán esa condición. Este conjunto de puntos se indica mediante la región sombreada de la figura 7.3.
Para saber lo que sucedería si el punto no satisficiera la restricción, seleccione un punto en el otro lado
de la recta, por ejemplo, (70, 40). La restricción no se cumpliría en este punto porque
4 1702 + 3 1402 = 400
Dado que 400 7 240, este punto y cualquier otro en ese lado de la recta no satisfarían la restricción. Por
consiguiente, la solución representada por el punto (70, 40) requeriría más de las 240 horas que están dis-
ponibles. No hay suficientes horas de carpintería para producir 70 mesas y 40 sillas.
FIGURA 7.3
C
Región que satisface la
restricción de carpintería
100
80
Número de sillas
60
40 (70, 40)
20
(30, 20)
0 20 40 60 80 100 T
Número de mesas

FIGURA 7.4
C
Región que satisface la
restricción de pintura
100 (T = 0, C = 100)
y barnizado
80
Número de sillas
60
40
20
(T = 50, C = 0)
0
20 40 60 80 100 T
Número de mesas
A continuación, identificaremos la solución que corresponde a la segunda restricción, la cual limita el

tiempo disponible en el departamento de pintura y barnizado. Esa restricción se dio como 2T + 1C … 100.
Como antes, comenzamos por graficar la porción de igualdad en esta restricción, que es
2T + 1C = 100
Para encontrar dos puntos sobre la recta, seleccione T = 0 y despeje C:
2 102 + 1C = 100
C = 100
Entonces, un punto sobre la recta es (0, 100). Para encontrar el segundo punto, seleccione C = 0 y
despeje T:
2T + 1 102 = 100
T = 50
El segundo punto usado para graficar la recta es (50, 0). Al graficar este punto, (50, 0), y el otro, (0, 100),
se obtiene la recta que representa todas las soluciones en las cuales se utilizan exactamente 100 horas del
tiempo de pintura y barnizado, como se muestra en la figura 7.4.
Para encontrar los puntos que requieren menos de 100 horas, seleccione un punto a ambos lados de
esta recta, con la finalidad de verificar si se satisface la parte de desigualdad en la restricción. Al seleccio-
nar (0, 0), resulta
2 102 + 1 102 = 0 6 100
Lo anterior indica que éste y todos los puntos por debajo de la recta satisfacen la restricción; esta región se
muestra sombreada en la figura 7.4.
Ahora que cada restricción individual ha sido representada gráficamente, es el momento de pasar a la
siguiente etapa. Se sabe que, para producir una silla o una mesa, es necesario utilizar tanto el departamento
En los problemas de PL estamos de carpintería como el de pintura y barnizado. En un problema de PL debemos encontrar el conjunto de
interesados en satisfacer todas las puntos de solución que satisfagan todas las restricciones de manera simultánea. Por lo tanto, las restriccio-
restricciones al mismo tiempo. nes deberían representarse nuevamente en una gráfica (o superponer una sobre otra). Esto se muestra en la
figura 7.5.
Ahora, la región sombreada representa el área de soluciones que no excede ninguna de las dos restric-
ciones de Flair Furniture. Se conoce por el término área de soluciones factibles o, de forma más sencilla,
La región factible es el conjunto región factible. En un problema de PL esta región debe satisfacer todas las condiciones especificadas por
de puntos que satisfacen todas las las restricciones del problema y, por lo tanto, es la región donde se superponen todas las restricciones.
restricciones. Cualquier punto de la región sería una solución factible para el problema de Flair Furniture; cualquier
punto fuera del área sombreada representaría una solución no factible. Por consiguiente, sería posible

FIGURA 7.5
C
Región de soluciones
factibles para el 100
problema de la compañía
Flair Furniture
80 Restricción de pintura/barnizado
Número de sillas
60
40
20 Región Restricción de carpintería

factible
0
20 40 60 80 100 T
Número de mesas
fabricar 30 mesas y 20 sillas (T = 30, C = 20) durante un periodo de producción, ya que se cumplen las
dos restricciones:
Restricción de carpintería 4T + 3C … 240 horas disponibles

142 1302 + 132 1202 = 180 horas usadas P
Restricción de pintura 2T + 1C … 100 horas disponibles

122 1302 + 112 1202 = 80 horas usadas P
Pero quebrantaría las restricciones de producir 70 mesas y 40 sillas, como se muestra matemáticamente:

142 1702 + 132 1402 = 400 horas usadas U
122 1702 + 112 1402 = 180 horas usadas U
Además, también no sería factible fabricar 50 mesas y 5 sillas 1T = 50, C = 52. ¿Puede usted ver por qué?

142 1502 + 132 152 = 215 horas usadas P

122 1502 + 112 152 = 105 horas usadas U
Esta posible solución se encuentra dentro del tiempo disponible en carpintería, pero excede el tiempo dis-
ponible en pintura y barnizado; por lo tanto, está fuera de la región factible.
Método de solución de la recta de isoutilidad

Ahora que se ha graficado la región factible, podemos proceder a encontrar la solución óptima del pro-
blema. La solución óptima es el punto situado en la región factible que produce la mayor utilidad. Sin
embargo, hay muchos puntos de solución posibles en la región. ¿Cómo hacemos para seleccionar el mejor,
el que da la utilidad más alta?
El primer método para encontrar la Existen algunos enfoques diferentes que se pueden adoptar para encontrar la solución óptima, cuando
solución óptima que presentamos es la región factible ya se ha establecido en forma gráfica. El más rápido de aplicar se llama método de la
el método de isoutilidad. recta de isoutilidad.
La técnica inicia considerando que la utilidad equivale a cierta cantidad monetaria arbitraria pero
pequeña. Para el problema de Flair Furniture podemos elegir una utilidad de $2,100. Éste es un nivel de

utilidad que se obtiene fácilmente sin vulnerar ninguna de las dos restricciones. La función objetivo se
puede escribir como $2,100 = 70T + 50C.
Esta expresión es la ecuación de una recta; la llamamos recta de isoutilidad. Representa todas las
combinaciones de 1T, C2 que producirían una utilidad total de $2,100. Para trazar una recta de utilidad, se
procede exactamente como lo hicimos para graficar las rectas de las restricciones. En primer lugar, consi-
dere que T = 0 y encuentre el punto donde la recta cruza el eje C:
$2,100 = $70 102 = $50C
C = 42 sillas
Después, considere que C = 0 y despeje T:
$2,100 = $70T + 50 102
T = 30 mesas
Incremento de las ventas

MODELADO EN EL MUNDO REAL en Hewlett Packard
Definición
del problema Hewlett Packard (HP) lanzó HPDirect.com a finales de la década de 1990 y abrió la venta online de produc-
tos HP, incluyendo computadoras, impresoras, accesorios y consumibles (suministros). En 2008 se avisó a la
gerencia de HPDirect.com que las ventas online tenían que crecer 150% en los próximos tres años, y esto
tenía que hacerse sin exceder los presupuestos de marketing. Para ello, debían atraer a más visitantes al sitio,
convertir a los visitantes en clientes mediante esfuerzos de marketing dirigidos, y retener a los clientes leales
al proporcionarles una experiencia satisfactoria de manera rentable.

un modelo La naturaleza masiva de este proyecto requirió el uso de una variedad de modelos de investigación de ope-
raciones para alcanzar los objetivos. La regresión múltiple se utilizó para identificar los factores clave de
los visitantes online, y se combinó con modelos de series de tiempo (que identifican la estacionalidad y la
tendencia) para pronosticar el número de visitas en todas las páginas Web, así como las ventas de la gran
variedad de productos. Se utilizaron modelos bayesianos y modelos de Markov para ayudar a predecir la
probabilidad de hacer una compra. La programación lineal se utilizó para determinar qué canales de comer-
cialización debían utilizarse con los diferentes clientes y para optimizar estas decisiones.

datos de entrada Los datos se recopilaron durante un periodo de 2 años, no sólo con base en los visitantes de la página web y
en su comportamiento, sino también a partir de las ventas y las actividades de marketing durante este mismo
periodo de 2 años. Los datos se separaron en dos grupos: un conjunto de entrenamiento para desarrollar el
modelo y un conjunto de prueba para validarlo.

una solución El conjunto de datos de entrenamiento se usó para desarrollar los modelos utilizados en este proyecto, inclu-
yendo programas lineales para asignar de manera óptima el presupuesto de marketing.
Pruebas
a la solución Los datos en el conjunto de prueba se usaron para validar los modelos y asegurar que los modelos funcio-
naran según lo previsto. Cuando se llevaron a cabo las diferentes partes del proyecto, un grupo de clientes
de prueba recibió material de marketing personalizado con base en su perfil de segmento, mientras que un
grupo de control recibió el material genérico.

de resultados El grupo de prueba obtuvo mejores resultados que el grupo de control en todas las mediciones clave, inclu-
yendo el tamaño promedio de los pedidos, la tasa de conversión y las ventas totales por dólar gastado en
marketing. Durante un periodo determinado, la tasa de conversión del grupo meta fue 58% más alta que la
del grupo de control, y las ventas medidas en dólares por artículo de marketing fueron 33% más altas.

de resultados Al comienzo de cada trimestre, los modelos se ejecutan para ayudar a los esfuerzos de planeación del equipo
de marketing en ese periodo. Los propios modelos se actualizan cada trimestre. Desde 2009, los modelos han
recibido el crédito por un aumento de los ingresos en $117 millones, un incremento de los tamaños de pedido
y una reducción del costo total de inventario.
Fuente: Basado en R. Randon et al., “Hewlett Packard: Delivering Profitable Growth for HPDirect.com Using Operations
Research”, Interfaces 43, 1 (enero-febrero de 2013): 48-61.

FIGURA 7.6
C
Gráfica de la recta de
utilidad de $2,100 para la
100
compañía Flair Furniture
80
Número de sillas
60
(0,42) $2,100 = $70 T + $50 C

40
(30,0)
20
0
20 40 60 80 100 T
Número de mesas
Ahora podemos conectar estos dos puntos mediante una recta. Esta recta de utilidad se ilustra en
la figura 7.6. Todos los puntos sobre la recta representan soluciones factibles que producen una utilidad
de $2,100.*
La isoutilidad implica graficar rectas Ahora, es evidente que la recta de isoutilidad para $2,100 no produce la mayor utilidad posible a la
de utilidad paralelas. compañía. En la figura 7.7 se grafican dos líneas más, cada una de ellas proporciona una utilidad mayor.
La ecuación en el medio, $2,800 = $70T + $50C, se representó en la misma forma que la recta inferior.
Cuando T = 0,
$2,800 = $70 102 + $50C

C = 56
Cuando C = 0,
$2,800 = $70T + $50 1C2

T = 40
FIGURA 7.7
C
Gráfica de cuatro rectas
de isoutilidad para la
100
compañía Flair Furniture
80
Número de sillas
$3,500 = $70T + $50C
60 $2,800 = $70T + $50C
$2,100 = $70T + $50C

40
$4,200 = $70T + $50C

20
0
20 40 60 80 100 T
Número de mesas
*
Iso significa “igual” o “similar”. Por lo tanto, una recta de isoutilidad representa una línea donde todos sus puntos tienen la
misma utilidad, en este caso $2,100.

FIGURA 7.8
C
Solución óptima al
problema de Flair
100
Furniture
Recta de utilidad máxima
80
Número de sillas
60 Punto de solución óptima
(T = 30, C = 40)
40
$4,100 = $70T + $50C

20
0
20 40 60 80 100 T
Número de mesas
Trazamos una serie de rectas de De nuevo, cualquier combinación de mesas (T ) y sillas (C ) sobre esta recta de isoutilidad produce
isoutilidad paralelas hasta encontrar una utilidad total de $2,800. Observe que la tercera recta genera una utilidad de $3,500; esto es más
la recta de isoutilidad más alta, es que una mejora. Cuanto más nos alejemos del origen, mayor será nuestra utilidad. Otro punto importante
decir, la que contiene la solución es que estas rectas de isoutilidad son paralelas. Ahora tenemos dos pistas sobre cómo encontrar la solución
óptima.
óptima al problema original. Podemos dibujar una serie de rectas paralelas (moviendo cuidadosamente
nuestra regla en un plano paralelo a la primera recta de utilidad). La recta de utilidad más alta que aún
toque algún punto de la región factible señala la solución óptima. Observe que la cuarta línea ($4,200) es
demasiado alta para ser considerada.
El último punto que una recta de isoutilidad tocaría en esta región factible sería el punto en el vértice,
donde se intersecan las dos rectas de restricción, por lo que este punto se traducirá en la máxima utilidad
posible. Para encontrar las coordenadas de este punto, resolvemos las dos ecuaciones en forma simultánea
(como se indica en la siguiente sección). Lo anterior resulta en el punto (30, 40) como se muestra en la
figura 7.8. Al calcular la utilidad en este punto, obtenemos
Utilidad = 70T + 50C = 70 1302 + 50 1402 = $4,100
Así que la producción de 30 mesas y 40 sillas genera la utilidad máxima de $4,100.
Método de solución de los vértices

Un segundo enfoque para la resolución de problemas de PL emplea el método de los vértices. Concep-
tualmente, esta técnica es más sencilla que el enfoque de la recta de isoutilidad, pero consiste en buscar la
utilidad en cada vértice de la región factible.
La teoría matemática detrás de la PL La teoría matemática detrás de la PL establece que una solución óptima a cualquier problema (es de-
es que la solución óptima debe estar cir, los valores de T, C que proporcionan la utilidad máxima) se encontrará en un vértice o punto extremo,
en uno de los vértices de la región de la región factible. Por lo tanto, sólo es necesario encontrar los valores de las variables en cada vértice;
factible. una solución óptima se encontrará en uno (o más) de ellos.
El primer paso en el método de los vértices es representar gráficamente las restricciones y encontrar
la región factible. Éste es también el primer paso en el método de isoutilidad y la región factible se muestra
de nuevo en la figura 7.9. El segundo paso es encontrar los vértices de la región factible. Para el ejemplo de
Flair Furniture, las coordenadas de tres de los vértices son evidentes a partir de la observación de la gráfica.
Éstos son (0, 0), (50, 0) y (0, 80). El cuarto vértice es aquél donde las dos rectas de restricción se inter-
secan, y sus coordenadas se deben encontrar algebraicamente resolviendo las dos ecuaciones de manera
simultánea para encontrar los valores de las dos variables.
Hay varias maneras de resolver ecuaciones en forma simultánea, y es posible usar cualquiera de éstas.
Aquí se ilustrará el método de eliminación. Para iniciar con este método, seleccione una variable que será
eliminada. En este ejemplo seleccionaremos T. Luego, multiplique una ecuación por un número o divídala

FIGURA 7.9
C
Cuatro vértices de la
región factible
100
2
80
deChairs
sillas
60
Número of
Number
3
40
20
1
0
20 40 4 60 80 100 T
Número
Number de
of Tables
mesas
entre éste, de modo que el coeficiente de esa variable (T) en una ecuación sea el negativo del coeficiente de
la misma variable en la otra ecuación. Las dos ecuaciones de restricción son
4T + 3C = 240 (carpintería)
2T + 1C = 100 (pintura)
Para eliminar T, multiplicamos la segunda ecuación por -2:
-2 12T + 1C = 1002 = -4T - 2C = -200
y, después, la sumamos a la primera ecuación:

+4T + 3C = 240
+ 1C = 40
C = 40
Al hacer esto hemos podido eliminar una variable, T, y despejar C. Ahora podemos sustituir 40 por C
en cualquiera de las ecuaciones originales y despejar T. Usaremos la primera ecuación. Cuando C = 40,
entonces
4T + 132 1402 = 240

4T + 120 = 240
4T = 120
T = 30
Por lo tanto, el último vértice es (30, 40).

El siguiente paso consiste en calcular el valor de la función objetivo en cada uno de los vértices. El
último paso es seleccionar el vértice con el mejor valor que, en este ejemplo, sería aquél con la mayor
utilidad. En la tabla 7.3 se presentan estos vértices con sus utilidades. Se observa que la utilidad más
alta es $4,100, que se obtiene al producir 30 mesas y 40 sillas. Esto es exactamente lo que se obtiene
por el método de isoutilidad.
La tabla 7.4 proporciona un resumen de los métodos de isoutilidad y de los vértices. Cualquiera
de ellos se puede utilizar cuando hay dos variables de decisión. Si un problema tiene más de dos

TABLA 7.3
NÚMERO DE MESAS (T) NÚMERO DE SILLAS (C) UTILIDAD = $70T + $50C
Vértices factibles y
utilidades para Flair 0 0 $0
Furniture 50 0 $3,500
0 80 $4,000
30 40 $4,100
variables de decisión, debemos confiar en el software o utilizar el algoritmo símplex que se estudia en
el módulo 7.
Holgura y excedente
El término holgura se asocia con Además de conocer la solución óptima de un programa lineal, resulta útil saber si se están utilizando todos
restricciones del tipo …. los recursos disponibles. El término holgura se utiliza para la cantidad de un recurso que no se utiliza. Para
una restricción del tipo menor o igual que,
Holgura = 1Cantidad de recurso disponible2 - 1Cantidad de recurso utilizado2
En el ejemplo de Flair Furniture, había 240 horas de tiempo de carpintería disponibles. Si la empresa
decidiera producir 20 mesas y 25 sillas en vez de la solución óptima, la cantidad de tiempo de carpintería
usada 14T + 3C2 sería 4 1202 + 3 1252 = 155. Por lo tanto,
Tiempo de holgura en carpintería = 240 - 155 = 85
Para la solución óptima (30, 40) del problema de Flair Furniture, la holgura es 0 puesto que se utilizan
todas las 240 horas.
El término excedente se asocia con El término excedente se utiliza con las restricciones del tipo mayor o igual que para indicar la canti-
las restricciones del tipo Ú. dad en la que se excede el lado derecho de una restricción. Para un restricción del tipo mayor o igual que,
Excedente = 1Cantidad real2 - 1Cantidad mínima2
Suponga que hubo una restricción en el ejemplo que pedía un número total de mesas y sillas com-
binado de al menos 42 unidades (es decir, T + C Ú 42), y que la empresa decidió producir 20 mesas y
25 sillas. La cantidad total producida sería 20 + 25 = 45, por lo que el excedente sería
Excedente = 45 - 42 = 3
lo cual significa que se produjeron 3 unidades más que el mínimo. Para la solución óptima (30, 40) del
problema de Flair Furniture, si esta restricción hubiera estado en el problema, el excedente habrías sido
70 - 42 = 28.
TABLA 7.4
MÉTODO DE ISOUTILIDAD
Resúmenes de los
métodos de solución 1. Grafique todas las restricciones y encuentre la región factible.
gráficos 2. Seleccione una recta de utilidad (o costo) específica y grafíquela para encontrar la pendiente.
3. Traslade la línea de la función objetivo en dirección de la utilidad creciente (o el costo decreciente)
manteniendo la pendiente. El último punto que toque la región factible es la solución óptima.
4. Encuentre los valores de las variables de decisión en este último punto y calcule la utilidad
(o el costo).
MÉTODO DE LOS VÉRTICES
1. Grafique todas las restricciones y encuentre la región factible.

2. Encuentre los vértices de la región factible.
3. Calcule la utilidad (o el costo) en cada uno de los vértices factibles.
4. Seleccione el vértice con el mejor valor de la función objetivo encontrado en el paso 3. Ésta es la
solución óptima.

7.5 RESOLUCIÓN DEL PROBLEMA DE PL DE FLAIR FURNITURE USANDO QM PARA WINDOWS, EXCEL 2013 Y EXCEL QM 253
Así que la holgura y el excedente representan la diferencia entre el lado izquierdo (LI) y el lado de-
recho (LD) de una restricción. El término holgura se utiliza al hacer referencia a las restricciones del tipo
menor o igual que, y el término excedente se usa para referirse a las restricciones del tipo mayor o igual
que. La mayoría del software para programación lineal proporciona la cantidad de holgura y excedente que
existe para cada restricción en la solución óptima.
Una restricción que tiene cero holgura o excedente para la solución óptima se llama una restricción
vinculante. Una restricción con holgura o excedente positivos para la solución óptima se llama una res-
tricción no vinculante. Algunos resultados de computadora especifican si la restricción es vinculante o no
vinculante.
7.5 Resolución del problema de PL de Flair Furniture usando QM para Windows,

Excel 2013 y Excel QM
Casi todas las organizaciones tienen acceso a programas de cómputo que son capaces de resolver enor-
mes problemas de PL. Aunque cada programa es un poco diferente, el enfoque que cada uno tiene para
manejar los problemas de PL es básicamente el mismo. El formato de los datos de entrada y el nivel de
detalle de los resultados de salida pueden diferir de un programa a otro y de una computadora a otra, pero
una vez que usted tenga experiencia en el uso de los algoritmos computarizados de PL, podrá ajustarse
fácilmente a los cambios menores.
Uso de QM para Windows

Comencemos por mostrar el uso de QM para Windows en el problema de Flair Furniture Company. Para
utilizar QM para Windows, seleccione el módulo de programación lineal. Después, especifique el número
de restricciones (además de las restricciones de no negatividad, porque se supone que las variables deben
ser no negativas), el número de variables, y si el objetivo es maximizar o minimizar. Para el problema de
la compañía Flair Furniture, hay dos restricciones y dos variables. Una vez que se especifican estos nú-
meros, se abre una ventana de entrada como la mostrada en el programa 7.1A. Después, puede introducir
los coeficientes de la función objetivo y las restricciones. Coloque el cursor sobre X1 o X2 y escriba un
nuevo nombre como T y C para cambiar los nombres de las variables. Los nombres de las restricciones se
pueden modificar de manera similar. El programa 7.1B muestra la pantalla de QM para Windows después
de haber introducido los datos y antes de que el problema se haya resuelto. Al hacer clic en el botón Solve,
se obtiene el resultado mostrado en el programa 7.1C.
PROGRAMA 7.1A Las ecuaciones aparecerán

Pantalla de entrada de automáticamente al introducir los
coeficientes en las otras columnas.
datos para programación
Escriba sobre X1 y X2 para cambiar
Lineal en QM para los nombres de las variables.
Windows
Introduzca los coeficientes en las columnas adecuadas.
PROGRAMA 7.1B
en QM para Windows
para el problema de Flair Haga clic aquí para cambiar Haga clic en Solve después
Furniture el tipo de restricción. de introducir los datos.

PROGRAMA 7.1C
Salida y gráfica en QM
Los valores de las variables El valor de la función objetivo
para Windows para se muestran aquí. (utilidad) se muestra aquí.
el problema de Flair
Furniture
Haga clic en Window y seleccione Graph

para ver esta gráfica y los vértices.
Una vez que el problema se haya resuelto, se puede visualizar una gráfica seleccionando Window—
Graph desde la barra de menú en QM para Windows. El programa 7.1C muestra la salida para la solu-
ción gráfica. Observe que, además de la gráfica, también se muestran los vértices y el problema original.
Posteriormente, regresaremos a ver información adicional relacionada con el análisis de sensibilidad que
proporciona QM para Windows.
Uso del comando Solver de Excel para resolver problemas de PL

Excel 2013 (al igual que las versiones anteriores) tiene un complemento llamado Solver que se puede uti-
lizar para resolver programas lineales. Si este complemento no aparece en la pestaña Data de Excel 2013,
aún no se ha activado. Consulte el apéndice F para obtener detalles sobre cómo activarlo.
PREPARACIÓN DE LA HOJA DE CÁLCULO PARA SOLVER La hoja de cálculo debe prepararse con
datos y fórmulas para ciertos cálculos antes de que Solver se pueda utilizar. Es posible usar Excel QM para
simplificar el proceso (vea el apéndice 7.1). Describiremos brevemente los pasos, y un mayor análisis y
más sugerencias cuando se presente el ejemplo de Flair Furniture. A continuación damos un resumen de
los pasos para preparar la hoja de cálculo:
1. Introduzca los datos del problema, los cuales se componen de los coeficientes de la función objetivo
y las restricciones, además de los valores del LD para cada una de las restricciones. Se recomienda
organizar esto de manera lógica y significativa. Los coeficientes serán utilizados al escribir fórmulas
en los pasos 3 y 4, y el LD se introducirá en Solver.
2. Designe celdas específicas para los valores de las variables de decisión. Posteriormente, estas direc-
ciones de celda se introducirán en Solver.
3. Escriba una fórmula para calcular el valor de la función objetivo, utilizando los coeficientes de la
función objetivo (del paso 1) que ha introducido y las celdas que contienen los valores de las varia-
bles de decisión (del paso 2). Después, esta dirección de celda se introducirá en Solver.
4. Escriba una fórmula para calcular el valor del LI de cada restricción, utilizando los coeficientes de
las restricciones (del paso 1) que ha introducido y las celdas que contienen los valores de las varia-
bles de decisión (del paso 2). Posteriormente, se introducirán en Solver estas direcciones de celda
y las direcciones de celda para el valor del LD correspondiente.

PROGRAMA 7.2A Estas celdas se seleccionan para contener los valores de las
Datos de entrada en variables de decisión. Solver introducirá la solución óptima
Excel para el ejemplo aquí, pero usted también puede ingresar números aquí.
de Flair Furniture
Los signos para las restricciones se
introducen aquí sólo como referencia.
PROGRAMA 7.2B
Fórmulas del ejemplo
de Flair Furniture
PROGRAMA 7.2C Debido a que hay un 1 en cada una de estas celdas,

Hoja de cálculo en Excel los valores del LI se calculan muy fácilmente para
saber si se ha cometido algún error.
para el ejemplo de Flair
Furniture
Usted puede cambiar estos valores para
ver cómo cambian la utilidad y la utilización
de recursos.
Estos cuatro pasos se deben completar de alguna manera con todos los programas lineales en Excel.
Es posible agregar información adicional a la hoja de cálculo para hacer más claro el modelo. Esto se ilus-
trará con un ejemplo.
1. El programa 7.2A presenta los datos de entrada para el ejemplo de Flair Furniture. Usted debería
ingresar los números en las celdas que se indican. Las palabras pueden ser cualquier descripción que
usted elija. Los símbolos “…” se introducen sólo como referencia. No son usados de manera especí-
fica por Solver de Excel.
2. Las celdas designadas para los valores de las variables son B4 para T (mesas) y C4 para C (sillas).
Estas direcciones de celda serán introducidas en Solver como By Changing Variable Cells. Solver
cambiará los valores de estas celdas para encontrar la solución óptima. En ocasiones es útil introdu-
cir un 1 en cada una de estas celdas para ayudar a identificar errores evidentes, cometidos al escribir
las fórmulas correspondienes al objetivo y a las restricciones.
3. Se escribe una fórmula en Excel para la función objetivo (D5), y esto se muestra en el programa
7.2B. La función Sumproduct es muy útil, aunque hay otras maneras de escribir el objetivo. Esta di-
rección de celda se introducirá en Solver como la ubicación Set Objective.
4. Las horas utilizadas en carpintería (LI de la restricción de carpintería) se calculan con la fórmula de
la celda D8; mientras que la celda D9 calcula las horas usadas en pintura, como se ilustra en el pro-
grama 7.2B. Estas celdas y las que contienen los valores del LD se utilizarán al introducir las restric-
ciones en Solver.
El problema ahora está listo para usar Solver. Sin embargo, incluso si no se encuentra la solución óp-
tima, esta hoja de cálculo tiene beneficios. Puede introducir valores diferentes para T y C en las celdas B4
y C4 sólo para ver cómo cambian la utilización de recursos (LI) la utilidad.

PROGRAMA 7.2D
Inicialización de Solver
en Excel 2013
En la pestaña Data, haga clic en Solver.
Si Solver no aparece en la pestaña Data, aún no

se ha activado. Consulte la ayuda del apéndice F.
PROGRAMA 7.2E Cuadro de diálogo de los parámetros de Solver
Introduzca la dirección
de celda para el valor de
la función objetivo.
Especifique Max o Min.
Introduzca la ubicación
de los valores para las
variables.
Siempre seleccione Simplex LP
como el método de solución.
Haga clic en Add

para introducir
Marque esta casilla para las restricciones.
variables no negativas.
Haga clic en Solve después

de haber añadido las
restricciones.
USO DE SOLVER Para comenzar a utilizar Solver, vaya a la pestaña Data en Excel 2013 y haga clic en
Solver, como se muestra en el programa 7.2D. Si Solver no aparece en la pestaña de datos, consulte el
apéndice F para obtener instrucciones sobre cómo activar este complemento. Una vez que haga clic en
Solver, se abre el cuadro de diálogo Solver Parameters, como se muestra en el programa 7.2E, y se de-
ben ingresar las siguientes entradas, aunque el orden no es importante:
1. En el cuadro Set Objective, introduzca la dirección de celda para la utilidad total (D5).
2. En el cuadro By Changing Variable Cells, introduzca las direcciones de las celdas para los valores de
las variables (B4:C4). Solver hará que los valores de estas celdas cambien durante la búsqueda del
mejor valor en la celda Set Objective.

PROGRAMA 7.2F
Introduzca la dirección
Cuadro de diálogo en Introduzca la dirección del LI del lado derecho de las
Solver para agregar de las restricciones. Éstas se restricciones.
restricciones pueden ingresar una a la vez
o todas juntas, si son del
mismo tipo, por ej. “all <”
o “all >”.
Haga clic en OK cuando haya terminado. Haga clic en el botón para seleccionar el tipo de relación
de la restricción.
3. Haga clic en Max para un problema de maximización y Min para un problema de minimización.
4. Marque la casilla Make Unconstrained Variables Non-Negative, puesto que las variables T y C deben
ser mayores o iguales a cero.
5. Haga clic en el botón Select Solving Method y seleccione Simplex LP en el menú que aparece.
6. Haga clic en Add para agregar las restricciones. Al hacerlo, aparece el cuadro de diálogo que se
muestra en el programa 7.2F.
7. En el cuadro Cell Reference, introduzca las referencias de celda para los valores del LI (D8:D9).
Haga clic en el botón para abrir el menú desplegable y elija 6=, que es para restricciones del
tipo …. Después, introduzca las referencias de celda para los valores del LD (F8:F9). Como todas
estas restricciones son del tipo menor o igual que, pueden introducirse a la vez, especificando los
rangos. Si hubiera otros tipos de restricciones, como restricciones Ú, usted podría hacer clic en Add
luego de ingresar estas primeras limitaciones, y el cuadro de diálogo Add Constraint le permitiría
introducir restricciones adicionales. En la preparación de la hoja de cálculo para Solver, es más fácil
si todas las restricciones … están juntas y las restricciones Ú también lo están. Después de introducir
todas las restricciones, haga clic en OK. El cuadro de diálogo para agregar restricciones se cierra y
se reabre el cuadro de diálogo Solver Parameters.
8. Haga clic en Solve en el cuadro de diálogo Solver Parameters, y habrá encontrado la solución. El
cuadro de diálogo Solver Results se abre e indica que se encontró una solución, como se indica en
el programa 7.2G. En situaciones donde no hay solución factible, este cuadro lo indicará. Es posible
obtener información adicional en la sección de reportes, lo cual se verá más adelante. El programa
7.2H muestra los resultados de la hoja de cálculo con la solución óptima.
Uso de Excel QM
La utilización del complemento Excel QM puede ayudarle a resolver fácilmente problemas de programa-
ción lineal. Además de todas las fórmulas creadas automáticamente por Excel QM, la preparación de hojas
PROGRAMA 7.2G
Cuadro de diálogo con
resultados de Solver Hay información
adicional disponible.
Verifique esto para asegurarse de que se ha encontrado una solución.

PROGRAMA 7.2H La solución óptima es T = 30, C = 40, la utilidad = 4,100.

Solución para Flair
Furniture encontrada
mediante Solver
Las horas utilizadas se dan aquí.
de cálculo para el uso del complemento Solver también se realiza de forma automática. Esto se ilustrará
con el ejemplo de Flair Furniture.
Para comenzar, desde la pestaña de Excel QM en Excel 2013, haga clic en el menú Alphabetical
y luego seleccione Lineal, Integer & Mixed Integer Programming en el menú desplegable, como se indica
en el programa 7.3A. Se abrirá la ventana de inicio de la hoja de cálculo en Excel QM, y en ella se escri-
birá el título del problema, el número de variables y el número de restricciones (no cuentan las restric-
ciones de no negatividad). Especifique si el problema es un problema de maximización o minimización
y, después, haga clic en OK. Cuando finalice el proceso de inicialización, se preparará una hoja de cálculo
para la introducción de datos, como se indica en el programa 7.3B. En esta hoja de cálculo, introduzca los
datos en la sección denominada Data. Especifique el tipo de restricción (menor que, mayor que o igual a)
y cambie los nombres de las variables y los nombres de las restricciones, si así lo desea. Usted no tiene
que escribir ninguna fórmula.
Una vez introducidos los datos, en la pestaña Data, seleccione Solver. Se abre la ventana Solver
Parameters (consulte de nuevo el programa 7.2E para ver qué entradas se requieren normalmente en una
ventana típica de parámetros en Solver); verá que Excel QM ha hecho todas las entradas y selecciones
necesarias. Usted no introduce información alguna y, simplemente, hace clic en Solve para encontrar la
solución. Tal solución se muestra en el programa 7.3C.
PROGRAMA 7.3A Uso de Excel QM en Excel 2013 para el ejemplo de Flair Furniture
En la pestaña de Excel QM, haga

clic en el menú Alphabetical y,
luego, seleccione Lineal, Integer
& Mixed Integer Programming
del menú.
Cuando aparezca la ventana de
inicialización, introduzca el número
de variables, el número de
restricciones e indique maximizar
o minimizar.

7.6 SOLUCIÓN DE PROBLEMAS DE MINIMIZACIÓN 259
PROGRAMA 7.3B Introducción de datos en Excel QM para el ejemplo de Flair Furniture
Después de introducir el
problema, haga clic en Las instrucciones para el
pestaña de datos y seleccione acceso a Solver están aquí.
Solver de la barra Data. Cuando
se abre la ventana de Solver,
simplemente haga clic en Solve,
puesto que todas las entradas
necesarias han sido introducidas
por Excel QM. Introduzca los datos en las celdas adecuadas.
No cambie las demás celdas de la hoja de cálculo.
PROGRAMA 7.3C
Salida de Excel QM
para el ejemplo de
Flair Furniture
La solución se muestra aquí.
7.6 Solución de problemas de minimización

Muchos problemas de PL implican minimizar un objetivo, como el costo, en vez de maximizar una función
de utilidad. Un restaurante, por ejemplo, tal vez desee desarrollar un cronograma de trabajo para satisfacer
las necesidades de personal y reducir al mínimo el número total de empleados. Un fabricante quizás inten-
tre distribuir sus productos de varias fábricas entre sus numerosos almacenes regionales, de manera que se
minimicen los costos totales de envío. Es posible que un hospital desee proporcionar un plan de alimenta-
ción diaria a sus pacientes que cumplan ciertos estándares nutricionales y reducir al mínimo los costos por
la compra de alimentos.
Los problemas de minimización con sólo dos variables se resuelven gráficamente al establecer pri-
mero la región de solución factible para, después, utilizar el método de los vértices o el enfoque de la recta
de isocosto (que es similar al enfoque de isoutilidad en los problemas de maximización) para encontrar los
valores de las variables de decisión (por ejemplo, X1 y X2) que producen el costo mínimo. A continuación,
revisaremos un problema de PL común denominado el problema de la dieta. Esta situación es similar a la
que enfrenta un hospital con la alimentación de sus pacientes al menor costo.
Rancho Holiday Meal Turkey

El rancho Holiday Meal Turkey está considerando la compra de dos marcas diferentes de alimento para
pavo y mezclarlos con la finalidad de proporcionar una dieta balanceada y de bajo costo para sus pavos.
Cada alimento contiene, en diversas proporciones, algunos o todos los tres ingredientes nutricionales esen-
ciales para los pavos de engorda. Cada libra de la marca 1, por ejemplo, consta de 5 onzas del ingrediente A,
4 onzas del ingrediente B y 0.5 onzas del ingrediente C. Cada libra de la marca 2 contiene 10 onzas del

TABLA 7.5
COMPOSICIÓN DE CADA
Datos para el rancho LIBRA DE ALIMENTO (OZ)
Holiday Meal Turkey REQUISITO
ALIMENTO DE ALIMENTO DE MÍNIMO MENSUAL
INGREDIENTE LA MARCA 1 LA MARCA 2 POR PAVO (OZ)
A 5 10 90
B 4 3 48
C 0.5 0 1.5
Costo por libra 2 centavos 3 centavos
ingrediente A, 3 onzas del ingrediente B, pero no contiene el ingrediente C. El alimento de la marca 1 le

cuesta al rancho 2 centavos por libra; mientras que la marca 2 le cuesta 3 centavos por libra. Al dueño del
rancho le gustaría usar PL para determinar la dieta de menor costo, que cumpla con el requisito mínimo
mensual de cada ingrediente nutricional.
La tabla 7.5 resume la información relevante. Si hacemos
X1 = número de libras compradas del alimento de la marca 1
X2 = número de libras compradas del alimento de la marca 2
entonces, procedemos a formular este problema de programación lineal de la siguiente manera:
Minimizar los costos (en centavos) = 2X1 + 3X2
sujetos a estas restricciones:
50X1 + 10X2 Ú 90 onzas (restricción del ingrediente A)
4X1 + 3X2 Ú 48 onzas (restricción del ingrediente B)
0.5X1 Ú 1.5 onzas (restricción del ingrediente C)
X1 Ú 0 (restricción de no negatividad)
X2 Ú 0 (restricción de no negatividad)
Antes de resolver este problema, queremos asegurarnos de tener en cuenta tres aspectos que afectan
su solución. En primer lugar, es necesario observar que la tercera restricción implica que el granjero debe
comprar suficiente alimento de la marca 1 para satisfacer las normas mínimas del ingrediente nutricional C.
Comprar sólo la marca 2 no sería viable porque carece de C. En segundo lugar, dada la forma en que
el problema está formulado, encontraremos la mejor combinación de las marcas 1 y 2 que debe comprarse
por pavo por mes. Si el rancho tiene 5,000 pavos en un mes determinado, simplemente sería necesario
multiplicar las cantidades X1 y X2 por 5,000 para decidir la cantidad total a ordenar. En tercer lugar, ahora
estamos tratando con una serie de restricciones del tipo mayor o igual que. Esto hace que el área de la solu-
ción factible esté por encima de las rectas de las restricciones de este ejemplo.
USO DEL MÉTODO DE LOS VÉRTICES EN UN PROBLEMA DE MINIMIZACIÓN Para resolver el pro-
blema del rancho Holiday Meal Turkey, primero construimos la región de soluciones factibles. Esto se
hace al trazar cada una de las tres ecuaciones de restricción, como en la figura 7.10. Observe que la tercera
restricción, 0.5X1 Ú 1.5, se puede reescribir y graficar como X1 Ú 3. (Esto implica multiplicar ambos lados
Graficamos las tres restricciones de la desigualdad por 2, pero no cambia la posición de la recta de la restricción de ninguna manera). Los
con la finalidad de desarrollar una problemas de minimización suelen no tener límites hacia el exterior (es decir, son no acotados hacia el lado
región de soluciones factibles para derecho y hacia arriba), pero esto no causa ninguna dificultad en su solución. Mientras estén limitados ha-
el problema de minimización. cia el interior (hacia el lado izquierdo y hacia abajo), es posible establecer vértices. La solución óptima se
Observe que los problemas de encuentra en uno de los vértices como se haría en un problema de maximización.
minimización suelen tener regiones En este caso, hay tres vértices: a, b y c. Para el punto a, encontramos las coordenadas en la inter-
factibles no acotadas. sección de las restricciones de los ingredientes C y B, es decir, donde la recta X1 = 3 interseca la línea
4X1 + 3X2 = 48. Si sustituimos X1 = 3 en la ecuación de la restricción B, obtenemos
4 132 + 3X2 = 48
o
X2 = 12
Por lo tanto, el punto a tiene las coordenadas 1X1 = 3, X2 = 122.

7.6 SOLUCIÓN DE PROBLEMAS DE MINIMIZACIÓN 261
FIGURA 7.10
X2
Región factible para el
problema del rancho
Holiday Meal Turkey
20 Restricción del ingrediente C
Libras de la marca 2
15 Región factible
a
10
Restricción del ingrediente B
5
b Restricción del ingrediente A
c
0
5 10 15 20 25 X1
Para encontrar las coordenadas del punto b algebraicamente, resolvemos las ecuaciones
4X1 + 3X2 = 48 y 5X1 + 10X2 = 90 de manera simultánea. De esto se obtiene 1X1 = 8.4, X2 = 4.82.
Por inspección, se observa que las coordenadas en el punto c son 1X1 = 18, X2 = 0). Ahora evaluamos
la función objetivo en cada vértice y obtenemos
Costo = 2X1 + 3X2

Costo en el punto a = 2 132 + 3 1122 = 42
Costo en el punto b = 2 18.42 + 3 14.82 = 31.2
Costo en el punto c = 2 1182 + 3 102 = 36
Por lo tanto, la solución de costo mínimo es comprar 8.4 libras del alimento de la marca 1 y 4.8 libras del
alimento de la marca 2 por pavo al mes. Esto dará lugar a un costo de 31.2 centavos por pavo.
NBC utiliza programación lineal, programación entera y

EN ACCIÓN programación por metas para vender espacios publicitarios
En 1996 se inició un proyecto en el área de gestión del rendi-

L a National Broadcasting Company (NBC) vende más de $4 mil mi-
llones en publicidad televisiva cada año. Entre 60 y 80% del tiempo
miento. A través de este esfuerzo, la NBC fue capaz de crear planes que
cumplían con mayor precisión las necesidades de los clientes, respon-
aire para la temporada próxima se vende en un periodo de 2 a 3 se- dían a los clientes con mayor rapidez, hacían un uso más rentable de
manas a finales de mayo. Las agencias de publicidad se acercan a su inventario limitado de intervalos de tiempo de publicidad y reducían
las televisoras para comprar tiempo de publicidad para sus clientes. la repetición de trabajos. El éxito de este sistema condujo al desarrollo
En cada solicitud, se incluyen la cantidad monetaria, las característi- de un sistema de optimización a gran escala basado en programación
cas demográficas (por ejemplo, la edad de la audiencia) en la cual el lineal, entera y por metas. Se estima que los ingresos por ventas entre
cliente está interesado, la mezcla de programas, la ponderación sema- los años 1996 y 2000 se incrementaron en más de $200 millones, de-
nal, la distribución unidad-longitud y un costo negociado por 1,000 bido en gran parte a este esfuerzo. Las mejoras en el tiempo de trabajo
espectadores. NBC debe entonces desarrollar planes detallados repetido, la productividad de la fuerza de ventas y la satisfacción del
de ventas para cumplir con tales requisitos. Tradicionalmente, NBC de- cliente fueron otros beneficios de este sistema.
sarrollaba estos planes de forma manual, lo cual requería varias horas
de planeación. En general, esto debió modificarse debido a la com- Fuente: Basado en Srinivas Bollapragada et al. “NBC’s Optimization Sys-
plejidad que implica. Con más de 300 de estos planes a desarrollar y tems Increase Revenues and Productivity”, Interfaces 32, 1 (enero-febrero de
reelaborar en un periodo de 2 a 3 semanas, se invertía mucho tiempo 2002): 47-60.
y no necesariamente resultaba en el máximo ingreso posible.

FIGURA 7.11
Solución gráfica del X2
problema del rancho
Holiday Meal Turkey 25
mediante la recta de
isocosto Región factible
20
15
Di 54
rec ¢=
ció 2X
nd
10 el 1 +
31 co 3X
.2¢ sto 2R
=2 de ec
X cre ta
1+ cie de
5 3X nte iso
2 co
sto
(X 1 = 8.4 X2 = 4.8)
0
5 10 15 20 25 30 X1
El método de la recta de isocosto ENFOQUE DE LA RECTA DE ISOCOSTO Como se mencionó, el enfoque de la recta de isocosto también
es similar al método de la recta de es útil para resolver problemas de minimización de PL, como el del rancho Holiday Meal Turkey. Al igual
isoutilidad usado en los problemas que con las rectas de isoutilidad, no es necesario calcular el costo en cada vértice, sino dibujar una serie de
de maximización. rectas de costos paralelas. La recta de menor costo (es decir, la más cercana al origen) que toque la región
factible proporciona el vértice de la solución óptima.
Por ejemplo, empezamos la figura 7.11 dibujando una línea de costo de 54 centavos, es decir,
54 = 2X1 + 3X2. Evidentemente, hay muchos puntos de la región factible que producirían un menor costo
total. Se procede a mover la recta de isocosto hacia la parte inferior izquierda, en un plano paralelo a la
recta de solución de 54 centavos. El último punto que se toca aún en contacto con la región factible es el
mismo que el vértice b de la figura 7.10. Tiene la coordenadas 1X1 = 8.4, X2 = 4.82 y un costo asociado de
31.2 centavos.
Esto puede resolverse utilizando QM para Windows al seleccionar el módulo Linear Programming y
elegir New (problema nuevo). Se debe especificar que hay 2 variables y 3 restricciones. Cuando se abre la
ventana de entrada, se introducen los datos y se hace clic en Solve. La salida se muestra en el programa 7.4.
Para resolver esto en Excel 2013, determine las celdas donde estará la solución, introduzca los coe-
ficientes de la función objetivo y las restricciones, y escriba fórmulas para el costo total y el total de cada
ingrediente (restricciones). Los valores de entrada y la solución se muestran en el programa 7.5A, donde la
columna D contiene las fórmulas. Estas fórmulas se muestran en el programa 7.5B. Cuando se abre la ven-
tana Solver Parameters, la celda para Set Objective es D5; las celdas para By Changing Variable Cells son
B4:C4; se utiliza el método Simplex LP; la casilla para que las variables sean no negativas está marcada;
y se selecciona Min porque éste es un problema de minimización.
PROGRAMA 7.4
Solución al problema
del rancho Holiday
Meal Turkey en QM
para Windows

7.7 CUATRO CASOS ESPECIALES EN PL 263
PROGRAMA 7.5A Se escriben fórmulas para encontrar los valores en la columna D.

del rancho Holiday Meal
Turkey en Excel 2013
PROGRAMA 7.5B
Fórmulas del problema
del rancho Holiday Meal
Turkey en Excel 2013
7.7 Cuatro casos especiales en PL

Cuatro casos especiales y dificultades que surgen en ocasiones cuando se utiliza el método gráfico para
resolver problemas de PL son: 1. solución no factible, 2. región no acotada, 3. redundancia y 4. soluciones
óptimas múltiples.
Solución no factible
La inexistencia de una región de Cuando no hay solución a un problema de PL que satisfaga todas las restricciones dadas, entonces no
soluciones factibles puede ocurrir existe ninguna solución factible. Gráficamente, significa que no existe ninguna región de soluciones facti-
si las restricciones tienen un bles, situación que podría ocurrir si el problema se formula con restricciones en conflicto. Esto, por cierto,
conflicto entre sí. es un fenómeno frecuente en la vida real, con problemas de PL a gran escala que involucran cientos de
restricciones. Por ejemplo, si el gerente de marketing proporciona una restricción que establece que deben
producirse al menos 300 mesas (es decir, X1 Ú 300) para satisfacer la demanda de las ventas, y una se-
gunda restricción dada por el gerente de producción indica que no deben producirse más de 220 mesas (es
decir, X1 … 220) debido a la escasez de madera, resulta en una región de solución no factible. Cuando el
analista de investigación de operaciones que coordina el problema de PL señala este conflicto, un gerente
u otro deben modificar sus insumos. Tal vez podría comprarse más materia prima en una nueva fuente, o
tal vez la demanda de las ventas podría reducirse mediante la sustitución de un modelo de mesa diferente
para los clientes.
Como una ilustración gráfica adicional de esto, consideremos las siguientes tres restricciones:
X1 + 2X2 … 6
2X1 + X2 … 8
X1 Ú 7
Como se observa en la figura 7.12, no hay ninguna región de soluciones factibles para este problema de PL
debido a la presencia de restricciones en conflicto.
Región no acotada
Cuando en un problema de
maximización la utilidad puede ser En ocasiones, un programa lineal no tiene una solución finita. Esto significa que en un problema de maxi-
infinitamente grande, el problema mización, por ejemplo, una o más variables de solución, y la utilidad, pueden volverse infinitamente gran-
es no acotado y no se cumplen des sin quebrabtar las restricciones. Si tratamos de resolver un problema de este tipo en forma gráfica,
una o más restricciones. observaremos que la región factible posee un extremo abierto.

FIGURA 7.12
X2
Un problema con una
solución no factible
6
Región que
4 satisface la
tercera restricción
2
0
2 4 6 8 X1
Región que satisface las primeras dos restricciones
Veamos un ejemplo sencillo para ilustrar la situación. Una empresa ha formulado el siguiente pro-
blema de PL:
Maximizar la utilidad = $3X1 + $5X2
sujeta a X1 Ú 5
X2 … 10
X1 + 2X2 Ú 10
X1, X2 Ú 0
Como se observa en la figura 7.13, debido a que éste es un problema de maximización y la región factible
se extiende infinitamente hacia la derecha, es ilimitada, es decir, existe una solución no acotada. Esto
implica que el problema se ha formulado de manera incorrecta. De hecho, sería maravilloso si la empresa
fuera capaz de producir un número infinito de unidades de X1 (¡con una ganancia de $3 cada una!), pero es
evidente que ninguna compañía tiene recursos disponibles infinitos o una demanda infinita de productos.
Redundancia
Una restricción redundante no La presencia de restricciones redundantes es otra situación común que se produce en las formulaciones
afecta la región de soluciones grandes de PL. La redundancia no causa mayores dificultades en la resolución gráfica de problemas de
factibles. PL, pero usted debería ser capaz de identificar su ocurrencia. Una restricción redundante simplemente no
FIGURA 7.13
Una región factible que X2
no está acotada por la
derecha
X1 5
15
X 2 10
10
Región factible
5
X1 + 2X 2 10
0
5 10 15 X1

7.7 CUATRO CASOS ESPECIALES EN PL 265
FIGURA 7.14
Ejemplo de una X2
restricción redundante
30
25
2X1 +X 2 £ 30
20
Restricción redundante
X1 £ 25
15
10
Región X1 +X 2 £ 20
5 factible
0
5 10 15 20 25 30 X1
afecta la región de soluciones factibles. En otras palabras, otras restricciones pueden ser más limitantes o
restrictivas que la restricción redundante.
Veamos el siguiente ejemplo de un problema de PL con tres restricciones:

sujeta a X1 + X2 … 20
2X1 + X2 … 30
X1 … 25
X1, X2 Ú 0
La tercera restricción, X1 … 25, es menos limitante, pero las dos primeras restricciones son de hecho más
restrictivas (vea la figura 7.14).
Soluciones óptimas múltiples

En los problemas de PL pueden En ocasiones, un problema de PL tiene dos o más soluciones óptimas múltiples. Gráficamente, éste es el
existir soluciones óptimas múltiples. caso cuando la recta de isoutilidad o isocosto de la función objetivo es perfectamente paralela a una de las
restricciones del problema; en otras palabras, cuando tienen la misma pendiente.
La gerencia de una empresa se dio cuenta de la presencia de más de una solución óptima cuando
formuló este sencillo problema de PL:

sujeta a 6X1 + 4X2 … 24
X1 … 3
X1, X2 Ú 0
Como se observa en la figura 7.15, nuestra primera recta de isoutilidad de $8 corre paralela a la primera
ecuación de restricción. En un nivel de utilidad de $12, la recta de isoutilidad cae directamente sobre el
segmento de la primera recta de restricción, lo cual significa que cualquier punto a lo largo de la línea
entre A y B ofrece una combinación óptima X1 y X2. Lejos de causar problemas, la existencia de más de

FIGURA 7.15
Ejemplo de soluciones X2
óptimas múltiples
8
7
A
6
La solución óptima consiste en todas
5 las combinaciones de X1 y X2 lo largo
del segmento AB
4
3 Recta de isoutilidad para $8
2
B La recta de isoutilidad para
$12 se superpone al segmento
1 Región de recta AB
factible
0
1 2 3 4 5 6 7 8 X1
una solución óptima permite una gran flexibilidad para que la gerencia decida qué combinación elegir.
La utilidad es la misma en cada solución múltiple.
7.8 Análisis de sensibilidad

Hasta ahora, las soluciones óptimas a los problemas de PL se han encontrado con lo que se denomina
supuestos deterministas. Esto significa que asumimos con toda seguridad los datos y las relaciones de un
problema; es decir, los precios son fijos, los recursos son conocidos y el tiempo necesario para producir
una unidad se establece con exactitud. Pero en el mundo real, las condiciones son dinámicas y cambiantes.
¿Cómo podemos manejar esta discrepancia aparente?
¿Qué tan sensible es la solución Una forma de hacer esto es seguir tratando a cada problema específico de PL como una situación
óptima ante los cambios en las determinista. Sin embargo, cuando se encuentra una solución óptima, reconocemos la importancia de ver
utilidades, los recursos u otros lo sensible que es la solución para modelar supuestos y datos. Por ejemplo, si una empresa se da cuenta de
parámetros de entrada? que la utilidad por unidad no es $5 como se estimó, sino que está más cerca de $5.50, ¿cómo cambiarán la
utilidad total y la combinación de la solución final? Si se dispone de recursos adicionales, como 10 horas
laborales o 3 horas de tiempo de máquina, ¿cambiará esto la respuesta al problema? Estos análisis se uti-
lizan para examinar los efectos de los cambios en tres áreas: 1. las tazas de contribución de cada variable,
2. los coeficientes tecnológicos (los números en las ecuaciones de restricción) y 3. los recursos disponibles
Una función importante del análisis (las cantidades del lado derecho de cada restricción). Esta tarea se llama alternativamente análisis de sen-
de sensibilidad es permitir que los sibilidad, análisis postóptimo, programación paramétrica o análisis de optimalidad.
administradores experimenten con Con frecuencia, el análisis de sensibilidad también implica una serie de preguntas del tipo ¿qué pasa-
los valores de los parámetros de ría si? ¿Qué pasaría si la utilidad del producto 1 aumenta 10%? ¿Qué pasaría si hay menos dinero disponi-
entrada. ble en la restricción presupuestaria de publicidad? ¿Qué pasaría si cada trabajador permanece una hora más
en el trabajo cada día, con un pago de 1½ veces, para proporcionar una mayor capacidad de producción?
¿Qué pasaría si una nueva tecnología permite que el producto pueda conectarse en un tercio del tiempo que
solía tomar? Así vemos que el análisis de sensibilidad se puede utilizar para tratar no sólo con los errores
en la estimación de los parámetros de entrada para el modelo de PL, sino también para que la gerencia ex-
perimente con posibles cambios futuros en la compañía que podrían afectar las utilidades.
Existen dos enfoques para determinar qué tan sensible es una solución óptima ante los cambios. La
primera es simplemente un enfoque de prueba y error. Este enfoque implica generalmente la solución de
todo el problema, de preferencia por medio de una computadora, después de cambiar un elemento de los
El análisis de postoptimalidad datos de entrada o un parámetro. Esta forma puede requerir mucho tiempo, si se desea probar una serie de
implica examinar cambios después posibles cambios.
de que se ha encontrado la solución El enfoque que preferimos es el método de postoptimalidad analítica. Después de haber resuelto
óptima. un problema de PL, tratamos de determinar una serie de cambios en los parámetros del problema que

7.8 ANÁLISIS DE SENSIBILIDAD 267
no afecten la solución óptima o cambien las variables de la solución. Esto se hace sin resolver todo el
problema.
Investigaremos el análisis de sensibilidad mediante el desarrollo de un pequeño problema de mezcla
de producción. Nuestro objetivo será demostrar gráficamente y a través de la tabla símplex cómo utili-
zar el análisis de sensibilidad para hacer que los conceptos de programación lineal sean más realistas y
profundos.
Compañía High Note Sound

La compañía High Note Sound fabrica altavoces y receptores estéreo de calidad. Cada uno de estos pro-
ductos requiere cierta cantidad de mano de obra especializada, de la cual hay un suministro semanal limi-
tado. La compañía formula el siguiente problema de PL con la finalidad de determinar la mejor mezcla de
producción de altavoces 1X12 y receptores 1X22 :

sujeta a 2X1 + 4X2 … 80 1horas de tiempo de electricistas disponibles2
3X1 + 1X2 … 60 1horas de tiempo de técnicos de audio disponibles2
X1, X2 Ú 0
La solución a este problema se ilustra gráficamente en la figura 7.16. Con base en esta información y en
supuestos deterministas, la compañía debería producir sólo receptores estéreo (20 de ellos), para obtener
una ganancia semanal de $2,400.
Para la solución óptima, (0, 20), las horas de electricista utilizadas son
2X1 + 4X2 = 2 102 + 4 1202 = 80
y esto es igual a la cantidad disponible, de manera que hay una holgura 0 para esta restricción. Por consi-
guiente, se trata de una restricción vinculante. Si una restricción es vinculante, la obtención de unidades
adicionales de ese recurso por lo general se traducirá en mayores utilidades. Las horas de técnico de audio
utilizadas para la solución óptima (0, 20) son
3X1 + 1X2 = 3 102 + 1 1202 = 20
pero las horas disponibles son 60. Por lo tanto, hay una holgura de 60 - 20 = 40 horas. Debido a que
hay horas extras disponibles que no se están utilizando, esta es una restricción no vinculante. Para una
restricción no vinculante, la obtención de unidades adicionales de este recurso no se traducirá en mayores
beneficios y sólo aumentará la holgura.
FIGURA 7.16
High Note Sound X2
Company Graphical (Receptores)
Solution
60
40 Solución óptima en el punto a

X1 = 0 altavoces
a = (0, 20) X2 = 20 receptores
Utilidades = $2,400
20 b = (16, 12)
Recta de isoutilidad:
$2,400 = 50 X 1 + 120 X 2
10
0 10 20 30 40 50 60 X1
c = (20, 0) (Altavoces)

Cambios en los coeficientes de la función objetivo

Primero se analizan los cambios en En los problemas de la vida real, las tasas de contribución (por lo general, de la utilidad o el costo) en las
las tasas de contribución. funciones objetivo fluctúan periódicamente, al igual que la mayor parte de los gastos de una empresa. Grá-
ficamente, esto significa que aunque la región de soluciones factibles sigue siendo exactamente la misma,
la pendiente de la recta de isoutilidad o de isocosto cambiará. Es fácil ver en la figura 7.17 que la recta de
utilidad de la compañía High Note Sound es óptima en el punto a. Pero ¿qué pasaría si hubiera un gran
avance técnico reciente que elevara la utilidad por receptor estéreo 1X22 de $120 a $150? ¿La solución sigue
siendo óptima? La respuesta es definitivamente sí, ya que en este caso la pendiente de la recta de utilidad
acentúa la rentabilidad en el punto a. La nueva utilidad es de $3,000 = 0 1$502 + 20 1$1502.
Por otro lado, si el coeficiente de la utilidad de X2 se sobreestimó y debería haber sido tan sólo de
$80, la pendiente de la recta de utilidad cambia lo suficiente como para provocar que un nuevo vértice (b)
sea el óptimo. Aquí, la utilidad es $1760 = 16 1$502 + 12 1$802.
Este ejemplo ilustra un concepto muy importante acerca de los cambios en los coeficientes de la
Si un coeficiente de la función función objetivo. Podemos incrementar o disminuir el coeficiente de la función objetivo (utilidad) de cual-
objetivo disminuye o aumenta quier variable, y el vértice actual puede seguir siendo óptimo si el cambio no es demasiado grande. Sin
demasiado, un nuevo vértice se embargo, si aumentamos o disminuimos este coeficiente aún más, entonces la solución óptima estaría en
vuelve óptimo. un vértice diferente. ¿Cuánto puede cambiar un coeficiente de la función objetivo, antes de que otro vértice
se vuelva óptimo? Tanto QM para Windows como Excel ofrecen la respuesta.
La solución actual sigue QM para Windows y cambios en los coeficientes de la función objetivo
siendo óptima, a menos que
En el programa 7.6A se muestra la entrada en QM para Windows del ejemplo de la compañía High Note
un coeficiente de la función
objetivo se incremente hasta Sound. Después de haber encontrado la solución, al seleccionar Window y Ranging es posible ver infor-
un valor por encima del límite mación adicional sobre el análisis de sensibilidad. El programa 7.6B presenta la salida relacionada con
superior o disminuya hasta un el análisis de sensibilidad.
valor por debajo del límite En el programa 7.6B, vemos que la utilidad de los altavoces era de $50, lo cual se indica como el valor
inferior. original en la salida. Este coeficiente de la función objetivo tiene un límite inferior del infinito negativo
FIGURA 7.17 Cambios en los coeficientes de contribución del receptor
X2
50
40
30
Recta de utilidad para $50 X 1 + $80X 2

(Pasa por el punto b )
20
a b Recta de utilidad para $50 X 1 + $120 X 2
(Pasa por el punto a )
Recta de utilidad para $50 X 1 + $150X 2
10 (Pasa por el punto a )
c
0 10 20 30 40 50 60 X1

PROGRAMA 7.6A
Introducción de los datos
de la compañía High
Note Sound a QM para
Windows
PROGRAMA 7.6B
Salida del análisis
de sensibilidad de
la compañía High
Note Sound
y un límite superior de $60. Esto significa que el vértice de solución actual sigue siendo óptimo, siempre
que la utilidad en los altavoces no exceda $60. Si es igual a $60, habría dos soluciones óptimas, ya que la
función objetivo sería paralela a la primera restricción. Los puntos (0, 20) y (16, 12) proporcionarían una
utilidad de $2,400. La utilidad de los altavoces puede disminuir cualquier cantidad, como lo indica el infi-
nito negativo, en tanto el vértice óptimo no cambiará. Este infinito negativo es lógico puesto que ahora
no hay altavoces a producir porque la utilidad es demasiado baja. Cualquier disminución en la utilidad
de los altavoces los haría menos atractivos en relación con los receptores y, desde luego, no se produciría
ningún altavoz debido a esto.
La utilidad de los receptores tiene un límite superior de infinito (puede aumentar en cualquier canti-
Los límites superior e inferior se dad) y un límite inferior de $100. Si esta ganancia llega a ser $100, entonces los vértices (0, 20) y (16, 12)
relacionan con cambios de un solo serían óptimos. La utilidad en cada una de ellos sería de $2,000.
coeficiente a la vez. En general, se puede hacer un cambio a uno (y sólo uno) de los coeficientes de la función objetivo y
el vértice óptimo actual seguirá siendo óptimo, siempre y cuando el cambio esté entre los límites superior
e inferior. Si se cambian dos o más coeficientes al mismo tiempo, entonces el problema debería resolverse
con los nuevos coeficientes para determinar si la solución actual sigue siendo óptima o no.
Solver de Excel y cambios en los coeficientes de la función objetivo

El programa 7.7A ilustra cómo se configura para Solver la hoja de cálculo en Excel 2013 de este ejemplo.
Cuando se selecciona Solver de la pestaña Data, se hacen las entradas adecuadas y se da clic en Solve
dentro del cuadro de diálogo Solver; la solución y la ventana de resultados de Solver aparecerán como
en el programa 7.7B. Al seleccionar Sensitivity en el área de reportes de esta ventana se obtendrá un in-
forme de sensibilidad en una nueva hoja de cálculo, con resultados como los mostrados en el programa
7.7C. Observe cómo las celdas se nombran con base en el texto del programa 7.7A. Note que Excel no
proporciona límites inferiores ni límites superiores para los coeficientes de la función objetivo. En vez
de eso, presenta los aumentos y decrementos permitidos para los coeficientes. Al añadir el incremento
PROGRAMA 7.7A Las celdas de variable cambiantes en el cuadro de diálogo de Solver son B4:C4.
Hoja de cálculo en Excel
2013 para la compañía
La celda objetivo en el cuadro de diálogo de Solver es D5.
High Note Sound
Las restricciones agregadas en Solver serán D8:D9 <=F8:F9.

PROGRAMA 7.7B Solución de Excel 2013 y ventana de resultados en Solver

para la compañía High Note Sound
La solución encontrada por Solver está aquí.
Para ver el reporte del análisis de sensibilidad,

elija Sensitivity en la ventana de resultados de
Solver. Luego, haga clic en OK.
PROGRAMA 7.7C Los nombres que se presentan en el reporte de sensibilidad combinan

Reporte de sensibilidad el texto de la columna A y el texto encima de los datos, a menos que
las celdas hayan sido nombradas mediante Name Manager en la pestaña
en Excel 2013 para la
Formulas.
compañía High Note
Sound La utilidad de los altavoces puede cambiar en estas
cantidades y el vértice actual permanecerá óptimo.
Los recursos utilizados están aquí. El LD puede cambiar en

estas cantidades y el precio sombra seguirá siendo relevante.
Solver de Excel presenta los permisible al valor actual, podemos obtener el límite superior. Por ejemplo, el aumento permisible en la
incrementos y decrementos utilidad (coeficiente objetivo) de los altavoces es 10, lo cual significa que el límite superior de esta utilidad
permitidos en vez de los límites es de $50 + $10 = $60. Del mismo modo, podemos restar la disminución permisible del valor actual para
superior e inferior. obtener el límite inferior.
Cambios en los coeficientes tecnológicos

Los cambios en los coeficientes Los cambios en los llamados coeficientes tecnológicos suelen reflejar los cambios en el estado de la tec-
tecnológicos afectan la forma de nología. Si se necesitan menos o más recursos para producir un producto tal como un altavoz o un recep-
la región de soluciones factibles. tor estéreo, cambiarán los coeficientes en las ecuaciones de restricción. Estos cambios no tendrán ningún
efecto sobre la función objetivo de un problema de PL, pero pueden producir un cambio significativo en la
forma de la región de soluciones factibles y, por lo tanto, en la utilidad o el costo óptimos.
La figura 7.18 ilustra la solución gráfica original para la compañía High Note Sound, así como dos
cambios diferentes en los coeficientes tecnológicos. En la figura 7.18, inciso (a), vemos que la solución
óptima se encuentra en el punto a, que representa X1 = 0, X2 = 20. Usted debería ser capaz de demostrar
si un punto a sigue siendo óptimo en la figura 7.18, inciso (b), aun cuando presenta un cambio de restric-
ción de 3X1 + 1X2 … 60 a 2X1 + 1X2 … 60. Tal cambio podría tener lugar cuando la empresa descubre
que ya no exige tres horas de tiempo de los técnicos de audio para producir un altavoz, sino tan sólo dos
horas.

FIGURA 7.18 Cambios en los coeficientes tecnológicos para la compañía High Note Sound Company
(a ) Problema original (b ) Cambio en el (c ) Cambio en el

coeficiente circulado coeficiente circulado
X2 X2 X2
60 60 60
Receptores Estéreo
_ 60
3 X 1 + 1X 2 < _ 60
2 X 1 + 1X 2 < 3 X 1 + 1X 2 _
< 60
40 40 40
Solución Aún Solución
a óptima a óptima óptima
20 20 20
b d 16 f g
_ 80
2 X1 + 4X2 < _ 80
2 X1 + 4X2 < _ 80
2 X 1+ 5 X 2 <
c e c
0 20 40 X1 0 20 30 40 X1 0 20 40 X1
Altavoces
Sin embargo, en la figura 7.18, inciso (c), un cambio en la otra restricción modifica la forma de
la región factible lo suficiente para causar que un nuevo vértice (g) se vuelve óptimo. Antes de continuar,
vea si se alcanza un valor de la función objetivo de $1,954 de utilidad en el punto g (contra una ganancia
de $1,920 en el punto f ).*
Cambios en los recursos o valores del lado derecho

Los valores del lado derecho de las restricciones representan a menudo los recursos disponibles para la
empresa. Los recursos podrían ser horas de trabajo o tiempo de máquina, o tal vez dinero o materiales de
producción disponibles. En el ejemplo de la compañía High Note Sound, los dos recursos son horas dispo-
nibles de electricistas y de técnicos de audio. Si hay horas adicionales disponibles, sería posible alcanzar
Swift & Company utiliza la PL para programar

EN ACCIÓN su producción
cadena de suministro. Diez empleados de tiempo completo trabajaron

C on sede en Greeley, Colorado, Swift & Company tiene ventas
anuales de más de $8 mil millones, de los cuales la gran mayoría son
con cuatro consultores de investigación de operaciones de Aspen Te-
chnology en lo que se llamó el Proyecto Phoenix. El núcleo del modelo
generados por productos relacionados con la carne de res. Swift tiene final lo forman 45 modelos de PL integrados que permiten a la empresa
cinco plantas de procesamiento, que manejan más de 6 millones de programar de forma dinámica sus operaciones en tiempo real a medida
libras de carne de res al año. Cada cabeza de ganado se corta en dos que se reciben los pedidos.
partes, que producen paletilla, falda, lomo, costilla, aguayón, bistec Con el Proyecto Phoenix, no sólo aumentaron los márgenes de uti-
y arrachera. Algunos cortes tienen mayor demanda que otros, y los lidad, sino que hubo mejoras en los pronósticos, la adquisición de ga-
representantes de servicio al cliente (RSC) intentan satisfacer la de- nado y las relaciones de producción con los clientes; asimismo, hubo
manda de los clientes al tiempo que proporcionan descuentos cuando una revaloración de la imagen de Swift & Company en el mercado.
es necesario vender algunos cortes que podrían presentar un exceso La compañía está en mejores condiciones para ofrecer productos de
de oferta. Es importante que los RSC tengan información precisa so- acuerdo con las especificaciones del cliente. Si bien el costo del desa-
bre la disponibilidad del producto casi en tiempo real, para que pue- rrollo del modelo fue superior a $6 millones, en el primer año de opera-
dan reaccionar rápidamente ante los cambios en la demanda. ción, se generó una utilidad de $12.7 millones.
El costo de la materia prima llega a ser hasta de 85%, y dado que la
empresa tiene un escaso margen de utilidad, resulta esencial que opere Fuente: Basado en Ann Bixby, Brian Downs y Mike Self. “A Scheduling
eficientemente. Swift comenzó un proyecto en marzo de 2001 para and Capable-to-Promise Application for Swift & Company”, Interfaces 36, 1
desarrollar un modelo de programación matemática que optimizara su (enero-febrero de 2006): 69-86.
*
Observe que los valores de X1 y X2 en el punto g son fracciones. Aunque la compañía High Note Sound no puede producir
0.67, 0.75 o 0.90 altavoces o estéreos, podemos suponer que la empresa puede comenzar una unidad una semana y terminarla
la siguiente semana. Si el proceso de producción es suficientemente estable de una semana a otra, esto no plantea mayores
problemas. Si las soluciones deben ser números enteros cada periodo, consulte nuestro estudio de la programación entera
en el capítulo 10 para manejar la situación.

una utilidad total superior. ¿Cuánto debería la empresa estar dispuesta a pagar por horas adicionales? ¿Es
rentable tener algunos electricistas que trabajen horas extras? ¿Debería la empresa estar dispuesta a pagar
por más tiempo de los técnicos de audio? El análisis de sensibilidad sobre estos recursos nos ayudará a
responder estas preguntas.
Si se cambia el lado derecho de una restricción, la región factible cambiará (a menos que la restricción
sea redundante) y, con frecuencia, la solución óptima también se modificará. En el ejemplo de la compañía
High Note Sound, había 80 horas de tiempo de electricista disponibles cada semana y la máxima utilidad
posible era $2,400. No hay holgura para esta restricción, por lo que es una restricción vinculante. Si las
horas de electricista disponibles se incrementaran a 100 horas, la nueva solución óptima que se observa en
la figura 7.19, inciso (a), es (0, 25) y la utilidad es de $3,000. Por lo tanto, las 20 horas extra dieron lugar
a un aumento de la utilidad de $600 o $30 por hora. Si las horas se redujeran a 60 horas, como se muestra
en la figura 7.19, inciso (b), la nueva solución óptima sería (0, 15) y la utilidad sería de $1,800. Por con-
siguiente, la reducción de 20 horas resulta en una disminución en la utilidad de $600 o $30 por hora. Este
El valor de una unidad adicional cambio de $30 por hora en la utilidad que resulta de un cambio en las horas disponibles se llama precio
de un recurso escaso se puede dual o valor dual. El precio dual para una restricción es la mejora en el valor de la función objetivo que
encontrar a partir del precio dual. resulta de un aumento de una unidad en el lado derecho de la restricción.
El precio dual de $30 por hora de tiempo de electricista nos indica que podemos aumentar la utilidad
si tenemos más horas de electricista. Sin embargo, existe un límite para esto, como lo hay para el tiempo
del técnico de audio. Si el total de horas de tiempo de electricista fuera de 240 horas, la solución óptima
sería (0, 60) como se indica en la figura 7.19, inciso (c), y la utilidad sería de $7,200. De nuevo, esto es un
aumento en la utilidad de $30 por hora (el precio dual) para cada una de las 160 horas que se agregaron a
la cantidad original. Si el número de horas aumenta más allá de 240, entonces la utilidad ya no aumentaría
y la solución óptima seguiría siendo (0, 60), como se muestra en la figura 7.19, inciso (c). Habría simple-
mente exceso (holgura) en las horas de tiempo de electricista y se utilizaría todo el tiempo del técnico de
audio. Por lo tanto, el precio dual es relevante sólo dentro de los límites. Tanto QM para Windows como
Solver de Excel proporcionan estos límites.
QM para Windows y los cambios en los valores del lado derecho

La salida del análisis de sensibilidad en QM para Windows se muestra en el programa 7.6B. El valor dual
para la restricción de las horas de electricista se da como 30, y el límite inferior es cero, mientras que el
límite superior es 240, lo cual significa que cada hora adicional de tiempo de electricista, hasta un total de
Los precios duales cambiarán si la 240 horas, incrementará la utilidad máxima posible en $30. Del mismo modo, si se reduce el tiempo
cantidad del recurso (el lado derecho de electricista disponible, la máxima utilidad posible disminuirá en $30 por hora, hasta que el tiempo dis-
de la restricción) está por encima del ponible se reduzca al límite inferior de 0. Si la cantidad de tiempo de electricista (el valor del lado derecho
límite superior o por debajo del límite de esta restricción) está fuera de este rango (0 a 240), entonces el valor dual ya no es relevante y el pro-
inferior dados en la sección Ranging blema debería resolverse con el nuevo valor del lado derecho.
de la salida de QM para Windows.
En el programa 7.6b se muestra que el valor dual de las horas del técnico de audio es $0 y que la hol-
gura es de 40, de manera que es una restricción no vinculante. Hay 40 horas de tiempo del técnico de audio
que no están siendo utilizadas, a pesar de que están disponibles actualmente. Si existen horas adicionales
disponibles, no aumentan la utilidad sino que simplemente incrementan la cantidad de holgura. Este valor
dual de cero es relevante, siempre y cuando la parte derecha no esté por debajo del límite inferior de 20. El
límite superior es infinito, lo cual indica que la adición de más horas simplemente aumentaría la cantidad
de holgura.
Solver de Excel y cambios en los valores del lado derecho

En el programa 7.7C, se muestra el reporte de sensibilidad de Solver de Excel. Observe que Solver pro-
En los problemas de maximización, porciona el precio sombra en vez del precio dual. Un precio sombra es el cambio en el valor de la función
el precio sombra es igual al precio objetivo (por ejemplo, la utilidad o el costo) que resulta de un aumento de una unidad en el lado derecho
dual. de una restricción.
Dado que una mejora en el valor de la función objetivo en un problema de maximización es lo mismo
que un cambio (aumento) positivo, el precio dual y el precio sombra son exactamente iguales para los pro-
blemas de maximización. Para un problema de minimización, una mejora en el valor de la función objetivo
es una disminución, que es un cambio negativo. Así que para los problemas de minimización, el precio
sombra será el negativo del precio dual.

FIGURA 7.19
X2 (a)
Cambios en el recurso del
tiempo de electricistas 60
para la compañía High
Note Sound
40 Restricción que representa 60 horas del recurso

del tiempo de técnicos de audio
a Restricción modificada que representa 100 horas
25
20 b del recurso del tiempo de electricistas
c
0 20 40 50 60 X1
X2 (b)
60
40 Restricción que representa 60 horas del recurso

del tiempo de técnicos de audio
Restricción modificada que representa 60 horas

20 del recurso del tiempo de electricistas
a
15
b
c
0 20 30 40 60 X1
X2 (c)
60
Restricción modificada que representa 240 horas
del recurso del tiempo de electricistas
40
Restricción
que representa
20 60 horas del recurso
del tiempo de técnicos
de audio
0 20 40 60 80 100 120 X1
Se proporciona el aumento permisible y la disminución permisible para el lado derecho de cada res-
tricción, y el precio sombra es relevante para los cambios dentro de estos límites. En el caso de las horas de
electricista, el valor de 80 al lado derecho puede incrementarse en 160 (para un total de 240) o disminuir en
80 (para un total de 0) y el precio sombra sigue siendo relevante. Si se realiza un cambio que exceda estos
límites, entonces es necesario resolver el problema para encontrar el impacto del cambio.

Resumen
En este capítulo presentamos una técnica de modelado matemático En este capítulo, también presentamos el importante concepto
llamada programación lineal (PL). Se utiliza para llegar a una so- del análisis de sensibilidad. En ocasiones conocido como análisis de
lución óptima para problemas que tienen una serie de restricciones postoptimalidad, el análisis de sensibilidad es usado por la gerencia
vinculadas al objetivo. Utilizamos los métodos de los vértices y de para responder a una serie de preguntas del tipo “¿qué pasaría si?”
isoutilidad/isocosto para la resolución de problemas en forma gráfica acerca de los parámetros del modelo de PL. También prueba qué tan
con sólo dos variables de decisión. sensible es la solución óptima ante los cambios en los coeficientes de
Los enfoques de solución gráfica presentados en este capí- utilidad o costo, los coeficientes tecnológicos y los recursos del lado
tulo proporcionan una base conceptual para abordar problemas más derecho. Exploramos el análisis de sensibilidad de forma gráfica (es
grandes y complejos, como los que se analizan en el capítulo 8. Para decir, para problemas con sólo dos variables de decisión) y con la sa-
resolver problemas de PL en la vida real con numerosas variables lida de la computadora, pero para entender cómo se analiza la sensi-
y restricciones, es necesario un procedimiento de solución como el bilidad de manera algebraica a través del algoritmo símplex, consulte el
algoritmo símplex, que es el tema del módulo 7. El algoritmo símplex módulo 7 (que se encuentra en www.pearsonenespañol.com/render).
es el método que utilizan QM para Windows y Excel para hacer frente
a los problemas de PL.
Glosario
Análisis de sensibilidad El estudio de qué tan sensible es una so- recursos al mismo tiempo que se optimiza un objetivo medible. La
lución óptima ante los cambios en los supuestos del modelo y los PL es un tipo de modelo de programación.
datos. Con frecuencia se denomina análisis de postoptimalidad. Recta de isocosto Una línea recta que representa todas las combi-
Coeficientes tecnológicos Coeficientes de las variables en las ecua- naciones de X1 y X2 para un nivel de costo en particular.
ciones de restricción. Los coeficientes representan la cantidad de Recta de isoutilidad Una línea recta que representa todas las
recursos necesarios para producir una unidad de la variable. combinaciones no negativas de X1 y X2 para un nivel de utilidad
Desigualdad Una expresión matemática que contiene una relación específico.
mayor o igual que 1Ú2 o menor o igual que 1…2, utilizada para indi- Redundancia La presencia de una o más restricciones que no afec-
car que el consumo total de un recurso debe ser Ú o … que algún tan la región de soluciones factibles.
valor límite. Región factible El área que satisface todas las restricciones de re-
Excedente La diferencia entre el lado izquierdo y el lado derecho cursos del problema; es decir, la región donde se traslapan todas
de una restricción del tipo mayor o igual que. Con frecuencia, re- las restricciones. Todas las soluciones posibles al problema perte-
presenta la cantidad en la que se supera un tamaño mínimo. necen a la región factible.
Función objetivo Un enunciado matemático de la meta de una orga- Restricción Una limitación sobre los recursos disponibles para
nización, establecido como la intención de maximizar o minimizar una empresa (se indica en la forma de una desigualdad o una
alguna cantidad importante, como las utilidades o los costos. ecuación).
Holgura La diferencia entre el lado izquierdo y el lado derecho de Restricción no vinculante Una restricción con una cantidad posi-
una restricción del tipo menor o igual que. A menudo, es la canti- tiva de holgura o excedente para la solución óptima.
dad de un recurso que no se está utilizando. Restricción vinculante Una restricción con cero holgura o exce-
Método de ecuaciones simultáneas El método algebraico para dente para la solución óptima.
encontrar el punto de intersección entre dos o más ecuaciones de Restricciones de no negatividad Un conjunto de restricciones que
restricción lineal. indican que cada variable de decisión debe ser no negativa; es de-
Método de los vértices El método para encontrar la solución óp- cir, cada Xi debe ser mayor o igual que 0.
tima a un problema de PL probando el nivel de la utilidad o de Solución factible Un punto situado en la región factible. Básica-
los costos en cada vértice de la región factible. La teoría de la PL mente, es cualquier punto que satisface todas las restricciones del
afirma que la solución óptima debe estar en uno de los vértices. problema.
Precio (valor) dual La mejora en el valor de la función objetivo Solución no acotada Una condición que existe cuando una varia-
que resulta de un aumento de una unidad en el lado derecho de ble de solución y la utilidad pueden hacerse infinitamente grandes
esa restricción. sin transgredir ninguna de las restricciones del problema en un
Precio sombra El aumento en el valor de la función objetivo que proceso de maximización.
resulta de un aumento de una unidad en el lado derecho de Solución no factible Cualquier punto situado fuera de la región
esa restricción. factible. Vulnera una o más de las restricciones establecidas.
Problema de mezcla de productos Un problema de PL común, Solución óptima múltiple Una situación donde es posible más de
que involucra una decisión de los productos que una empresa de- una solución óptima. Surge cuando la pendiente de la función ob-
bería producir, debido a que cuenta con recursos limitados. jetivo es igual a la pendiente de una restricción.
Programación lineal (PL) Una técnica matemática que ayuda a la Variable de decisión Una variable cuyo valor puede ser elegido por
gerencia a decidir cómo debe hacer el uso más eficaz de los recur- la persona que toma decisiones.
sos de una organización. Vértice o punto extremo Un punto que se encuentra en una de las
Programación matemática La categoría general de las técnicas esquinas de la región factible. Esto significa que se encuentra en
de modelado y resolución matemática utilizadas para asignar la intersección de dos rectas de restricción.

Problemas resueltos

Personal Mini Warehouses está planeando expandir su exitoso negocio de Orlando a Tampa. Entonces, la empresa
debe determinar el número de bodegas de cada tamaño que necesita construir. Su objetivo y sus restricciones son
las siguientes:
Maximizar las ganancias mensuales = 50X1 + 20X2

sujetas a 20X1 + 40X2 … 4,000 1presupuesto de publicidad disponible 2
100X1 + 50X2 … 8,000 1pies cuadrados requeridos2
X1 … 60 1límite de alquiler esperado2
X1, X2 Ú 0
donde
X1 = número de espacios grandes desarrollados
X2 = número de espacios pequeños desarrollados
Solución
Una evaluación de los cinco vértices de la gráfica mostrada indica que el vértice C produce las mayores ganancias.
Consulte la gráfica y la tabla.
VÉRTICE VALORES DE X1, X2 VALOR DE LA FUNCIÓN OBJETIVO ($)
A (0, 0) 0
B (60, 0) 3,000
C (60, 40) 3,800
D (40, 80) 3,600
E (0, 100) 2,000
X2
X1 £ 60
200
180
160
100X1 + 50X2 £ 8,000
140
120
E
100
D
80
60
C
40 Región
20X 1 + 40X2 £ 4,000
factible
20
B
A 20 40 60 80 100 120 140 160 180 200 220 240 X1


En el siguiente programa, se presenta la solución obtenida con QM para Windows para el problema resuelto 7-1.
Use esto para responder las siguientes preguntas.
a. Para la solución óptima, ¿cuánto del presupuesto de publicidad se gasta?
b. Para la solución óptima, ¿qué cantidad de metros cuadrados se utilizarán?
c. ¿Cambiaría la solución si el presupuesto fuera sólo de $3,000 en vez de $4,000?
d. ¿Cuál sería la solución óptima si la utilidad en los espacios grandes se redujeran de $50 a $45?
e. ¿Cuánto aumentarían las ganancias si el requisito de los pies cuadrados se incrementara de 8,000 a 9,000?
Solución
a. En la solución óptima, X1 = 60 y X2 = 40. Si se usan estos valores en la primera restricción resulta
20X1 + 40X2 = 20 1602 + 40 1402 = 2,800
Otra manera de encontrar esto consiste en observar la holgura:
Holgura para la restricción 1 = 1,200 por lo que la cantidad utilizada es 4,000 - 1,200 = 2,800
b. Para la segunda restricción tenemos
100X1 + 50X2 = 100 1602 + 50 1402 = 8,000 pies cuadrados
En lugar de calcular esto, podemos simplemente observar que la holgura es 0, por lo que se utilizarán los
8,000 pies cuadrados disponibles.
c. No, la solución no cambiaría. El precio dual es 0 y no hay holgura disponible. El valor de 3,000 está entre el
límite inferior de 2,800 y el límite superior infinito. Sólo cambiaría la holgura para esta restricción.
d. Dado que el nuevo coeficiente para X1 está entre el límite inferior (40) y el límite superior (infinito), el vértice
actual sigue siendo óptimo. Así que X1 = 60 y X2 = 40, y sólo cambian las ganancias mensuales.
Ganancias = 45 1602 + 20 1402 = $3,500
e. El precio dual para esta restricción es de 0.4, y el límite superior es 9,500. El aumento de 1,000 unidades
se traducirá en un aumento en las ganancias de 1,000 10.4 por unidad2 = $400.


Resuelva la siguiente formulación de PL en forma gráfica; para ello, utilice el enfoque de la recta de isocosto:
Minimizar los costos = 24X1 + 28X2

sujetos a 5X1 + 4X2 … 2,000
X1 Ú 80
X1 + X2 Ú 300
X2 Ú 100
X1, X2 Ú 0
Solución
A continuación, se presenta una gráfica de las cuatro restricciones. Las flechas indican la dirección de la factibi-
lidad para cada restricción. La siguiente gráfica ilustra la región de soluciones factibles y presenta dos posibles
rectas de costos para la función objetivo. La primera, se seleccionó arbitrariamente en $10,000 como punto de
partida. Para encontrar el vértice óptimo, es necesario mover la recta de costos en la dirección de menor costo, es
decir, hacia abajo y hacia la izquierda. El último punto donde una recta de costos toca la región factible, mientras se
mueve hacia el origen, es el vértice D. De este modo D, que representa X1 = 200, X2 = 100 y un costo de $7,600,
es óptimo.
X2
X 1 u 80
500
400 5X 1 + 4X 2 £ 2,000
300
X 1 + X 2 u 300
200
X 2 u 100
100
0 80 100 200 300 400 500 X1
X2
$10,000 = 24X 1 + 28X 2

500
B
400 Región
factible
300
200
A
100 C Recta de costo óptimo

Solución D $7,600 = 24X1 + 28X 2
óptima
100 200 300 400 500 X1


Resuelva el siguiente problema usando el método de los vértices. Para la solución óptima, ¿cuánta holgura o exce-
dente existen para cada restricción?
Maximizar la utilidad = 30X1 + 40X2
sujeta a 4X1 + 2X2 … 16
2X1 - X2 Ú 2
X2 … 2
X1, X2 Ú 0
Solución
A continuación se presenta la gráfica junto con la región factible sombreada.
PUNTO DE ESQUINA COORDENADAS UTILIDAD ($)

A X1 = 1, X2 = 0 30
B X1 = 4, X2 = 0 120
C X1 = 3, X2 = 2 170
D X1 = 2, X2 = 2 140
La solución óptima es (3, 2). Para este punto,

4X1 + 2X2 = 4 132 + 2 122 = 16
Por lo tanto, la holgura = 0 para la restricción 1. Además,
2X1 - 1X2 = 2 132 - 1 122 = 4 7 2
Entonces, el excedente = 4 - 2 = 2 para la restricción 2. Además,
X2 = 2
Por consiguiente, la holgura = 0 para la restricción 3.
X2
4X1 2X2 16
6
4 2X1 – X2 2
D C
2 X2 2
1 Región
factible
A B
0 X1
1 2 3 4 5
–1
–2
La utilidad óptima de $170 está en el vértice C.

AUTOEVALUACIÓN 279
Autoevaluación
1. Cuando se utiliza un procedimiento de solución gráfica, la 8. Un método gráfico sólo se debería utilizar para resolver un
región limitada por el conjunto de restricciones se llama problema de PL cuando
a. solución. a. sólo hay dos restricciones.
b. región factible. b. hay más de dos restricciones.
c. región no factible. c. sólo hay dos variables.
d. región de máxima utilidad. d. hay más de dos variables.
e. ninguna de las anteriores. 9. En PL, las variables no tienen que asumir valores enteros y
2. En un problema de PL, al menos un vértice debe ser una pueden tomar cualquier valor fraccionario. Este supuesto se
solución óptima, si es que existe alguna. llama
a. Verdadero a. proporcionalidad.
b. Falso b. divisibilidad.
3. Un problema de PL tiene una región factible acotada. Si este c. aditividad.
problema tiene una restricción de igualdad 1=2, entonces, d. certidumbre.
a. éste debe ser un problema de minimización. 10. Al resolver un programa lineal, existe una solución no factible.
b. la región factible debe constar de un segmento de recta. Para resolver este problema podríamos
c. el problema debe ser degenerado. a. agregar otra variable.
d. el problema debe tener más de una solución óptima. b. agregar otra restricción.
4. ¿Cuál de las siguientes opciones causaría un cambio en la c. eliminar o relajar una restricción.
región factible? d. probar un programa de computadora diferente.
a. El aumento de un coeficiente de la función objetivo en un 11. Si la región factible se hace más grande debido a un cambio en
problema de maximización una de las restricciones, el valor óptimo de la función objetivo
b. La adición de una restricción redundante a. debe aumentar o permanecer igual para un problema de
c. Un cambio en el lado derecho de una restricción no redun- maximización.
dante b. debe disminuir o permanecer igual para un problema
d. El aumento de un coeficiente de la función objetivo en un de maximización.
problema de minimización c. debe aumentar o permanecer igual para un problema de
5. Si una restricción no redundante se elimina de un problema minimización.
de PL, entonces, d. no puede cambiar.
a. la región factible se hará más grande. 12. Cuando existen soluciones óptimas múltiples en un problema
b. la región factible se hará más pequeña. de PL, entonces,
c. el problema se volvería no lineal. a. la función objetivo será paralela a una de las restricciones.
d. el problema se haría no factible. b. una de las restricciones será redundante.
6. En la solución óptima de un programa lineal, hay 20 unidades c. dos restricciones serán paralelas.
de holgura para una restricción. De esto, sabemos que d. el problema también será no acotado.
a. el precio dual para esta restricción es 20. 13. Si un programa lineal es no acotado, el problema
b. el precio dual para esta restricción es 0. probablemente no se ha formulado correctamente.
c. esta restricción debe ser redundante. ¿Cuál de las siguientes causas sería la más probable?
d. éste debe ser un problema de maximización. a. Una restricción fue inadvertidamente omitida.
7. Se resolvió un programa lineal y se realizó un análisis de b. Se agregó una restricción innecesaria al problema.
sensibilidad. Se encontraron los rangos para los coeficientes de c. Los coeficientes de la función objetivo son demasiado grandes.
la función objetivo. Para la utilidad en X1, el límite superior es d. Los coeficientes de la función objetivo son demasiado
de 80, el límite inferior de 60 y el valor actual es 75. ¿Cuál de pequeños.
las siguientes afirmaciones debe ser cierta si la utilidad en esta 14. Una solución factible a un problema de PL
variable se reduce a 70 y se encuentra la solución óptima? a. debe satisfacer todas las restricciones del problema en forma
a. Un nuevo vértice se volverá óptimo. simultánea.
b. La utilidad total máxima posible puede aumentar. b. no tendría que satisfacer todas las restricciones, tan sólo
c. Los valores para todas las variables de decisión seguirán algunas.
siendo los mismos. c. debe ser un vértice de la región factible.
d. Todo lo anterior es posible. d. tiene que proporcionar la máxima utilidad posible.


Preguntas para análisis uso de una computadora encontramos que el límite supe-
7-1 Comente las semejanzas y diferencias entre los proble- rior para la utilidad en X es 20 y que el límite inferior es 9.
mas de minimización y maximización, utilizando los Comente los cambios a la solución óptima (los valores de
métodos de solución gráfica de PL. las variables y la utilidad) que se producirían si la utilidad
en X se incrementara a $15. ¿Cómo cambiaría la solución
7-2 Es importante entender los supuestos subyacentes al uso
óptima si la utilidad en X se incrementara a $25?
de cualquier modelo de análisis cuantitativo. ¿Cuáles son
los supuestos y requisitos para formular y utilizar un mo- 7-11 Un programa lineal tiene una utilidad máxima de $600.
delo de programación lineal? Una restricción en este problema es 4X + 2Y … 80. Con el
uso de una computadora, encontramos que el precio dual
7-3 Se ha dicho que cada problema de PL que tiene una región
para esta restricción es 3, y que tiene un límite inferior
factible posee un número infinito de soluciones. Explique
de 75 y un límite superior de 100. Explique lo que esto
esa afirmación.
significa.
7-4 Usted acaba de formular un problema de PL de maximi-
7-12 Desarrolle su propio problema de PL original con dos res-
zación y está preparándose para resolverlo gráficamente.
tricciones y dos variables reales.
¿Qué criterios debería considerar al decidir si sería más
fácil resolver el problema por el método de los vértices o (a) Explique el significado de los números en el lado de-
con el enfoque de la recta de isoutilidad? recho de cada una de sus restricciones.
(b) Explique el significado de los coeficientes tecno-
7-5 ¿En qué condiciones es posible que un problema de PL
lógicos.
tenga más de una solución óptima?
(c) Resuelva el problema de forma gráfica para encontrar
7-6 Desarrolle su propio conjunto de ecuaciones de restricción
la solución óptima.
y desigualdades y utilícelas para ilustrar gráficamente
cada una de las siguientes condiciones: (d) Ilustre gráficamente el efecto de aumentar la tasa de
contribución de su primera variable 1X12 en 50% con
(a) un problema no acotado
respecto al valor que le asignó a la misma en un prin-
(b) un problema no factible
cipio. ¿Cambia esto la solución óptima?
(c) un problema que contiene restricciones redundantes
7-13 Explique cómo un cambio en un coeficiente tecnológi-
7-7 El gerente de producción de una empresa manufacturera
co puede afectar la solución óptima de un problema.
grande en Cincinnati hizo alguna vez la siguiente decla-
¿Cómo puede un cambio en la disponibilidad de recursos
ración: “Me gustaría utilizar la PL, pero es una técnica
afectar una solución?
que funciona en condiciones de certidumbre. Mi planta no
tiene esa certidumbre; es un mundo de incertidumbre. Así
que la PL no se puede utilizar aquí”, ¿Cree usted que esta Problemas
afirmación tenga algún mérito? Explique por qué el ge-
7-14 La Electrocomp Corporation fabrica dos productos eléctri-
rente la pudo haber dicho.
cos: aires acondicionados y ventiladores de gran tamaño.
7-8 Las siguientes relaciones matemáticas fueron formuladas Los procesos de ensamble para cada uno se parecen en que
por un analista de investigación de operaciones en la com- ambos requieren cierta cantidad de cableado y perforacio-
pañía Smith-Lawton Chemical. ¿Cuáles no son válidas nes. Cada aparato de aire acondicionado requiere 3 horas
para ser usadas en un problema de PL y por qué? para el cableado y 2 horas para las perforaciones. Cada
Maximizar la utilidad = 4X1 + 3X1X2 + 8X2 + 5X3 ventilador tiene que pasar 2 horas en cableado y 1 hora en
perforación. Durante el siguiente periodo de producción,
sujeta a 2X1 + X2 + 2X3 … 50 hay 240 horas de tiempo de cableado disponibles y se pue-
X1 - 4X2 Ú6 den usar hasta 140 horas de tiempo de perforación. Cada
1.5X 1 + 6X2 +
2
3X3 Ú 21 aparato de aire acondicionado que se vende produce una
utilidad de $25. Cada ventilador ensamblado se puede ven-
19X2 - 0.35X3 = 17 der para obtener una utilidad de $15. Formule y resuelva
5X1 + 4X2 + 32X3 … 80 un problema de PL para esta situación de mezcla de pro-
-X1 - X2 + X3 = 5 ducción con la finalidad de encontrar la mejor combina-
ción de aires acondicionados y ventiladores que produce la
7-9 Comente el papel del análisis de sensibilidad en la PL. mayor utilidad. Utilice el método gráfico de los vértices.
¿En qué circunstancias se necesita, y en qué condiciones 7-15 La gerencia de Electrocomp se da cuenta de que olvidó
piensa usted que no es necesario? incluir dos restricciones fundamentales (vea el problema
7-10 Un programa lineal tiene el objetivo de maximizar la utili- 7-14). En particular, la gerencia decide que debería ha-
dad = 12X + 8Y. La utilidad máxima es de $8,000. Con el ber un número mínimo de aparatos de aire acondicionado

fabricados para cumplir un contrato. También, debido a un a cinco técnicos, que trabajan 160 horas mensuales cada
exceso de oferta de ventiladores en el periodo anterior, se uno, en su línea de montaje. La gerencia insiste en que se
debería colocar un límite al número total de ventiladores mantendrá el empleo de tiempo completo (es decir, todas
producidos. las 160 horas de tiempo) para cada trabajador durante las
(a) Si Electrocomp decide que se deberían producir al operaciones del mes que viene. Se requieren 20 horas de
menos 20 equipos de aire acondicionado, pero no más mano de obra para ensamblar cada computadora Alpha 4
de 80 ventiladores, ¿cuál sería la solución óptima? y 25 horas de mano de obra para ensamblar cada modelo
¿Cuánta holgura o excedente habría para cada una de Beta 5. MSA quiere producir al menos 10 Alpha 4 y al
las cuatro restricciones? menos 15 Beta 5 durante el periodo de producción. Las
(b) Si Electrocomp decide que se deben producir al me- Alpha 4 generan $1,200 de utilidad por unidad, y las Beta
nos 30 equipos de aire acondicionado, pero no más 5 generan $1,800 cada una. Determine el número más ren-
de 50 ventiladores, ¿cuál sería la solución óptima? table de cada modelo de minicomputadora a producir du-
¿Cuánta holgura o excedente habría para cada una de rante el mes próximo.
las cuatro restricciones a la solución óptima? 7-20 Un ganador de la Lotería de Texas ha decidido invertir
7-16 Un candidato a alcalde en una pequeña ciudad ha desti- $50,000 al año en el mercado de valores, y está conside-
nado $40,000 a publicidad de última hora en los días ante- rando las acciones de una empresa petroquímica y de un
riores a la elección. Se utilizarán dos tipos de anuncios: en organismo público. Aunque una meta a largo plazo es con-
radio y en televisión. Cada anuncio en radio cuesta $200 seguir el máximo rendimiento posible, algunas personas
y alcanza un estimado de 3,000 personas. Cada anuncio tienen en cuenta el riesgo involucrado en las acciones. Se
en televisión cuesta $500 y alcanza un estimado de 7,000 asigna un índice de riesgo en una escala del 1 al 10 (donde
personas. En la planeación de la campaña publicitaria, a la 10 es lo más riesgoso) a cada una de las dos acciones. El
jefa de campaña le gustaría llegar a tantas personas como riesgo total del portafolios se encuentra multiplicando
sea posible, pero ha estipulado que se deben emplear al el riesgo de cada acción por los dólares invertidos en dicha
menos 10 anuncios de cada tipo. Además, el número de acción.
anuncios de radio tiene que ser al menos tan grande como La siguiente tabla muestra un resumen del rendi-
el número de anuncios de televisión. ¿Cuántos anuncios miento y el riesgo:
de cada tipo se deberían utilizar? ¿A cuántas personas lle-
gará esto?
ACCIÓN RENDIMIENTO ESTIMADO ÍNDICE DE RIESGO
7-17 La Outdoor Furniture Corporation fabrica dos productos,
bancas y mesas para día de campo, para su uso en patios Petroquímica 12% 9
y parques. La compañía cuenta con dos recursos princi- Organismo 6% 4
pales: sus carpinteros (fuerza de trabajo) y un inventario
de (madera) secuoya para utilizarse en los muebles. Du-
Al inversionista le gustaría maximizar el rendimiento
rante el próximo ciclo de producción, hay 1,200 horas de
sobre la inversión, pero el índice de riesgo promedio de
trabajo disponibles en virtud de un acuerdo con el sin-
la inversión no debería ser superior a 6. ¿Cuánto debería
dicato. La empresa también cuenta con un inventario de
invertir en cada acción? ¿Cuál es el riesgo promedio de
3,500 pies en tablones de secuoya de buena calidad. Cada
esta inversión? ¿Cuál es el rendimiento estimado para la
banca que produce Outdoor Furniture requiere 4 horas
inversión?
de trabajo y 10 pies en tablones de secuoya; cada mesa de
picnic necesita 6 horas de trabajo y 35 pies en tablones 7-21 Con referencia a la situación del ganador de la Lotería de
de secuoya. Las bancas terminadas producen una utili- Texas en el problema 7-20, suponga que el inversionista
dad de $9 cada una, y las mesas generan una utilidad de cambió su actitud acerca de la inversión y desea poner ma-
$20 cada una. ¿Cuántas bancas y mesas debería Outdoor yor énfasis en el riesgo de la inversión. Ahora el inversio-
Furniture producir para obtener la mayor utilidad posible? nista desea minimizar el riesgo de la inversión, siempre
Utilice el método gráfico de PL. y cuando el rendimiento generado sea al menos de 8%.
7-18 El decano de la Universidad Occidental de Negocios debe Formule esto como un problema de PL y encuentre la so-
planear la oferta de cursos de la escuela para el semestre lución óptima. ¿Cuánto debería invertir en cada acción?
de otoño. Las demandas estudiantiles hacen que sea nece- ¿Cuál es el riesgo promedio de esa inversión? ¿Cuál es el
sario ofrecer al menos 30 de cursos de licenciatura y 20 rendimiento estimado para la inversión?
de posgrado en el semestre. Los contratos del profesorado 7-22 Resuelva el siguiente problema de PL utilizando el mé-
también indican que se ofrecerán al menos 60 cursos en todo de los vértices. En la solución óptima, calcule la hol-
total. Cada curso de licenciatura cuesta a la universidad gura para cada restricción:
un promedio de $2,500 en salarios del profesorado, y cada
curso de posgrado le cuesta $3,000. ¿Cuántos cursos de Maximizar la utilidad = 4X + 4Y
licenciatura y posgrado deberían ofrecerse en el otoño, sujeta a 3X + 5Y … 150
para que los salarios totales del profesorado se reduzcan al X - 2Y … 10
mínimo?
5X + 3Y … 150
7-19 MSA Computer Corporation fabrica dos modelos de mi-
nicomputadoras, la Alfa 4 y la Beta 5. La firma emplea X, Y Ú 0

7-23 Considere esta formulación de PL: de poda de las ramas. Si los olivos se podan cada dos se-
manas, aumenta la producción. El proceso de poda, sin
Minimizar el costo = $X + 2Y
embargo, requiere una cantidad de mano de obra consi-
sujeto a X + 3Y Ú 90 derablemente mayor que dejar a los olivos crecer por su
8X + 2Y Ú 160 cuenta, lo cual resulta en aceitunas de menor tamaño. Sin
3X + 2Y Ú 120 embargo, también permite que los olivos tengan un menor
espaciado entre sí. El rendimiento de 1 barril de aceitunas
Y … 70 por la poda requiere 5 horas de mano de obra y 1 acre
X, Y Ú 0 de tierra. La producción de un barril de aceitunas por el
proceso normal requiere tan sólo 2 horas de mano de obra,
Ilustre gráficamente la región factible y aplique el pro-
pero requiere 2 acres de tierra. Un oleicultor tiene 250 ho-
cedimiento de la recta de isocosto, para indicar qué vér-
ras de mano de obra disponibles y un total de 150 acres
tice produce la solución óptima. ¿Cuál es el costo de esa
para el cultivo. Debido a la diferencia en el tamaño de las
solución?
aceitunas, el barril de aceitunas producidas en los árbo-
7-24 La firma de corretaje Blank, Leibowitz & Weinberger ha les podados se vende por $20, mientras que el barril de
analizado y recomendado dos acciones al club de profe- aceitunas regulares tiene un precio en el mercado de $30.
sores inversionistas de la universidad. Los profesores es- El productor ha determinado que debido a la demanda in-
taban interesados en factores como el crecimiento a corto cierta, no debería producir más de 40 barriles de aceitunas
plazo, el crecimiento intermedio y las tasas de dividendos. de árboles podados. Utilice PL gráfica para encontrar
Estos datos son los siguientes para cada acción:
(a) la máxima utilidad posible.
ACCIÓN ($) (b) la mejor combinación de barriles de aceitunas de
árboles podados y regulares.
LOUISIANA GAS COMPAÑÍA TRIMEX (c) el número de acres que el oleicultor debería dedicar
FACTOR AND POWER INSULATION a cada proceso de cultivo.
Crecimiento poten- 0.36 0.24 7-27 Considere las siguientes cuatro formulaciones de PL. Con
cial a corto plazo, base en un enfoque gráfico, determine
por dólar invertido (a) qué formulación tiene más de una solución óptima.
Crecimiento po- 1.67 1.50 (b) qué formulación es no acotada.
tencial intermedio (c) qué formulación no tiene solución factible.
(en los próximos (d) qué formulación es correcta como está.
tres años), por dólar Formulación 1 Formulación 3
invertido
Maximizar 10X1 + 10X2 Maximizar 3X1 + 2X2
Tasa potencial de 4% 8%
dividendos sujeto a 2X1 … 10 sujeto a X1 + X2 Ú 5
2X1 + 4X2 … 16 X1 Ú 2
Cada miembro del club tiene una meta de inversión de 4X2 … 8 2X2 Ú 8
1. una apreciación de no menos de $720 en el corto plazo;
2. una apreciación de por lo menos $5,000 en los próximos X1 = 6
tres años, y 3. un ingreso de dividendos de al menos $200 Formulación 2 Formulación 4
al año. ¿Cuál es la inversión más pequeña que un profesor
puede hacer para cumplir con estos tres objetivos?
Maximizar X1 + 2X2 Maximizar 3X1 + 3X2
7-25 Woofer Pet Foods produce un alimento bajo en calorías sujeto a X1 … 1 sujeto a 4X1 + 6X2 … 48
para perros con sobrepeso. Este producto está hecho a par- 2X2 … 2 4X1 + 2X2 … 12
tir de productos de carne de res y granos. Cada libra de X1 + 2X2 … 2 3X2 Ú 3
carne cuesta $0.90, y cada libra de grano cuesta $0.60.
Una libra del alimento para perros debe contener al me- 2X1 Ú 2
nos 9 unidades de vitamina 1 y 10 unidades de vitamina
7-28 Grafique el siguiente problema de PL e indique el punto
2. Una libra de carne de res contiene 10 unidades de vi-
de la solución óptima:
tamina 1 y 12 unidades de vitamina 2. Una libra de grano
contiene 6 unidades de vitamina 1 y 9 unidades de vita- Maximizar la utilidad = $3X + $2Y
mina 2. Formule esto como un problema de PL para mini- sujeta a 2X + Y … 150
mizar el costo del alimento para perros. ¿Cuántas libras de
2X + 3Y … 300
carne de res y de grano se deberían incluir en cada libra
de alimento para perros? ¿Cuál es el costo y el contenido de (a) ¿Cambia la solución óptima si la utilidad por unidad
vitamina del producto final? de X cambia a $4.50?
7-26 El rendimiento estacional de aceitunas en un viñedo de (b) ¿Qué pasaría si la función de utilidad debería haber
Pireo, Grecia, está fuertemente influido por un proceso sido $3X + $3Y?

7-29 Analice gráficamente el siguiente problema: (a) ¿Cuánto podría aumentar o disminuir la utilidad en
Maximizar la utilidad = $4X + $6Y X sin cambiar los valores de X y Y en la solución
óptima?
sujeta a X + 2Y … 8 horas
(b) Si el lado derecho de la restricción 1 se incrementara
6X + 4Y … 24 horas en 1 unidad, ¿cuánto aumentaría la utilidad?
(a) ¿Cuál es la solución óptima? (c) Si el lado derecho de la restricción 1 se incremen-
(b) Si la primera restricción se convierte en X + 3Y … 8, tara en 10 unidades, ¿cuál sería el aumento de la
¿cambian la región factible o la solución óptima? utilidad?
7-30 Examine la formulación de PL en el problema 7-29. La 7-34 La salida de computadora en la página siguiente es un pro-
segunda restricción del problema se lee blema de mezcla de productos donde hay dos productos y
6X + 4Y … 24 horas (tiempo disponible en la máquina 2) tres restricciones de recursos. Utilice la salida para ayu-
Si la empresa decide que puede haber 36 horas disponi- darse a responder las siguientes preguntas. En cada caso,
bles de tiempo en la máquina 2 (es decir, un aumento de suponga que usted desea maximizar la utilidad.
12 horas) a un costo adicional de $10, ¿deberían agregarse (a) ¿Cuántas unidades del producto 1 y del producto 2
las horas? deberían producirse?
7-31 Considere el siguiente problema de PL: (b) ¿Cuánto de cada uno de los tres recursos se está uti-
lizando? ¿Cuánta holgura hay para cada restricción?
Maximizar la utilidad = 5X + 6Y
¿Cuáles de las restricciones son vinculantes y cuáles
sujeta a 2X + Y … 120 no vinculantes?
2X + 3Y … 240 (c) ¿Cuáles son los precios duales para cada recurso?
X, Y Ú 0 (d) Si se pudiera obtener más de uno de los recursos,
¿cuál debería ser éste? ¿Cuánto se debería estar dis-
(a) ¿Cuál es la solución óptima para este problema? Re- puesto a pagar por él?
suélvalo gráficamente. (e) ¿Qué le pasaría a la utilidad si, con los resultados ori-
(b) Si ocurrió un gran avance técnico que elevó la ginales, la gerencia decidiera producir una unidad más
utilidad por unidad de X a $8, ¿afectaría esto a de producto 2?
la solución óptima?
(c) En vez de un aumento en el coeficiente de utilidad X 7-35 Resuelva gráficamente el siguiente problema:
a $8, suponga que la utilidad se había sobrestimado y
Maximizar la utilidad = 8X1 + 5X2
sólo debería haber sido de $3. ¿Cambia esto la solu-
ción óptima? sujeta a X1 + X2 … 10
7-32 Considere la formulación de PL dada en el problema 7-31. X1 … 6
Si la segunda restricción se cambia de 2X + 3Y … 240 a X1, X2 Ú 0
2X + 4Y … 240, ¿qué efecto tendrá esto en la solución
óptima? (a) ¿Cuál es la solución óptima?
7-33 La salida de computadora que se muestra a continuación (b) Cambie el lado derecho de la restricción 1 a 11 (en
es para el problema 7-31. Úsela para responder las si- vez de 10) y resuelva el problema. ¿Cuánto aumentó
guientes preguntas. la utilidad como resultado de esto?

(c) Cambie el lado derecho de la restricción 1 a 6 (en vez 7-36 Serendipity*

de 10) y resuelva el problema. ¿Cuánto disminuyó la Los tres príncipes de Serendip
utilidad como resultado de esto? En cuanto a la gráfi- Hicieron un pequeño viaje.
ca, ¿qué pasaría si el valor del lado derecho estuviera
No podían llevar mucho peso;
por debajo de 6?
(d) Cambie el valor del lado derecho de la restricción 1 a Más de 300 libras los hicieron dudar.
5 (en vez de 10) y resuelva el problema. ¿Cuánto dis- Planearon llevar pequeñas cantidades. Cuando regresaron
minuyó la utilidad con respecto a la utilidad original a Ceilán
como resultado de esto? Descubrieron que sus suministros estaban a punto de
(e) Con base en los resultados de la computadora en esta desaparer
página, ¿cuál es el precio dual de la restricción 1? Cuando, qué alegría, el príncipe William se encontró
¿Cuál es el límite inferior en ésta? Una pila de cocos en el suelo.
(f) ¿Qué conclusiones puede usted obtener de esto con
“Cada uno nos aportará 60 rupias”, dijo el príncipe
respecto a los límites de los valores del lado derecho y
Richard con una sonrisa
del precio dual?
*
La palabra serendipity fue acuñada por el escritor inglés Horace Walpole en relación con un cuento de hadas titulado Los tres príncipes de Serendip. La fuente del problema
es desconocida

Cuando casi tropezó con una piel de león. con el riesgo, y se desarrolló el siguiente programa lineal
“¡Cuidado!”, exclamó el príncipe Robert con júbilo para ayudar con esta decisión de inversión:
Cuando divisó algunas pieles de león más bajo un árbol. Minimizar riesgo = 12S + 5M
“Éstas valen aún más: 300 rupias cada una
sujeto a
Si las podemos llevar todas a la playa”.
S + M = 200,000 la inversión total
Cada piel pesaba 15 libras y cada coco, 5,
es de $200,000
Pero cargaron todo y lo hicieron con ánimo.
0.10S + 0.05M Ú 14,000 el rendimiento debe ser
El barco de regreso a la isla era muy pequeño
al menos de $14,000
15 pies cúbicos de capacidad para el equipaje: eso era
todo. M Ú 40,000 al menos $40,000 deben
colocarse en el fondo
Cada piel de león ocupaba un pie cúbico
S, M Ú 0 del mercado de dinero
Mientras que ocho cocos ocupaban el mismo espacio.
Con todo guardado se hicieron a la mar donde
Y en el trayecto calcularon cuál podría ser su nueva S = dólares invertidos en el fondo de acciones
riqueza. M = dólares invertidos en el fondo del mercado de dinero
“¡Eureka!”, Exclamó el príncipe Robert, “Nuestra riqueza
A continuación se muestra la salida de QM para Windows.
es tan grande
Que no hay otra manera de que pudiéramos volver en este (a) ¿Cuánto dinero debería invertirse en el fondo del
estado. mercado de dinero y cuánto en el fondo de acciones?
¿Cuál es el riesgo total?
Cualesquiera otras pieles o cocos que podríamos haber
(b) ¿Cuál es el rendimiento total? ¿Qué tasa de retorno
traído
representa?
Ahora nos haría ser más pobres. Y ahora lo sé: (c) ¿Cambiaría la solución si la medida de riesgo para
Le escribiré a mi amigo Horacio en Inglaterra, pues sin cada dólar en el fondo de acciones fuera de 14 en
duda vez de 12?
Sólo él puede apreciar nuestro serendipity.” (d) Por cada dólar adicional que esté disponible, ¿cuánto
Formule y resuelva Serendipity mediante PL gráfica para cambia el riesgo?
calcular “cuál podría ser su nueva riqueza”. (e) ¿Cambiaría la solución si la cantidad que debe inver-
7-37 Inversiones Bhavika, un grupo de asesores financieros tirse en el fondo del mercado de dinero cambiara de
y planeadores de la jubilación, ha recibido una solicitud $40,000 a $50,000?
de asesoría sobre cómo invertir $200,000. El cliente ha 7-38 Considere de nuevo la situación de Inversiones Bhavika
estipulado que el dinero debe colocarse en un fondo de (problema 7-37). Se ha decidido que, en vez de minimizar
acciones o bien en un fondo del mercado de dinero, y el el riesgo, el objetivo debería ser maximizar el rendimiento,
rendimiento anual debería ser al menos de $14,000. Tam- al tiempo que se pone una restricción a la cantidad de
bién se han especificado otras condiciones relacionadas riesgo. El riesgo promedio no debe ser mayor que 11 (con

un riesgo total de 2,200,000 para los $200,000 invertidos). El costo por libra de los granos X, Y y Z son $2, $4 y
El programa lineal fue reformulado y la salida de QM de $2.50, respectivamente. El requisito mínimo por vaca por
Windows se muestra arriba. mes es de 4 libras del ingrediente A, 5 libras del ingre-
(a) ¿Cuánto dinero debería invertirse en el fondo del mer- diente B, 1 libra del ingrediente C y 8 libras del in-
cado de dinero y en el fondo de acciones? ¿Cuál es grediente D.
el rendimiento total? ¿Qué tasa de rendimiento repre- El rancho se enfrenta a una restricción adicional: sólo
senta esto? puede obtener 500 libras del grano Z por mes de su pro-
(b) ¿Cuál es el riesgo total? ¿Cuál es el riesgo promedio? veedor, independientemente de lo que necesite. Debido
(c) ¿Cambiaría solución si el rendimiento de cada dólar a que, por lo general, hay 100 vacas en el rancho en un
en el fondo de acciones fuera 0.09 en vez de 0.10? momento dado, esto significa que no se puede contar con
(d) Por cada dólar adicional que esté disponible, ¿cuál es más de 5 libras de la mezcla Z por mes para su uso en la
la tasa de rendimiento marginal? alimentación de cada vaca.
(e) ¿Cuánto cambiaría el rendimiento total si la cantidad (a) Formule esto como un problema de PL.
que debe invertirse en el fondo del mercado de dinero (b) Resuelva usando software de PL.
cambiara de $40,000 a $50,000? 7-40 La Weinberger Electronics Corporation fabrica cuatro
Los problemas 7-39 a 7-44 prueban su capacidad productos de alta tecnología que suministra a empresas
para formular problemas de PL que tienen más de dos va- aeroespaciales que tienen contratos con la NASA. Cada
riables. No se pueden resolver gráficamente, pero le darán uno de los productos debe pasar por los siguientes de-
la oportunidad de formular un problema más grande. partamentos antes de ser enviados: cableado, taladrado,
7-39 El rancho Feed ‘N Ship engorda ganado para los granjeros montaje e inspección. En la siguiente tabla, se resumen el
locales y lo envía a los mercados de carne en Kansas City requisito de tiempo en horas para cada unidad producida y
y Omaha. Los propietarios del rancho tratan de determinar el valor de la utilidad correspondiente:
las cantidades de alimento para ganado que deben com-
prar, de modo que se cumplan los estándares nutriciona- DEPARTAMENTO
les mínimos y que, al mismo tiempo, se minimicen los
costos totales de alimentación. La mezcla de alimento UTILIDAD
puede estar compuesta por tres granos que contienen los TALA- INSPEC- UNITARIA
siguientes ingredientes por libra de alimento: PRODUCTO CABLEADO DRADO MONTAJE CIÓN ($)
XJ201 0.5 0.3 0.2 0.5 9
ALIMENTO (OZ)
XM897 1.5 1 4 1 12
INGREDIENTE MEZCLA X MEZCLA Y MEZCLA Z TR29 1.5 2 1 0.5 15
A 3 2 4 BR788 1 3 2 0.5 11
B 2 3 1
La producción disponible en cada departamento cada mes,
C 1 0 2
y el requisito de producción mensual mínimo para cumplir
D 6 8 4 con los contratos, son los siguientes:

7-43 Modem Corporation of America (MCA) es el mayor

CAPACIDAD NIVEL MÍNIMO
productor mundial de dispositivos de comunicación con
DEPARTAMENTO (HORAS) PRODUCTO DE PRODUCCIÓN
módems para microcomputadoras. MCA vendió 9,000
Cableado 15,000 XJ201 150 unidades del modelo regular y 10,400 unidades del mo-
delo inteligente este mes de septiembre. Su estado de re-
Taladrado 17,000 XM897 100 sultados del mes se muestra en la tabla para el problema
Montaje 26,000 TR29 300 7-43. Los costos presentados son típicos de los meses an-
teriores y se espera que permanezcan en los mismos nive-
Inspección 12,000 BR788 400 les en un futuro próximo.
La empresa se enfrenta a varias restricciones, mien-
El gerente de producción tiene la responsabilidad de espe-
tras prepara su plan de producción de noviembre. En pri-
cificar los niveles de producción de cada producto para el
mer lugar, ha experimentado una enorme demanda y ha
próximo mes. Ayúdale mediante la formulación (es decir,
sido incapaz de mantener algún inventario significativo en
el establecimiento de las restricciones y la función obje-
existencia. No se espera que esta situación cambie. En se-
tivo) del problema de Weinberger utilizando PL.
gundo lugar, la empresa se encuentra en un pequeño pueblo
7-41 Outdoor Inn, un fabricante de equipo de campamento al de Iowa donde la mano de obra adicional no está disponi-
sur de Utah, está desarrollando un programa de produc- ble fácilmente. Sin embargo, los trabajadores pueden cam-
ción de un tipo popular de tienda de campaña, la Doble biarse de la producción de un módem a otro. Para producir
Inn. Se han recibido pedidos por 180 de ellas, que se en- los 9,000 módems regulares en septiembre requiere 5,000
tregarán a finales de este mes, 220 que se entregarán al horas de mano de obra directa. Los 10,400 módems inte-
final del próximo mes y 240 que se entregarán al final del ligentes necesitan 10,400 horas de mano de obra directa.
mes que le sigue. Esta tienda de campaña se puede fabri- En tercer lugar, MCA está experimentando un pro-
car a un costo de $120, y el número máximo de tiendas blema que afecta al modelo de los módems inteligentes.
que puede producirse en un mes es 230. La empresa puede Su proveedor de componentes es capaz de garantizar sólo
producir algunas tiendas adicionales en un mes y mante- 8,000 microprocesadores para ser entregados en noviem-
nerlas en almacenamiento hasta el próximo mes. El costo bre. Cada módem inteligente requiere uno de estos mi-
de mantenerlas en inventario durante 1 mes se estima en croprocesadores hechos a la medida. No hay proveedores
$6 por cada tienda que queda al final del mes. Formule alternativos disponibles a corto plazo.
esto como un problema de programación lineal para mi-
nimizar el costo, al tiempo que se satisface la demanda TABLA PARA EL PROBLEMA 7-43
sin exceder la capacidad de producción mensual. Resuelva Estado de resultados mensual para MCA al 30 de septiembre
usando cualquier software. (Sugerencia: Defina las varia-
bles para representar el número de tiendas de campaña MÓDEMS MÓDEMS
que quedan al final de cada mes). REGULARES INTELIGENTES
7-42 Outdoors Inn (vea el problema 7-41) expandió sus opera- Ventas $450,000 $640,000
ciones de fabricación de tiendas de campaña más adelante Menos: Descuentos 10,000 15,000
en el año. Sin dejar de hacer la carpa Double Inn, tam- Devoluciones 12,000 9,500
bién está haciendo una carpa más grande, la Family Rolls,
que tiene cuatro habitaciones. La empresa puede producir Reemplazos por garantía 4,000 2,500
hasta un total de 280 tiendas de campaña al mes. La si- Ventas netas $424,000 $613,000
guiente tabla proporciona la demanda que se debe satisfa- Costos de venta
cer y los costos de producción para los próximos 3 meses. Mano de obra directa 60,000 76,800
Tenga en cuenta que los costos aumentarán en el mes 2.
Mano de obra indirecta 9,000 11,520
El costo de almacenamiento por mantener una tienda de
campaña en inventario al final del mes, para su uso el Costo de materiales 90,000 128,000
próximo mes, se estima en $6 por tienda para la Double Depreciación 40,000 50,800
Inn y $8 para la Family Rolls. Desarrolle un programa li- Costo de ventas $199,000 $267,120
neal para minimizar el costo total. Resuelva usando cual-
Utilidad bruta $225,000 $345,880
quier software.
Gastos comerciales y generales
Gastos generales-variables 30,000 35,000
DEMANDA COSTO POR DEMANDA COSTO POR
DE LA PRODUCIR DE LA PRODUCIR Gastos generales-fijos 36,000 40,000
DOUBLE LA DOUBLE FAMILY LA FAMILY Publicidad 28,000 25,000
MES INN INN ROLLS ROLLS Comisiones de ventas 31,000 60,000
1 185 $120 60 $150 Costo de operación total $125,000 $160,000
Ingreso antes de impuestos $100,000 $185,880
2 205 $130 70 $160
Impuesto sobre la renta (25%) 25,000 46,470
3 225 $130 65 $160
Ingreso neto $ 75,000 $139,410

MCA quiere planear la combinación óptima de los Golding minimizar el costo de una bolsa de 50 lb de
dos modelos de módem a producir en noviembre, para fertilizante.
maximizar las utilidades de MCA. (b) Resuelva usando una computadora para encontrar la
(a) Formule, utilizando los datos de septiembre, el pro- mejor solución.
blema de MCA como un programa lineal. 7-45 Raptor Fuels produce tres grados de gasolina: regular, pre-
(b) Resuelva el problema de forma gráfica. mium y súper. Todas se producen mediante la mezcla de
(c) Comente las implicaciones de su solución reco- dos tipos de petróleo crudo (A y B). Los dos tipos con-
mendada. tienen ingredientes específicos que ayudan a determinar
7-44 En conjunto con químicos del Virginia Tech y la George el octanaje de la gasolina. Los ingredientes y los costos
Washington University, el contratista paisajista Kenneth importantes se muestran en la siguiente tabla:
Golding mezcla su propio fertilizante, llamado “Gol-
ding-Grow”, que consta de cuatro compuestos químicos, CRUDO A CRUDO B
C-30, C-92, D-21 y E-11. A continuación, se indica el Costo por galón $0.42 $0.47
costo por libra de cada compuesto:
Ingrediente 1 40% 52%
COMPUESTO QUÍMICO COSTO POR LIBRA ($) Otros ingredientes 60% 48%
C-30 0.12 Con la finalidad de alcanzar los octanajes deseados, por

C-92 0.09 lo menos 41% de la gasolina regular debería ser del in-
D-21 0.11 grediente 1; al menos 44% de la gasolina premium debe
ser del ingrediente 1, y al menos 48% de la gasolina sú-
E-11 0.04
per debe ser del ingrediente 1. Debido a los compromisos
contractuales actuales, Raptor Fuels tiene que producir
Las especificaciones para Golding-Grow son las siguien-
al menos 20,000 galones de gasolina regular, al menos
tes: 1. E-11 debe constituir al menos 15% de la mezcla;
15,000 galones de premium y al menos 10,000 galones de
2. C-92 y C-30 en conjunto deben representar al menos
súper. Formule un programa lineal que pueda usarse para
45% de la mezcla; 3. D-21 y C-92 no pueden constituir
determinar la cantidad de crudo A y crudo B que debería
juntos más de 30% de la mezcla, y 4. Golding-Grow se
emplearse en cada una de las gasolinas para satisfacer las
empaqueta y se vende en bolsas de 50 libras.
demandas a costo mínimo. ¿Cuál es este costo mínimo?
(a) Formule un problema de PL para determinar qué ¿Cuánto crudo A y crudo B se utiliza en cada galón de los
mezcla de los cuatro productos químicos permitirá a diferentes tipos de gasolina?
Estudio de caso
Trabajo en Mexicana Wire
Ron García se sentía bien en su primera semana como practicante en aprobados se empaquetan y se envían al almacén de producto termi-
la gerencia Mexicana Wire Winding, Inc. Aún no había desarrollado nado; los productos defectuosos se almacenan por separado hasta que
ningún conocimiento técnico sobre el proceso de manufactura, pero puedan reutilizarse.
había recorrido toda la planta, ubicada en los suburbios de la Ciudad El 8 de marzo, Vivian España, gerente general de Mexicana, pasó
de México, y había conocido a muchas personas en diversas áreas de por la oficina de García y le pidió que asistiera a una reunión de per-
la operación. sonal a la 1:00 p.m.
Mexicana, filial de Westover Wire Works, una empresa de Texas, “Vamos a empezar con nuestro asunto”, dijo Vivian, al abrir
es un productor de tamaño medio de bobinas de alambre utilizadas en la reunión. “Ya todos conocen a Ron García, nuestro nuevo ge-
la fabricación de transformadores eléctricos. José Arroyo, el gerente rente en capacitación. Ron estudió investigación de operaciones
de control de producción, describió el embobinado a García como un en su programa de MBA en el sur de California, así que creo que
diseño estandarizado. El recorrido de García por la planta, distribuida es competente para ayudarnos con un problema que hemos estado
de acuerdo con el tipo de proceso (vea la figura 7.20), siguió la se- discutiendo durante mucho tiempo sin resolución. Estoy segura de
cuencia de fabricación de las bobinas: trefilado, extrusión, embobi- que todos ustedes, el personal de la empresa, dará a Ron su plena
nado, inspección y embalaje. Después de la inspección, los productos cooperación”.

ESTUDIO DE CASO 289
FIGURA 7.20
Almacén de
Mexicana Wire Winding, Oficina Trefilado producto terminado
Inc.
Departamento de
Extrusión reprocesamiento
Embobinado
Recepción y
almacenamiento
de materias primas Embalaje Almacén de
producto
rechazado
Inspección
Vivian se volvió hacia José Arroyo, gerente de producción.

Datos de la operación seleccionados
“José, ¿por qué no describes el problema que estamos enfrentando?”
“Bueno”, dijo José, “el negocio está muy bien en este momento. Producción promedio por mes = 2,400 unidades
Vamos a recibir más pedidos de los que podemos cumplir. Tendremos Utilización promedio de máquina = 63%
equipo nuevo en línea dentro de los próximos meses, lo cual resolverá
Porcentaje promedio de producción enviada al departamento
nuestros problemas de capacidad, pero eso no nos ayudará en abril.
de reprocesamiento = 5% (mayormente del departamento de
He localizado a algunos empleados jubilados que solían trabajar en
embobinado)
el departamento de trefilado, y estoy pensando en emplearlos tempo-
ralmente en abril para aumentar la capacidad. Debido a que estamos Número promedio de unidades rechazadas en espera de reprocesa-
planeando refinanciar parte de nuestra deuda a largo plazo, Vivian miento = 850 (mayormente del departamento de embobinado)
quiere que nuestras utilidades se vean lo mejor posible en abril. Estoy
teniendo dificultades para averiguar cuáles pedidos ejecutar y cuáles Capacidad de la planta (horas)
poner en espera para hacer que nuestro estado de resultados se vea tan
bien como sea posible. ¿Puedes ayudarme con esto?” TREFILADO EXTRUSIÓN EMBOBINADO EMBALAJE
García se sorprendió y se preocupó al recibir una misión tan im- 4,000 4,200 2,000 2,300
portante y de alto perfil tan pronto en su carrera. Recuperándose rá-
pidamente, dijo: “Dame los datos y déjame trabajar con ellos uno o Nota: La capacidad de inspección no es un problema; podemos trabajar tiempo
dos días”. extra cuando sea necesario para ajustarnos a cualquier horario.
Pedidos de abril Costo de la mano de obra (horas/unidad)

Producto W0075C 1,400 unidades
PRODUCTO TREFILADO EXTRUSIÓN EMBOBINADO EMBALAJE
Producto W0033C 250 unidades
Producto W0005X 1,510 unidades W0075C 1.0 1.0 1.0 1.0
Producto W0007X 1,116 unidades W0033C 2.0 1.0 3.0 0.0

W0005X 0.0 4.0 0.0 3.0
Nota: Vivian España ha dado su palabra a un cliente importante
de que fabricaremos para él 600 unidades del producto W0007X W0007X 1.0 1.0 0.0 2.0
y 150 unidades del producto W0075C durante abril
Costo estándar Preguntas para análisis

MANO PRECIO 1. ¿Qué recomendaciones debería hacer Ron García y con qué jus-
DE COSTO DE tificación? Proporcione un análisis detallado con gráficas, dia-
PRODUCTO MATERIAL OBRA GENERAL VENTA gramas e impresiones de computadora.
W0075C $33.00 $ 9.90 $23.10 $100.00
2. Analice la posible necesidad de trabajadores temporales en el
departamento de trefilado.
W0033C 25.00 7.50 17.50 80.00 3. Analice la distribución de planta.
W0005X 35.00 10.50 24.50 130.00
Fuente: Profesor Victor E. Sower, Sam Houston State University. Este material se
W0007X 75.00 11.25 63.75 175.00 basa en una situación real. Los nombres y datos fueron alterados para conservar su
confidencialidad.

Visite nuestra página en Internet, www.pearsonenespañol.com/render, y consulte este estudio de caso

adicional: Agri Chem Corporation. Se refiere a la respuesta que da una empresa a una escasez de
energía.
Bibliografía
Bassamboo, Achal, J. Michael Harrison y Assaf Zeevi. “Design and Control of Greenberg, H. J. “How to Analyze the Results of Linear Programs—Part 3:
a Large Call Center: Asymptotic Analysis of an LP-Based Method”, Infeasibility Diagnosis”, Interfaces 23, 6 (noviembre–diciembre de 1993):
Operations Research 54, 3 (mayo-junio de 2006): 419-435. 120-139.
Behjat, Laleh, Anthony Vannelli y William Rosehart. “Integer Linear Programming Hafizoĝlu, A. B. y M. Azizoĝlu. “Linear Programming Based Approaches for the
Model for Global Routing”, INFORMS Journal on Computing 18, 2 (prima- Discrete Time/Cost Trade-off Problem in Project Networks”, Journal of
vera de 2006): 137-150. the Operational Research Society 61 (abril de 2010): 676-685.
Bixby, Robert E. “Solving Real-World Linear Programs: A Decade and More of Higle, Julia L. y Stein W. Wallace. “Sensitivity Analysis and Uncertainty in Linear
Progress”, Operations Research 50, 1 (enero-febrero de 2002): 3-15. Programming”, Interfaces 33, 4 (julio-agosto de 2003): 53-60.
Bodington, C. E. y T. E. Baker. “A History of Mathematical Programming in the Marszalkowski, Jakub y Drozdowski Maciej. “Optimization of Column Width in
Petroleum Industry”, Interfaces 20, 4 (julio-agosto de 1990): 117-132. Website Layout for Advertisement Fit”, European Journal of Operational
Boros, E., L. Fedzhora, P. B. Kantor, K. Saeger y P. Stroud. “A Large-Scale Linear Research 226, 3 (mayo de 2013): 592-601.
Programming Model For Finding Optimal Container Inspection Strategies”, Murphy, Frederic H. “ASP, the Art and Science of Practice: Elements of a Theory
Naval Research Logistics 56, 5 (agosto de 2009): 404-420. of the Practice of Operations Research: Expertise in Practice”, Interfaces 35,
Chakravarti, N. “Tea Company Steeped in OR”, OR/MS Today 27, 2 (abril de 2000): 4 (julio-agosto de 2005): 313-322.
32-34. Orden, A. “LP from the ‘40s to the ‘90s”, Interfaces 23, 5 (septiembre-octubre
Ching, Wai-Ki, Wai-On Yuen, Michael K. Ng y Shu-Qin Zhang. “A Linear de 1993): 2-12.
Programming Approach for Determining Optimal Advertising Policy”, Pazour, Jennifer A. y Lucas C. Neubert. “Routing and Scheduling of Cross-Town
IMA Journal of Management Mathematics 17, 1 (2006): 83-96. Drayage Operations at J.B. Hunt Transport”, Interfaces 43, (marzo/abril de
Dantzig, George B. “Linear Programming Under Uncertainty”, Management 2013): 117-129.
Science 50, 12 (diciembre de 2004): 1764-1769. Romeijn, H. Edwin, Ravindra K. Ahuja, James F. Dempsey y Arvind Kumar.
Degbotse, Alfred, Brian T. Denton, Kenneth Fordyce, R. John Milne, Robert Orzell “A New Linear Programming Approach to Radiation Therapy Treatment
y Chi-Tai Wang. “IBM Blends Heuristics and Optimization to Plan Its Semi- Planning Problems”, Operations Research 54, 2 (marzo-abril de 2006):
conductor Supply Chain”, Interfaces 43 (marzo/abril de 2013): 130-141. 201-216.
Gass, Saul I. “The First Linear-Programming Shoppe”, Operations Research 50, 1 Rubin, D. S. y H. M. Wagner. “Shadow Prices: Tips and Traps for Managers and
(enero-febrero de 2002): 61-68. Instructors”, Interfaces 20, 4 (julio-agosto de 1990): 150-157.
Greenberg, H. J. “How to Analyze the Results of Linear Programs—Part 1: Preli- Wendell, Richard E. “Tolerance Sensitivity and Optimality Bounds in Linear
minaries”, Interfaces 23, 4 (julio-agosto de 1993): 56-68. Programming”, Management Science 50, 6 (junio de 2004): 797-803.

CAPÍTULO 8
Aplicaciones de
programación lineal
1. Modelar una amplia variedad de problemas de PL 3. Adquirir experiencia en la solución de problemas
medianos y grandes. de PL con el software Solver de Excel.
2. Comprender las principales áreas de aplicación,
incluidos marketing, producción, programación
de la mano de obra, mezcla de combustibles y
finanzas.

8.1 Introducción 8.5 Aplicaciones financieras
8.2 Aplicaciones al marketing 8.6 Aplicaciones a la mezcla de ingredientes
8.3 Aplicaciones a la manufactura 8.7 Otras aplicaciones de la programación lineal
8.4 Aplicaciones a la programación de empleados
Resumen • Autoevaluación • Problemas • Estudio de caso: Cable & Moore • Bibliografía
291

292 CAPÍTULO 8 • APLICACIONES DE PROGRAMACIÓN LINEAL
8.1 Introducción
El método gráfico de programación lineal (PL), estudiado en el capítulo 7, es útil para entender cómo se
formulan y resuelven problemas de PL sencillos. El propósito de este capítulo es dar un paso más y demos-
trar cómo un gran número de problemas de la vida real pueden modelarse con la PL. Logramos lo anterior
al presentar ejemplos de modelos en las áreas de investigación de mercados, selección de medios de comu-
nicación, mezcla de producción, programación de la mano de obra, programación de la producción, mezcla
de ingredientes y selección del portafolios financiero. Resolveremos muchos de estos problemas de PL
utilizando Solver de Excel y QM para Windows.
Aunque algunos de estos modelos son relativamente pequeños en el sentido numérico, los principios
desarrollados aquí son definitivamente aplicables a problemas más grandes. Por otro lado, esta práctica
en “paráfrasis” de las formulaciones de modelos de PL debería ayudar a desarrollar sus habilidades en la
aplicación de la técnica a otras aplicaciones menos comunes.
8.2 Aplicaciones al marketing

Selección de medios de comunicación
Los problemas de selección de medios Los modelos de programación lineal se han utilizado en el campo de la publicidad como una ayuda en la
de comunicación se pueden abordar decisión de seleccionar una mezcla de medios de comunicación eficaz. En ocasiones, la técnica se emplea
con PL desde dos perspectivas. para la asignación de un presupuesto fijo o limitado a diversos medios de comunicación, que podrían
El objetivo puede ser maximizar incluir mensajes publicitarios en radio o televisión, anuncios en periódicos, correo directo, anuncios en
la exposición a la audiencia o revistas, etcétera. En otras aplicaciones, el objetivo es maximizar la exposición a la audiencia. Las restric-
minimizar los costos de publicidad.
ciones para la mezcla de medios de comunicación permisibles podrían surgir de los requisitos del contrato,
la limitada disponibilidad de medios de comunicación o una política de la empresa. A continuación, se
presenta un ejemplo.
El club de juegos Win Big promueve viajes de juego desde una ciudad grande del medio oeste de
Estados Unidos a los casinos en las Bahamas. El club ha presupuestado hasta $8,000 por semana para
publicidad local. El dinero será repartido entre cuatro medios de comunicación promocionales: anuncios
en televisión, anuncios en periódicos y dos tipos de anuncios en radio. El objetivo de Win Big es llegar a
la mayor audiencia de alto potencial posible a través de los diversos medios de comunicación. La siguiente
tabla muestra el número de jugadores potenciales que son alcanzados mediante el uso de un anuncio en
cada uno de los cuatro medios de comunicación. También presenta el costo por anuncio colocado y el nú-
mero máximo de anuncios que se pueden comprar por semana.
AUDIENCIA COSTO ANUNCIOS

ALCANZADA POR MÁXIMOS
MEDIO POR ANUNCIO ANUNCIO ($) POR SEMANA
Anuncio en televisión (1 minuto) 5,000 800 12

Periódico (anuncio a página completa) 8,500 925 5
Anuncio en radio (30 segundos, en horario 2,400 290 25
estelar)
Anuncio en radio (1 minuto, por la tarde) 2,800 380 20
Los acuerdos contractuales de Win Big requieren que se coloquen al menos cinco anuncios en radio cada
semana. Para asegurar una campaña promocional de amplio alcance, la gerencia también insiste en que no
se deben destinar más de $1,800 a publicidad por radio cada semana.
Para formular esto como un programa lineal, el primer paso es entender cabalmente el problema. En
ocasiones, hacer preguntas del tipo “¿qué pasaría si?” le ayudarán a entender la situación. En este ejem-
plo, ¿qué pasaría si se utilizaran exactamente cinco anuncios de cada tipo? ¿Cuál sería el costo? ¿Cuántas
personas se alcanzarían? Ciertamente, el uso de una hoja de cálculo ayuda con esto, dado que se pueden
escribir fórmulas para calcular el costo y el número de personas alcanzadas. Una vez que se entiende la
situación, es posible expresar el objetivo y las restricciones de la siguiente manera:
Objetivo:
Maximizar la cantidad de personas (audiencia) alcanzadas

8.2 APLICACIONES AL MARKETING 293
Restricciones:
1. No se pueden utilizar más de 12 anuncios en televisión. 2. No se pueden usar más de 5 anuncios
en periódicos. 3. No se pueden utilizar más de 25 anuncios de 30 segundos en radio. 4. No se pueden
usar más de 20 anuncios en radio de 1 minuto. 5. El monto total gastado no puede exceder $8,000.
6. El número total de anuncios en radio debe ser al menos de 5. 7. El monto total gastado en anun-
cios en radio no debe exceder $1,800.
A continuación, defina las variables de decisión. Las decisiones que se toman aquí son la cantidad de anun-
cios de cada tipo a usar. Una vez que éstas se conocen, pueden utilizarse para calcular la cantidad gastada y
el número de personas alcanzadas. Sean
X1 = número de anuncios en televisión de 1 minuto en cada semana

X2 = número de anuncios a página completa en periódicos en cada semana
X3 = número de anuncios en radio de 30 segundos en horario estelar en cada semana
X4 = número de anuncios en radio de 1 minuto por la tarde en cada semana
Después, utilizando estas variables, escriba la expresión matemática para el objetivo y las restricciones que
han sido identificadas. Las restricciones de no negatividad también se expresan de manera explícita.
Objetivo:
Maximizar la cobertura de la audiencia = 5,000X1 + 8,500X2 + 2,400X3 + 2,800X4

sujeta a X1 … 12 1anuncios máximos en TV/semana2
X2 … 5 1anuncios máximos en periódicos/semana2
X3 … 25 1anuncios máximos de 30 segundos en radio/semana2
X4 … 20 1anuncios máximos de 1 minuto en radio/semana2
800X1 + 925X2 + 290X3 + 380X4 … $8,000 1presupuesto de publicidad semanal2
X3 + X4 Ú 5 1anuncios en radio mínimos contratados2
290X3 + 380X4 … $1,800 1monto máximo gastado en radio2
X1, X2, X3, X4 Ú 0
La solución a esto se encuentra utilizando Solver de Excel. El programa 8.1 proporciona las entradas para
el cuadro de diálogo Solver Parameter, la fórmula que debe escribirse en la celda para el valor de la fun-
ción objetivo y las celdas donde esta fórmula se tiene que copiar. Los resultados se muestran en la hoja de
cálculo. Esta solución es
X1 = 1.97 anuncios en TV
X2 = 5 anuncios en periódicos
X3 = 6.2 anuncios de 30 segundos en radio
X4 = 0 anuncios de un minuto en radio
Esto produce una exposición a la audiencia de 67,240 contactos. Debido a que X1 y X3 son fraccionales,
probablemente Win Big los redondeará a 2 y 6, respectivamente. Los problemas que exigen que todas las
soluciones sean enteras se estudian a detalle en el capítulo 10.
Investigación de mercado
La programación lineal también se ha aplicado a problemas de investigación de mercado y al área de inves-
tigación del consumidor. El siguiente ejemplo ilustra cómo los encuestadores estadísticos pueden llegar a
decisiones estratégicas con la PL.
Management Sciences Associates (MSA) es una empresa de investigación de mercados con sede en
Washington, D.C., que realiza encuestas de consumo. Uno de sus clientes es un servicio de prensa nacio-
nal que lleva a cabo periódicamente encuestas políticas sobre temas de amplio interés. En una encuesta
realizada por el servicio de prensa, MSA determina que debe cumplir varios requisitos con la finalidad de
obtener conclusiones estadísticamente válidas acerca de la delicada cuestión de las nuevas leyes de inmi-
gración en Estados Unidos:
1. Encuesta aplicada al menos en 2,300 hogares estadounidenses en total.
2. Encuesta aplicada al menos en 1,000 hogares cuyos jefes de familia tengan 30 años de edad o menos.

PROGRAMA 8.1
Solución de Win Big
en Excel 2013
Entrada de parámetros y selecciones en Solver Fórmulas clave

Celda objetivo: F6
Celdas variables: B5:E5
Para: Max
Copiar F6 a F9:F15
Sujeto a las restricciones:
F9:F14 <= H9:H14
F15 >= H15
Método de solución: Simplex LP
嘼 Variables no negativas
3. Encuesta aplicada al menos en 600 hogares cuyos jefes de familia estén entre 31 y 50 años de edad.
4. Asegurar que al menos 15% de los encuestados vivan en un estado que limite con México.
5. Asegurar que no más de 20% de los encuestados que tienen 51 años de edad o más vivan en un estado
que limita con México.
MSA decide que todas las encuestas deben realizarse en persona. Se estima que los costos de llegar a
la gente en cada categoría de edad y región son los siguientes:
COSTO POR PERSONA ENCUESTADA ($)
REGIÓN EDAD … 30 EDAD 31 A 50 EDAD Ú 51
Estado fronterizo con México $7.50 $6.80 $5.50

Estado sin frontera con México $6.90 $7.25 $6.10
A MSA le gustaría satisfacer los cinco requisitos de muestreo al menor costo posible.
Al formular esto como un programa lineal, el objetivo es minimizar el costo. Los cinco requisitos
sobre el número de personas a ser incluidas en la muestra con características específicas resultan en cinco
restricciones. Las variables de decisión provienen de las decisiones que se deben tomar, es decir, el número
de personas incluidas en la muestra de cada una de las dos regiones, en cada una de las tres categorías de
edad. Por lo tanto, las seis variables son
X1 = número de encuestados que tienen 30 años o menos y viven en un estado fronterizo

X2 = número de encuestados que tienen entre 31 y 50 años y viven en un estado fronterizo
X3 = número de encuestados que tienen 51 años o más y viven en un estado fronterizo
X4 = número de encuestados que tienen 30 años o menos y no viven en un estado fronterizo
X5 = número de encuestados que tienen entre 31 y 50 años y no viven en un estado fronterizo
X6 = número de encuestados que tienen 51 años o más y no viven en un estado fronterizo

8.2 APLICACIONES AL MARKETING 295
Función objetivo:
Minimizar los costos totales de entrevista = $7.50X1 + $6.80X2 + $5.50X3

+ $6.90X4 + $7.25X5 + $6.10X6
sujetos a
X1 + X2 + X3 + X4 + X5 + X6 Ú 2,300 1hogares totales 2

X1 + X4 Ú 1,000 1jefes de familia de 30 años o menos2
X2 + X5 Ú 600 1jefes de familia entre 31 y 50 años2
X1 + X2 + X3 Ú 0.151X1 + X2 + X3 + X4 + X5 + X6 2 1estados fronterizos)
X3 … 0.21X3 + X6 2 1límite del grupo de edad de 51+ que viven en estado fronterizo2
X1, X2, X3, X4, X5, X6 Ú 0
La solución por computadora para el problema de costos de MSA es $15,166 y se presenta en la siguiente
tabla, así como en el programa 8.2; este último muestra la entrada y salida en Excel 2013. Note que las
variables en las restricciones se mueven al lado izquierdo de la desigualdad.
REGIÓN EDAD … 30 EDAD 31 A 50 EDAD Ú 51
Estado fronterizo con México 0 600 140

Estado sin frontera con México 1,000 0 560
PROGRAMA 8.2
Solución para MSA
en Excel 2013

Celda objetivo: H5
Celdas variables: B4:G4
Para: Min Copiar H5 a H8:H12
H8:H11 <= J8:J11
H12 >= J12

8.3 Aplicaciones a la manufactura

Mezcla de producción
Un campo fértil para el uso de la PL está en la planeación de la combinación óptima de productos a fabri-
car. Una empresa debe cumplir con una gran variedad de restricciones, que van de los aspectos financieros,
a la demanda de ventas, a los contratos de material y a las demandas laborales del sindicato. Su objetivo
principal es generar la mayor utilidad posible.
Fifth Avenue Industries, un fabricante de ropa masculina con renombre nacional, produce cuatro va-
riedades de corbatas. Una es costosa, toda hecha de seda; otra está hecha completamente de poliéster; una
tercera es una mezcla de poliéster y algodón, y una más es una mezcla de seda y algodón. La siguiente
tabla ilustra el costo y la disponibilidad (por periodo de planeación de la producción mensual) de los tres
materiales utilizados en el proceso de producción:
COSTO POR MATERIAL DISPONIBLE

MATERIAL YARDA ($) POR MES (YARDAS)
Seda 24 1,200
Poliéster 6 3,000
Algodón 9 1,600
La compañía ha establecido contratos con varias de las principales cadenas de tiendas departamentales
para suministrarles corbatas. Los contratos requieren que Fifth Avenue Industries surta una cantidad mí-
nima de cada corbata, pero permiten una mayor demanda si Fifth Avenue elige satisfacer esa demanda.
(De hecho, la mayoría de las corbatas no se envían con el nombre Fifth Avenue en su etiqueta, sino con
etiquetas de “inventario privado” suministradas por las tiendas). En la tabla 8.1 se resume la demanda por
contrato para cada uno de los cuatro estilos de corbata, el precio de venta por corbata y los requisitos de
tela para cada variedad. El objetivo de Fifth Avenue es maximizar su utilidad mensual. Debe decidir sobre
una política para realizar la mezcla de productos.
En la formulación de este problema, el objetivo es maximizar la utilidad. Hay tres restricciones (una
para cada material) que indican que la cantidad de seda, poliéster y algodón no puede exceder la cantidad
que está disponible. Hay cuatro restricciones (una para cada tipo de corbata) que especifican que el número
de corbatas de seda, de poliéster, de poliéster-seda y de seda-algodón producidas debe ser por lo menos
la cantidad mínima del contrato. Hay cuatro restricciones más (una para cada tipo de corbata) que indican
que el número de cada una de estas corbatas producidas no puede exceder la demanda mensual. Las varia-
bles se definen como
X1 = número de corbatas de seda producidas por mes

X2 = número de corbatas de poliéster
X3 = número de corbatas de poliéster-algodón
X4 = número de corbatas de seda-algodón
TABLA 8.1 Datos para Fifth Avenue Industries
PRECIO MÍNIMO MATERIAL

DE VENTA MENSUAL REQUERIDO
VARIEDAD POR CORBATA POR DEMANDA POR CORBATA REQUISITOS DEL
DE CORBATA ($) CONTRATO MENSUAL (YARDAS) MATERIAL
Toda de seda 19.24 5,000 7,000 0.125 100% seda

Toda de poliéster 8.70 10,000 14,000 0.08 100% poliéster
Mezcla 1, 9.52 13,000 16,000 0.10 50% poliéster-50% algodón
poliéster-algodón
Mezcla 2, 10.64 5,000 8,500 0.11 60% seda-40% algodón
seda-algodón

8.3 APLICACIONES A LA MANUFACTURA 297
Pero primero la empresa debe establecer la utilidad por corbata:

1. Cada corbata de seda (X1) requiere 0.125 yardas de seda, con un costo de $24.00 por yarda. Por lo
tanto, el costo del material por corbata es de $3.00. El precio de venta es de $19.24, lo cual deja una
utilidad neta de $16.24 por corbata de seda.
2. Cada corbata de poliéster (X2) requiere 0.08 yardas de poliéster, con un costo de $6 por yarda. Por lo
tanto, el costo del material por corbata es de $0.48. El precio de venta es $8.70, lo que deja una utili-
dad neta de $8.22 por corbata de poliéster.
3. Cada corbata de poliéster-algodón (mezcla 1) (X3) requiere 0.05 yardas de poliéster, con un costo
de $6 por yarda, y 0.05 yardas de algodón, a $9 por yarda, para un costo de $0.30 + $0.45 = $0.75
por corbata. El precio de venta es de $9.52, lo cual deja una utilidad neta de $8.77 por corbata
de poliéster-algodón.
4. Al realizar cálculos similares se demostrará que cada corbata de seda-algodón (mezcla 2) (X4) tiene
un costo de material por corbata de $1.98 y una utilidad de $8.66.
Ahora, la función objetivo se puede enunciar como
Maximizar la utilidad = $16.24X1 + $8.22X2 + $8.77X3 + $8.66X4
sujeta a 0.125X1 + 0.066X4 … 1,200 1yardas de seda2

0.08X2 + 0.05X3 … 3,000 1yardas de poliéster2
0.05X3 + 0.044X4 … 1,600 1yardas de algodón2
X1 Ú 5,000 1mínimo por contrato de corbatas de seda2
X1 … 7,000 1máximo por contrato2
X2 Ú 10,000 1mínimo por contrato de corbatas de poliéster 2
X3 Ú 13,000 1mínimo por contrato de corbatas de la mezcla 12
X4 Ú 5,000 1mínimo por contrato de corbatas de la mezcla 22
X1, X2, X3, X4 Ú 0
Si se usa Excel y su comando Solver, la solución generada por computadora es producir 5,112 corbatas
todas de seda cada mes; 14,000 corbatas todas de poliéster; 16,000 corbatas de la mezcla 1 de poliéster-al-
godón, y 8,500 corbatas de la mezcla 2 de seda-algodón. Esto produce una utilidad de $412,028 en un
periodo de producción. Vea el programa 8.3 para mayores detalles.
Programación de la producción
El establecimiento de un programa de producción de bajo costo en un periodo de semanas o meses es un
problema de gestión difícil e importante en la mayoría de las plantas. El gerente de producción debe tener
en cuenta muchos factores: la capacidad de la mano de obra, los costos de inventario y almacenamiento, las
limitaciones de espacio, la demanda de productos y las relaciones laborales. Debido a que la mayoría de
las empresas producen más de un producto, el proceso de programación suele ser bastante complejo.
Básicamente, el problema se asemeja a un modelo de mezcla de productos para cada periodo en el
futuro. El objetivo es maximizar utilidades, o bien, minimizar el costo total (producción más inventario),
por llevar a cabo la tarea.
La programación de la producción se soluciona mediante PL porque es un problema que debe resol-
verse de manera regular. Cuando se establecen la función objetivo y las restricciones para una empresa, las
entradas se pueden cambiar fácilmente cada mes para proporcionar un calendario actualizado.
Un ejemplo de programación de la Greenberg Motors, Inc., fabrica dos motores eléctricos diferentes que vende bajo contrato a Drexel
producción: Greenberg Motors Corp., un productor bien conocido de electrodomésticos pequeños para cocina. Su modelo GM3A se en-
cuentra en muchos procesadores de alimentos Drexel, y su modelo GM3B se utiliza en el ensamble de
licuadoras.
Tres veces al año, el director de adquisiciones en Drexel contacta a Irwin Greenberg, fundador de
Greenberg Motors, con la finalidad de hacer un pedido mensual para cada uno de los próximos cuatro
meses. La demanda de Drexel por motores varía cada mes con base en sus propios pronósticos de ventas,
su capacidad de producción y su situación financiera. Greenberg acaba de recibir la orden de enero a abril
y debe comenzar su propio plan de producción para cuatro meses. La demanda de motores se muestra en
la tabla 8.2.

PROGRAMA 8.3
Solución para Fith
Avenue en Excel 2013

Celda objetivo: F6
Para: Max Copiar F6 a F9:F19
F9:F15 <= H9:H15
F16:F19 >= H16:H19
TABLA 8.2
MODELO ENERO FEBRERO MARZO ABRIL
Programa de pedidos
de motores eléctricos GM3A 800 700 1,000 1,100
durante cuatro meses GM3B 1,000 1,200 1,400 1,400
La planeación de la producción en Greenberg Motors debe considerar varios factores:
1. La empresa tiene que satisfacer la demanda de cada uno de los dos productos en cada uno de los
cuatro meses (vea la tabla 8.2). Además, a la compañía le gustaría tener en inventario 450 unidades
del GM3A y 300 unidades del GM3B al final del mes de abril, ya que se espera que la demanda en
mayo sea un poco más alta que la demanda en los meses anteriores.
2. Hay un costo por conservar o almacenar cualquier inventario dejado al final del mes. Así que es po-
sible que no sea deseable producir demasiadas unidades adicionales de cualquiera de los productos.
El costo de almacenamiento asignado al GM3A es de $0.36 por unidad al mes, mientras que el costo
de almacenamiento para el GM3B es de $0.26 por unidad al mes.
3. La compañía ha sido capaz de mantener una política de que no haya despidos, y le gustaría continuar
con esto. Esto es más fácil si las horas de mano de obra utilizadas no fluctúan mucho de un mes a
otro. Se desea mantener un programa de producción que requeriría de 2,240 a 2,560 horas de mano
de obra por mes. El GM3A requiere 1.3 horas de mano de obra por unidad, mientras que el GM3B
necesita sólo 0.9 horas de mano de obra.

8.3 APLICACIONES A LA MANUFACTURA 299
4. Las limitaciones de almacenamiento no pueden excederse sin grandes costos adicionales. Hay espacio
al final del mes para únicamente 3,300 unidades de GM3A y GM3B combinadas.
Aunque a veces estos factores entran en conflicto, Greenberg ha encontrado que la programación lineal
es una herramienta eficaz para la creación de un programa de producción que minimice el costo total. Los
costos de producción son actualmente de $20 por unidad para el GM3A y $15 por unidad para el GM3B.
Sin embargo, cada uno de ellos aumentará 10% el 1 de marzo, como parte de un nuevo acuerdo laboral que
entrará en vigencia.
Al formular esto como un programa lineal, es importante entender cómo se relacionan todos los fac-
tores importantes, cómo se calculan los costos, cómo se calculan las horas de mano de obra al mes y cómo
se cumple la demanda con la producción y el inventario disponibles. Para ayudarse a entender esto, intente
determinar el número de horas de mano de obra utilizadas, el número de unidades que quedan en inven-
tario al final de cada mes para cada producto y el costo total si se producen exactamente 1,000 GM3A y
exactamente 1,200 GM3B cada mes.
Para comenzar a formular el programa lineal para el problema de producción de Greenberg, el obje-
tivo y las restricciones son:
Objetivo:
Minimizar el costo total (costo de producción más el costo de almacenamiento)
Restricciones:
4 restricciones de demanda (1 restricción por cada uno de los 4 meses) para el GM3A
4 restricciones de demanda (1 restricción por cada uno de los 4 meses) para el GM3B
2 restricciones (1 del GM3A y 1 del GM3B) para el inventario al final del mes de abril
4 restricciones por las horas de mano de obra mínimas (1 restricción para cada mes)
4 restricciones por las horas de mano de obra máximas (1 restricción para cada mes)
4 restricciones de la capacidad de almacenamiento de inventario cada mes
Las decisiones implican determinar cuántas unidades de cada uno de los 2 productos se deben producir en
cada uno de los 4 meses, por lo que habrá 8 variables. Pero, ya que el objetivo es minimizar el costo, y hay
costos asociados no sólo con las unidades producidas cada mes, sino también con el número de unidades
de cada producto que quedan en el inventario, sería mejor también definir variables para éstos. Sean
Ai = número de unidades de GM3A producidas en el mes i 1i = 1, 2, 3, 4 de enero a abril2

Bi = número de unidades de GM3B producidas en el mes i 1i = 1, 2, 3, 4 de enero a abril2
IAi = unidades de GM3A dejadas en inventario al final del mes i 1i = 1, 2, 3, 4 de enero a abril2
IBi = unidades de GM3B dejadas en inventario al final del mes i 1i = 1, 2, 3, 4 de enero a abril2
La función objetivo del modelo de PL es
Minimizar el costo = 20A1 + 20A2 + 22A3 + 22A4 + 15B1 + 15B2 + 16.50B3

+ 16.50B4 + 0.36IA1 + 0.36IA2 + 0.36IA3 + 0.36IA4
+ 0.26IB1 + 0.26IB2 + 0.26IB3 + 0.26IB4
Las restricciones de inventario En el establecimiento de las restricciones, debemos reconocer la relación entre el inventario de cierre
establecen la relación entre el del mes pasado, la producción del mes en curso y las ventas a Drexel este mes. El inventario al final de
cierre de inventario este mes, un mes es
el cierre de inventario el mes pasado,
la producción de este mes y las Inventario Inventario
ventas de este mes. Producción Ventas
al final al final
§ de este ¥ = § del mes ¥ + £ del mes ≥ - £ a Drexel ≥
mes pasado actual este mes

Aunque las restricciones podrían escribirse de esta forma, la introducción del problema a la computadora
requiere que todas las variables estén en el lado izquierdo de la restricción. Al reordenar los términos para
hacer esto, resulta
Inventario Inventario
Producción Ventas
al final al final
§ del mes ¥ + £ del mes ≥ - § ¥ = £ a Drexel ≥
actual de este
pasado este mes
mes
Si se usa esto, las restricciones de la demanda son:
A1 - IA1 = 800 1demanda de GM3A en enero2

IA1 + A2 - IA2 = 700 1demanda de GM3A en febrero2
IA2 + A3 - IA3 = 1,000 1demanda de GM3A en marzo2
IA3 + A4 - IA4 = 1,100 1demanda de GM3A en abril2
B1 - IB1 = 1,000 1demanda de GM3B en enero2
IB1 + B2 - IB2 = 1,200 1demanda de GM3B en febrero2
IB2 + B3 - IB3 = 1,400 1demanda de GM3B en marzo2
IB3 + B4 - IB4 = 1,400 1demanda de GM3B en abril2
IA4 = 450 1inventario de GM3A a finales de abril2
IB4 = 300 1inventario de GM3B a finales de abril2
Las restricciones de la mano de obra Las restricciones para el número mínimo y máximo de horas de mano de obra en cada mes son:
se establecen para cada mes.
1.3A1 + 0.9B1 Ú 2,240 1número mínimo de horas de mano de obra en enero2
1.3A2 + 0.9B2 Ú 2,240 1número mínimo de horas de mano de obra en febrero2
1.3A3 + 0.9B3 Ú 2,240 1número mínimo de horas de mano de obra en marzo2
1.3A4 + 0.9B4 Ú 2,240 1número mínimo de horas de mano de obra en abril2
1.3A1 + 0.9B1 … 2,560 1número máximo de horas de mano de obra en enero2
1.3A2 + 0.9B2 … 2,560 1número máximo de horas de mano de obra en febrero2
1.3A3 + 0.9B3 … 2,560 1número máximo de horas de mano de obra en marzo2
1.3A4 + 0.9B4 … 2,560 1número máximo de horas de mano de obra en abril2
Las restricciones por la capacidad de almacenamiento son:
IA1 + IB1 … 3,300 1capacidad de almacenamiento en enero2

IA2 + IB2 … 3,300 1capacidad de almacenamiento en febrero2
IA3 + IB3 … 3,300 1capacidad de almacenamiento en marzo2
IA4 + IB4 … 3,300 1capacidad de almacenamiento en abril2
Todas las variables Ú 0 1restricciones de no negatividad2
La solución se obtuvo utilizando Solver en Excel 2013, como se muestra en el programa 8.4. Algunas de
las variables no son enteras, pero esto no representa un problema porque el trabajo en proceso iniciado
un mes se termina al mes siguiente. En la tabla 8.3 se resume la solución con los valores redondeados. El
costo total es de aproximadamente $169,295. Greenberg puede utilizar este modelo para desarrollar pro-
gramas de producción en el futuro, haciendo que los subíndices de las variables representen nuevos meses
y realizando pequeños cambios en el problema. Lo único que tendrían que cambiar en el modelo son los
valores del LD para las restricciones de demanda (y el inventario deseado al final del cuarto mes), así como
los coeficientes (costos) de la función objetivo, si ello es necesario.

8.4 APLICACIONES A LA PROGRAMACIÓN DE EMPLEADOS 301
PROGRAMA 8.4
Solución para Greenberg
Motors en Excel 2013

Celda objetivo: F5
Celdas variables: B4:Q4
Para: Min Copiar la fórmula en R5 a R8:R17
Sujeto a las restricciones: Copiar la fórmula en R5 a R19:R26
Copiar la fórmula en R5 a R28:R31
R19:R22 >= T19:T22
R23:R26 <= T23:T26
R28:R31 <= T28:T31
R8:R17 = T8:T17
TABLA 8.3
PROGRAMA DE PRODUCCIÓN ENERO FEBRERO MARZO ABRIL
de Greenberg Motors Unidades de GM3A producidas 1,277 223 1,758 792
Unidades de GM3B producidas 1,000 2,522 78 1,700
Inventario de GM3A conservado 477 0 758 450
Inventario de GM3B conservado 0 1,322 0 300
Horas de mano de obra requeridas 2,560 2,560 2,355 2,560
8.4 Aplicaciones a la programación de empleados

Planeación de la mano de obra
Los problemas de planeación de la mano de obra abordan las necesidades de personal durante un periodo
de tiempo específico. Son especialmente útiles cuando los gerentes tienen cierta flexibilidad en la asigna-
ción de trabajadores a las tareas que requieren talentos superpuestos o intercambiables. Los bancos gran-
des utilizan con frecuencia la PL para hacer frente a su programación de la mano de obra.

TABLA 8.4
PERIODO DE TIEMPO NÚMERO DE CAJEROS REQUERIDO
Banco de Comercio e
Industria de Hong Kong 9 a.m.–10 a.m. 10
10 a.m.–11 a.m. 12
11 a.m.–Medio día 14
Medio día–1 p.m. 16
1 p.m.–2 p.m. 18
2 p.m.–3 p.m. 17
3 p.m.–4 p.m. 15
4 p.m.–5 p.m. 10
El Banco de Comercio e Industria de Hong Kong es un banco ocupado que requiere entre 10 y 18
cajeros, dependiendo de la hora del día. La hora de la comida, desde el mediodía hasta las 2 p.m., suele ser
la más pesada. En la tabla 8.4 se indican los empleados necesarios en las diferentes horas que el banco está
abierto.
El banco ahora emplea a 12 cajeros de tiempo completo, pero dispone de muchas personas en su lista
de empleados de tiempo parcial. Un empleado de tiempo parcial debe trabajar exactamente cuatro horas
al día, pero puede comenzar en cualquier momento entre las 9 a.m. y la 1 p.m. Los empleados de tiempo
parcial son una mano de obra poco costosa, ya que no tienen prestaciones por jubilación ni de alimentos.
Por otro lado, los empleados de tiempo completo trabajan de 9 a.m. a 5 a.m.; pero se les otorga 1 hora para
comer. (La mitad de los trabajadores a tiempo completo come a las 11 a.m. y la otra mitad al mediodía).
De este modo, los empleados de tiempo completo proporcionan 35 horas semanales de tiempo de trabajo
productivo.
Por política de la empresa, el banco limita las horas de tiempo parcial hasta un máximo de 50% de
las necesidades totales del día. Los trabajadores de tiempo parcial ganan $8 por hora (o $32 por día) en
promedio; y los de tiempo completo ganan $100 al día en salario y prestaciones, en promedio. Al banco le
gustaría establecer una programación que reduzca al mínimo sus costos totales de personal. Podría despe-
dir a uno o más de sus cajeros de tiempo completo, si fuera redituable hacerlo.
En la formulación de esto como un programa lineal, el objetivo es minimizar el costo. Hay una res-
tricción para cada hora del día, que indica que el número de personas que trabajan en el banco durante
esa hora debería ser al menos el número mínimo mostrado en la tabla 8.4, por lo que hay ocho de estas
restricciones. Otra restricción limita el número total de trabajadores de tiempo completo a no más de 12.
La última restricción especificará que el número de horas a tiempo parcial no podrá superar 50% de las
horas totales.
El banco tiene que decidir cuántos cajeros de tiempo completo asignar, por lo que no habrá una va-
riable de decisión para eso. Del mismo modo, el banco debe decidir sobre el uso de los cajeros de tiempo
parcial; pero esto es más complejo porque los trabajadores de tiempo parcial pueden comenzar en diferen-
tes momentos del día, mientras que todos los trabajadores de tiempo completo comienzan al inicio del día.
Por lo tanto, tiene que haber una variable que indique el número de trabajadores de tiempo parcial a partir
de cada hora del día, desde las 9 a.m. hasta la 1 p.m. Cualquier trabajador que comience a la 1 p.m. traba-
jará hasta el cierre, así que no hay necesidad de considerar trabajadores de tiempo parcial que comiencen
después de esa hora. Sean
F = cajeros de tiempo completo

P1 = cajeros de tiempo parcial que inician a las 9 a.m. (y salen a la 1 p.m.)
P2 = cajeros de tiempo parcial que inician a las 10 a.m. (y salen a las 2 p.m.)
P3 = cajeros de tiempo parcial que inician a las 11 a.m. (y salen a las 3 p.m.)
P4 = cajeros de tiempo parcial que inician al mediodía (y salen a las 4 p.m.)
P5 = cajeros a tiempo parcial que inician a la 1 p.m. (y salen a las 5 p.m.)
Función objetivo:
Minimizar el costo diario total del personal = $100F + $32 1P1 + P2 + P3 + P4 + P52

8.5 APLICACIONES FINANCIERAS 303
Restricciones:
Para cada hora, las horas de trabajo disponibles deben ser por lo menos iguales a las horas de trabajo
requeridas.
F + P1 Ú 10 (necesidades de 9 a.m. a 10 a.m.)

F + P1 + P2 Ú 12 (necesidades de 10 a.m. a 11 a.m.)
0.5F + P1 + P2 + P3 Ú 14 (necesidades de 11 a.m. a mediodía)
0.5F + P1 + P2 + P3 + P4 Ú 16 (necesidades de mediodía a 1 p.m.)
F + P2 + P3 + P4 + P5 Ú 18 (necesidades de 1 p.m. a 2 p.m.)
F + P3 + P4 + P5 Ú 17 (necesidades de 2 p.m. a 3 p.m.)
F + P4 + P5 Ú 15 (necesidades de 3 p.m. a 4 p.m.)
F + P5 Ú 10 (necesidades de 4 p.m. a 5 p.m.)
Sólo se dispone de 12 cajeros de tiempo completo, por lo tanto
F … 12
Los trabajadores de tiempo parcial no pueden superar 50% de las horas totales requeridas cada día, que es
la suma de los cajeros necesarios cada hora:
4 1P1 + P2 + P3 + P4 + P52 … 0.50 110 + 12 + 14 + 16 + 18 + 17 + 15 + 102
o bien,
4P1 + 4P2 + 4P3 + 4P4 + 4P5 … 0.50 11122

Las soluciones óptimas múltiples F, P1, P2, P3, P4, P5 Ú 0
son comunes en muchos problemas
de PL. La secuencia donde se En el programa 8.5 se presenta la solución a esto, que se encuentra utilizando Solver en Excel 2013. Hay
introducen las restricciones a QM varios programas óptimos alternativos que el Banco de Hong Kong puede seguir. El primero es emplear
para Windows puede afectar la
sólo 10 cajeros de tiempo completo 1F = 102 y comenzar con 7 cajeros de tiempo parcial a las 10 a.m.
1P2 = 72, 2 cajeros de tiempo parcial a las 11 p.m. 1P3 = 22 y 5 cajeros de tiempo parcial al mediodía
solución encontrada.
1P4 = 52. No hay empleados de tiempo parcial que inicien a las 9 a.m. ni a la 1 p.m.
Una segunda solución también cuenta con 10 cajeros de tiempo completo, pero comienza con 6 de
tiempo parcial a las 9 a.m. 1P1 = 62, 1 de tiempo parcial a las 10 a.m. 1P2 = 12, 2 de tiempo parcial a las
11 a.m. y 5 al mediodía 1P3 = 2 y P4 = 52 y 0 de tiempo parcial a la 1 p.m. 1P5 = 02. El costo de cualquiera
de estas dos políticas es de $1,448 al día.
8.5 Aplicaciones financieras

Selección del portafolios
La maximización del rendimiento Un problema que a menudo enfrentan los gerentes de bancos, fondos de inversión, servicios de inversión y
sobre la inversión sujeto a un compañías de seguros es la selección de inversiones específicas entre una amplia variedad de alternativas.
conjunto de restricciones de riesgo El objetivo general del gerente suele ser la maximización del rendimiento sobre la inversión esperado,
es una aplicación financiera común dado un conjunto de restricciones legales, políticas o de riesgo.
de la PL. Por ejemplo, el International City Trust (ICT) invierte en créditos comerciales a corto plazo, bonos
corporativos, reservas de oro y préstamos de construcción. Para estimular una cartera diversificada, el con-
sejo de administración ha puesto límites a la cantidad que se puede comprometer con cualquier tipo de
inversión. ICT dispone de $5 millones para invertirse de inmediato y desea hacer dos cosas: 1. maximizar
el rendimiento sobre las inversiones realizadas en los próximos seis meses, y 2. cumplir con los requisitos
de diversificación establecidos por el consejo de administración.

PROGRAMA 8.5
Solución para la
planeación de la mano
de obra en Excel 2013

Celda objetivo: H6
H9:H16 >= J9:J16
H17:H18 <= J17:J18
Los detalles de las posibilidades de inversión son los siguientes:
TASA DE INVERSIÓN MÁXIMA

INVERSIÓN RENDIMIENTO ($ MILLONES)
Crédito comercial 7% 1.0

Conos corporativos 11% 2.5
Reservas de oro 19% 1.5
Préstamos de construcción 15% 1.8
Asimismo, la junta directiva especifica que al menos 55% de los fondos invertidos debe estar en
las reservas de oro y préstamos para construcción, y que no menos de 15% se invertirá en el crédito
comercial.
Al formular esto como un PL, el objetivo es maximizar el rendimiento. Hay cuatro restricciones
independientes que limitan la cantidad máxima en cada opción de inversión al máximo indicado en la
tabla. La quinta restricción especifica que el importe total de las reservas de oro y préstamos de cons-
trucción debe ser de, al menos, 55% del importe total invertido, y la siguiente restricción especifica que
el importe total del crédito comercial debe ser de, al menos, 15% del importe total invertido. La última

restricción estipula que el monto total invertido no puede exceder los $5 millones (aunque podría ser
menor). Defina las variables como
X1 = dólares invertidos en crédito comercial

X2 = dólares invertidos en bonos corporativos
X3 = dólares invertidos en reservas de oro
X4 = dólares invertidos en préstamos para construcción
El monto total invertido es X1 + X2 + X3 + X4, que puede ser menor a $5 millones. Esto es importante al
calcular el 55% del importe total invertido y 15% de la cantidad total invertida en dos de las restricciones.
Objetivo:
Maximizar el monto de los intereses ganados = 0.07X1 + 0.11X2 + 0.19X3 + 0.15X4

sujeto a X1 … 1,000,000
X2 … 2,500,000
X3 … 1,500,000
X4 … 1,800,000
X3 + X4 Ú 0.551X1 + X2 + X3 + X4 2
X1 Ú 0.151X1 + X2 + X3 + X4 2
X1 + X2 + X3 + X4 … 5,000,000
X1, X2, X3, X4 Ú 0
EN ACCIÓN Optimización en UPS
Un equipo de UPS y del Massachusetts Institute of Technology

E n un día promedio, UPS entrega 13 millones de paquetes a casi
8 millones de clientes en 200 países y territorios. Las entregas se cla-
(MIT) trabajaron en conjunto para desarrollar un sistema de planea-
ción basado en la optimización llamado VOLCANO (por volume,
sifican como aéreas el mismo día, aéreas al día siguiente y aéreas location y aircraft network optimizer) utilizado para la planeación y
al segundo día. Las operaciones aéreas al día siguiente promedian la administración de operaciones. Este grupo desarrolló métodos de
más de 1.1 millones de paquetes diarios y generan ingresos anua- optimización para minimizar el costo total (de propiedad y opera-
les de más de $5 mil millones. La empresa cuenta con 256 aviones ción), mientras cumple las restricciones de capacidad y los estánda-
y muchos más ordenados. Durante la época más ocupada del año, res de servicio. Se utilizan modelos matemáticos para determinar el
entre el Día de Acción de Gracias y el Día de Año Nuevo, la empresa conjunto de rutas con costo mínimo, las asignaciones a la flota y los
arrienda aviones adicionales para satisfacer la demanda. El tamaño flujos de paquetes. Las restricciones incluyen el número de aviones,
de su flota hace de UPS la novena aerolínea comercial más grande las limitaciones de aterrizaje en los aeropuertos y las características
en Estados Unidos y se encuentra entre las 11 aerolíneas comerciales de operación de los aviones (como velocidad, capacidad y alcance).
más grandes del mundo. El sistema VOLCANO ha recibido el crédito por un ahorro de
En la operación de entrega al día siguiente, la recolección y en- más de $87 millones desde finales de 2000 hasta finales de 2002.
trega de paquetes por UPS implica varias etapas. Los paquetes se Se espera el ahorro de $189 millones adicionales durante la próxima
transportan por camión hacia los centros en tierra. Desde ahí, los década. Este optimizador también se utiliza para identificar la com-
paquetes son llevados al aeropuerto y, luego, son trasladados a una posición de la flota necesaria y recomendar futuras adquisiciones de
de las plataformas aeroportuarias con un máximo de una parada en aviones.
otro aeropuerto para recoger más paquetes. En el centro terrestre,
los paquetes se clasifican y se cargan en aviones y se trasladan a su
destino. Los paquetes se cargan en camiones grandes y se llevan a Fuente: Basado en Andrew P. Armacost, Cynthia Barnhart, Keith A. Ware y
centros en tierra. En los centros terrestres, se hace una clasificación Alysia M. Wilson. “UPS Optimizes Its Air Network”, Interfaces 34, 1 (enero-
adicional, los paquetes se ponen en camiones más pequeños y se en- febrero de 2004): 15-25.
tregan a sus destinos finales antes de las 10:30 A.M. El mismo avión
se utiliza para las entregas del segundo día, así que deben estar coor-
dinados ambos tipos de operaciones.

PROGRAMA 8.6
Solución para el
portafolios de ICT
en Excel 2013

Celda objetivo: F5
Para: Min Copiar F5 a F8:F14
F8:F11 <= H8:H11
F12:F13 >= H12:H13
F14 <= H14
En el programa 8.6 se muestra la solución encontrada utilizando Solver en Excel. ICT maximiza
el interés ganado al hacer la siguiente inversión: X1 = $750,000, X2 = $950,000, X3 = $1,500,000 y
X4 = $1,800,000, y el interés total ganado es de $712,000.
Problema del camión de carga

El problema del camión de carga implica decidir qué artículos se deben cargar en un camión con la
finalidad de maximizar el valor de una carga enviada. A manera de ejemplo, considere a Goodman
Shipping, una empresa de Orlando propiedad de Steven Goodman. Uno de sus camiones, con una ca-
pacidad de 10,000 libras, está a punto de cargarse.* El cargamento en espera está formado por los si-
guientes artículos:
ARTÍCULO VALOR ($) PESO (LIBRAS)
1 22,500 7,500
2 24,000 7,500
3 8,000 3,000
4 9,500 3,500
5 11,500 4,000
6 9,750 3,500
*
Adaptado de un ejemplo en S. L. Savage. What’s Best! Oakland, CA: General Optimization, Inc. y Holden-Day, 1985.

Como se observa, cada uno de estos seis artículos tiene un valor monetario y un peso asociados.
El objetivo es maximizar el valor total de los objetos cargados en el camión, sin exceder su capacidad
de peso. Si Xi es la proporción de cada artículo i cargado en el camión:
Maximizar el valor de la carga = $22,500X1 + $24,000X2 + $8,000X3 + $9,500X4

+ $11,500X5 + $9,750X6
sujeta a 7,500X1 + 7,500X2 + 3,000X3 + 3,500X4 + 4,000X5
+3,500X6 … Capacidad de 10,000 libras
X1 … 1
X2 … 1
X3 … 1
X4 … 1
X5 … 1
X6 … 1
X1, X2, X3, X4, X5, X6 Ú 0
Estas últimas seis restricciones reflejan el hecho de que, a lo sumo, se puede cargar una “unidad” de
un artículo en el camión. En efecto, si Goodman puede cargar una porción de un artículo (por ejemplo,
el artículo 1 es un lote de 1,000 sillas plegables, y no es necesario enviarlas todas juntas), las Xi serán pro-
porciones que van de 0 (nada) a 1 (todo el artículo cargado).
Para resolver este problema de PL, regresamos a Solver de Excel. En el programa 8.7 se muestra
la formulación de Goodman en Excel, los datos de entrada y la solución —que da un valor de carga total
de $31,500.
La respuesta nos conduce a un tema interesante que estudiaremos a detalle en el capítulo 10. ¿Qué
haría Goodman si no se pudieran cargar fracciones de los artículos? Por ejemplo, si fueron los artículos
a cargar fueran automóviles de lujo, resulta claro que no podemos enviar un tercio de un Maserati.
PROGRAMA 8.7
Solución en Excel al
problema de la carga
de un camión de
Goodman

Celda objetivo: H5
H8:H14 <= J8:J14

Si la proporción del artículo 1 se redondeara a 1.00, el peso de la carga aumentaría a 15,000 libras,
lo cual quebrantaría la restricción de un peso de máximo de 10,000 libras. Por lo tanto, la fracción del
artículo 1 debe redondearse a cero. Esto disminuiría el valor de la carga a 7,500 libras y quedarían 2,500
libras de capacidad de carga sin utilizar. Debido a que ningún otro artículo pesa menos de 2,500 libras,
el camión no puede llenarse más.
Entonces, vemos que al utilizar la PL regular y redondear los pesos fraccionarios, el camión llevaría
sólo el artículo 2, con un peso de carga de 7,500 libras y un valor de $24,000.
QM para Windows y los optimizadores en hojas de cálculo como Solver de Excel también son capa-
ces de abordar los problemas de programación entera, es decir, problemas de PL que requieren soluciones
enteras. Mediante el uso de Excel, la solución entera al problema de Goodman es cargar los artículos 3, 4
y 6, para un peso total de 10,000 libras y un valor de carga de $27,250.
8.6 Aplicaciones a la mezcla de ingredientes

Problemas de dieta
El problema de la dieta, una de las primeras aplicaciones de la PL, fue utilizado originalmente en los
hospitales para determinar la dieta más económica para los pacientes. Conocido en aplicaciones agríco-
las como el problema de la mezcla de alimentos, el problema de la dieta implica la especificación de
un alimento o una combinación de ingredientes que satisfagan los requerimientos nutricionales dados
a un costo mínimo.
El Centro de Nutrición y Alimentación Integral utiliza tres granos a granel para mezclar un cereal
natural que vende por libras. En la tabla 8.5 se muestran los costos de cada grano a granel y de las unidades
de proteína, riboflavina, fósforo y magnesio por libra.
En el empaque de cada uno de sus productos, el Centro indica el contenido nutricional en cada
plato de cereal cuando se come con 0.5 tazas de leche. Se consultaron los niveles dietéticos recomenda-
dos y la referencia de ingesta dietética oficiales, para establecer las cantidades recomendadas de ciertas
vitaminas y minerales para un adulto promedio. Con base en estas cifras y las cantidades deseadas para
el etiquetado en el envase, el Centro ha determinado que cada porción de 2 onzas del cereal debería
contener 3 unidades de proteína, 2 unidades de riboflavina, 1 unidad de fósforo y 0.425 unidades de
magnesio.
Al modelar esto como un programa lineal, el objetivo es minimizar el costo. Habrá cuatro restric-
ciones (para proteína, riboflavina, fósforo y magnesio) que estipulan que el número de unidades debe
ser, por lo menos, la cantidad mínima especificada. Dado que estos requisitos son para cada porción
de 2 onzas, la última restricción debe indicar que la cantidad total de granos utilizados será de 2 onzas
o 0.125 libras.
Para definir las variables, observe que el costo de los tres granos se expresa por libra. Por lo tanto, con
la finalidad de calcular el costo total, debemos conocer el número de libras de grano utilizadas en una por-
ción de cereal. Además, las cifras de la tabla 8.5 se expresan en unidades por libra de grano, por lo que al
definir las variables como el número de libras de grano, se facilita el cálculo de las cantidades de proteína,
riboflavina, fósforo y magnesio. Sean
XA = libras del grano A en una porción de 2 onzas de cereal

XB = libras del grano B en una porción de 2 onzas de cereal
XC = libras del grano C en una porción de 2 onzas de cereal
TABLA 8.5 Requisitos para el cereal de Nutrición y Alimentación Integral
COSTO POR LIBRA PROTEÍNA RIBOFLAVINA FÓSFORO MAGNESIO

GRANO (CENTAVOS) (UNIDADES/LB) (UNIDADES/LB) (UNIDADES/LB) (UNIDADES/LB)
A 33 22 16 8 5
B 47 28 14 7 0
C 38 21 25 9 6

8.6 APLICACIONES A LA MEZCLA DE INGREDIENTES 309
Función objetivo:
Minimizar el costo total de mezclar una porción de 2 onzas = $0.33XA + $0.47XB + $0.38XC
sujeto a
22XA + 28XB + 21XC Ú 3 (unidades de proteína)

16XA + 14XB + 25XC Ú 2 (unidades de riboflavina)
8XA + 7XB + 9XC Ú 1 (unidades de fósforo)
5XA + 0XB + 6XC Ú 0.425 (unidades de magnesio)
XA + XB + XC = 0.125 (la mezcla total es de 2 onzas o 0.125 libras)
XA, XB, XC Ú 0
La solución a este problema requiere mezclar 0.025 libras del grano A, 0.050 libras del grano B y 0.050
libras del grano C. Otra forma de expresar la solución es en términos de la proporción de cada grano en
la porción de 2 onzas, es decir, 0.4 onzas del grano A, 0.8 onzas del grano B y 0.8 onzas del grano C
en cada porción. El costo por porción es de $0.05. En el programa 8.8 se ilustra esta solución utilizando
Solver en Excel 2013.
Problemas de mezcla de ingredientes

Los problemas de la dieta y la mezcla de alimentos son en realidad casos especiales de una clase más ge-
neral de problemas de PL conocidos como problemas de mezclas o de ingredientes. Los problemas de
mezclas surgen cuando debe tomarse una decisión con respecto a la combinación de dos o más recursos
para producir uno o más productos. Los recursos, en este caso, contienen uno o más ingredientes esen-
ciales que deben mezclarse de forma que cada producto final contenga porcentajes específicos de cada
ingrediente. El siguiente ejemplo presenta una aplicación que se ve con frecuencia en la industria del pe-
tróleo: la mezcla de crudos para producir gasolina refinada.
PROGRAMA 8.8
Solución al problema del
Centro de Alimentación
Integral en Excel 2013

Celda objetivo: E6
Celdas variables: B5:D5
Para: Min Copiar E6 a E9:E13
E9:E12 <= G9:G12
E13 = G13

Las principales refinerías de petróleo La compañía petrolera Low Knock produce dos grados de gasolina a precio reducido para la dis-
utilizan la PL para mezclar petróleos tribución industrial. Los grados, regular y económico, se elaboran mediante el perfeccionamiento de
crudos y producir gasolinas distintas. una mezcla de dos tipos de petróleo crudo, tipo X100 y tipo X220. Cada petróleo crudo se diferencia no
sólo en el costo por barril, sino también en su composición. La siguiente tabla indica el porcentaje de
ingredientes cruciales que se encuentran en cada uno de los petróleos crudos y el costo por barril para
cada uno:
TIPO DE PETRÓLEO INGREDIENTE A INGREDIENTE B COSTO/BARRIL

CRUDO (%) (%) ($)
X100 35 55 30.00
X220 60 25 34.80
La demanda semanal para el grado regular de la gasolina Low Knock es de al menos 25,000
barriles, y la demanda del grado económico es de al menos 32,000 barriles por semana. Al menos 45%
de cada barril del grado regular debe ser del ingrediente A. A lo sumo 50% de cada barril de grado
económico debería ser del ingrediente B. Aunque el rendimiento de gasolina de un barril de crudo de-
pende del tipo de crudo y del tipo de procesamiento utilizado, supondremos para este ejemplo que un
barril de petróleo crudo producirá un barril de gasolina.
La gerencia de Low Knock debe decidir cuántos barriles de cada tipo de petróleo crudo tiene que
comprar cada semana, con la finalidad de mezclarlos y satisfacer la demanda a un costo mínimo. Al mode-
lar esto como un programa lineal, el objetivo es minimizar el costo. Cada uno de los dos grados de gasolina
tiene una restricción de demanda y, además, tiene una restricción que limita la cantidad de ingredientes.
Por lo tanto, hay cuatro restricciones. Las decisiones implican la cantidad de cada tipo de crudo a utilizar
en cada tipo de gasolina, por lo que éstas serán las variables de decisión. Sean
X1 = barriles de crudo X100 mezclados para producir la gasolina regular

X2 = barriles de crudo X100 mezclados para producir la gasolina económica
X3 = barriles de crudo X220 mezclados para producir la gasolina regular
X4 = barriles de crudo X220 mezclados para producir la gasolina económica
Este problema se puede formular de la manera siguiente:

Función objetivo:
Minimizar el costo = $30X1 + $30X2 + $34.80X3 + $34.80X4

sujeto a
X1 + X3 Ú 25,000 (demanda de regular)

X2 + X4 Ú 32,000 (demanda de económica)
Al menos 45% de cada barril de grado regular debe ser del ingrediente A:
1X1 + X32 = cantidad total de crudo mezclado para satisfacer

la demanda de gasolina regular
Así,
0.45 1X1 + X32 = cantidad mínima requerida del ingrediente A
Pero
0.35X1 + 0.60X3 = cantidad del ingrediente A en la gasolina regular
Entonces,
0.35X1 + 0.60X3 Ú 0.45X1 + 0.45X3
o bien,
-0.10X1 + 0.15X3 Ú 0 1ingrediente A en la restricción regular2

8.7 OTRAS APLICACIONES DE LA PROGRAMACIÓN LINEAL 311
Del mismo modo, a lo sumo 50% de cada barril del grado económico debería ser del ingrediente B:
X2 + X4 = cantidad total de crudo mezclado para producir

la gasolina económica demandada
Así,
0.50 1X2 + X42 = cantidad máxima permitida del ingrediente B
Pero
0.55X2 + 0.25X4 = cantidad del ingrediente B en la gasolina económica
Así que
0.55X2 + 0.25X4 … 0.50X2 + 0.50X4
o bien,
0.05X2 - 0.25X4 … 0 (ingrediente B en la restricción económica)
A continuación se presenta la formulación de PL completa:
Minimizar el costo = 30X1 + 30X2 + 34.80X3 + 34.80X4

sujeto a X1 + X3 Ú 25,000
X2 + X4 Ú 32,000
-0.10X1 + 0.15X3 Ú 0
0.05X2 - 0.25X4 … 0
X1, X2, X3, X4 Ú 0
Mediante el uso de Excel, se encontró que la solución para la formulación de Low Knock Oil es
X1 = 15,000 barriles de X100 en el grado regular

X2 = 26,666.67 barriles de X100 en el grado económico
X3 = 10,000 barriles de X220 en el grado regular
X4 = 5,333.33 barriles de X220 en el grado económico
El costo de esta mezcla es de $1,783,600. Consulte el programa 8.9 para ver más detalles.
8.7 Otras aplicaciones de la programación lineal

Existen muchos otros tipos de aplicaciones de la programación lineal. Una aplicación específica fue
desarrollada y utilizada por primera vez por American Airlines a principios de la década de 1990, y
se denomina administración de ingresos. Fue diseñada con la finalidad de usar precios diferenciales
para los asientos, de manera que se pudieran obtener ingresos adicionales. Algunos clientes que estaban
dispuestos a reservar con ciertas restricciones, como la compra anticipada 14 días o con una estancia
de un sábado por la noche, recibirían tarifas más bajas. Sin embargo, si todos los asientos se vendieran
a este costo reducido, entonces los pasajeros que pagan más, a menudo los viajeros de negocios que
podrían tratar de reservar asientos en el último minuto, no serían capaces de hacerlo. En ese caso, se
perderían los ingresos adicionales generados a partir de estos pasajeros. Se desarrolló un sistema de ad-
ministración de ingresos para determinar cuántos asientos se deberían poner a disposición de cada tipo
de pasajero. Los programas lineales tienen el objetivo de maximizar los ingresos totales, mientras que
las restricciones se basan en el número total de asientos disponibles en el avión y el número de asientos
asignados a cada categoría. Las empresas han reportado aumentos significativos en los ingresos como
resultado de esto.
Dado el éxito de los sistemas de administración de ingresos en la industria de las aerolíneas, mu-
chas cadenas hoteleras también adoptaron sistemas similares. La industria de la aviación comercial y
el sector hotelero tienen productos con características similares: un inventario limitado de un producto

PROGRAMA 8.9
Solución para Low Knock
Oil en Excel 2013

Celda objetivo: E6
Para: Min Copiar F6 a F9:F12
F9:F11 >= H9:H11
F12 <= H12
muy perecedero. Un avión tiene un número limitado de asientos, y cuando el avión despega, los asientos
vacíos ya no pueden venderse y los ingresos se pierden. Un hotel tiene un número limitado de habita-
ciones, y una vez que una determinada fecha ha pasado, una habitación vacía en esa fecha no se puede
vender, y los ingresos se pierden.
Otro tipo común de aplicación es el análisis envolvente de datos (DEA, por data envelopment analy-
sis) que, en ocasiones, se utiliza para medir la eficiencia de varias unidades operativas similares, como
hospitales o escuelas. Se usa con frecuencia para entidades sin fines de lucro, en las cuales es difícil medir
el éxito de una unidad especial, por lo que no existe un único objetivo, como las utilidades, que deba op-
timizarse. En el desarrollo del programa lineal, es necesario identificar las entradas y salidas del sistema
en particular. Para el sistema de un hospital, las entradas pueden ser el número de médicos que trabajan, la
cantidad de enfermeras que están laborando, el número de camas-día disponibles por año y la nómina total.
Las salidas pueden ser el número de días-paciente en el hospital, el número de enfermeras capacitadas, el
número de cirugías realizadas, el número de procedimientos ambulatorios realizados y el número de médi-
cos capacitados. Se desarrollan restricciones relativas a cada una de estas entradas y salidas para cada uni-
dad en el sistema. El objetivo es, básicamente, minimizar los recursos necesarios para generar los niveles
específicos de salida. Los resultados indican si podrían haberse utilizado menos recursos para generar el
mismo nivel de productos, en comparación con una unidad típica del sistema. En seguida, se pueden hacer
esfuerzos para identificar áreas específicas que se consideran potencialmente ineficientes, con la finalidad
de aplicar las mejoras pertinentes.
Los problemas de transporte, transbordo y asignación se utilizan ampliamente en los negocios. Son
tan comunes que se han desarrollado algoritmos de propósito especial para resolverlos más rápidamente
que los procedimientos actuales utilizados para otro tipo de problemas de programación lineal. Estas apli-
caciones se presentarán en el siguiente capítulo.

AUTOEVALUACIÓN 313
El Casino Harrah’s Cherokee usa programación lineal

EN ACCIÓN para la administración de ingresos
total de habitaciones que se asignan a cada segmento de clientes.

L a identificación de los clientes que generen más ingresos suele ser
muy difícil, pero el Casino Harrah’s Cherokee se ha beneficiado de
Las variables incluyen el número de habitaciones que se ponen a dis-
posición de cada segmento. Los precios sombra de las restricciones
una manera única al colocar a los clientes en determinados segmen- indican cuántos ingresos extra se generan, si se pone una habitación
tos de mercado, con base en sus hábitos de consumo. Harrah’s alienta adicional a disposición de los diferentes segmentos. El modelo se ac-
a los clientes de casinos a unirse a su club Recompensas Totales. En tualiza frecuentemente con base en el número de habitaciones dispo-
este club, se ganan puntos cada vez que el miembro juega un juego nibles, el número de días restantes hasta la fecha de la reservación y
de casino o gasta dinero en un restaurante, un spa, una tienda de re- otros factores. Con base en los resultados de este modelo, los esfuer-
galos o una instalación hotelera. La ganancia de puntos da derecho a zos de marketing están dirigidos a miembros muy específicos del club
los jugadores de recibir beneficios como salones gratuitos o con des- Recompensas Totales cuando parece que el tráfico en el hotel puede
cuento, alimentos, entradas para espectáculos y otras recompensas. ser muy escaso en un día en particular.
El seguimiento del tamaño de las apuestas, así como el número de Las implementaciones de la administración de ingresos suelen au-
apuestas realizadas, permite que Harrah’s clasifique a los jugadores mentar éstos entre 7 y 3%; sin embargo, Harrah’s ha experimentado
en segmentos basados en la cantidad que juegan normalmente al vi- un aumento de 15% en los ingresos a partir de los sistemas de ad-
sitar los casinos. Los mejores generadores de ingresos son los clientes ministración de ingresos en todos sus hoteles y casinos. En el Casino
que normalmente juegan más dinero durante cada día de su estancia. Harrah’s Cherokee, el hotel abrió sus puertas con el sistema ya imple-
Cuando alguien intenta reservar una habitación, si es un jugador con mentado por lo que no hay una base de comparación. Sin embargo,
gastos bajos, podría recibir la noticia de que no hay habitaciones dis- el margen de utilidad de esta propiedad específica es de 60% sobre
ponibles, mientras que un cliente con gastos altos sí podría reservar la los ingresos brutos, lo cual duplica el promedio del sector.
habitación. Para promover la buena imagen de la empresa, al cliente
en el segmento de gastos bajos podría ofrecérsele una habitación gra-
tuita en un hotel cercano. Los ingresos adicionales que se obtendrían Fuente: Basado en Metters, Richard et al. “The ‘Killer Application’ of Revenue
por la reservación de una habitación para un jugador con gastos altos Management: Harrah’s Cherokee Casino & Hotel”, Interfaces 38, 3 (mayo-
compensaría por mucho este costo. junio de 2008): 161-175.
Se utiliza un programa lineal para maximizar los ingresos gene-
rados sujeto al número total de habitaciones disponibles y al número
Resumen
En este capítulo continuamos con nuestro estudio de los modelos de En los próximos capítulos, se presentarán aplicaciones adi-
programación lineal. Se siguieron los pasos básicos para la formu- cionales de la programación lineal. El problema del transporte se
lación de un programa lineal en una variedad de problemas. Estas expondrá en el capítulo 9, junto con otras dos aplicaciones estre-
aplicaciones incluyeron marketing, programación de la producción, chamente relacionadas: el problema de asignación y el problema de
finanzas y mezcla de ingredientes. Se prestó atención a la compren- transbordo.
sión del problema, la identificación del objetivo y las restricciones, la
definición de las variables de decisión y el desarrollo de un modelo
matemático con estos elementos.
Autoevaluación
● Antes de realizar la autoevaluación, consulte los objetivos de aprendizaje al comienzo del capítulo y las notas en los márgenes.
1. La programación lineal se puede utilizar para seleccionar d. presupuesto de medios de comunicación.

mezclas eficaces de medios de comunicación, asignar e. todas las anteriores.
presupuestos fijos o limitados entre esos medios, y maximizar 3. ¿Cuál de los siguientes no representa un factor que un
la exposición al público. administrador podría considerar al emplear PL para
a. Cierto programación de la producción:
b. Falso a. la capacidad de la mano de obra
2. El uso de PL para maximizar la exposición al público en una b. las limitaciones de espacio
campaña publicitaria es un ejemplo del tipo de aplicación de PL c. la demanda del producto
conocida como d. la evaluación de riesgos
a. investigación de mercados. e. los costos de inventario
b. selección de medios de comunicación.
c. evaluación del portafolios.

4. Al aplicar PL a problemas de dieta, la función objetivo está c. es un caso especial del problema de la mezcla.
generalmente diseñada para d. todas las anteriores.
a. maximizar las utilidades de las mezclas de nutrientes. 6. La selección de inversiones específicas entre una amplia
b. maximizar las mezclas de ingredientes. variedad de alternativas es el tipo de problema de PL conocido
c. minimizar las pérdidas de producción. como
d. maximizar el número de productos a elaborar. a. el problema de la mezcla de productos.
e. minimizar los costos de las mezclas de nutrientes. b. el problema de inversión del banquero.
5. El problema de la dieta c. el problema de la selección del portafolios.
a. también se conoce como problema de la mezcla de alimentos d. el problema de Wall Street.
en la agricultura. e. ninguno de los anteriores.
b. es un caso especial del problema de la mezcla de ingredientes.
Problemas
8-1 (Problema de producción) Winkler Furniture fabrica dos (a) Los bonos municipales deberían constituir al menos
tipos de gabinetes diferentes: un modelo provincial fran- 20% de la inversión.
cés y un modelo moderno danés. Cada gabinete producido (b) Al menos 40% de los fondos deben colocarse en una
debe pasar por tres departamentos: carpintería, pintura combinación de empresas de electrónica, compañías
y acabado. La tabla siguiente contiene toda la informa- aeroespaciales y fabricantes de medicamentos.
ción pertinente relacionada con los tiempos de producción (c) No más de 50% de la cantidad invertida en bonos
por gabinete producido y la capacidad de producción para municipales debería colocarse en acciones con alto
cada operación por día, además de los ingresos netos riesgo y alto rendimiento de un hogar de retiro.
por unidad producida. La compañía tiene un contrato con
un distribuidor de Indiana para producir un mínimo de Con sujeción a estas restricciones, el objetivo del clien-
300 gabinetes de cada tipo a la semana (o 60 gabinetes te es maximizar la rentabilidad proyectada sobre sus
por día). Al propietario Bob Winkler le gustaría determi- inversiones. Los analistas de Heinlein y Krampf, cons-
nar una mezcla de productos que maximice sus ingresos cientes de estas directrices, preparan una lista de acciones
diarios. y bonos de alta calidad y sus correspondientes tasas de
rendimiento:
(a) Formule esto como un problema de PL.
(b) Resuelva usando un programa de software de PL o
TASA DE RENDIMIENTO
una hoja de cálculo.
INVERSIÓN PROYECTADA (%)
8-2 (Problema de decisión de inversiones) La firma de co- Bonos municipales de Los Ángeles 5.3
rretaje Heinlein and Krampf acaba de recibir la instruc-
Electrónica Thompson, Inc. 6.8
ción de uno de sus clientes para invertir $250,000 que
obtuvo recientemente a través de la venta de unos terrenos Corporación Aerospacial Unida 4.9
en Ohio. El cliente tiene una buena dosis de confianza en Medicamentos Palmer 8.4
la casa de inversión, pero también tiene sus propias ideas Hogares de retiro Happy Days 11.8
acerca de la distribución de los fondos a invertir. En par-
ticular, solicita que la firma seleccione acciones y bonos (a) Formule este problema de selección del portafolios
que considere bien valorados, pero dentro de los siguien- utilizando PL.
tes lineamientos: (b) Resuelva este problema.
Datos para el problema 8-1

PINTURA ACABADO
CARPINTERÍA (HORAS/ (HORAS/ INGRESOS NETOS/
ESTILO DE GABINETE (HORAS/GABINETE) GABINETE) GABINETE) GABINETE ($)
Provincial francés 3 1.5 0.75 28
Moderno danés 2 1 0.75 25
Capacidad del departamento (horas) 360 200 125

PROBLEMAS 315
8-3 (Problema de programación del trabajo en un restau- mínimos, las unidades en cada ingrediente por libra
rante). El famoso restaurante Y. S. Chang está abierto de mezcla de alimentos y los costos de las tres mezclas.
las 24 horas del día. Los camareros y sus ayudantes se Además, el propietario del establo está consciente de
presenten a trabajar a las 3 a.m., 7 a.m., 11 a.m., 3 p.m., que un caballo sobrealimentado es un trabajador lento. En
7 p.m. u 11 p.m., y cada uno trabaja un turno de 8 horas. consecuencia, se determina que 6 libras de alimento por
La siguiente tabla muestra el número mínimo de traba- día es el máximo que cualquier caballo necesita para tra-
jadores necesarios durante los seis periodos en los que bajar correctamente. Formule este problema y determine
se divide el día. El problema de programación de Chang la mezcla óptima diaria de los tres alimentos.
es determinar el número de camareros y ayudantes que 8-5 La corporación Kleenglass produce un lavavajillas que
deberían presentarse al trabajo al inicio de cada periodo tiene un poder de limpieza excelente, y utiliza menos agua
de tiempo, con la finalidad de minimizar el personal toque la mayoría de sus competidores, además de que es
tal necesario para la operación en un día. (Sugerencia: muy silencioso. Se han recibido pedidos de varias tiendas
Considere que Xi es igual al número de camareros y ayu- minoristas para ser entregados al final de cada uno de los
dantes que empiezan a trabajar en el periodo de tiempo i, próximos 3 meses, como se indica a continuación:
donde i = 1, 2, 3, 4, 5, 6).
NÚMERO DE
NÚMERO DE CAMAREROS Y
MES UNIDADES
PERIODO HORA AYUDANTES REQUERIDOS
1 3 a.m.–7 a.m. 3 Junio 195
2 7 a.m.–11 a.m. 12 Julio 215
3 11 a.m.–3 p.m. 16 Agosto 205
4 3 p.m.–7 p.m. 9
Debido a la capacidad limitada, sólo se pueden hacer
5 7 p.m.–11 p.m. 11
200 lavavajillas cada mes en tiempo regular, y el costo es
6 11 p.m.–3 a.m. 4 de $300 por cada unidad. Sin embargo, es posible produ-
cir un extra de 15 unidades mensuales si se usa tiempo
8-4 (Problema de mezcla de alimentos para animales) El extra, pero el costo sube a $325 por cada uno. Además, si
establo Battery Park ofrece alimento y alberga caballos se produce algún lavavajillas y no se vende en el mismo
utilizados para tirar de las carretas turísticas que circulan mes de su fabricación, hay un costo de $20 por conser-
por las calles de la zona histórica en el muelle de Char- var el artículo para el mes siguiente. Utilice programación
leston. El dueño del establo, un exentrenador de caballos lineal para determinar el número de unidades a producir
de carreras, reconoce la necesidad de establecer una dieta cada mes en tiempo regular y en tiempo extra, con la fi-
nutricional para los caballos bajo su cuidado. Al mismo nalidad de minimizar el costo total mientras se satisfacen
tiempo, le gustaría mantener en un nivel mínimo el costo las demandas.
diario total de alimentación. 8-6 Eddie Kelly es candidato a ser reelecto como alcalde de
Las mezclas de alimentos disponibles para la dieta de una pequeña ciudad de Alabama. Jessica Martínez, direc-
los caballos son un producto de avena, un grano altamente tora de su campaña durante esta elección, está planeando
enriquecido y un producto mineral. Cada una de estas la campaña de marketing y enfrenta una dura competen-
mezclas contiene cierta cantidad de cinco ingredientes ne- cia. Martínez ha seleccionado cuatro maneras de hacer
cesarios diariamente para mantener saludable a un caballo publicidad: anuncios en televisión, anuncios en radio, espec-
promedio. La tabla en esta página muestra estos requisitos taculares (vallas publicitarias) y anuncios en periódicos.
MEZCLA DE ALIMENTOS
REQUISITO PRODUCTO GRANOS PRODUCTO REQUISITO

DE DIETA DE AVENA ENRIQUECIDOS MINERAL MÍNIMO DIARIO
(INGREDIENTES) (UNIDADES/LB) (UNIDADES/LB) (UNIDADES/LB) (UNIDADES)
A 2 3 1 6
B 0.5 1 0.5 2
C 3 5 6 9
D 1 1.5 2 8
E 0.5 0.5 1.5 5
Costo/lb $0.09 $0.14 $0.17

En la siguiente tabla se muestran los costos de estos me- primer día del mes y se devuelven el último día del mes.
dios de comunicación, la audiencia alcanzada por cada tipo Cada seis meses, Sundown notifica al fabricante de au-
de anuncio y el número máximo de anuncios disponibles: tomóviles el número de vehículos necesarios durante los
próximos seis meses. El fabricante ha estipulado que, al
COSTO AUDIENCIA menos, 50% de los automóviles arrendados durante un pe-
TIPO DE POR ALCANZADA/ NÚMERO riodo de seis meses debe estar bajo un contrato de arren-
ANUNCIO ANUNCIO ANUNCIO MÁXIMO damiento por cinco meses. El costo por mes en cada uno
TV $800 30,000 10 de los tres tipos de contratos de arrendamiento es de
Radio $400 22,000 10 $420 para el de tres meses, $400 para el de cuatro meses
Espectaculares $500 24,000 10 y $370 para el de cinco meses.
Periódicos $100 8,000 10 En la actualidad, Sundown tiene 390 autos. El con-
trato de arrendamiento de 120 automóviles expira a finales
Además, Martínez ha decidido que debería haber al de marzo. El contrato de otros 140 autos expira a finales de
menos seis anuncios en televisión o radio, o alguna com- abril, y el contrato del resto de ellos expira a finales de mayo.
binación de ambos. La cantidad que se gasta en conjunto Utilice PL para determinar la cantidad de autos que
en espectaculares y periódicos no debe exceder el mon- deberían arrendarse cada mes en cada tipo de arrenda-
to gastado en anuncios de televisión. Si bien la recauda- miento para minimizar el costo durante el periodo de seis
ción de fondos aún continúa, el presupuesto mensual para meses.
publicidad se ha fijado en $15,000. ¿Cuántos anuncios de
8-9 La gerencia de Sundown Rent-a-Car (vea el problema 8-8)
cada tipo se deberían colocar para maximizar el número
ha decidido que quizás el costo durante el periodo de seis
total de personas alcanzadas?
meses no sea el costo que se debería minimizar, ya que la
8-7 (Problema de selección de medios de comunicación) El agencia aún puede estar comprometida a meses adiciona-
director de publicidad de Diversey Paint and Supply, una les en algunos contratos de arrendamiento después de ese
cadena de cuatro tiendas minoristas en la parte norte de tiempo. Por ejemplo, si Sundown tuviera algunos autos
Chicago, está considerando dos posibilidades de medios entregados al comienzo del sexto mes, seguiría estando
de publicidad. Un plan consiste en una serie de anun- comprometido por dos meses adicionales en un contrato
cios de media página en el periódico dominical Chicago de arrendamiento de tres meses. Utilice PL para determi-
Tribune, y el otro es tiempo de publicidad en la televisión nar la cantidad de autos que deberían arrendarse cada mes
de Chicago. Las tiendas están ampliando sus líneas de en cada tipo de arrendamiento, para minimizar el costo
herramientas tipo “hágalo usted mismo”, y el director durante toda la vida de dichos arrendamientos.
de publicidad está interesado en un nivel de exposición de, 8-10 (Problema de transporte escolar de escuela secundaria)
al menos, 40% en los vecindarios de la ciudad y 60% en El superintendente de educación del Condado de Arden,
las zonas suburbanas del noroeste. Maryland, es responsable de asignar estudiantes a las tres
El tiempo de visualización en televisión considerado escuelas secundarias en su condado. Reconoce la necesidad
tiene una clasificación de exposición de 5% por anuncio de transportar por autobús cierto número de estudiantes, en
en los hogares de la ciudad y de 3% en los suburbios del varios sectores del condado que están a una distancia consi-
noroeste. El periódico del domingo tiene tasas de expo- derable de la escuela. El superintendente divide el condado
sición correspondientes a 4 y 3% por anuncio. El costo en cinco sectores geográficos en su intento por establecer
de un anuncio de media página en el Chicago Tribune es un plan que minimice el número total de millas recorridas
$925; un anuncio en televisión cuesta $2,000. por los estudiantes en autobús. También reconoce que si un
A Paint Diversey le gustaría seleccionar la estrategia estudiante vive en un determinado sector y se asigna a la
de publicidad menos costosa que responda a los niveles de escuela secundaria en ese sector, no hay necesidad de que
exposición deseados. use el autobús porque podrá caminar a la escuela. Las tres
escuelas están ubicadas en los sectores B, C y E.
(a) Formule utilizando PL.
La siguiente tabla refleja el número de estudiantes en
(b) Resuelva el problema.
edad de estudiar la secundaria que viven en cada sector,
8-8 (Problema de arrendamiento de automóviles) Sundown así como la distancia en millas desde cada sector hasta
Rent-a-Car, una agencia grande de alquiler de automóvi- cada escuela:
les que opera en el Medio Oeste de Estados Unidos, está
DISTANCIA A LA ESCUELA
preparando una estrategia de arrendamiento durante los
próximos seis meses. Sundown arrienda automóviles a un ESCUELA ESCUELA ESCUELA
fabricante y los alquila al público sobre una base diaria. A EN EL EN EL EN EL NÚMERO DE
continuación se presenta un pronóstico de la demanda de SECTOR SECTOR B SECTOR C SECTOR E ESTUDIANTES
autos para Sundown en los próximos seis meses: A 5 8 6 700
B 0 4 12 500
MES MARZO ABRIL MAYO JUNIO JULIO AGOSTO C 4 0 7 100
Demanda 420 400 430 460 470 440 D 7 2 5 800
Los automóviles pueden arrendarse al fabricante, ya E 12 7 0 400
sea por tres, cuatro o cinco meses. Éstos son arrendados el 2,500

PROBLEMAS 317
Cada escuela secundaria tiene una capacidad de 900 8-12 (Problema de selección de comidas en la universidad) Ka-
estudiantes. Establezca la función objetivo y las restriccio- thy Roniger, dietista del campus en una pequeña universi-
nes de este problema utilizando PL, de modo que se mini- dad de Idaho, es responsable de la formulación de un plan
mice el número total de millas que los estudiantes viajan de alimentos nutritivos para los estudiantes. Piensa que,
en autobús. Después, resuelva el problema. para la cena, se deben cumplir los siguientes cinco requisi-
8-11 (Problema de fijación de precio y estrategia de marke- tos de contenido en la comida: 1. entre 900 y 1,500 calorías;
ting) La tienda de pinturas y recubrimientos I. Kruger 2. al menos 4 miligramos de hierro; 3. no más de 50 gramos
es un importante distribuidor minorista de la marca Su- de grasa; 4. al menos 26 gramos de proteína, y 5. no más de
pertrex de revestimientos de vinilo. Kruger mejorará su 50 gramos de carbohidratos. En un día específico, el inven-
imagen en toda la ciudad de Miami, si puede vender más tario de alimentos de Roniger incluye siete elementos que
rollos de Supertrex que otras tiendas locales el próximo pueden prepararse y servirse para la cena, con la finalidad
año. Es capaz de estimar la función de demanda de la side satisfacer esos requisitos. En la siguiente tabla se propor-
guiente manera: cionan el costo por libra de cada alimento y su contribución
a los cinco requisitos nutricionales.
Número de rollos de Supertrex vendidos = 20 * dólares
gastados en publicidad + 6.8 * dólares gastados en ¿Qué combinación y cantidades de alimentos pro-
muestras dentro de la tienda + 12 * dólares invertidos porcionará la nutrición que Roniger requiere con el costo
en el inventario de revestimiento disponible - 65,000 * total mínimo?
porcentaje del margen de utilidad por encima del costo (a) Formule esto como un problema de PL.
de un rollo al mayoreo (b) ¿Cuál es el costo por comida?
(c) ¿Es una dieta bien balanceada?
La tienda presupuesta un total de $17,000 para pu-
blicidad, muestras en la tienda e inventario disponible de 8-13 (Problema de producción de alta tecnología) Quitmeyer
Supertrex para el próximo año. Decide que debe gastar al Electronics Incorporated fabrica los siguientes seis dis-
menos $3,000 en publicidad; asimismo, al menos 5% de positivos periféricos para microcomputadoras: módems
la cantidad invertida en inventario disponible debería de- internos, módems externos, tarjetas de circuitos impresos,
dicarse a las muestras en la tienda. Los márgenes de utili- unidades de CD, unidades de disco duro y tarjetas de ex-
dad del Supertrex vistos en otras tiendas locales van desde pansión de memoria. Cada uno de estos productos técni-
20 hasta 45%. Kruger decide que su margen de utilidad cos requiere tiempo de prueba, en minutos, en tres tipos de
también debe estar en ese rango. equipo electrónico, como se muestra en la tabla de la parte
(a) Formule esto como un problema de PL. inferior de esta página.
(b) Resuelva el problema. Los dos primeros dispositivos de prueba están dis-
(c) ¿Qué dificultad encuentra en la respuesta? ponibles 120 horas por semana. El tercero (dispositivo 3)
(d) ¿Qué restricción agregaría usted? requiere más mantenimiento preventivo y puede utilizarse

TABLA DE VALORES ALIMENTICIOS Y COSTOS
CALORÍAS/ HIERRO GRASA PROTEÍNA CARBOHIDRATOS COSTO/

ALIMENTO LB (MG/LB) (MG/LB) (MG/LB) (MG/LB) LB ($)
Leche 295 0.2 16 16 22 0.60
Carne molida 1216 0.2 96 81 0 2.35
Pollo 394 4.3 9 74 0 1.15
Pescado 358 3.2 0.5 83 0 2.25
Frijoles 128 3.2 0.8 7 28 0.58
Espinacas 118 14.1 1.4 14 19 1.17
Papas 279 2.2 0.5 8 63 0.33
Fuente: Pennington, Jean A. T. y Judith S. Douglass. Bowes and Church’s Food Values of Portions Commonly Used, 18a. ed., Philadelphia: Lippincott Williams & Wilkins,
2004, pp. 100-130.
Datos para el TARJETA UNIDADES TARJETAS

problema 8-13 MÓDEM MÓDEM DE UNIDADES DE DISCO DE
INTERNO EXTERNO CIRCUITOS DE CD DURO MEMORIA
Dispositivo de prueba 1 7 3 12 6 18 17

sólo 100 horas cada semana. El mercado de los seis com- aceptables en los meses en los cuales la planta nuclear
ponentes de computadora es muy amplio, y Quitmeyer tiene demasiado personal. Por lo tanto, si hay más em-
Electronics cree que puede vender todas las unidades de pleados capacitados disponibles de los que se necesitan
cada producto que pueda fabricar. La siguiente tabla re- en cualquier mes, cada trabajador recibirá su pago total,
sume los ingresos y los costos de material para cada aunque no esté obligado a trabajar las 130 horas.
producto: La capacitación de los empleados nuevos es un pro-
cedimiento importante y costoso. Se requiere un mes de
INGRESOS COSTO DE instrucción personalizada en el aula antes de que un nuevo
POR UNIDAD MATERIAL POR técnico pueda trabajar solo en las instalaciones del reactor.
DISPOSITIVO VENDIDA ($) UNIDAD ($) Por lo tanto, South Central debe contratar aprendices un
Módem interno 200 35 mes antes de que sean realmente necesarios. Cada apren-
diz hace equipo con un técnico nuclear especializado y
Módem externo 120 25
requiere 90 horas de tiempo de ese empleado, lo cual sig-
Tarjeta de circuitos impresos 180 40 nifica que hay 90 horas menos de tiempo del técnico dis-
Unidad de CD 130 45 ponibles ese mes para el trabajo real en el reactor.
Unidad de disco duro 430 170 Los registros del departamento de personal indican
Tarjeta de expansión de 260 60 una tasa de rotación de técnicos capacitados de 5% al mes.
memoria En otras palabras, alrededor de 5% de los empleados ca-
lificados al inicio de cualquier mes renuncian a finales de
ese mes. Un técnico capacitado gana un salario promedio
Además, los costos de mano de obra variables son
mensual de $2,000 (sin importar el número de horas traba-
de $15 por hora para el dispositivo de prueba 1, $12 por
jadas, como se señaló anteriormente). A los aprendices se
hora para el dispositivo de prueba 2 y $18 por hora para
les pagan $900 durante su mes de instrucción.
el dispositivo de prueba 3. Quitmeyer Electronics quiere
maximizar sus utilidades. (a) Formule este problema de personal utilizando PL.
(b) Resuelva el problema. ¿Cuántos aprendices deben co-
(a) Formule el problema como un modelo de programa-
menzar cada mes?
ción lineal.
(b) Resuelva el problema en computadora. ¿Cuál es la 8-15 (Problema de planeación de la producción agrícola)
mejor combinación de productos? La familia de Margaret Black posee cinco parcelas de
(c) ¿Cuál es el valor de un minuto de tiempo adicional por tierras de cultivo divididas en los sectores sureste, norte,
semana en el dispositivo de prueba 1? ¿En el disposi- noroeste, oeste y suroeste. Margaret se dedica principal-
tivo de prueba 2? ¿En el dispositivo de prueba 3? ¿De- mente al cultivo de trigo, alfalfa y cebada, y actualmente
bería Quitmeyer Electronics agregar más tiempo de los está preparando su plan de producción para el próximo
dispositivos de pruebas? Si es así, ¿en qué equipo? año. Las autoridades del agua en Pennsylvania acaban
de anunciar su asignación de agua al año, y la granja de
8-14 (Problema de personal en una planta nuclear) South Cen- Black recibirá 7,400 acres-pies de agua. Cada parcela sólo
tral Utilities acaba de anunciar la apertura el 1 de agosto puede tolerar una cantidad específica de riego por estación
de su segundo generador de energía nuclear en su planta de de crecimiento, como se especifica en la siguiente tabla:
Baton Rouge, Luisiana. Su departamento de personal desea
determinar la cantidad de técnicos nucleares que deben ser LÍMITE DE AGUA DE RIEGO
contratados y capacitados para lo que resta del año. PARCELA ÁREA (ACRES) (ACRES-PIES)
En la actualidad, la planta emplea a 350 técnicos ple- Sureste 2,000 3,200
namente capacitados y proyecta las siguientes necesidades
de personal: Norte 2,300 3,400
Noroeste 600 800
MES HORAS DE PERSONAL NECESARIAS Oeste 1,100 500
Agosto 40,000 Suroeste 500 600
Septiembre 45,000
Cada uno de los cultivos de Margaret necesita una canti-
Octubre 35,000 dad mínima de agua por acre, y hay un límite proyectado
Noviembre 50,000 en las ventas de cada cultivo. A continuación se presentan
Diciembre 45,000 los datos para cada cultivo:
AGUA NECESARIA POR ACRE

Por la ley de Luisiana, un empleado de un reactor en
CULTIVO VENTAS MÁXIMAS (ACRE-PIES)
realidad no puede trabajar más de 130 horas al mes. (Un
poco más de 1 hora al día se utiliza para hacer el registro Trigo 110,000 fanegas 1.6
de entrada y salida, mantenimiento de los registros y aná- Alfalfa 1,800 toneladas 2.9
lisis médico diario por radiación). La política en South
Cebada 2,200 toneladas 3.5
Central Utilities también dicta que los despidos no son

PROBLEMAS 319
La mejor estimación de Margaret es que puede ven- privada, con 600 camas, equipada con laboratorios, qui-
der el trigo con una utilidad neta de $2 por fanega, la rófanos y equipo de rayos X. Con la finalidad de aumen-
alfalfa con $40 por tonelada y la cebada con $50 por tone- tar sus ingresos, la gerencia de Mt. Sinaí ha decidido
lada. Un acre de tierra rinde un promedio de 1.5 toneladas agregar 90 camas en una porción de terreno adyacente
de alfalfa y 2.2 toneladas de cebada. El rendimiento del utilizada actualmente para el estacionamiento del per-
trigo es de aproximadamente 50 fanegas por acre. sonal. Los gerentes consideran que los laboratorios, los
(a) Formule el plan de producción de Margaret. quirófanos y el departamento de rayos X no están siendo
(b) ¿Cuál debería ser el plan de cultivos y qué utilidad plenamente utilizados en la actualidad y no tienen que
generaría? ampliarse para manejar pacientes adicionales. Sin em-
(c) Las autoridades del agua informan a Margaret que por bargo, la adición de 90 camas implica decidir cuántas
una tarifa especial de $6,000 este año, su granja cali- camas deberían asignarse al personal médico para los pa-
ficará para una asignación adicional de 600 acres-pies cientes médicos y cuántas al personal quirúrgico para
de agua. ¿Cómo debería responder? pacientes quirúrgicos.
8-16 (Problema de mezcla de materiales) Amalgamated Pro- Los departamentos de contabilidad y registros mé-
ducts acaba de recibir un contrato para la construcción de dicos del hospital han facilitado la siguiente informa-
bastidores de acero para automóviles que se van a producir ción pertinente. La estancia hospitalaria promedio de un
en una nueva fábrica japonesa en Tennessee. El fabricante paciente médico es de 8 días, y el paciente médico pro-
japonés de automóviles tiene normas estrictas de control medio genera $2,280 en ingresos. El paciente quirúrgico
de calidad para todos sus subcontratistas de componentes promedio está en el hospital 5 días y recibe una factura de
y ha informado a Amalgamated que cada bastidor debe te- $1,515. El laboratorio es capaz de manejar 15,000 prue-
ner el siguiente contenido de acero: bas al año más de lo que estaba manejando. El paciente
médico promedio requiere 3.1 pruebas de laboratorio y el
paciente quirúrgico promedio tiene 2.6 pruebas de labo-
PORCENTAJE PORCENTAJE
ratorio. Además, el paciente médico promedio utiliza una
MATERIAL MÍNIMO MÁXIMO
vez los rayos X, mientras que el paciente quirúrgico pro-
Manganeso 2.1 2.3 medio los usa dos veces. Si el hospital se amplía en 90
Silicio 4.3 4.6 camas, el departamento de rayos X podría manejar hasta
7,000 radiografías sin costo adicional significativo. Por úl-
Carbono 5.05 5.35
timo, la gerencia estima que podrían realizarse hasta 2,800
operaciones adicionales en las instalaciones del quirófano
Amalgamated mezcla lotes de ocho diferentes ma- existente. Los pacientes médicos, por supuesto, no requie-
teriales disponibles para producir una tonelada de acero ren cirugía, mientras que a cada paciente quirúrgico en ge-
utilizado en los bastidores. La tabla en esta página detalla neral se le realiza una sola cirugía.
esos materiales. Formule este problema con el propósito de determi-
Formule y resuelva el modelo de PL que indicará la nar cuántas camas médicas y cuántas camas quirúrgicas
cantidad de cada uno de los ocho materiales que deberían deberían agregarse para maximizar los ingresos. Suponga
mezclarse en una carga de 1 tonelada de acero, de manera que el hospital está abierto los 365 días del año. Después,
que Amalgamated cumpla sus requisitos y minimice los resuelva el problema.
costos. 8-19 Prepare un informe escrito para el director general del
8-17 Consulte el problema 8-16. Encuentre la causa de la difi- Hospital Mt. Sinaí del problema 8-18 sobre la amplia-
cultad y recomiende cómo ajustarla. Después, resuelva el ción del hospital. Redondee sus respuestas al entero más
problema de nuevo. cercano. El formato de presentación de los resultados
8-18 (Problema de expansión de un hospital) El Hospital es importante. El director general es una persona ocu-
Mt. Sinaí en Nueva Orleans tiene una gran instalación pada y quiere ser capaz de encontrar la solución óptima
Datos para el MATERIAL MANGANESO SILICIO CARBONO LIBRAS COSTO POR

problema 8-16 DISPONIBLE (%) (%) (%) DISPONIBLES LIBRA ($)
Aleación 1 70.0 15.0 3.0 Sin límite 0.12
Aleación 2 55.0 30.0 1.0 300 0.13
Aleación 3 12.0 26.0 0 Sin límite 0.15
Hierro 1 1.0 10.0 3.0 Sin límite 0.09
Hierro 2 5.0 2.5 0 Sin límite 0.07
Carbono 1 0 24.0 18.0 50 0.10
Carbono 2 0 25.0 20.0 200 0.12
Carbono 3 0 23.0 25.0 100 0.09

rápidamente en su informe. Cubra todas las áreas indica- 3.5 pulgadas. ¿Cuántos rollos se deberían cortar con cada
das en las secciones siguientes, pero no mencione ninguna patrón, si la empresa quiere minimizar la cantidad total
variable o los precios sombra. de rollos de 10 pulgadas a utilizar? ¿Cuántos rollos se de-
(a) ¿Cuál es el ingreso máximo por año, cuántos pacien- ben cortar con cada patrón, si la empresa quiere minimi-
tes médicos/año hay y cuál es el número de pacientes zar el desperdicio total?
quirúrgicos/año? ¿Cuántas camas médicas y cuántas
8-22 (Problema de selección del portafolios) Daniel Grady es
camas quirúrgicas deberían agregarse de la adición de
el asesor financiero de varios atletas profesionales. Un
90 camas?
análisis de los objetivos a largo plazo de muchos de ellos
(b) ¿Hay camas vacías con esta solución óptima? Si es
resultó en una recomendación para la compra de acciones
así, ¿cuántas camas vacías son? Comente el efecto
con algunos de sus ingresos que se reservan para inver-
de la adquisición de más camas si es necesario.
siones. Se han identificado cinco acciones con expecta-
(c) ¿Los laboratorios se utilizan a toda su capacidad? ¿Es
tivas muy favorables para el rendimiento futuro. Aunque
posible realizar más pruebas de laboratorio/año? Si
el rendimiento esperado es importante en estas inver-
es así, ¿cuántas más? Comente el efecto de la adquisi- siones, el riesgo, medido por el valor beta de la acción,
ción de más espacio en el laboratorio, si es necesario. también es importante. (Un valor beta alto indica que la
(d) ¿La instalación de rayos X se utiliza al máximo? ¿Es acción tiene un riesgo relativamente alto). A continuación
posible hacer más radiografías/año? Si es así, ¿cuántas se muestra el rendimiento esperado y las betas de cinco
más? Comente el efecto de la adquisición de más ins- acciones:
talaciones de rayos X, si es necesario.
(e) ¿El quirófano se utiliza a toda su capacidad? ¿Es po-
sible hacer más operaciones/año? Si es así, ¿cuántas VALORES 1 2 3 4 5
más? Comente el efecto de la adquisición de más ins-
Rendimiento esperado (%) 11.0 9.0 6.5 15.0 13.0
talaciones de quirófano, si es necesario.
Beta 1.20 0.85 0.55 1.40 1.25
8-20 En el problema de mezclas de la compañía Low Knock
Oil, se supuso que un barril de crudo se convertiría en
un barril de gasolina como producto final. Al procesar un A Daniel le gustaría minimizar la beta del portafolios de
barril de crudo, un rendimiento de gasolina típico es de acciones (calculando el promedio ponderada de los mon-
aproximadamente 0.46 barriles, aunque podría ser mayor tos invertidos en las diferentes acciones) y mantener un
o menor, dependiendo del crudo particular y el procesa- rendimiento esperado de al menos 11%. Dado que las
miento utilizado. Sin embargo, otros productos como el condiciones futuras pueden cambiar, Daniel ha decidido
diesel, la turbosina, el combustóleo doméstico y el asfalto que no más de 35% del portafolios debería invertirse en
también provienen de ese mismo barril. Suponiendo que una sola acción.
sólo 46% del crudo se convierte en gasolina, modifique el (a) Formule esto como un programa lineal. (Sugerencia:
ejemplo de programación lineal de Low Knock Oil para Defina las variables como la proporción de la inver-
tomar en cuenta esto. Resuelva el problema de PL resul- sión total colocada en cada acción. Incluya una res-
tante usando cualquier software. tricción que limite la suma de estas variables a 1).
(b) Resuelva este problema. ¿Cuáles son el rendimiento
8-21 Una fábrica de papel produce rollos de papel que tienen
esperado y la beta de este portafolio?
10 pulgadas de ancho y 100 pies de largo. Estos rollos
se utilizan para hacer rollos más angostos que se usan 8-23 (Problema de combustible en una aerolínea) Coast-to-
en las cajas registradoras, cajeros automáticos (ATM) y Coast Airlines está investigando la posibilidad de reducir
otros dispositivos. Las anchuras más angostas (2, 2.5 y 3 el costo de sus compras de combustible al aprovechar
pulgadas) necesarias para estos dispositivos se obtienen los menores costos de combustible en ciertas ciudades.
mediante la reducción de los rodillos de 10 pulgadas uti- Dado que estas compras representan una parte sustancial
lizando patrones de corte especificados de antemano. El de los gastos para una compañía aérea, es importante
patrón #1 cortará el rollo de 10 pulgadas en cuatro rollos controlarlas cuidadosamente. Sin embargo, el combusti-
de 2.5 pulgadas de ancho cada uno. El patrón #2 gene- ble agrega peso a un avión y, en consecuencia, el exceso
rará tres rollos de 3 pulgadas de ancho cada uno (dejando de combustible aumenta el costo de ir de una ciudad a
1 pulgada de desperdicio en un extremo). El patrón #3 re- otra. En la evaluación de un vuelo específico, un avión
sultará en un rollo de 3 pulgadas y dos rollos de 3.5 pul- despega en Atlanta, vuela a Los Ángeles, de ahí a Hous-
gadas de ancho. El patrón #4 generará un rollo de 2.5 ton, luego a Nueva Orleans y finalmente de regreso a
pulgadas, otro de 3 pulgadas y uno más de 3.5 pulgadas Atlanta. Cuando el avión llega a Atlanta, se dice que el
de ancho (dejando 1 pulgada de desperdicio). El patrón vuelo ha concluido y, después, empieza de nuevo. Por
#5 resultará en 1 rollo de 2.5 pulgadas y dos rollos de 3.5 lo tanto, debe tenerse en cuenta el combustible a bordo
pulgadas de ancho (dejando 0.5 pulgadas de desperdicio cuando el avión llega a Atlanta y después comienza otra
en un extremo). Se ha recibido un pedido de 2,000 rollos vez. A lo largo de cada tramo de esta ruta, hay una can-
de 2.5 pulgadas, 4,000 rollos de 3 pulgadas y 5,000 rollos de tidad máxima y una mínima de combustible que puede

ESTUDIO DE CASO 321
Datos para el COMBUSTIBLE COMBUSTIBLE CONSUMO DE PRECIO DE

problema 8-23 MÍNIMO MÁXIMO COMBUSTIBLE COMBUSTIBLE
REQUERIDO PERMITIDO ORDINARIO POR
TRAMO (1,000 GAL.) (1,000 GAL.) (1,000 GAL.) GALÓN
Atlanta–Los Ángeles 24 36 12 $4.15
Los Ángeles–Houston 15 23 7 $4.25
Houston–Nueva Orleans 9 17 3 $4.10
Nueva Orleans–Atlanta 11 20 5 $4.18
llevarse. En la tabla anterior, se proporcionan estos datos el avión llevaba 25,000 galones al despegar de Atlanta, el
y alguna información adicional. combustible consumido en esta ruta sería de 12 + 0.05 =
El consumo regular de combustible se basa en un 12.05 miles de galones. Si hubiera 26,000 galones a bordo,
avión que transporta la cantidad mínima de combustible. el combustible consumido se incrementaría en otros 0.05
Si lleva más que eso, la cantidad de combustible consu- miles, para un total de 12,100 galones.
mido es mayor. En concreto, por cada 1,000 galones de Formule esto como un problema de programación
combustible por encima del mínimo, 5% (o 50 galones por lineal para minimizar el costo. ¿Cuántos galones debe-
1,000 galones adicionales de combustible) se pierde de- rían comprarse en cada ciudad? ¿Cuál es el costo total
bido al consumo excesivo de combustible. Por ejemplo, si de éste?
Estudio de caso
Cable & Moore
Debido a que la empresa se expandirá hacia varios mercados nuevos Por su experiencia, la gerencia sabe que la capacitación de un nuevo
en los próximos meses, Cable & Moore anticipa un gran aumento en empleado es esencial. Cada aprendiz ingresa a un programa de capa-
los ingresos por ventas. El futuro parece brillante para este proveedor citación de 1 mes, y se le asigna a un empleado experto durante un
de servicios de televisión, telefonía e Internet. Sin embargo, la geren- mes entero. Por lo general, un empleado experto trabaja 160 horas
cia de Cable & Moore está muy consciente de la importancia del ser- al mes. Sin embargo, cuando se le asigna un empleado nuevo para
vicio al cliente en mercados nuevos. Si el público tiene problemas con capacitarlo, sus horas de trabajo productivo se reducen a 80 horas
el nuevo servicio y no los puede resolver con rapidez y eficacia, la de- mensuales.
manda se erosionará rápidamente y podría tardar años en recuperarse Durante el periodo de capacitación, el aprendiz recibe un pago
de la mala publicidad. Por lo tanto, la gerencia es firme en demandar de $2,000 mensuales. Al final de ese tiempo, el salario mensual au-
suficientes representantes de servicio al cliente, bien capacitados, para menta al salario estándar para un representante de servicio al cliente
manejar las llamadas de los clientes nuevos y potenciales. regular, que es de $3,000 mensuales. En el pasado, la compañía perdió
Con base en su experiencia en otros mercados, se proyectó el mensualmente alrededor de 5% de sus representantes de servicio al
número de llamadas de servicio al cliente. De acuerdo con la duración cliente capacitados debido al desgaste. Aunque la compañía está tra-
promedio de las llamadas, en la siguiente tabla se muestra el número tando de mejorar esto, se prevé que durante los próximos meses esta
de horas de servicio al cliente, proyectadas de abril a agosto. tendencia continuará. Habrá 150 empleados capacitados a principios
de abril. La gerencia de la empresa quisiera desarrollar un progra-
MES ABRIL MAYO JUNIO JULIO AGOSTO ma de contratación de nuevos empleados, con la finalidad de tener
suficientes representantes de servicio al cliente para cubrir la de-
Horas necesarias 21,600 24,600 27,200 28,200 29,700
manda; pero esto se tiene que hacer al menor costo posible.

Preguntas para análisis 3. ¿Cómo cambiaría el programa si la tasa de deserción pudiera

reducirse de 5 a 3% mensual? ¿Cuál sería el impacto en el costo?
1. Desarrolle un programa para la contratación de empleados nue-
vos. ¿Cuál es el costo total de este programa?
2. Comente las limitaciones que existen para esta solución.
Estudio de caso de Internet
Visite nuestra página en Internet, www.pearsonenespañol.com/render, y consulte este estudio de caso

adicional: Chase Manhattan Bank. El caso trata sobre la programación de personal en un banco.
Bibliografía
Vea la bibliografía al final del capítulo 7.

CAPÍTULO 9
Modelos de transporte,
asignación y redes
1. Estructurar problemas de PL para los modelos de 3. Utilizar PL para modelar problemas de la ruta
transporte, transbordo y asignación. más corta y del flujo máximo.
2. Resolver problemas de localización de instalaciones 4. Resolver problemas de árboles de expansión
y otras aplicaciones con modelos de transporte. mínima.

9.1 Introducción 9.5 Problema del flujo máximo
9.2 El problema de transporte 9.6 Problema de la ruta más corta
9.3 El problema de asignación 9.7 Problema del árbol de expansión mínima
9.4 El problema de transbordo
Andrew-Carter, Inc. • Estudio de caso: Northeastern Airlines ♦ Estudio de caso: Problemas de tránsito en la Southwestern
University • Estudios de caso en Internet • Bibliografía
Apéndice 9.1: Uso de QM para Windows
323

324 CAPÍTULO 9 • MODELOS DE TRANSPORTE, ASIGNACIÓN Y REDES
9.1 Introducción
En el capítulo 8 vimos ejemplos de una serie de problemas administrativos que podrían plantearse me-
diante la programación lineal (PL) y, en este capítulo, estudiaremos aún más ejemplos de este tipo. Sin em-
bargo, todos los problemas de este capítulo pueden plantearse como redes y usando también programación
lineal. El uso de redes ayuda a visualizar y a comprender el problema de administración. Estos modelos
incluyen problemas de transporte, transbordo y asignación, el problema del flujo máximo, el problema de
la ruta más corta y el problema del árbol de expansión mínima. En este capítulo, el principal medio para
resolver estos problemas es el uso de software de programación lineal. No obstante, para tomar ventaja
de la estructura única de algunos de estos problemas, se han desarrollado algoritmos especializados para
resolver problemas muy grandes de manera más rápida y eficiente. Dichos algoritmos se presentan en el
módulo 8 del sitio web que acompaña a este texto.
El problema básico de transporte se relaciona con la búsqueda de la mejor manera (por lo general,
al menor costo) de distribuir bienes que provienen de fuentes como fábricas, en varios destinos finales,
como puntos de venta. Si existen puntos intermedios, por ejemplo, centros de distribución regionales, hacia
donde deben ir los artículos antes de ser enviados a su destino final, entonces el problema de transporte se
convierte en un problema de transbordo. El problema de asignación consiste en encontrar la mejor forma
(por lo general, al menor costo) de asignar individuos o piezas de equipo a varios proyectos o trabajos. La
manera de realizar esta asignación es uno a uno; en otras palabras, a cada persona se le asigna un solo tra-
bajo, y cada trabajo solamente necesita una persona asignada a él.
La técnica de flujo máximo encuentra el flujo máximo de cualquier cantidad o sustancia a través
de una red. Esta técnica puede determinar, por ejemplo, el número máximo de vehículos (automóviles,
camiones, etcétera) que pueden circular a través de una red de carreteras de un lugar a otro. La técnica de
la ruta más corta puede encontrar cuál es la trayectoria de menor longitud a través de una red. Por ejem-
plo, esta técnica puede encontrar la ruta más corta de una ciudad a otra, a través de una red de carreteras.
La técnica del árbol de expansión mínima determina la ruta a través de la red que conecta todos los puntos
y minimiza la distancia total. Cuando los puntos representan casas en un vecindario, la técnica del árbol
de expansión mínima se utiliza para determinar cómo conectar todas las casas a la energía eléctrica, al
sistema de agua, etcétera, de manera que se minimice la distancia total, la longitud de las líneas eléctricas
o las tuberías de agua.
Aunque en este capítulo se presentan muchos ejemplos diferentes, existe cierta terminología común a
Los círculos en las redes se denominan todos los modelos de redes. Los puntos de la red se conocen como nodos y las líneas de la red que conec-
nodos. Las líneas que los conectan se tan los nodos se denominan arcos. Regularmente los nodos se grafican como círculos, aunque a veces se
llaman arcos. usan cuadrados o rectángulos para representarlos.
EN ACCIÓN Optimización en UPS
T NT Express es una de las empresas de entrega de paquetería más

grandes del mundo. Los 77,000 empleados de la compañía manejan
desarrollar modelos de optimización y mejorar la eficiencia, la com-
pañía enseñó a sus empleados los conceptos básicos de administra-
ción de operaciones y ciencias de la administración, para que todos
más de 4 millones de paquetes cada semana, con cerca de 30,000 reconocieran las oportunidades de mejora a través de la utilización
camiones y otros vehículos y aproximadamente 50 aviones. El man- de esas técnicas.
tenimiento de un alto nivel de servicio al cliente, conservando cos- El resultado de la implementación de tales prácticas en TNT Ex-
tos bajos mediante operaciones eficientes, es una tarea de enormes press representó un ahorro en costos de 207 millones de euros entre
proporciones. En 2005 el director de operaciones de TNT Express 2008 y 2011. Otros beneficios incluyen una reducción de las emi-
consideró el uso de modelos de investigación de operaciones para siones de CO2 de sus vehículos por 283 millones de kilogramos, un
mejorar la red de entregas por carretera en Italia. La incorporación mejor trabajo en red con otros empleados de la empresa y un senti-
de modelos de optimización en todos los aspectos de la cadena de miento de empoderamiento, dado que ahora los trabajadores sienten
suministro de la compañía le generó una disminución en costos que pueden obtener apoyo de sus colegas fuera de sus unidades ope-
de más de 6 por ciento. rativas o incluso fuera de su propio país. Los modelos de optimización
Se desarrollaron varias iniciativas para mejorar la cadena de realmente entregaron un paquete de beneficios a TNT Express.
suministro. Se creó la Academia de Optimización Global (GO) para
enseñar a los empleados los principios de la optimización. Se desa-
rrollaron Comunidades de Práctica (CoPs) y los empleados clave se Fuente: Basado en H. Fleuren, C. Goossens, M. Hendricks, M.-L. Lombard y
reúnen tres veces al año para discutir y compartir sus mejores prác- J. Poppelaars. “Supply Chain Wide Optimization at TNT Express”, Interfaces
ticas con los proveedores y miembros de la academia. Además de 43, 1 (enero/febrero de 2013): 5-20.

9.2 EL PROBLEMA DE TRANSPORTE 325
9.2 El problema de transporte

El problema de transporte se ocupa de la distribución de bienes desde varios puntos de suministro (orí-
genes o fuentes) hasta una serie de puntos de demanda (destinos). Por lo general, se tiene una capacidad
(oferta) de bienes en cada fuente, un requisito (demanda) de bienes en cada destino y un costo de envío
por unidad desde cada fuente hasta cada destino. En la figura 9.1 se muestra un ejemplo. El objetivo de este
problema es programar los envíos de manera que se minimicen los costos totales de transporte. En ocasio-
nes, también se incluyen los costos de producción.
Los modelos de transporte también pueden utilizarse cuando una empresa está tratando de decidir
dónde ubicar una nueva planta. Antes de la apertura de un almacén, una fábrica u oficina de ventas nuevos,
una buena práctica es considerar varios sitios alternativos. Las buenas decisiones financieras relativas a la
ubicación de una instalación también intentan minimizar los costos totales de transporte y producción para
todo el sistema.
Programación lineal para el ejemplo de transporte

La corporación Executive Furniture se enfrenta al problema de transporte mostrado en la figura 9.1. La
compañía desea minimizar los costos de transporte, al tiempo que satisface la demanda en cada destino
y no supera la oferta de cada fuente. Al formular esto como un problema de programación lineal, hay
tres restricciones de oferta (una para cada fuente) y tres restricciones de demanda (una para cada destino).
Las decisiones a tomar son el número de unidades que deben enviarse en cada ruta, así que hay una varia-
ble de decisión por cada arco (flecha) en la red. Sean
Xij = número de unidades enviadas desde la fuente i hasta el destino j
donde
i = 1, 2, 3, con 1 = Des Moines, 2 = Evansville y 3 = Fort Lauderdale

j = 1, 2, 3, con 1 = Albuquerque, 2 = Boston y 3 = Cleveland
La formulación de PL es
Minimizar el costo total = 5X11 + 4X12 + 3X13 + 8X21 + 4X22

+ 3X23 + 9X31 + 7X32 + 5X33
sujeto a
X11 + X12 + X13 … 100 (oferta de Des Moines)
X21 + X22 + X23 … 300 (oferta de Evansville)
X31 + X32 + X33 … 300 (oferta de Fort Lauderdale)
X11 + X21 + X31 = 300 (demanda de Albuquerque)
X12 + X22 + X32 = 200 (demanda de Boston)
X13 + X23 + X33 = 200 (demanda Cleveland)
Xij Ú 0 para toda i y j
La solución se encuentra mediante el uso de software de computadora, y la solución óptima de envíos

es la siguiente:
100 unidades de Des Moines a Albuquerque
200 unidades de Evansville a Boston
100 unidades de Evansville a Cleveland
200 unidades de Ft. Lauderdale a Albuquerque
100 unidades de Ft. Lauderdale a Cleveland
El costo total es de $3,900. En la siguiente sección se ilustrará la forma en que se encontró esta solución.
Resolución de problemas de transporte mediante

el uso de software de computadora
La solución a este problema de transporte, planteado como un problema de PL, se determina utilizando
Solver en Excel 2013, como se ilustró en el capítulo 7, mediante el uso de QM para Windows o emplean-
do Excel QM en Excel 2013. Cuando se utiliza Excel 2013 y Solver, las restricciones pueden introducirse
en filas como se indicó en el capítulo 7. Sin embargo, la estructura especial de este problema permite una

FIGURA 9.1
Representación en red Fuente Destino
de un problema de Oferta Demanda
transporte, con costos,
demandas y ofertas $5
Des Moines Albuquerque
100 300
(Fuente 1) (Destino 1)
$4
$3
$8
Evansville $4 Boston
300 200
$3
$9
$7
Fort Lauderdale Cleveland
300 200
(Fuente 3) $5 (Destino 3)
entrada más sencilla y más intuitiva en Excel 2013 con Solver, y para este ejemplo se utilizará Excel QM
con la finalidad de ilustrar esto.
El programa 9.1 presenta los datos de entrada y la solución a este ejemplo. Haga clic en la pestaña
de Excel QM y seleccione el menú Alphabetical de la barra de Excel QM. Cuando aparezca el menú, des-
plácese hacia abajo y elija Transportation. En la ventana de entrada que se abre, introduzca el número de
orígenes o fuentes (3 en este ejemplo), el número de destinos (3 para este ejemplo), seleccione Minimize
y haga clic en OK. Aparecerá una hoja de cálculo, donde se introducen los costos, las ofertas y demandas
mostradas en la tabla de datos. Luego haga clic en la pestaña Data, seleccione Solver de la barra Data y
haga clic en Solve en la ventana de entrada de Solver. No es necesario escribir ninguna fórmula ni cambiar
ninguno de los parámetros.
Un modelo general de PL para problemas de transporte

En este ejemplo, había 3 fuentes y 3 destinos. El PL tenía 3 * 3 = 9 variables y 3 + 3 = 6 restriccio-
nes. En general, para un problema de transporte con m fuentes y n destinos, el número de variables es
mn, y el número de restricciones es m + n. Por ejemplo, si hay 5 restricciones (es decir, m = 5) y 8 varia-
PROGRAMA 9.1 De la barra de Excel QM, seleccione

De la pestaña Data, seleccione
Solución para la el menú (Alphabetical o By Chapter).
Solver y haga clic en Solve.
corporación Executive Elija Transportation en el menú
desplegable y, después, introduzca
Furniture en Excel 2013 los 3 orígenes (fuentes) y los 3 destinos.
usando Excel QM
Complete la tabla con los costos,

las ofertas y las demandas.
La solución se
muestra aquí.

El número de variables y restricciones bles (es decir, n = 8), el problema de programación lineal tendría 5 182 = 40 variables y 5 + 8 = 13
para un problema típico de restricciones.
transporte se puede encontrar El uso de subíndices dobles en las variables facilita la expresión de la forma general del problema
a partir del número de fuentes de programación lineal para un problema de transporte, con m fuentes y n destinos. Sean
y destinos.
xij = número de unidades enviadas desde la fuente i hasta el destino j
cij = costo de una unidad desde la fuente i hasta el destino j
si = oferta en la fuente i
dj = demanda en el destino j
El modelo de programación lineal es

n m
Minimizar el costo = g g cijxij
j=1 i=1
sujeto a
n
g xij … si i = 1, 2, c, m
j=1
m
g xij = dj j = 1, 2, c, n
i=1
xij Ú 0 para toda i y j
Análisis de la localización de instalaciones

El método de transporte ha demostrado ser especialmente útil para ayudar a una empresa a decidir dónde
ubicar una fábrica o almacén nuevos. Dado que una nueva localización es un tema de gran importancia
La localización de una nueva financiera para una empresa, por lo general se deben considerar y evaluar varios sitios alternativos. Aunque
instalación dentro de un sistema se toma en cuenta una amplia gama de factores subjetivos, como la calidad de la oferta de mano de obra, la
de distribución general se apoya presencia de sindicatos, la actitud y aceptación de la comunidad, y los servicios públicos y las instalaciones
en el método de transporte. recreativas y educativas para los trabajadores, una decisión final también implica minimizar los costos
totales de envío y de producción. Lo anterior significa que cada ubicación alternativa de las instalaciones
debería analizarse en el marco de un sistema de distribución general.
Para determinar cuál de los dos sitios se debe seleccionar para una nueva planta de producción, se
desarrollarán modelos de programación lineal para dos problemas de transporte, uno para cada ubicación.
Si se estuvieran considerando tres o más lugares, se desarrollaría un problema de transporte como modelo
de programación lineal para cada uno de éstos. En cada modelo se utilizan las fuentes y los destinos exis-
tentes, y se incluye también una nueva fuente. Con esto se encuentra el costo mínimo para el sistema de
distribución, si se agrega una fuente al sistema. Lo anterior se repite para la segunda fuente, y los costos
mínimos de estos dos problemas se compararán para encontrar cuál es mejor. El método descrito se ilustra
en el siguiente ejemplo.
La compañía Hardgrave Machine produce componentes de computadora en sus plantas de Cincinnati,
Salt Lake City y Pittsburgh. Dichas plantas no han sido capaces de mantenerse al día con la demanda de
pedidos en cuatro almacenes que posee Hardgrave en Detroit, Dallas, Nueva York y Los Ángeles. Como
resultado, la compañía ha decidido construir una nueva planta para ampliar su capacidad productiva. Los
dos sitios que se están considerando son Seattle y Birmingham; ambas ciudades son atractivas en términos
de la oferta de mano de obra y de servicios públicos, y la facilidad de financiamiento de la fábrica.
En la tabla 9.1 se presentan los costos y los requisitos de producción para cada una de las tres plantas
existentes, la demanda en cada uno de los cuatro almacenes, y los costos de producción estimados para las
nuevas plantas propuestas. Los costos de transporte desde cada planta hasta cada almacén se resumen en
la tabla 9.2.
La pregunta importante que Hardgrave enfrenta ahora es la siguiente: ¿Cuál de las nuevas ubicaciones
generará el menor costo para la compañía, en combinación con las plantas y los almacenes existentes?
Tenga en cuenta que el costo de cada ruta individual de una planta a un almacén se encuentra mediante la
suma de los costos de envío (en el cuerpo de la tabla 9.2) más los costos unitarios de producción respecti-
vos (de la tabla 9.1). Por lo tanto, el costo total de producción más el costo de envío de un componente de
Para encontrar la nueva planta computadora desde Cincinnati hasta Detroit es de $73 ($25 por el envío más $48 por la producción).
con el menor costo del sistema, Con la finalidad de determinar cuál de las nuevas plantas (Seattle o Birmingham) presenta el menor
resolvemos dos problemas de costo total para todo el sistema de distribución y producción, se resuelven dos problemas de transporte:
transporte. uno para cada una de las dos combinaciones posibles. El primer problema de programación lineal será para

TABLA 9.1
DEMANDA
Datos de la demanda y MENSUAL PLANTA DE OFERTA COSTO DE PRODUCIR
la oferta de Hardgrave ALMACÉN (UNIDADES) PRODUCCIÓN MENSUAL UNA UNIDAD ($)
Detroit 10,000 Cincinnati 15,000 48

Dallas 12,000 Salt Lake City 6,000 50
Nueva York 15,000 Pittsburgh 14,000 52
Los Ángeles 9,000 35,000
46,000
Oferta necesaria para la nueva planta = 46,000 - 35,000 = 11,000 unidades mensuales
ESTIMACIÓN DE COSTOS DE PRODUCCIÓN

POR UNIDAD EN LAS PLANTAS PROPUESTAS
Seattle $53
Birmingham $49
TABLA 9.2
A NUEVA LOS
Costos de envío DE DETROIT DALLAS YORK ÁNGELES
de Hardgrave
CINCINNATI $25 $55 $40 $60
SALT LAKE CITY 35 30 50 40
PITTSBURGH 36 45 26 66
SEATTLE 60 38 65 27
35 30 41 50
BIRMINGHAM
la ubicación de Seattle, y el segundo será para Birmingham. Al evaluar la ubicación en Seattle, las varia-
bles se definen como sigue:
Xij = número de unidades enviadas de la fuente i al destino j
donde
i = 1, 2, 3, 4 con 1 = Cincinnati, 2 = Salt Lake City, 3 = Pittsburgh y 4 = Seattle
j = 1, 2, 3, 4 con 1 = Detroit, 2 = Dallas, 3 = Nueva York y 4 = Los Ángeles
La formulación del problema de programación lineal tiene un objetivo de minimizar el costo total: costo de
transporte más costo de producción.
Minimizar el costo total = 73X11 + 103X12 + 88X13 + 108X14 + 85X21 + 80X22 + 100X23
+ 90X24 + 88X31 + 97X32 + 78X33 + 118X34 + 113X41 + 91X42 + 118X43 + 80X44
sujeto a
X11 + X21 + X31 + X41 = 10,000 demanda en Detroit
X12 + X22 + X32 + X42 = 12,000 demanda en Dallas
X13 + X23 + X33 + X43 = 15,000 demanda en Nueva York
X14 + X24 + X34 + X44 = 9,000 demanda en Los Ángeles
X11 + X12 + X13 + X14 … 15,000 oferta de Cincinnati
X21 + X22 + X23 + X24 … 6,000 oferta de Salt Lake City
X31 + X32 + X33 + X34 … 14,000 oferta de Pittsburgh
X41 + X42 + X43 + X44 … 11,000 oferta de Seattle
Todas las variables Ú 0

Al resolver esto, se encuentra que el costo total con la localización de Seattle es de $3,704,000.

Para el segundo modelo de transporte, el problema de programación lineal se modifica y la ubicación

de Birmingham sustituye la de Seattle. Ahora en el problema de programación lineal, i = 4 representa
Birmingham en vez de Seattle, la última restricción es para Birmingham en lugar de Seattle, y los costos
de estas cuatro variables en la función objetivo ahora son 84 para X41, 79 para X42, 90 para X43 y 99 para
X44. No hay ningún otro cambio en el problema. Cuando éste se resuelve, el costo total con la ubicación
de Birmingham es de $3,741,000. Por lo tanto, los resultados de la localización de Seattle tienen un menor
costo total y sería la ubicación seleccionada con base en el costo.
En este ejemplo se usará Excel QM, y el programa 9.2 presenta la solución al problema con la ubi-
cación de Seattle. Para introducir el problema, haga clic en la pestaña de Excel QM, seleccione el menú
Alphabetical de la barra de Excel QM y, cuando aparezca el menú, desplácese hacia abajo para elegir
Transportation. Se abrirá una ventana de entrada y sólo debe introducir el número de orígenes (fuentes), el
número de destinos, seleccionar Minimize y hacer clic en OK. En seguida se despliega una hoja de cálculo
donde puede introducir las cifras de los costos, las ofertas y las demandas mostradas en la tabla de datos
del programa 9.2. Una vez que se hayan introducido todos los datos, haga clic en la pestaña Data, elija
Solver y haga clic en Solve en la ventana de entrada de Solver. No es necesario introducir ningún dato
adicional en Solver. Los envíos de la solución óptima se muestran en la tabla Shipments. El programa 9.3
muestra los resultados de Excel QM para la ubicación de Birmingham.
PROGRAMA 9.2 De la barra de Excel QM, seleccione Después de introducir los costos, haga clic
Solución para el menú (Alphabetical o By Chapter). en la pestaña Data y seleccione Solver.
localización de la Seleccione Transportation en el menú Luego haga clic en Solve.
desplegable y, luego, ingrese los 3
instalación (Seattle) orígenes (fuentes) y los 4 destinos.
en Excel 2013 usando
Excel QM
Complete la tabla con los costos,

El costo está aquí.
PROGRAMA 9.3
Solución para
localización de la
instalación (Birmingham)
en Excel 2013 usando
Excel QM

HISTORIA Cómo iniciaron los métodos de transporte
de manera independiente la segunda contribución importante, un in-

E l uso de modelos de transporte para minimizar el costo de en-
vío desde varias fuentes hasta una serie de destinos fue propuesto
forme titulado “La utilización óptima del sistema de transporte”. En
1953 A. Charnes y W. W. Cooper desarrollaron el método del tram-
por primera vez en 1941. Este estudio, llamado “La distribución de polín, un algoritmo que se analiza a detalle en este capítulo. En 1955
un producto desde varias fuentes hasta diversas localidades” fue es- se creó el método de distribución modificada (MODI), un enfoque
crito por F. L. Hitchcock. Seis años después, T. C. Koopmans realizó computacional más rápido.
9.3 El problema de asignación

El problema de asignación se refiere al tipo de problema de PL que implica la determinación de la asig-
nación más eficiente de personas a proyectos, personal de ventas a territorios, auditores a empresas que
serán auditadas, contratos a licitantes, trabajos a máquinas, equipos pesados (como grúas) a tareas de cons-
trucción, etcétera. Con la mayor frecuencia, el objetivo es minimizar los costos totales o el tiempo total de
ejecución de las tareas requeridas. Una característica importante de los problemas de asignación es que
sólo se asigna un trabajo o un trabajador a una máquina o un proyecto.
Un problema de asignación es En la figura 9.2 se presenta una representación en red de un problema de asignación. Observe que esta
equivalente a un problema de red es muy parecida a la red de un problema de transporte. De hecho, un problema de asignación puede
transporte, donde tanto la oferta verse como un tipo especial de problema de transporte, en el cual la oferta de cada fuente y la demanda en
como la demanda son iguales a 1. cada destino deben ser iguales a uno. Cada persona sólo podrá asignarse a un puesto de trabajo o proyecto,
y cada trabajo sólo requiere una persona.
Problema de programación lineal para un ejemplo de asignación

La red de la figura 9.2 representa un problema que enfrenta el taller Mr. Fix-It, que acaba de recibir tres
nuevos proyectos de reparación que deben completarse con rapidez: 1. una radio, 2. un horno tostador y
3. una mesa de café. Tres reparadores, cada uno con diferentes habilidades, están disponibles para realizar
los trabajos. El dueño del taller estima el costo por pago de salarios, si los trabajadores se asignan a cada
uno de los tres proyectos. Los costos difieren debido a las habilidades de cada trabajador para cada una de
FIGURA 9.2
Ejemplo de un problema Persona Proyecto
de asignación en el Oferta Demanda
formato de una red de
transporte $11
Adams Proyecto 1
1 1
$14
$6
$8
Brown $10 Proyecto 2
1 1
$11
$9
$12
Cooper Proyecto 3
1 1
(Fuente 3) $7 (Destino 3)

9.3 EL PROBLEMA DE ASIGNACIÓN 331
las tareas. El propietario desea asignar los trabajos de modo que se minimice el costo total; cada trabajo
debe tener una persona asignada al mismo, y cada persona sólo puede ser asignada a una tarea.
Para la formulación de esto como un problema de programación lineal, se puede utilizar la forma ge-
neral del problema de transporte. En la definición de variables, sean
1 si la persona i es asignada al proyecto j

En un modelo de asignación se usan Xij = e
variables especiales 0-1 0 en caso contrario
donde
i = 1, 2, 3, con 1 = Adams, 2 = Brown y 3 = Cooper

j = 1, 2, 3, con 1 = Proyecto 1, 2 = Proyecto 2 y 3 = Proyecto 3
La formulación de PL es
Minimizar el costo total = 11X11 + 14X12 + 6X13 + 8X21 + 10X22

+ 11X23 + 9X31 + 12X32 + 7X33
sujeto a
X11 + X12 + X13 … 1

X21 + X22 + X23 … 1
X31 + X32 + X33 … 1
X11 + X21 + X31 = 1
X12 + X22 + X32 = 1
X13 + X23 + X33 = 1
xij = 0 o 1 para toda i y j
La solución se muestra en el programa 9.4. De acuerdo con ésta, x13 = 1, por lo que Adams se asigna
al proyecto 3; x22 = 1, por lo que Brown se asigna al proyecto 2, y x31 = 1, por lo que Cooper se asigna al
proyecto 1. Todas las demás variables son 0. El costo total es de $25.
Este problema podría introducirse en Excel, Excel QM o QM para Windows como un problema de
programación lineal, o podría ingresarse como un problema de transporte con todas las ofertas y demandas
iguales a 1. Sin embargo, tanto Excel QM como QM para Windows tienen un módulo para este problema
de asignación. En Excel QM, desde el menú Alphabetical en la barra de Excel QM, seleccione Assignment.
Se abrirá la ventana de inicialización, donde puede escribir el número de tareas para después seleccionar
Minimization. Haga clic en OK y se abrirá una hoja de trabajo para que ingrese los costos como se muestra
en la tabla de datos del programa 9.4. Después, seleccione Solver de la barra Data y haga clic en Solve en
la ventana de entrada de Solver. Los resultados se muestran en el programa 9.4.
PROGRAMA 9.4 De la barra de Excel QM, seleccione

Solución de asignación el menú (Alphabetical o By Chapter).
para el taller Mr. Fix-It Elija Assignment en el menú Después de introducir los costos, haga
desplegable y, luego, ingrese el clic en la pestaña Data y seleccione Solver.
en Excel 2013 usando número de asignaciones (3). Luego haga clic en Solve.
Excel QM
Llene la tabla con los costos,


El software para el problema de asignación supone que el problema está equilibrado, es decir, que el
número de fuentes (o personas) es igual al número de destinos (o trabajos). Si el problema no está equili-
brado, se agrega una fuente ficticia o un destino ficticio al problema para que cumpla esta condición. En
algunos casos, se usa más de una fuente o un destino ficticio. Debido a que este elemento no es una asig-
nación real y sólo indicará cuál fuente o destino carece de una asignación, todos los costos serán iguales a
cero. El problema resuelto 9-2 al final del capítulo ilustrará este caso.
En el problema de asignación, se requiere que las variables sean 0 o 1. Debido a la estructura especial
de este problema con coeficientes de restricción como 0 o 1, y todos los valores del lado derecho iguales
a 1, éste puede resolverse como un problema de programación lineal. La solución a tal problema (si acaso
existe) siempre indicará variables iguales a 0 o 1. Hay otros tipos de problemas donde es recomendable
utilizar las variables 0-1, pero la solución a estos problemas usando los métodos normales de programación
lineal no necesariamente contiene sólo ceros y unos. En tales casos, deben emplearse métodos especiales
para forzar que las variables sean 0 o 1; lo anterior se estudiará como un tipo especial de problema de pro-
gramación entera que se incluye en el capítulo 10.
9.4 El problema de transbordo

En un problema de transporte, si los artículos transportados deben pasar por un punto intermedio (llamado
punto de transbordo) antes de llegar a su destino final, el problema se denomina problema de transbordo.
Por ejemplo, una empresa podría estar fabricando un producto en varias plantas para enviarlo a un conjunto
Un problema de transporte con de centros de distribución regionales. Desde estos centros, los artículos se envían a puntos de venta que
puntos intermedios es un problema son los destinos finales. En la figura 9.3 se proporciona una representación en red de un problema de trans-
de transbordo. bordo. En este ejemplo, hay dos fuentes, dos puntos de transbordo y tres destinos finales.
Problema de programación lineal para un ejemplo de transbordo

Frosty Machines produce barredoras de nieve en sus fábricas ubicadas en Toronto y Detroit. Las barredoras
se envían a centros de distribución regionales en Chicago y Búfalo, donde son entregadas a tiendas mino-
ristas en Nueva York, Filadelfia y San Luis, como se ilustra en la figura 9.3.
Las ofertas disponibles en las fábricas, las demandas en el destino final y los costos de envío se mues-
tran en la tabla 9.3. Tenga en cuenta que las barredoras de nieve no pueden enviarse directamente desde
Toronto o Detroit a cualquiera de los destinos finales, sino que primero deben ir a Chicago o a Búfalo. Ésta
es la razón por la que Chicago y Búfalo aparecen no sólo como destinos, sino también como fuentes.
A Frosty le gustaría minimizar los costos de transporte asociados con el envío de las barredoras sufi-
cientes para satisfacer las demandas de los tres destinos, siempre y cuando no supere la oferta de cada fá-
brica. Por lo tanto, tenemos restricciones de oferta y demanda similares a las de un problema de transporte,
pero también tenemos una restricción para cada punto de transbordo que indica que cualquier cosa enviada
FIGURA 9.3
Punto de transbordo Destino
Representación en
Oferta Fuente Demanda
red del ejemplo de
transbordo Nueva York
450
(Nodo 5)
Toronto Chicago
800
(Nodo 1) (Nodo 3)
Filadelfia
350
(Nodo 6)
Detroit Búfalo
700
(Nodo 2) (Nodo 4)
San Luis
300
(Nodo 7)

9.4 EL PROBLEMA DE TRANSBORDO 333
TABLA 9.3 Datos de transbordo para Frosty Machine

A
NUEVA
DE CHICAGO BÚFALO YORK FILADELFIA SAN LUIS OFERTA
Toronto $4 $7 — — — 800
Detroit $5 $7 — — — 700
Chicago — — $6 $4 $5 —
Búfalo — — $2 $3 $4 —
Demanda — — 450 350 300
desde éstos hasta un destino final debe haberse recibido en ese punto de transbordo desde una de las fuen-
tes. El enunciado verbal de este problema sería el siguiente:
Minimizar el costo
sujeto a
1. El número de unidades enviadas desde Toronto no es más de 800

2. El número de unidades enviadas desde Detroit no es más de 700
3. El número de unidades enviadas a Nueva York es de 450
4. El número de unidades enviadas a Filadelfia es de 350
5. El número de unidades enviadas a San Luis es de 300
6. El número de unidades salidas de Chicago es igual al número de unidades recibidas en Chicago
7. El número de unidades salidas de Búfalo es igual al número de unidades recibidas en Búfalo
En el problema de programación Las variables de decisión deberían representar el número de unidades enviadas desde cada fuente hasta
lineal se utilizan restricciones cada punto de transbordo y el número de unidades salidas de cada punto de transbordo hacia cada destino
de transbordo especiales. final, porque éstas son las decisiones que la gerencia debe tomar. Las variables de decisión son
Xij = número de unidades enviadas desde la ubicación (el nodo) i hasta la ubicación (el nodo) j
donde
i = 1, 2, 3, 4
j = 3, 4, 5, 6, 7
Los números son los nodos mostrados en la figura 9.3, y hay una variable para cada arco (ruta) en la figura.
El modelo de PL es
Minimizar el costo total = 4X13 + 7X14 + 5X23 + 7X24 + 6X35 + 4X36
+ 5X37 + 2X45 + 3X46 + 4X47
sujeto a
X13 + X14 … 800 (oferta en Toronto [nodo 1])

X23 + X24 … 700 (oferta en Detroit [nodo 2])
X35 + X45 = 450 (demanda en Nueva York [nodo 5])
X36 + X46 = 350 (demanda en Filadelfia [nodo 6])
X37 + X47 = 300 (demanda en San Luis [nodo 7])
X13 + X23 = X35 + X36 + X37 (envío a través de Chicago [nodo 3])
X14 + X24 = X45 + X46 + X47 (envío a través de Búfalo [nodo 4])
xij Ú 0 para toda i y j
En el programa 9.5, se muestra la solución encontrada utilizando Solver en Excel 2013 y Excel QM. El
costo total es de $9,550 por el envío de 650 unidades de Toronto a Chicago, 150 unidades de Toronto a
Búfalo, 300 unidades de Detroit a Búfalo, 350 unidades de Chicago a Filadelfia, 300 unidades de Chicago
a San Luis y 450 unidades de Búfalo a Nueva York.

PROGRAMA 9.5 De la barra de Excel QM, seleccione el

Solución en Excel QM menú (Alphabetical o By Chapter). Elija Linear
para el problema de Programming en el menú desplegable.
Después, complete el número de restricciones
transbordo de Frosty (7), el número de variables (10), seleccione
Machine en Excel 2013 Después de introducir los datos, haga clic
Minimize y haga clic en OK.
en la pestaña Data y seleccione Solver.
Luego, haga clic en Solve.
Cuando se abra la hoja de trabajo, complete

la tabla con los coeficientes de la función
objetivo y las restricciones. Escriba sobre el
símbolo “⬍” para cambiarlo.
La solución está aquí.
MODELADO EN EL MUNDO REAL Traslado de caña de azúcar en Cuba
Definición
del problema El mercado del azúcar ha estado en crisis desde hace más de una década. Los bajos precios del azúcar y la
disminución de la demanda se han sumado a un mercado ya inestable. Los productores de azúcar necesitaban
minimizar los costos. Se enfocaron en el costo unitario que más contribuye al costo total de la manufactura de
azúcar en bruto, es decir, los costos del transporte de la caña de azúcar.

un modelo Para resolver este problema, los investigadores desarrollaron un problema de programación lineal con algunas
variables de decisión enteras (como el número de camiones) y algunas variables (lineales) continuas (por ejem-
plo, las toneladas de caña de azúcar).

datos de entrada En el desarrollo del modelo, las entradas recopiladas fueron las demandas operativas de los ingenios azuca-
reros involucrados, las capacidades de las instalaciones de almacenamiento intermedias, los costos de trans-
porte por unidad de cada ruta y las capacidades de producción de los distintos campos de caña de azúcar.

a la solución Los investigadores involucrados primero probaron una versión pequeña de su formulación matemática
usando una hoja de cálculo. Después de observar resultados alentadores, implementaron la versión com-
pleta de su modelo en una computadora de gran capacidad. Los resultados para este modelo grande y
complejo (con cerca de 40,000 variables de decisión y 10,000 restricciones) se obtuvieron en sólo unos cuan-
tos milisegundos.

de resultados La solución obtenida contenía información sobre la cantidad de caña entregada a cada ingenio azucarero, el
campo donde se debería recoger la caña y los medios de transporte (camión, tren, etcétera), y varios otros
atributos operacionales vitales.

de resultados Aunque la resolución de grandes problemas como éste, con algunas variables enteras, habría sido imposible
hace tan sólo una década, ahora puede encontrarse una solución con toda seguridad. Con la finalidad de im-
plementar los resultados obtenidos, los investigadores desarrollaron una interfaz más sencilla para que los ad-
ministradores no tuvieran ningún problema al usar este modelo como una ayuda para tomar sus decisiones.
Fuente: Basado en E. L. Milan, S. M. Fernandez y L. M. Pla Aragones. “Sugar Cane Transportation in Cuba: A Case
Study”, European Journal of Operational Research, 174, 1 (2006): 374-386.

9.5 PROBLEMA DEL FLUJO MÁXIMO 335
9.5 Problema del flujo máximo

El problema del flujo máximo implica la determinación de la cantidad máxima de material que puede
fluir de un punto (la fuente) a otro (el destino) en una red. Los ejemplos de este tipo de problema incluyen
la determinación del número máximo de automóviles que pueden transitar a través de un sistema de carre-
teras, la cantidad máxima de líquido que fluye a través de una serie de tubos, el número máximo de llama-
das a teléfonos celulares que pueden pasar a través de una serie de torres celulares y la máxima cantidad
de datos que pueden fluir a través de una red computacional.
Para encontrar el flujo máximo desde la fuente o el inicio de una red hasta el destino o final de dicha
red, se utilizan dos métodos comunes: la programación lineal y la técnica del flujo máximo. Primero se
presentará un ejemplo y se demostrará el uso de la programación lineal para este tipo de problema.
Ejemplo
Waukesha, un pequeño pueblo en Wisconsin, está en proceso de desarrollar un sistema de caminos en
su zona centro. A Bill Blackstone, uno de los planeadores de la ciudad, le gustaría determinar el número
máximo de automóviles que pueden transitar a través de la ciudad de oeste a este. La red de caminos se
muestra en la figura 9.4. Las calles se indican mediante sus arcos respectivos. Por ejemplo, el arco que va
del nodo 1 al nodo 2 es el arco 1-2. El arco en la dirección inversa (del nodo 2 al nodo 1) es el arco 2-1. Los
números para los nodos indican el número máximo de automóviles (en cientos de automóviles por hora)
que pueden fluir desde los diversos nodos a lo largo de los respectivos arcos. El flujo máximo a lo largo del
arco 1-2 es 3, mientras que el flujo a lo largo del arco 1-3 es 10. A los planeadores de la ciudad les gustaría
saber la capacidad del sistema de caminos actual en la dirección de oeste a este.
El problema del flujo máximo puede plantearse como un problema de programación lineal, el cual se
considera un tipo especial de problema de transbordo con una fuente, un destino y un número de puntos
de transbordo. La cantidad enviada a través de la red se llama flujo. El objetivo es maximizar el flujo
a través de la red. Hay dos tipos de restricciones divididas en conjuntos. El primero de ellos restringe
la cantidad de flujo en cualquier arco a la capacidad de ese arco. El segundo conjunto de restricciones
indica que la cantidad de flujo que sale de un nodo será igual a la cantidad que fluye hacia ese nodo. Estas
restricciones son las mismas que las de un problema de transbordo.
Las variables se definen como:
Xij = flujo del nodo i al nodo j
Se agrega un arco adicional a la red, que va desde el destino (nodo 6) de nuevo hasta la fuente (nodo 1).
El flujo a lo largo de este arco representa el flujo total en la red. El primer conjunto de restricciones en el
problema de programación lineal son los flujos máximos a lo largo de cada arco en cada dirección. Éstos
se agrupan con base en el nodo desde el que se origina el flujo. Las últimas seis restricciones limitan el
FIGURA 9.4
Capacidad en cientos
Red de caminos en el de automóviles por hora
ejemplo de flujo máximo
de Waukesha 2
1 2
2 Punto
1 6
1 este
3 0
Punto 2
1
oeste
10 1 1
0
4
1
6
1 5
0 3
2
3

flujo de salida de un nodo para igualar el flujo hacia el nodo (es decir, el flujo hacia un nodo menos el flujo
de salida de ese nodo debe ser igual a cero). El problema de programación lineal es
Maximizar el flujo = X61

sujeto a
X12 … 3 X13 … 10 X14 … 2 Capacidades para los arcos desde el nodo 1
X34 … 3 X35 … 2 Capacidades para los arcos desde el nodo 3
1X21 + X61 2 - 1X12 + X13 + X14 2 = 0 Flujos entrantes = Flujos salientes del nodo 1
1X12 + X42 + X62 2 - 1X21 + X24 + X26 2 = 0 Flujos entrantes = Flujos salientes del nodo 2
1X13 + X43 + X53 2 - 1X34 + X35 2 = 0 Flujos entrantes = Flujos salientes del nodo 3
1X14 + X24 + X34 + X64 2 - 1X42 + X43 + X46 2 = 0 Flujos entrantes = Flujos salientes del nodo 4
1X35 2 - 1X56 + X53 2 = 0 Flujos entrantes = Flujos salientes del nodo 5
1X26 + X46 + X56 2 - 1X61 + X62 + X64 2 = 0 Flujos entrantes = Flujos salientes del nodo 6
Xij Ú 0
Ahora el problema está listo para resolverse mediante el módulo de programación lineal de QM para
Windows o utilizando Solver en Excel 2013. Sin embargo, el programa 9.6 ilustra la solución encontrada
con Excel QM. Para lograr esto, en la barra de Excel QM, seleccione Network Analysis as LP y, luego, elija
Maximal Flow. En la ventana de inicialización que se abre, introduzca el número de nodos (6) y haga clic
en OK. Se desplegará una hoja de trabajo como la mostrada en el programa 9.6. Introduzca los datos de las
capacidades de arco y, en seguida, haga clic en Solver en la barra de Data. Haga clic en Solve en la ventana
de entrada de Solver, y los resultados (flujos) se presentarán en la hoja de trabajo.
PROGRAMA 9.6 De la barra de Excel QM, seleccione el menú

Solución de Excel 2013 (Alphabetical o By Chapter). Elija Network
del flujo máximo Analysis as LP y Maximal Flow en el menú
desplegable. Luego, llene el número de ramas
para Waukesha o arcos (6). Haga clic en OK.
usando Excel QM
Cuando se abra la hoja de

trabajo, introduzca los flujos
en la tabla.
Este valor ya está incluido

y es utilizado por Excel QM.
Después de introducir los datos, haga

clic en la pestaña Data y seleccione Solver.
Luego haga clic en Solve.

9.6 PROBLEMA DE LA RUTA MÁS CORTA 337
9.6 Problema de la ruta más corta

El objetivo del problema de la ruta más corta es encontrar la menor distancia desde una ubicación hasta
otra. En una red, esto suele implicar la determinación de la ruta más corta desde un nodo hasta cada uno
de los otros nodos. El problema anterior puede plantearse como un problema de programación lineal con
variables 0-1, o bien, podría plantearse y resolverse mediante un algoritmo especializado que se presenta
en el módulo 8. El siguiente ejemplo es un problema típico de la ruta más corta.
Cada día, Ray Design, Inc., debe transportar camas, sillas y otros artículos de mobiliario desde la
fábrica hasta el almacén. Esto implica pasar por varias ciudades, y no hay carreteras interestatales directas
para facilitar la entrega. Ray desearía encontrar la ruta con la distancia más corta. La red de carreteras se
muestra en la figura 9.5.
El problema de la ruta más corta puede considerarse como un tipo especial de problema de trans-
bordo con una fuente que tiene una oferta de 1, un destino con una demanda de 1 y cierta cantidad de
puntos de transbordo. Este tipo de problema puede plantearse como un problema de programación
lineal con variables 0-1. Ray está tratando de decidir cuáles de las rutas (arcos) a elegir serán parte del
sistema de suministro. Por lo tanto, las variables de decisión indicarán si un arco en específico se elige
para formar parte de la ruta tomada. Para el ejemplo de Ray Design, Inc., el objetivo es minimizar la
distancia (el costo) total desde el inicio hasta el final. Las restricciones especifican que el número de
unidades (ya sea 0 o 1) que entran en un nodo debe ser igual al número que sale de ese nodo. Las varia-
bles se definen como
Xij = 1 si se selecciona el arco del nodo i al nodo j y Xij = 0 en caso contrario
Como el punto de inicio es el nodo 1, no incluiremos variables que vayan desde el nodo 2 o 3 hasta
el nodo 1. Del mismo modo, puesto que el nodo 6 es el destino final, no incluiremos ninguna variable que
inicie en el nodo 6. Si se toma esto como un problema de transbordo, el nodo origen (nodo 1) debe tener
una unidad enviada desde él. Esto sería,
X12 + X13 = 1
El nodo de destino final (nodo 6) debe tener una unidad enviada hacia él, lo cual se escribe como
X46 + X56 = 1
Cada nodo intermedio tendrá una restricción para indicar que la cantidad que entra en el nodo debe ser
igualar la cantidad que sale de éste (es decir, el flujo de entrada a un nodo menos su flujo de salida debe
ser igual a cero). Para el nodo 2, esto sería
X12 + X32 = X23 + X24 + X25
Lo anterior se simplifica como
X12 + X32 - X23 - X24 - X25 = 0
Las otras restricciones se construyen de manera similar. El problema de programación lineal es
Minimizar la distancia = 100X12 + 200X13 + 50X23 + 50X32 + 200X24 + 200X42 + 100X25

+ 100X52 + 40X35 + 40X53 + 150X45 + 150X54 + 100X46 + 100X56
sujeta a
X12 + X13 = 1 Nodo 1

X12 + X32 - X23 - X24 - X25 = 0 Nodo 2
X13 + X23 - X32 - X35 = 0 Nodo 3
X24 + X54 - X42 - X45 - X46 = 0 Nodo 4
X25 + X35 + X45 - X52 - X53 - X54 - X56 = 0 Nodo 5
X46 + X56 = 1 Nodo 6
Todas las variables = 0o1

FIGURA 9.5 200

2 4
Caminos de la planta Planta
0 10
de Ray al almacén 10 0
10
1 50 0 150 6
20 0
0 10
40 Almacén
3 5

Solución en Excel 2013 menú (Alphabetical o By Chapter). Elija
para Ray Design, Inc. Network Analysis as LP y Shortest Route
en el menú desplegable. Después, llene
usando Excel QM el número de ramas o arcos (6). Haga
clic en OK.
Cuando se abra la hoja

de cálculo, introduzca las
distancias en la tabla.
Después de introducir los datos, haga

clic en la pestaña Data y seleccione Solver.
Luego haga clic en Solve.
Aunque este problema podría resolverse como un problema de programación lineal, la forma más
fácil de obtener la solución es mediante Excel QM. Para resolver un problema de la ruta más corta, de la
barra de Excel QM seleccione Network Analysis as LP y, luego, elija Shortest Path. En la ventana de ini-
cialización que se abre, introduzca el número de nodos (6) y haga clic en OK. Se desplegará una hoja de
trabajo como la mostrada en el programa 9.7. Introduzca los datos de las distancias y, luego, haga clic en
Solver en la barra de Data. Haga clic en Solve en la ventana de entrada de Solver, y los resultados (flujos)
se presentarán en la hoja de trabajo. En el programa 9.7, se observa que
X12 = X23 = X35 = X56 = 1
Así que Ray viajará de la ciudad 1 a la ciudad 2 y, luego, a la ciudad 3, y después a la ciudad 5, y de ahí
a la ciudad 6, su destino final. La distancia total es de 290 millas.
9.7 Problema del árbol de expansión mínima

El problema del árbol de expansión mínima consiste en conectar todos los puntos de una red mientras
se minimiza la distancia total de estas conexiones. Algunos ejemplos comunes son las compañías telefó-
nicas o de cable que intentan conectar las casas de un vecindario, y los administradores de una red que

9.7 PROBLEMA DEL ÁRBOL DE EXPANSIÓN MÍNIMA 339
tratan de minimizar el cable necesario para conectar varias computadoras en red. Aunque se han usado
modelos de programación lineal para resolver esto, hay ciertas propiedades del problema que lo hacen
bastante complejo. Por fortuna, hay otro método más sencillo para encontrar la solución a un problema
de este tipo, y se muestra a continuación. La técnica del árbol de expansión mínima se presentará me-
diante el siguiente ejemplo.
Consideremos la empresa constructora Lauderdale, que actualmente está desarrollando un proyecto
de viviendas de lujo en Panama City Beach, Florida. Melvin Lauderdale, propietario y presidente de la
constructora Lauderdale, debe determinar la forma menos costosa en que se puede suministrar agua y elec-
tricidad a cada casa. La red de casas se muestra en la figura 9.6.
Como se observa en la figura 9.6, hay ocho casas en el golfo. En la red se muestra la distancia entre
cada casa en cientos de pies. Por ejemplo, la distancia entre las casas 1 y 2 es de 300 pies. (El número 3 se
encuentra entre los nodos 1 y 2). Ahora, la técnica del árbol de expansión mínima se utiliza para determinar
la distancia más corta que se puede utilizar para conectar todos los nodos. El enfoque se describe de la
siguiente manera:
Existen cuatro pasos para resolver Pasos para la técnica del árbol de expansión mínima
un árbol de expansión mínima.
1. Seleccione cualquier nodo de la red.
2. Conecte ese nodo al nodo más cercano que minimiza la distancia total.
3. Considerando todos los nodos que están conectados ahora, encuentre y conecte el nodo más cercano
que no lo esté. Si hay un empate en el nodo más cercano, seleccione uno de ellos arbitrariamente.
Un empate sugiere que puede haber más de una solución óptima.
4. Repita el tercer paso hasta conectar todos los nodos.
Paso 1: Seleccionamos el nodo 1. Ahora, resolveremos la red de la figura 9.6 para Melvin Lauderdale. Comenzamos seleccionando
Paso 2: Conectamos el nodo 1 al arbitrariamente el nodo 1. Como el nodo más cercano es el tercer nodo a una distancia de 2 (200 pies),
nodo 3. conectamos el nodo 1 al nodo 3. Esto se muestra en la figura 9.7.
Considerando los nodos 1 y 3, buscamos el próximo nodo más cercano. Éste es el nodo 4, que es
el más cercano al nodo 3. La distancia es de 2 (200 pies). Una vez más, conectamos estos nodos (vea el
inciso (a) de la figura 9.8).
Continuamos buscando el nodo sin conexión más cercano a los nodos 1, 3 y 4. Éste es el nodo 2 o el
nodo 6, pues cada uno está a una distancia de 3 desde el nodo 3. Elegimos el nodo 2 y lo conectamos
al nodo 3 (vea el inciso (b) de la figura 9.8).
FIGURA 9.6
Red para la empresa 3
constructora Lauderdale 2 5
4
3
5
3 7
7
1
2 2
3
3 8
5 1
2 6
6
4
Golfo

FIGURA 9.7
Primera iteración para 3
la empresa constructora 2 5
4
Lauderdale 3
5
3 7
7
1
2 2
3
3 8
5 1
2 6
6
4
Golfo
FIGURA 9.8 Segunda y tercera iteraciones
3 3
2 5 2 5
4 4
3 3
5 5
3 7 3 7
1 1 7
2 7 2 2 2
3 3
3 8 3 8
5 1 1
2 6 5 2 6
6 6
4 4
(a) Segunda iteración (b) Tercera iteración
Paso 3: Conectamos el siguiente Continuamos con el proceso. Hay otro empate para la siguiente iteración con una distancia mínima de
nodo más cercano. 3 (del nodo 2 al nodo 5 y del nodo 3 al nodo 6). Tenga en cuenta que no consideramos del nodo 1 al nodo 2
con una distancia de 3, debido a que los nodos 1 y 2 ya están conectados. Seleccionamos arbitrariamente
Paso 4: Repetimos el proceso. el nodo 5 y lo conectamos al nodo 2 (vea el inciso (a) de la figura 9.9). El siguiente nodo más cercano es el
nodo 6, conéctelo al nodo 3 (vea el inciso (b) de la figura 9.9).
En esta etapa, nos quedan sólo dos nodos sin conectar. El nodo 8 es el más cercano al nodo 6, con una
distancia de 1, y lo conectamos (vea el inciso (c) de la figura 9.9). Después, el nodo 7 restante se conecta al
nodo 8 (vea el inciso (d) de la figura 9.9).
La solución final se observa en la séptima y última iteración. Los nodos 1, 2, 4 y 6 están todos co-
nectados al nodo 3. El nodo 2 está conectado al nodo 5. El nodo 6 está conectado al nodo 8, y el nodo 8
está conectado al nodo 7. Ahora, todos los nodos están conectados. La distancia total se encuentra su-
mando las distancias de los arcos utilizados en el árbol de expansión. En este ejemplo, la distancia es de
2 + 2 + 3 + 3 + 3 + 1 + 2 = 16 (o 1,600 pies). Lo anterior se resume en la tabla 9.4.

9.7 PROBLEMA DEL ÁRBOL DE EXPANSIÓN MÍNIMA 341
FIGURA 9.9 Últimas cuatro iteraciones para la compañía constructora Lauderdale
3 3
2 5 2 5
4 4
3 3
5 5
3 7 3 7
7 7
1 1
2 2 2 2
3 3
3 8 3 8
5 1 5 1
2 6 2 6
6 6
4 4
(a) Cuarta iteración (b) Quinta iteración
3 3
2 5 2 5
4 4
3 3
5 5
3 7 3 7
7 7
1 1
2 2 2 2
3 3
3 8 3 8
1 5 1
5 2 6 2 6
6 6
4 4
(c ) Sexta iteración (d) Séptima iteración
El problema del árbol de expansión mínima se resuelve con Excel QM o QM para Windows. Para uti-
lizar Excel QM en Excel 2013, seleccione el menú Alphabetical de la barra, desplácese hacia abajo hasta
Network Analysis y elija Minimal Spanning Tree. En la ventana de inicialización de la hoja de cálculo que
se abre, introduzca el número de ramas o arcos (13 en este ejemplo). Cuando se abra la hoja de cálculo,
TABLA 9.4 Resumen de los pasos en el problema del árbol de expansión mínima
para la empresa Lauderdale
NODOS NODO
NODOS SIN SIN CONECTAR ARCO LONGITUD DISTANCIA
PASO CONECTADOS CONECTAR MÁS CERCANO SELECCIONADO DEL ARCO TOTAL
1 1 2, 3, 4, 5, 6, 7, 8 3 1–3 2 2
2 1, 3 2, 4, 5, 6, 7, 8 4 3–4 2 4
3 1, 3, 4 2, 5, 6, 7, 8 2o6 3–2 3 7
4 1, 2, 3, 4 5, 6, 7, 8 5o6 2–5 3 10
5 1, 2, 3, 4, 5 6, 7, 8 6 3–6 3 13
6 1, 2, 3, 4, 5, 6 7, 8 8 6–8 1 14
7 1, 2, 3, 4, 5, 6, 8 7 7 8–7 2 16

La localización de instalaciones conduce a una mejora

EN ACCIÓN en la confiabilidad de la cadena de suministro
peor? La respuesta está en el área del problema de la localización de

L as cadenas de suministro son, en su nivel físico, una red inter-
conectada de rutas de reparto (carreteras, puentes, vías de navega-
instalaciones: ¿Qué almacenes deberían entregar a qué tiendas para
enfrentar ese problema? Al analizar el problema de transporte elimi-
ción, etcétera) compuesta de múltiples fuentes (almacenes, fábricas, nando las fuentes actuales, una por una, los analistas pudieron medir
refinerías, etcétera) y varios destinos (tiendas, puntos de venta, otros el impacto de dicha interrupción. Los investigadores concluyeron que
almacenes, etcétera), a lo largo de la cual viajan productos y materias deberían planearse con antelación “asignaciones de respaldo” de los
primas. En la mayoría de los casos, la asignación de destinos específi- almacenes a las tiendas, para ayudar a mitigar el impacto de las posi-
cos a determinadas fuentes es conocida y bastante constante. bles catástrofes. ¡Siempre vale la pena planear con anticipación!
Los investigadores, mientras ayudan a planear las situaciones de
emergencia en las empresas, han estudiado el problema de la interrup- Fuente: Basado en L. Snyder y M. Daskin. “Reliability Models for Facility
ción de la cadena de suministro. ¿Qué pasaría si una de las fuentes Location: The Expected Failure Cost Case”, Transportation Science 39, 3
fallara catastróficamente debido a un terremoto, un tornado o algo (2005): 400-416.

Ejemplo del árbol de menú (Alphabetical o By Chapter). Elija
expansión mínima Network Analysis y Minimum Spanning
Tree en el menú desplegable. Después,
para la constructora complete el número de ramas o arcos (13).
Lauderdale Haga clic en OK.
Después de introducir los
datos,haga clic en Solve.
Cuando se abra la hoja de trabajo,
introduzca el nodo de inicio, el nodo
final y el flujo para cada arco.
introduzca en cada arco el nodo inicial, el nodo final y la distancia entre ambos (es decir, la longitud del
arco) como se indica en el programa 9.8. Haga clic en el botón Solve que aparece en la hoja de cálculo, y
la solución se mostrará como en el programa 9.8. El problema también podría resolverse en QM para Win-
dows seleccionando el módulo de redes e introduciendo un nuevo problema como un árbol de expansión
mínima. La entrada es muy similar a la de Excel QM.
Resumen
En este capítulo exploramos varios problemas que se plantean común- para todos, excepto para el árbol de expansión mínima, destacando el
mente como redes, con nodos y arcos que representan una variedad de hecho de que la programación lineal puede ser benéfica en muchas
situaciones. Éstos fueron los problemas de transporte, de asignación, áreas diferentes. Los programas de computadora que toman ventaja
de transbordo, de flujo máximo, de la ruta más corta y del árbol de de la estructura especial de estos problemas pueden ayudar a resolver
expansión mínima. Se desarrollaron modelos de programación lineal grandes problemas de redes de manera muy eficiente.

Glosario
Análisis de localización de instalaciones Una aplicación del Problema de asignación Un tipo especial de problema de redes
método de transporte para ayudar a una empresa a decidir donde los costos se minimizan, mientras se asignan personas a
dónde debe ubicar una nueva fábrica, un nuevo almacén u otra trabajos (u otras tareas). La manera establecer estas relaciones es
instalación. uno a uno.
Arco Una línea en una red que puede representar un camino o una Problema de la ruta más corta Un problema de redes con el obje-
ruta. Un arco o una rama se utilizan para conectar los nodos de tivo de encontrar la distancia más corta desde una ubicación hasta
una red. otra pasando por nodos intermedios.
Destino Una ubicación de demanda en un problema de transporte. Problema de transporte Un caso específico de PL relacionado con
Destino final El nodo final o el nodo destino en una red. la programación de envíos desde fuentes hasta destinos, de modo
Fuente Un origen o una ubicación de oferta en un problema de que se minimicen los costos de transporte totales.
transporte. Además, el origen o nodo de inicio en una red de flujo Problema del árbol de expansión mínima Un problema de redes
máximo. con el objetivo de minimizar la distancia o el costo total requeri-
Nodo Un punto en una red, con frecuencia se representa mediante dos para conectar todos los nodos en una red.
un círculo, y está al principio o al final de un arco. Problema del flujo máximo Un problema de redes con el objetivo
de determinar la cantidad máxima que puede fluir desde el origen
o la fuente hasta el destino final.
Problemas resueltos

Don Yale, presidente de la compañía Hardrock Concrete, tiene plantas en tres localidades y en la actualidad está
trabajando en tres grandes proyectos de construcción, ubicados en diferentes sitios. En la tabla adjunta, se propor-
cionan el costo de envío por camión cargado de concreto, la capacidad de la planta y los requisitos del proyecto.
Formule el problema de transporte de Hardrock como un problema de programación lineal y resuélvalo
usando software.
A PROYECTO PROYECTO PROYECTO CAPACIDADES

DE A B C DE PLANTA
PLANTA 1 $10 $4 $11 70

PLANTA 2 $12 $5 $8 50
PLANTA 3 $9 $7 $6 30
REQUISITOS DEL PROYECTO 40 50 60 150
Solución
Defina las variables como
Xij = número de unidades enviadas de la planta i al proyecto j
donde
i = 1, 2, 3 con 1 = planta 1, 2 = planta 2 y 3 = planta 3
j = 1, 2, 3 con 1 = proyecto A, 2 = proyecto B y 3 = proyecto C
La formulación del problema de programación lineal es
Minimizar el costo total = 10X11 + 4X12 + 11X13 + 12X21 + 5X22 + 8X23 + 9X31 + 7X32 + 6X33
sujeto a
X11 + X21 + X31 = 40 Requisitos del proyecto A
X12 + X22 + X32 = 50 Requisitos del proyecto B
X13 + X23 + X33 = 60 Requisitos del proyecto C
X11 + X12 + X13 … 70 Capacidad de la planta 1

La salida de computadora que se encuentra mediante el uso de Excel QM presenta la solución óptima. De la
planta 1 se envían 20 unidades al proyecto A y 50 unidades al proyecto B. De la planta 2 se envían 50 unidades al
proyecto C. De la planta 3 se envían 20 unidades al proyecto A y 10 unidades al proyecto B. El costo total de esta
solución es $1,040. Aunque no se muestran en la salida de computadora, hay soluciones óptimas alternativas para
este problema.
Programa para
el problema
resuelto 9-1

Prentice Hall, Inc., una empresa editorial con sede en Nueva Jersey, quiere asignar a tres graduados universitarios
que fueron contratados recientemente, Jones, Smith y Wilson a los distritos de ventas regionales en Omaha, Dallas
y Miami. Pero la empresa también tiene una vacante en Nueva York y enviaría a uno de los tres contratados, si esto
fuera más económico que un movimiento a Omaha, Dallas o Miami. Costaría $1,000 reubicar Jones a Nueva York,
$800 reubicar a Smith ahí y $1,500 mudar a Wilson. ¿Cuál es la asignación óptima de personal a las oficinas?
OFICINA
CONTRATADO OMAHA MIAMI DALLAS
JONES $800 $1,100 $1,200

SMITH $500 $1,600 $1,300
WILSON $500 $1,000 $2,300
Debido a que hay tres nuevas contrataciones y cuatro oficinas si se incluye Nueva York, el problema no está equi-
librado. Es imposible que las cuatro ciudades tengan una persona asignada (es decir, no existe una solución fac-
tible). Por lo tanto, se agrega una fuente ficticia (contratación nueva), y los costos son cero para este elemento
ficticio. Por consiguiente, las variables podrían omitirse de la función objetivo, pero se incluyen por exhaustividad
del procedimiento.
Defina las variables como
Xi j = 1 si el nuevo contratado i se asigna a la oficina j
donde
i = 1, 2, 3, 4 con 1 = Jones, 2 = Smith, 3 = Wilson y 4 = contratado ficticio

j = 1, 2, 3, 4 con 1 = Omaha, 2 = Miami, 3 = Dallas y 4 = Nueva York

AUTOEVALUACIÓN 345
La formulación del problema de programación lineal es
Minimizar el costo total = 800X11 + 1100X12 + 1200X13 + 1000X14 + 500X21 + 1600X22 +

1300X23 + 800X24 + 500X31 + 1000X32 + 2300X33 + 1500X34 + 0X41 + 0X42 + 0X43 + 0X44
sujeto a
X11 + X21 + X31 + X41 … 1 Oficina de Omaha
X12 + X22 + X32 + X42 … 1 Oficina de Miami
X13 + X23 + X33 + X43 … 1 Oficina de Dallas
X14 + X24 + X34 + X44 … 1 Oficina de Nueva York
X11 + X12 + X13 + X14 = 1 Jones
X21 + X22 + X23 + X24 = 1 Smith
X31 + X32 + X33 + X34 = 1 Wilson
X41 + X42 + X43 + X44 = 1 Contratado ficticio
A continuación, se muestra la solución óptima que se encontró con Excel QM: Jones se asigna a Miami
1X12 = 12, Smith se asigna a Nueva York 1X24 = 12, Wilson se asigna a Omaha 1X31 = 12 y nadie (ficticio) se asigna
a Dallas 1X43 = 12. El costo total es de $2,400.
Programa para
el problema
resuelto 9-2
Autoevaluación
1. Si un problema de transporte tiene 4 fuentes y 5 destinos, su 2. Un problema de asignación puede verse como un problema de
problema de programación lineal tendrá transporte con
a. 4 variables y 5 restricciones. a. un costo de $1 para todas las rutas de envío.
b. 5 variables y 4 restricciones. b. todas las ofertas y demandas iguales a 1.
c. 9 variables y 20 restricciones. c. sólo restricciones de demanda.
d. 20 variables y 9 restricciones. d. sólo restricciones de oferta.

3. Una empresa está evaluando la apertura de un nuevo centro 6. En un modelo típico de la ruta más corta, el objetivo es
de producción, y tiene tres lugares bajo consideración. Para este a. minimizar el número de nodos en la ruta.
problema de localización de instalaciones, ¿cuántos modelos b. minimizar el tiempo o la distancia para ir de un punto a otro.
de transporte se deben desarrollar y resolver? c. minimizar el número de arcos en la ruta.
a. 1 d. viajar a través de todos los nodos de la mejor manera posible.
b. 2 7. Una gran ciudad está planeando unos Juegos Olímpicos, que
c. 3 se realizarán dentro de unos pocos años. Se evalúa el sistema
d. 4 de transporte para determinar la expansión que se requiere para
4. Se asignarán cuatro grúas a cinco trabajos de construcción. manejar el gran número de visitantes a los juegos. ¿Cuál de los
Uno de los trabajos se retrasará hasta que una de las grúas siguientes modelos es más probable que sea útil para que los
esté disponible después de terminar la primera tarea. planeadores de la ciudad determinen la capacidad del sistema
Se usará una modelo de asignación. Para permitir que actual?
el software especializado encuentre una solución a este a. El modelo de transporte.
problema, b. El modelo del flujo máximo.
a. no debe hacerse nada en especial con el problema. c. El modelo de la ruta más corta.
b. debe usarse una grúa ficticia en el modelo. d. El modelo del árbol de expansión mínima.
c. debe usarse un trabajo ficticio en el modelo. 8. El centro de cómputo de una gran universidad está instalando
d. deben usarse un trabajo y una grúa ficticios en el modelo. cables de fibra óptica hacia 15 edificios en el campus. ¿Cuál de
5. ¿Cuál modelo de red se utiliza para determinar la forma de los siguientes modelos podría utilizarse con la finalidad de
conectar todos los puntos de una red mientras se minimiza determinar la menor cantidad de cable necesario para conectar
la distancia total entre ellos? todos los edificios?
a. El modelo de asignación. a. El modelo de transporte.
b. El modelo del flujo máximo. b. El modelo del flujo máximo.
c. El modelo de la ruta más corta. c. El modelo de la ruta más corta.
d. El modelo del árbol de expansión mínima. d. El modelo del árbol de expansión mínima.

Preguntas para análisis Problemas*
9-1 ¿Es el modelo de transporte un ejemplo de la toma de de- 9-7 La gerencia de la corporación Executive Furniture deci-
cisiones en condiciones de certidumbre o de la toma de dió ampliar la capacidad de producción en su fábrica
decisiones en condiciones de incertidumbre? ¿Por qué? de Des Moines y recortar la producción en sus otras
9-2 Explique cómo se determina el número de variables y de plantas. También reconoce un mercado cambiante para
restricciones que habría en un problema de transporte tan sus escritorios y ha modificado los requisitos en sus tres
sólo con conocer el número de fuentes y el número de almacenes.
destinos. La tabla que se muestra al final de la página contiene
9-3 Explique qué significa que un modelo de asignación esté los requisitos de cada uno de los almacenes, las capaci-
equilibrado. dades de cada una de las fábricas y el costo unitario de
9-4 Explique el propósito de las restricciones de transbordo envío desde cada fábrica hasta cada almacén. Encuentre
en el problema de programación lineal para un modelo de la manera de satisfacer los requisitos, dada la capacidad
transbordo. de cada fábrica, y al menor costo posible.
9-5 Describa un problema que pueda resolverse mediante el 9-8 La compañía Hardrock Concrete tiene plantas en tres ubi-
modelo de la ruta más corta. caciones y en la actualidad está trabajando en tres grandes
9-6 Explique por qué el modelo del flujo máximo puede verse proyectos de construcción, cada uno situado en un sitio
como un modelo de transbordo. diferente. En la siguiente tabla, se proporcionan el costo
A
DE ALBUQUERQUE BOSTON CLEVELAND CAPACIDAD
DES MOINES $5 $4 $3 300
EVANSVILLE 8 4 3 150
FORT LAUDERDALE 9 7 5 250
REQUISITOS 200 200 300

de envío por camión de concreto, la capacidad de la planta Para el lunes 16 de abril, las siguientes ciudades necesita-
y las necesidades diarias de los proyectos. rán vagones con carbón de la siguiente manera:
Formule esto como un problema de programación
lineal para determinar la manera de satisfacer las necesi- CIUDAD DEMANDA DE VAGONES
dades al menor costo posible. Resuelva usando cualquier
Coal Valley 30
software.
9-9 El propietario de Hardrock Concrete ha decidido aumentar Coaltown 45
la capacidad en su planta más pequeña (vea el problema Coal Junction 25
9-9). En vez de producir 30 cargas de concreto al día en la
planta 3, la capacidad de esa planta se duplicará a 60 car- Coalsburg 20
gas. ¿Esto cambia el programa desarrollado previamente?
Mediante el uso de una tabla de distancias por ferrocarril
9-10 La compañía Saussy Lumber envía pisos de pino a tres
de ciudad a ciudad, el despachador construyó una tabla en
tiendas de suministros para construcción desde sus aserra-
millas para las ciudades anteriores. El resultado se mues-
deros en Pineville, Oak Ridge y Mapletown. Determine el
tra en la tabla correspondiente a este problema. Minimice
mejor programa de envíos para los datos dados en la tabla
las millas totales que deberán recorrer los vagones hasta
correspondiente a este problema.
sus nuevas ubicaciones; calcule el mejor envío de vagones
9-11 La compañía ferrocarrilera Krampf Lines se especializa de carbón.
en el manejo de carbón. El viernes 13 de abril, Krampf
tenía vagones vacíos en las siguientes ciudades, en las 9-12 Un fabricante produce aparatos de aire acondicionado
cantidades indicadas: para habitación en sus plantas de Houston, Phoenix y
Memphis. Éstos se envían a los distribuidores regionales
de Dallas, Atlanta y Denver. Los costos de envío varían,
CIUDAD OFERTA DE VAGONES
y la compañía desearía encontrar la manera de satisfacer
Morgantown 35 las demandas en cada uno de los centros de distribución,
Youngstown 60 al menor costo posible. Dallas necesita recibir 800 apara-
tos al mes, Atlanta requiere 600 y Denver necesita 200.
Pittsburgh 25
Houston dispone de 850 aparatos cada mes, Phoenix de
Tabla para el problema 9-8
A
DE PROYECTO A PROYECTO B PROYECTO C CAPACIDAD
PLANTA 1 $10 $4 $11 70
PLANTA 2 12 5 8 50
PLANTA 3 9 7 6 30
REQUISITOS 40 50 60
TIENDA DE TIENDA DE TIENDA DE CAPACIDAD DEL

A
SUMINISTROS SUMINISTROS SUMINISTROS ASERRADERO
DE
1 2 3 (TONELADAS)
PINEVILLE $3 $3 $2 25
OAK RIDGE 4 2 3 40
MAPLETOWN 3 2 3 30
DEMANDA DE LA TIENDA
DE SUMINISTROS 30 30 35
A
DE COAL VALLEY COALTOWN COAL JUNCTION COALSBURG
MORGANTOWN 50 30 60 70
YOUNGSTOWN 20 80 10 90
PITTSBURGH 100 40 80 30

650 y Memphis de 300. El costo de envío por unidad de autoriza que estas empresas unan sus excesos de oferta y
Houston a Dallas es de $8, a Atlanta es de $12 y a Denver los distribuyan a pequeñas empresas independientes que
es de $10. El costo por unidad de Phoenix a Dallas es de no tienen generadores suficientemente grandes como para
$10, a Atlanta es de $14 y a Denver es de $9. El costo por manejar la demanda. El exceso de oferta se distribuye con
unidad de Memphis a Dallas es de $11, a Atlanta es de $8 base en el costo por kilowatt-hora transmitido. La siguiente
y a Denver es de $12. ¿Cuántas unidades se deberían en- tabla muestra la demanda y la oferta en millones de kilowa-
viar de cada planta a cada centro de distribución regional? tts-hora y el costo por kilowatt-hora transmitido a cuatro
¿Cuál es el costo total de esto? pequeñas empresas eléctricas en las ciudades W, X, Y y Z:
9-13 Finnish Furniture fabrica mesas en instalaciones ubicadas
en tres ciudades: Reno, Denver y Pittsburgh. Después, EXCESO
las mesas se envían a tres tiendas ubicadas en Phoenix, A
DE
Cleveland y Chicago. La gerencia desea desarrollar un DE
W X Y Z OFERTA
programa de distribución que satisfaga las demandas al
menor costo posible. El costo de envío por unidad desde A 12¢ 4¢ 9¢ 5¢ 55
cada una de las fuentes hasta cada uno de los destinos se B 8¢ 1¢ 6¢ 6¢ 45
muestra en la siguiente tabla: C 1¢ 12¢ 4¢ 7¢ 30
DEMANDA DE ENERGÍA
A NO SATISFECHA 40 20 50 20
DE PHOENIX CLEVELAND CHICAGO
RENO 10 16 19 Encuentre el sistema de distribución de menor costo.
DENVER 12 14 13 9-15 Los tres bancos de sangre en el Condado de Franklin
se coordinan a través de una oficina central que facilita
PITTSBURGH 18 12 12
la entrega de sangre a cuatro hospitales de la región. El
costo por enviar un contenedor estándar de sangre desde
Las ofertas disponibles son 120 unidades en Reno, 200 cada banco hasta cada hospital se indica en la tabla co-
en Denver y 160 en Pittsburgh. Phoenix tiene una deman- rrespondiente a este problema. También se da el número
da de 140 unidades, Cleveland de 160 unidades y Chica- quincenal de contenedores disponibles en cada banco y el
go de 180 unidades. ¿Cuántas unidades deberían enviarse número quincenal de contenedores de sangre necesarios
desde cada instalación de manufactura hasta cada una de en cada hospital. ¿Cuántos envíos deberían hacerse cada
las tiendas minoristas para minimizar el costo? ¿Cuál es el dos semanas desde cada banco de sangre hasta cada hospi-
costo total? tal para minimizar los costos totales de envío?
9-14 El estado de Missouri tiene tres principales compañías ge- 9-16 La compañía de bienes raíces B. Hall ha identificado
neradoras de electricidad (A, B y C). Durante los meses cuatro pequeños edificios de apartamentos en los cua-
de mayor demanda, la Autoridad Eléctrica de Missouri les le gustaría invertir. La señora Hall se ha acercado a
A
DE HOSPITAL 1 HOSPITAL 2 HOSPITAL 3 HOSPITAL 4 OFERTA
BANCO 1 $8 $9 $11 $16 50
BANCO 2 12 7 5 8 80
BANCO 3 14 10 6 7 120
DEMANDA 90 70 40 50
PROPIEDAD (TASAS DE INTERÉS) (%)
COMPAÑÍA DE AHORRO LÍNEA DE CRÉDITO

Y CRÉDITO HILL ST. BANKS ST. PARK AVE. DRURY LANE MÁXIMA ($)
FIRST HOMESTEAD 8 8 10 11 80,000
COMMONWEALTH 9 10 12 10 100,000
WASHINGTON FEDERAL 9 11 10 9 120,000
PRÉSTAMO NECESARIO PARA
COMPRAR EL EDIFICIO $60,000 $40,000 $130,000 $70,000

tres sociedades de ahorro y crédito en busca de financia- puede ser satisfecha por la producción regular, el gerente
miento. Debido a que Hall ha sido un buen cliente en el de producción tiene otras tres opciones: 1. producir hasta
pasado y ha mantenido una alta calificación crediticia en 50 fregaderos más al mes en horas extras, pero a un costo
la comunidad, cada compañía de ahorro y crédito está de $130 por fregadero; 2. comprar un número limitado de
dispuesta a considerar el otorgamiento de la totalidad o fregaderos a un competidor amigable para su reventa (el
parte del préstamo hipotecario necesario para cada pro- número máximo de compras externas durante el periodo
piedad. Cada oficial de préstamo ha fijado diferentes ta- de 4 meses es de 450 fregaderos, a un costo de $150 cada
sas de interés en cada propiedad (la tasa se ve afectada uno), o 3. satisfacer la demanda usando su inventario dis-
por el vecindario del edificio, la condición de la propie- ponible. El costo mensual de mantener el inventario es de
dad y el deseo de la empresa de crédito de financiar edi- $10 por fregadero. No se permiten órdenes sin surtir (pen-
ficios de varios tamaños), y cada compañía de crédito ha dientes) por faltantes. El inventario disponible al principio
colocado un máximo al crédito total que puede otorgar a del mes uno es de 40 fregaderos. Configure este problema
Hall. Esta información se resume en la tabla de la página de “suavización de la producción” como un problema de
anterior. transporte para minimizar el costo.
Para Hall, cada edificio de apartamentos es igual- 9-18 En la actualidad, Ashley’s Auto Top Carriers tiene plantas
mente atractivo como inversión, así que ha decidido en Atlanta y Tulsa que abastecen a los principales centros
comprar todos los edificios posibles con el pago de inde distribución en Los Ángeles y Nueva York. Debido a
terés total más bajo. ¿A cuáles compañías de crédito les una demanda en expansión, Ashley ha decidido abrir una
debería pedir un préstamo para comprar cuáles edificios? tercera planta y la elección se ha reducido a una de dos
Una misma propiedad puede ser financiada por una o más ciudades: Nueva Orleans o Houston. Los costos de pro-
compañías de ahorro y crédito. ducción y distribución relevantes, así como la capacidad
9-17 El gerente de producción de la compañía J. Mehta está de planta y las demandas de distribución, se muestran en
planeando una serie de periodos de producción de un mes la tabla al final de esta página.
para fabricar fregaderos de acero inoxidable. La deman- ¿Cuál de las nuevas plantas posibles debería abrirse?
da para los próximos cuatro meses es la siguiente: 9-19 Marc Smith, vicepresidente de operaciones de HHN, Inc.,
un fabricante de gabinetes para conmutadores telefónicos,
DEMANDA DE FREGADEROS
está restringido a cumplir los pronósticos a 5 años por la
MES DE ACERO INOXIDABLE capacidad limitada en las tres plantas existentes. Estas
tres plantas están en Waterloo, Pusan y Bogotá. Como su
1 120 asistente, usted ha recibido la información de que, debido
2 160 a las limitaciones de capacidad existentes y al mercado
3 240 mundial de gabinetes en expansión, HNN agregará una
nueva planta a las tres plantas existentes. El departamento
4 100
de bienes raíces ha recomendado a Marc dos sitios que
parecen particularmente buenos, debido a su situación
De manera normal, la compañía Mehta puede producir política estable y a un tipo de cambio tolerable: Dublín,
100 fregaderos de acero inoxidable al mes. Esto se hace Irlanda y Fontainebleau, Francia. Marc sugiere que usted
durante las horas regulares de producción a un costo de podría tomar los datos de la página siguiente y determinar
$100 por fregadero. Si la demanda en todo un mes no dónde se debería instalar la cuarta planta, con base en sus

A LOS CENTROS DE COSTO DE
DISTRIBUCIÓN LOS NUEVA PRODUCCIÓN
DE LAS PRODUCCIÓN
ÁNGELES YORK NORMAL
PLANTAS UNITARIO ($)
ATLANTA $8 $5 600 6
Plantas
existentes
TULSA 4 7 900 5
NUEVA ORLEANS 5 6 500 4 (anticipado)

Ubicaciones
propuestas
HOUSTON 4 6 500 3 (anticipado)
PRONÓSTICO DE
800 1,200 2,000
LA DEMANDA
Indica que el costo de distribución (envío, manejo,
almacenamiento) será de $6 por unidad, si se envía
de Houston a Nueva York


UBICACIÓN DE LA PLANTA
ÁREA DE MERCADO WATERLOO PUSAN BOGOTÁ FONTAINEBLEAU DUBLÍN

Canadá
Demanda 4,000
Costo de producción $50 $30 $40 $50 $45
Costo de transporte 10 25 20 25 25
Sudamérica
Demanda 5,000
Costo de producción 50 30 40 50 45
Cuenca del Pacífico
Demanda 10,000
Europa
Demanda 5,000
Capacidad 8,000 2,000 5,000 9,000 9,000
costos de producción y sus costos de transporte. ¿Qué si- 9-21 Use los datos del problema 9.20 y los costos de produc-
tio es el mejor? ción unitarios que se muestran en la siguiente tabla, para
9-20 La corporación Don Levine está considerando agregar una determinar qué ubicaciones generan el menor costo?
planta a sus tres instalaciones existentes en Decatur, Min-
neapolis y Carbondale. Se están considerando San Luis y LOCALIZACIÓN COSTOS DE PRODUCCIÓN
el Este de San Luis. Si se evalúan solamente los costos
unitarios de transporte como se muestra en las siguientes Decatur $50
tablas, ¿qué sitio es el mejor? Minneapolis 60
Carbondale 70
DE LAS PLANTAS EXISTENTES Este de San Luis 40
A DECATUR MINNEAPOLIS CARBONDALE DEMANDA San Luis 50
Blue Earth $20 $17 $21 250
Ciro 25 27 20 200 9-22 En una operación de taller, se pueden realizar cuatro tra-
bajos en cualesquiera de cuatro máquinas. En la siguiente
Des Moines 22 25 22 350
tabla, se presentan las horas requeridas para cada trabajo
Capacidad 300 200 150 en cada máquina. Al supervisor de planta le gustaría asig-
nar los trabajos de modo que se minimice el tiempo total.
Encuentre la mejor solución. ¿Qué asignaciones deberían
DE LAS PLANTAS PROPUESTAS hacerse?
A ESTE DE SAN LUIS SAN LUIS
MÁQUINA
Blue Earth $29 $27
TRABAJO W X Y Z
Ciro 30 28
Des Moines 30 31 A12 10 14 16 13
Capacidad 150 150 A15 12 13 15 12
B2 9 12 12 11
B9 14 16 18 16

9-23 Cuatro automóviles han entrado al taller de reparaciones

CURSO
de Bubba para varios tipos de trabajos, que van desde un
ajuste de la transmisión hasta un trabajo de frenos. El nivel ESTADÍS- ADMINISTRA- FINAN-
de experiencia de los mecánicos es muy variado, y Bubba PROFESOR TICA CIÓN ZAS ECONOMÍA
quiere minimizar el tiempo requerido para completar todas Anderson 90 65 95 40
las tareas. Se ha estimado el tiempo en minutos para que
Sweeney 70 60 80 75
cada mecánico complete cada trabajo. Billy puede comple-
tar el trabajo 1 en 400 minutos, el trabajo 2 en 90 minutos, Williams 85 40 80 60
el trabajo 3 en 60 minutos y el trabajo 4 en 120 minutos. McKinney 55 80 65 55
Taylor terminaría el trabajo 1 en 650 minutos, el trabajo 2
en 120 minutos, el trabajo 3 en 90 minutos y el trabajo 4 en 9-27 El administrador del hospital general en St. Charles debe
180 minutos. Mark puede terminar el trabajo 1 en 480 mi- nombrar a jefes de enfermería para cuatro departamentos
nutos, el trabajo 2 en 120 minutos, el trabajo 3 en 80 minu- de reciente creación: urología, cardiología, ortopedia y
tos y el trabajo 4 en 180 minutos. John completaría el obstetricia. En previsión de este problema de personal, ha
trabajo 1 en 500 minutos, el trabajo 2 en 110 minutos, el tra- contratado cuatro enfermeras: Hawkins, Condriac, Bardot
bajo 3 en 90 minutos y el trabajo 4 en 150 minutos. Cada y Hoolihan. Debido a que cree en el enfoque del análisis
mecánico debería asignarse a sólo uno de los trabajos. cuantitativo para resolver problemas, el gerente entrevistó
¿Cuál es el tiempo total mínimo requerido para terminar a cada enfermera, considerado sus antecedentes, persona-
estas tareas? ¿Quién debería asignarse a cada trabajo? lidad y talento, y desarrolló una escala de costos que va
de 0 a 100 para utilizarla en la asignación. Un 0 para la
9-24 Los equipos de arbitraje de béisbol se encuentran actual-
enfermera Bardot asignada a la unidad de cardiología im-
mente en cuatro ciudades donde están empezando series
plica que ella sería perfectamente adecuada para esa tarea.
de tres juegos. Cuando éstas terminen, se requiere que los
Por el contrario, un valor cercano a 100 implicaría que no
equipos de arbitraje trabajen en partidos de cuatro ciuda-
es adecuada en absoluto para ser jefa de esa unidad. La
des diferentes. En la siguiente tabla se muestran las dis-
tabla adjunta presenta las cifras completas de costos que
tancias (millas) desde cada una de las ciudades donde los
el gerente del hospital otorgó para todas las asignaciones
árbitros están trabajando actualmente hasta las ciudades
posibles. ¿Qué enfermera debería asignarse a qué unidad?
donde comenzarán los nuevos juegos:
A DEPARTAMENTO
DE KANSAS CITY CHICAGO DETROIT TORONTO ENFER- URO- CARDIO- OBSTE-

MERA LOGÍA LOGÍA ORTOPEDIA TRICIA
Seattle 1,500 1,730 1,940 2,070
Hawkins 28 18 15 75
Arlington 460 810 1,020 1,270
Condriac 32 48 23 38
Oakland 1,500 1,850 2,080 X
Bardot 51 36 24 36
Baltimore 960 610 400 330 Hoolihan 25 38 55 12
La X indica que el equipo de árbitros en Oakland no
puede enviarse a Toronto. Determine qué equipo debería 9-28 La compañía Gleaming acaba de desarrollar un nuevo
enviarse a cada ciudad para minimizar la distancia total líquido para lavar platos y está preparando una campaña
recorrida. ¿Cuántas millas se viajaría, si se realizaran estas promocional en televisión nacional. La compañía ha de-
asignaciones? cidido programar una serie de comerciales de un minuto
9-25 En el problema 9-24 se encontró la distancia mínima durante la hora de máxima audiencia de las amas de casa
viajada. Para saber cuánto mejor es esta solución que las entre la 1 p.m. y las 5 p.m. Para alcanzar la mayor audien-
asignaciones que podrían haberse realizado, encuentre cia posible, Gleaming quiere programar un solo anuncio
las asignaciones que darían la distancia máxima recorrida. en cada una de cuatro cadenas televisivas y que un solo
Compare esta distancia total con la distancia que se en- anuncio aparezca durante cada uno de los cuatro bloques
contró en el problema 9-24. de tiempo de una hora. En la siguiente tabla se presentan
los niveles de exposición para cada hora, que represen-
9-26 Roscoe Davis, director del Departamento de Negocios
tan el número de espectadores por $1,000 gastado. ¿En
de una universidad, ha decidido aplicar un nuevo método
qué cadena debería programarse el anuncio cada hora para
para la asignación de profesores a los cursos del próximo
ofrecer la máxima exposición a la audiencia?
semestre. Como criterio para juzgar quién debería im-
partir cada curso, el profesor Davis revisa evaluaciones
de enseñanza en los últimos dos años (realizadas por los CADENA
estudiantes). Como cada uno de los cuatro profesores im- HORAS DE AUDIENCIA A B C INDEPENDIENTE
partió cada uno de los cuatro cursos en un momento u otro
durante el periodo de dos años, Davis puede otorgar una 1–2 p.m. 27.1 18.1 11.3 9.5
calificación en cada curso para cada profesor. Estos valo- 2–3 p.m. 18.9 15.5 17.1 10.6
res se muestran en la siguiente tabla. Encuentre la mejor 3–4 p.m. 19.2 18.5 9.9 7.7
asignación de los profesores a los cursos para maximizar
4–5 p.m. 11.5 21.4 16.8 12.8
la calificación general de la enseñanza.


PLANTA
DISPOSITIVOS
MÉDICOS 1 2 3 4 5 6 7 8
C53 $0.10 $0.12 $0.13 $0.11 $0.10 $0.06 $0.16 $0.12
C81 0.05 0.06 0.04 0.08 0.04 0.09 0.06 0.06
D5 0.32 0.40 0.31 0.30 0.42 0.35 0.36 0.49
D44 0.17 0.14 0.19 0.15 0.10 0.16 0.19 0.12
E2 0.06 0.07 0.10 0.05 0.08 0.10 0.11 0.05
E35 0.08 0.10 0.12 0.08 0.09 0.10 0.09 0.06
G99 0.55 0.62 0.61 0.70 0.62 0.63 0.65 0.59
9-29 La compañía de Patricia García está produciendo siete en astrofísica o en astromedicina. Uno de estos especialis-
nuevos productos médicos. Cada una de las ocho plantas será asignado a cada uno de los 10 vuelos programados
tas de García puede agregar un producto más a su actual para los próximos nueve meses. Los especialistas de la
línea de dispositivos médicos. En la tabla anterior, se misión son responsables de realizar experimentos cientí-
muestran los costos de producción unitarios para las di- ficos y médicos en el espacio, o bien, del lanzamiento, la
ferentes piezas en las ocho plantas. ¿Cómo debería García recuperación o la reparación de satélites. El mismo jefe de
asignar los nuevos productos a las plantas para minimizar personal de los astronautas es un ex miembro de la tripu-
los costos de producción? lación, con tres misiones en su haber, y debe decidir quién
9-30 Haifa Instruments, un productor israelí de unidades por- tiene que ser asignado y capacitado para cada una de las
tátiles de diálisis de riñón y otros productos médicos, de- diferentes misiones. Claramente, los astronautas con edu-
sarrolla un plan global de ocho meses. Se pronostica que cación médica son más adecuados para las misiones que
la demanda y la capacidad (en unidades) serán como se implican experimentos biológicos o médicos; mientras
indica en la siguiente tabla. que aquellos con títulos en ingeniería —u orientados a la
El costo de producción de cada unidad de diálisis física— son los más adecuados para otro tipo de misiones.
es de $1,000 en tiempo regular, $1,300 en horas extras y El jefe asigna a cada astronauta una calificación en una
$1,500 en un subcontrato. El costo por mantener una uni- escala de 1 a 10 para cada posible misión, un 10 implica
dad en inventario es de $100 al mes. No hay existencias de una aptitud perfecta para la tarea en cuestión y 1 es una
inventario ni al principio ni al final. carencia total de aptitud. Sólo se asigna un especialista a
(a) Establezca un plan de producción, utilizando el mo- cada vuelo, y ninguno se reasigna hasta que todos los de-
delo de transporte, que minimice el costo. ¿Cuál es el más hayan volado al menos una vez.
costo de este plan? (a) ¿Quién debería asignarse a qué vuelo?
(b) A través de una mejor planeación, la producción en (b) La NASA acaba de saber que Anderson se casará en
tiempo regular puede ajustarse exactamente al mismo febrero y que se le ha concedido una gira publicitaria
valor de 275 por mes. ¿Esto altera la solución? en Europa durante ese mes. (Tiene la intención de lle-
(c) Si los costos de horas extras se elevan de $1,300 a var a su esposa y tomar el viaje doble como una luna
$1,400, ¿cambia esto su respuesta al inciso (a)? ¿Qué de miel). ¿Cómo cambia esto la programación final?
pasaría si se reducen a $1,200? (c) Certo se ha quejado de que fue calificado errónea-
9-31 La tripulación de astronautas de la NASA incluye actualmente en sus misiones de enero. Afirma que ambas
mente 10 especialistas de misión que poseen un doctorado calificaciones deberían ser 10; el jefe está de acuerdo

CAPACIDAD
FUENTE ENE. FEB. MAR. ABR. MAY. JUN. JUL. AGO.
Mano de obra
Tiempo regular 235 255 290 300 300 290 300 290
Tiempo extra 20 24 26 24 30 28 30 30
Subcontrato 12 15 15 17 17 19 19 20
Demanda 255 294 321 301 330 320 345 340


MISIÓN
ENE. ENE. FEB. FEB. MAR. ABR. MAY. JUN. AGO. SEP.
ASTRONAUTA 12 27 5 26 26 12 1 9 20 19
Vincze 9 7 2 1 10 9 8 9 2 6
Veit 8 8 3 4 7 9 7 7 4 4
Anderson 2 1 10 10 1 4 7 6 6 7
Herbert 4 4 10 9 9 9 1 2 3 4
Schatz 10 10 9 9 8 9 1 1 1 1
Plane 1 3 5 7 9 7 10 10 9 2
Certo 9 9 8 8 9 1 1 2 2 9
Moses 3 2 7 6 4 3 9 7 7 9
Brandon 5 4 5 9 10 10 5 4 9 8
Drtina 10 10 9 7 6 7 5 4 8 8
y recalcula el programa. ¿Ocurren algunos cambios han evaluado las áreas con respecto a la deseabilidad de
en el programa establecido en el inciso (b)? su asignación, como se muestra en la siguiente tabla. La
(d) ¿Cuáles son las fortalezas y las debilidades de este en- escala va de 1 (menos deseable) a 5 (más deseable). ¿Qué
foque para la programación? asignaciones deberían hacerse si se desea maximizar el to-
9-32 La Corporación XYZ está ampliando su mercado a fin tal de las calificaciones?
de incluir Texas. Cada vendedor es asignado a distribui- 9-33 La constructora Bechtold se encuentra en el proceso de
dores potenciales en una de cinco áreas diferentes. Se instalación de líneas eléctricas en un gran desarrollo ha-
prevé que el vendedor pasará de tres a cuatro semanas en bitacional. Steve Bechtold quiere minimizar la longitud
su área asignada. Se iniciará una campaña de marketing total de alambre utilizado, con la finalidad de minimizar
en todo el estado una vez que el producto se haya entre- sus costos. El desarrollo habitacional se muestra como una
gado a los distribuidores. Los cinco vendedores que serán red. Cada casa ha sido numerada, y las distancias entre ca-
asignados a estas áreas (una persona en cada una de ellas) sas se dan en cientos de pies. ¿Qué recomienda usted?
AUSTIN/SAN DALLAS/FT. EL PASO/OESTE HOUSTON/ CORPUS CHRISTI/VALLE

ANTONIO WORTH DE TEXAS GALVESTON DEL RÍO GRANDE
Erica 5 3 2 3 4
Louis 3 4 4 2 2
Maria 4 5 4 3 3
Paul 2 4 3 4 3
Orlando 4 5 3 5 4
Red para el problema 9-33
3 7 7
3 6 8 12 4
14
1 5
2 3 3
5 5
2
1 4 7 6
9 6
6 13
4 4
4 3
5
2 5 7 3 11
10

2 2
2 5 1
2 0
2
7
2 2 2
2 0 5
3 1
1
2
4 6 0
2 0 3 1
0 4
8 4
9-34 La ciudad de Nueva Berlín está considerando hacer varias 9-36 En la siguiente red, se muestra el sistema de carreteras
de sus calles de un solo sentido (vea la red que se propor- alrededor del complejo hotelero en International Drive
ciona). Asimismo, debido al aumento de impuestos a la (nodo 1) hasta Disney World (nodo 11) en Orlando, Flo-
propiedad y a un dinámico plan de desarrollo vial, la ciu- rida. Los números junto a los nodos representan el flujo
dad de Nueva Berlín ha estado considerando el aumento de tránsito en cientos de automóviles por hora. ¿Cuál es
de la capacidad de dos de sus carreteras. Si se hace esto, el flujo máximo de autos desde el complejo hotelero hasta
el tránsito por el camino 1-2 (del nodo 1 al nodo 2) se in- Disney World?
crementaría de 2 a 5, y la capacidad de tránsito a lo largo
del camino 1-4 aumentaría de 1 a 3. ¿Cuál es el número Red para el problema 9-36
máximo de automóviles por hora que pueden viajar de
este a oeste con el sistema de carreteras actual? Si se rea- 2 3 0
6 4
lizan los aumentos de capacidad de los caminos 1-2 y 2-5,
2
0
¿cómo cambiaría el número de automóviles por hora que 9 8
pueden viajar de este a oeste? 0
9-35 El director de seguridad quiere conectar cámaras de video 3 3 15 1 11
8
10
0
de seguridad al sitio de control principal desde cinco ubi- 8 0 7
1 8
8
0 10
caciones potencialmente problemáticas. En forma ordina- 0
15 4 2 1 10
ria, el cable simplemente se tendería desde cada sitio hasta
el punto de control principal. Sin embargo, debido a que el 0 3
4 2 8
entorno es potencialmente explosivo, el cable se debe ten- 14
der en un conducto especial cuyo aire se purga continua- 5
mente. Este conducto es muy caro, pero suficiente para
manejar cinco cables (el máximo que podría necesitarse).
Utilice la técnica del árbol de expansión mínima para en- 9-37 Los números de la red que se muestra a continuación re-
contrar la ruta con la distancia mínima del conducto entre presentan los miles de galones por hora que fluyen a través
las ubicaciones indicadas en la figura. (Observe que no de una planta de procesamiento químico. Dos terminales de
tiene importancia cuál es el sitio principal de control). la planta de procesamiento químico, representadas por los

4
1 0 5 4 4
2 9 3
1
26 56 1 12 5
0
75
0 1
65 3 1
6 10 5
1 41 2 6 0 14
4
3 5 2 2 2
1 1 0 6
1 3 2 1
1 0 13
3
50 48 23 2
37 7 2 5
11
0
3
53 4 1 4
6 1
2
8

nodos 6 y 7, han tenido problemas recientemente, y se está (b) Después de revisar los costos del cable y de la ins-
considerando repararlas. Sin embargo, las reparaciones re- talación, la constructora quisiera alterar los costos
querirían que estas terminales (nodos) se cerraran durante para la instalación de la TV por cable entre sus
una cantidad significativa de tiempo, y ningún material casas. Es necesario modificar las primeras ramas.
podría fluir hacia estos nodos o desde ellos, sino hasta Los cambios se resumen en la siguiente tabla.
completar los trabajos. ¿Qué impacto tendría el cierre de ¿Cuál es el impacto en los costos totales?
estos nodos sobre la capacidad de la red?
9-38 Las ciudades alemanas alrededor del Bosque Negro es- NODO DE NODO COSTO
tán representadas por los nodos de la red que se muestra RAMA INICIO FINAL ($100s)
a continuación. Las distancias entre las ciudades se dan en
kilómetros. Encuentre la ruta más corta desde la ciudad 1 Rama 1 1 2 5
hasta la ciudad 16. Si ciertas inundaciones en las ciudades Rama 2 1 3 1
7 y 8 fuerzan el cierre de todos los caminos que conducen
hacia esas ciudades o que salen desde ellas, ¿cómo impac- Rama 3 1 4 1
taría esto a la ruta más corta? Rama 4 1 5 1
Rama 5 2 6 7
Rama 6 3 7 5
5 16 Rama 7 4 7 7
10 9 16
8 12 Rama 8 5 8 4
2 10 13
6 17 Rama 9 6 7 1
18
10 10
18
20
12 Rama 10 7 9 6
14 14
15 11 16 16 Rama 11 8 9 2
1 3 7 18
11
18
22 15 25 9-40 Para ir de Quincy a Old Bainbridge, George Olin tiene

4 12 15 10 caminos posibles. Cada uno puede considerarse
20 como una rama en un problema de la ruta más corta.
8 12 15
(a) Determine la manera de llegar desde Quincy
(nodo 1) hasta Old Bainbridge (nodo 8) que mini-
mizará la distancia total recorrida. Las distancias
9-39 La constructora Grey quisiera determinar la forma me- se dan en cientos de millas.
nos costosa de conectar TV por cable en las casas que
está construyendo. Se han identificado 11 posibles ramas
o rutas que podrían utilizarse para conectar las casas. El NODO DISTANCIA
costo en cientos de dólares y las ramas se resumen en la DE NODO (EN CIENTOS
siguiente tabla. RAMA INICIO FINAL DE MILLAS)
(a) ¿Cuál es la forma menos costosa de llevar el cable a Rama 1 1 2 3
estas casas?
Rama 2 1 3 2
Rama 3 2 4 3
NODO DE NODO COSTO
RAMA INICIO FINAL ($100s) Rama 4 3 5 3
Rama 1 1 2 5 Rama 5 4 5 1
Rama 2 1 3 6 Rama 6 4 6 4
Rama 3 1 4 6 Rama 7 5 7 2
Rama 4 1 5 5
Rama 8 6 7 2
Rama 5 2 6 7
Rama 9 6 8 3
Rama 6 3 7 5
Rama 10 7 8 6
Rama 7 4 7 7
Rama 8 5 8 4
(b) George Olin cometió un error al estimar las dis-
Rama 9 6 7 1 tancias de Quincy a Old Bainbridge. Las nuevas
Rama 10 7 9 6 distancias se dan en la siguiente tabla. ¿Qué im-
Rama 11 8 9 2 pacto tiene esto en la ruta más corta desde Quincy
hasta Old Bainbridge?

9-42 La siguiente tabla representa una red donde los arcos se

NODO DISTANCIA
identifican mediante sus nodos de inicio y final. Dibuje
DE NODO (EN CIENTOS
la red y utilice un árbol de expansión mínima para encon-
RAMA INICIO FINAL DE MILLAS)
trar la distancia mínima requerida para conectar todos los
Rama 1 1 2 3 nodos.
Rama 2 1 3 2
Rama 3 2 4 3 ARCO DISTANCIA
Rama 4 3 5 1 1–2 12
Rama 5 4 5 1 1–3 8
Rama 6 4 6 4 2–3 7
Rama 7 5 7 2 2–4 10
Rama 8 6 7 2 3–4 9
Rama 9 6 8 3
3–5 8
Rama 10 7 8 6
4–5 8
9-41 South Side Oil and Gas, una nueva empresa en Texas, ha 4–6 11
desarrollado una red de oleoductos para transportar petró- 5–6 9
leo desde sus campos de exploración hasta una refinería
y otros sitios. Hay 10 tuberías (ramas) en la red. En la si-
9-43 La Northwest University se encuentra en el proceso de
guiente tabla, se proporcionan el flujo de petróleo en cien-
completar una red de buses de computadora que conec-
tos de galones y la red de tuberías.
tarán las instalaciones informáticas en todo el campus.
(a) ¿Cuál es el máximo que puede fluir a través de la red? El objetivo principal es tender un cable principal desde
un extremo del campus hasta el otro (nodos 1 a 25) a tra-
NODO vés de ductos subterráneos. Estos ductos se muestran en
DE NODO CAPACIDAD
la red; la distancia entre ellos se da en cientos de pies.
RAMA INICIO FINAL CAPACIDAD INVERSA FLUJO
Por fortuna, estos ductos subterráneos tienen capacidad
Rama 1 1 2 10 4 10 restante a través de la cual se puede introducir el cable
Rama 2 1 3 8 2 5 del bus.
Rama 3 2 4 12 1 10 (a) Dada la red para este problema, ¿qué tan larga (en
Rama 4 2 5 6 6 0 cientos de pies) es la ruta más corta desde el nodo 1
Rama 5 3 5 8 1 5 hasta el nodo 25?
(b) Además de la red de buses de computadora, también se
Rama 6 4 6 10 2 10
está planeando un nuevo sistema telefónico. El sistema
Rama 7 5 6 10 10 0 telefónico usaría los mismos ductos subterráneos. Si
Rama 8 5 7 5 5 5 se instala el sistema telefónico, las siguientes rutas a
Rama 9 6 8 10 1 10 lo largo de los ductos estarían llenas y ya no podrían
Rama 10 7 8 10 1 5 alojar la red de buses de computadora: 6-11, 7-12 y
17-20. ¿Qué cambios (si los hubiera) tendrían que ha-
(b) South Side Oil and Gas debe modificar sus patrones cerse a la ruta utilizada para los buses de computadora,
de flujo en la red de tuberías. Los nuevos datos se en- si se instalara el sistema telefónico?
cuentran en la siguiente tabla. ¿Qué impacto tiene esto
en el flujo máximo a través de la red?
NODO Red para el problema 9-43

DE NODO CAPACIDAD
RAMA INICIO FINAL CAPACIDAD INVERSA FLUJO 5 8
Rama 1 1 2 10 4 10 15 10 5
5
18 6
Rama 2 1 3 8 2 5 14
2 8 22
6 5
Rama 3 2 4 12 1 10 7 11 6
10 19 7
15
6 15
Rama 4 2 5 0 0 0 9 3 8 23 8
1 1 7 7 25
0 12 5 6 20
Rama 5 3 5 8 1 5
16
Rama 6 4 6 10 2 10 10 6
20
4 8
20
8
Rama 7 5 6 10 10 0 15 13
Rama 8 5 7 5 5 5 17 17 10 24
10
Rama 9 6 8 10 1 10 9
21
Rama 10 7 8 10 1 5

ESTUDIO DE CASO 357
(c) La universidad decidió instalar el nuevo sistema tele- para la primera red o la red original usó por completo
fónico antes que el cable para la red de computado- la capacidad a lo largo de su trayectoria. Ante esta
ras. Debido a la demanda inesperada de instalaciones situación, ¿cuál es el mejor camino para el segundo
informáticas, se requiere un cable adicional desde el cable de red?
nodo 1 hasta el nodo 25. Lamentablemente, el cable
Estudio de caso
Andrew-Carter, Inc.
Andrew-Carter, Inc. (A-C), es un importante productor canadiense Las capacidades de planta en unidades por semana son
y distribuidor de accesorios de iluminación al aire libre. Sus dis-
Planta 1, en tiempo regular 27,000 unidades
positivos se distribuyen en toda América del Norte y ha tenido una
gran demanda durante varios años. La compañía opera tres plantas Planta 1, en tiempo extra 7,000 unidades
que fabrican el aparato y lo envía a cinco centros de distribución Planta 2, en tiempo regular 20,000 unidades
(almacenes). Planta 2, en tiempo extra 5,000 unidades
Durante la actual recesión, A-C ha visto una caída importante en
Planta 3, en tiempo regular 25,000 unidades
la demanda de sus dispositivos, puesto que el mercado de viviendas
ha disminuido. Con base en los pronósticos de las tasas de interés, Planta 3, en tiempo extra 6,000 unidades
el jefe de operaciones siente que la demanda de vivienda y, por lo Si A-C cierra cualquiera de sus plantas, sus costos semanales
tanto, de su producto se mantendrá deprimido en el futuro previsi- cambiarán, porque los costos fijos son menores para una planta no
ble. A-C está considerando el cierre de una de sus plantas, dado que operativa. En la tabla 9.5 se muestran los costos de producción de cada
ahora está operando con un exceso de capacidad prevista de 34,000 planta, tanto variables de tiempo regular y tiempo extra, como fijos
unidades por semana. Las demandas semanales pronosticadas para con la planta operando y cerrada. La tabla 9.6 muestra los costos de
el año próximo son envío desde cada planta hasta cada almacén (centro de distribución).
Almacén 1 9,000 unidades
Almacén 2 13,000 unidades Preguntas para análisis
Almacén 3 11,000 unidades 1. Evalúe las diferentes configuraciones de plantas operando y ce-
rradas que satisfagan la demanda semanal. Determine qué confi-
Almacén 4 15,000 unidades
guración minimiza los costos totales.
Almacén 5 8,000 unidades 2. Analice las implicaciones del cierre de una planta.
Fuente: Profesor Michael Boleta, University of the Pacific.
TABLA 9.5
COSTO FIJO POR SEMANA
Andrew-Carter, Inc.,
costos de producción PLANTA COSTO VARIABLE OPERANDO SIN OPERAR
variables y fijos por Núm. 1, tiempo regular $2.80/unidad $14,000 $6,000
semana
Núm. 1, tiempo extra 3.52
Núm. 2, tiempo regular 2.78 12,000 5,000
Núm. 3, tiempo regular 2.72 15,000 7,500

TABLA 9.6
AL CENTRO DE DISTRIBUCIÓN
Andrew-Carter, Inc.,
costos de distribución DE LA PLANTA W1 W2 W3 W4 W5
por unidad
Núm. 1 $0.50 $0.44 $0.49 $0.46 $0.56
Núm. 2 0.40 0.52 0.50 0.56 0.57
Núm. 3 0.56 0.53 0.51 0.54 0.35
Estudio de caso
Northeastern Airlines
Northeastern Airlines es una aerolínea regional que da servicio a número de vuelos directos, lo cual significaría que una ciudad servida
nueve ciudades en los estados de la región de Nueva Inglaterra, así por Northeastern solamente podría tener vuelos directos a una sola
como a ciudades en Nueva York, Nueva Jersey y Pennsylvania. Aun- ciudad distinta. La compañía tiene previsto contratar a un consul-
que hay vuelos sin escalas para algunas de las rutas, con frecuencia se tor de análisis de marketing para determinar cómo se vería afectada la
requieren vuelos de conexión. La red muestra las ciudades servidas demanda por los vuelos más largos con más conexiones, y para pro-
y las utilidades por pasajero a lo largo de cada una de esas rutas. Las nosticar la demanda a lo largo de cada una de las rutas con base en
rutas de Boston a Providence y de Providence a Boston generan sólo un mapa modificado de las operaciones de vuelo. Antes de contratar
$9 de utilidad por pasajero después de todos los gastos. Para dar servi- al consultor, la empresa desea determinar la forma más rentable (con
cio a estas ciudades, Northeastern opera una flota de 16 jets Embraer base en la utilidad por pasajero) de continuar sirviendo a todas las
E-195 de 122 pasajeros. Estos aviones, que introdujo Embraer por pri- ciudades.
mera vez a finales de 2004, han ayudado a que Northeastern Airlines
siga siendo rentable durante varios años. Sin embargo, recientemente Preguntas para análisis
los márgenes de ganancia han estado cayendo y Northeastern se en-
1. Desarrolle un mapa de operaciones de vuelo que siga sirviendo
frenta a la perspectiva de reducir sus operaciones.
a cada una de las nueve ciudades, pero que maximice la utilidad
La gerencia de Northeastern Airlines ha considerado varias op-
por pasajero de la compañía (Sugerencia: Encuentre el árbol de
ciones para reducir costos y aumentar la rentabilidad. Debido a las re-
expansión máxima).
gulaciones de la Administración Federal de Aviación, la empresa debe
2. Comente cómo deberían asignarse los 16 jets.
continuar sirviendo a cada una de las nueve ciudades. Sin embargo, la
manera en que se da servicio a estas ciudades depende de la gerencia Gracias al profesor Faizul Huq, de la Escuela de Negocios de la Ohio University,
de la aerolínea. Se ha hecho la sugerencia de proporcionar un menor por proporcionarnos este caso.
Área de servicio de
Orono, ME
Northeastern Airlines Burlington, VT
12
Syracuse, NY
10
14
21 13
Nashua, NH
12 22 18
15
Boston, MA
12
16
Providence, RI
17
Hartford, CT
14
Newark, NJ
State College, PA

ESTUDIO DE CASO 359
Estudio de caso
Problemas de tránsito en la Southwestern University
La Southwestern University (SWU), ubicada en la pequeña ciudad de que pueden pasar a través de los nodos 2, 3 y 4 es 35,000 por hora, y
Stephenville, Texas, está experimentando un mayor interés en su pro- la cantidad de automóviles que pueden pasar a través de los nodos 5, 6
grama de fútbol americano, ahora que ha contratado a un entrenador y 7 es aún mayor. Por lo tanto, el Dr. Lee ha sugerido que la capacidad
de renombre. El aumento en las ventas de boletos para la próxima actual es de 33,000 vehículos por hora. También ha recomendado que
temporada implica ingresos adicionales, pero también significa ma- se haga una petición al alcalde de la ciudad para que expanda una de
yores quejas debido a los problemas de tránsito asociados con los las rutas desde el estadio hasta la autopista para permitir un adicional
partidos de fútbol. Cuando se construya un nuevo estadio, esto sólo de 2,000 vehículos por hora. Recomienda ampliar la ruta más barata.
empeorará. Marty Starr, presidente de la SWU, ha pedido al Comité Si la ciudad decide no ampliar las carreteras, se considera que el pro-
de Planeación de la Universidad que estudie este problema. blema de tránsito sería una molestia, pero aun así sería manejable.
Con base en las proyecciones de tránsito, al Dr. Starr le gustaría Con base en la experiencia, se cree que mientras la capacidad de
que hubiera la capacidad suficiente para que 35,000 automóviles por las calles no sea 2,500 vehículos por hora inferior al número de autos
hora pudieran viajar desde el estadio hasta la autopista interestatal. que salen del estadio, el problema no es demasiado grave. Sin em-
Para aliviar los problemas de tránsito esperados, se está considerando bargo, la gravedad del problema crece dramáticamente por cada 1,000
la ampliación de algunas de las calles actuales que llevan de la uni- vehículos adicionales que se agregan a las calles.
versidad a la carretera interestatal, con la finalidad de aumentar su
capacidad. A continuación, se muestran las capacidades de las calles
actuales con el número de automóviles (en miles) por hora. Dado que
el principal problema será después de cada partido, tan sólo se indican 1. Si no hay ampliación, ¿cuál es el número máximo de autos que
los flujos desde el estadio. Estos flujos consideran que algunas calles en realidad puede viajar cada hora desde el estadio hasta la inte-
cercanas al estadio se transforman en calles de un solo sentido durante restatal? ¿Por qué este número no es igual a 33,000, como sugi-
un corto periodo después de cada juego, con oficiales de policía que rió el Dr. Lee?
dirigen el tránsito. 2. Si los costos de ampliación son los mismos para cada una de las
Alexander Lee, miembro del Comité de Planeación de la Univer- calles, ¿cuál(es) de ellas recomendaría expandir para aumentar
sidad, ha dicho que una revisión rápida de las capacidades de tránsito la capacidad a 33,000? ¿Qué calles recomendaría ampliar con la
en el diagrama indica que el número total de automóviles por hora que finalidad de obtener una capacidad total del sistema de 35,000
pueden salir del estadio (nodo 1) es de 33,000. El número de autos autos por hora?
Caminos del estadio

a la interestatal
12 0
0 2 5 16
0
15 8 0
12 0 6 0 7 0
Estadio 1 3 6 8 Interestatal
0
6 5 0
5 5
0 4 7 8
4 0


adicionales:
(1) Northwest General Hospital: Este caso implica la mejora del sistema de distribución de alimentos en
un hospital, con la finalidad de reducir las posibilidades de que los alimentos se enfríen antes de que
se sirvan a los pacientes.
(2) Custom Vans, Inc: Este caso se refiere a la búsqueda de la mejor ubicación para una planta que fabri-
cará duchas usadas en furgonetas personalizadas.
(3) Ranch Development Project: Este caso se refiere a la búsqueda de la forma menos costosa en que se
pueden brindar los servicios de agua y alcantarillado a los hogares de una nueva urbanización.
(4) Old Oregon Wood Store: Este caso implica la determinación de la mejor forma de asignar empleados
a los trabajos en una pequeña empresa de manufactura.
(5) Binder’s Beverage: Este caso trata sobre la determinación de la ruta más corta entre una planta y un
almacén.
Bibliografía
Adlakha, V. y K. Kowalski. “Simple Algorithm for the Source-Induced Fixed-Charge Liu, Jinming y Fred Rahbar. “Project Time–Cost Trade-off Optimization by Maximal
Transportation Problem”, Journal of the Operational Research Society 55, Flow Theory”, Journal of Construction Engineering & Management 130, 4
12 (2004): 1275-1280. (julio/agosto de 2004): 607-609.
Bowman, E. “Production Scheduling by the Transportation Method of Linear Liu, Shiang-Tai. “The Total Cost Bounds of the Transportation Problem with
Programming”, Operations Research 4 (1956). Varying Demand and Supply”, Omega 31, 4 (2003): 247-251.
Dawid, Herbert, Johannes Konig y Christine Strauss. “An Enhanced Rostering Martello, Silvano. “Jeno Egervary: From the Origins of the Hungarian Algorithm
Model for Airline Crews”, Computers and Operations Research 28, 7 to Satellite Communication”, Central European Journal of Operations
(junio de 2001): 671-688. Research 18, 1 (2010): 47-58.
Hezarkhani, Behzad y Wieslaw Kubiak. “A Coordinating Contract for Transship- McKeown, P. y B. Workman. “A Study in Using Linear Programming to Assign
ment In a Two-Company Supply Chain”, European Journal of Operational Students to Schools”, Interfaces 6, 4 (agosto de 1976).
Research 207, 1 (2010): 232-237. Render, B. y R. M. Stair. Introduction to Management Science. Boston: Allyn &
Jacobs, T., B. Smith y E. Johnson. “Incorporating Network Flow Effects into the Bacon, Inc., 1992.
Airline Fleet Assignment Process”, Transportation Science 42, 4(2008): Sancho, N. G. F. “On the Maximum Expected Flow in a Network”, Journal of
514-529. Operational Research Society 39 (mayo de 1988): 481-485.
Johnsonbaugh, Richard. Discrete Mathematics, 5a. ed. Upper Saddle River, NJ: Sedeño-Noda, Antonio, Carlos González-Martín y Sergio Alonso. “A Generalization
Prentice Hall, 2001. of the Scaling Max-Flow Algorithm”, Computers & Operations Research
Kawatra, R. y D. Bricker. “A Multiperiod Planning Model for the Capacitated 31, 13 (noviembre de 2004): 2183-2198.
Minimal Spanning Tree Problem”, European Journal of Operational Troutt, M. D. y G. P. White. “Maximal Flow Network Modeling of Production
Research 121, 2 (2000): 412-419. Bottleneck Problems”, Journal of the Operational Research Society 52, 2
Koksalan, Murat y Haldun Sural. “Efes Beverage Group Makes Location and (febrero de 2001): 182-187.
Distribution Decisions for Its Malt Plants”, Interfaces 29, 2 (marzo-abril
de 1999): 89-103.

QM para Windows tiene en su menú un módulo de transporte, así como un módulo de asignación.
Ambos son fáciles de usar en cuanto a la introducción de datos y sencillos de interpretar en términos
de sus salidas. En el programa 9.9A se muestra la pantalla de entrada para el ejemplo de transporte de
Executive Furniture. Es posible especificar la técnica de solución de inicio. Los resultados se muestran
en el programa 9.9B. El programa 9.10A muestra la pantalla de entrada para el ejemplo de asignación
del taller Fix-It. Basta con introducir los costos y hacer clic en Solve. El programa 9.10B presenta la
solución a este problema.

APÉNDICE 9.1: USO DE QM PARA WINDOWS 361
PROGRAMA 9.9A En el menú desplegable Module,

Entrada de QM para seleccione Transportation.
Windows del ejemplo
de transporte de
Executive Furniture
Haga clic en New Problem y

cuando se abra la ventana, Después de introducir los
escriba el número de fuentes datos, haga clic en Solve.
y destinos. Haga clic en OK.
Introduzca los costos, las

ofertas y las demandas.
PROGRAMA 9.9B
Solución en QM para
Windows del ejemplo
de transporte de
Executive Furniture
PROGRAMA 9.10A En el menú desplegable Module,

Entrada en QM para seleccione Assignment.
Windows del ejemplo
de asignación para el
taller Fix-It
Haga clic en New Problem y Después de introducir

cuando se abra la ventana, los datos, haga clic en
escriba el número de asignaciones. Solve.
Introduzca los
costos.

PROGRAMA 9.10B
Salida de QM para
Windows del ejemplo
de asignación del taller
Fix-It.

CAPÍTULO 10
Programación entera,
programación por metas
y programación no lineal
1. Comprender la diferencia entre programación 3. Formular y resolver problemas de programación
lineal y programación entera. por metas utilizando Excel y QM para Windows.
2. Entender y resolver los tres tipos de problemas de 4. Formular problemas de programación no lineal y
programación entera. resolverlos mediante el uso de Excel.

10.1 Introducción 10.4 Programación por metas
10.2 Programación entera 10.5 Programación no lineal
10.3 Modelado con variables 0-1 (binarias)
Schank Marketing Research ♦ Estudio de caso: Puente sobre el río Oakton • Bibliografía
363

364 CAPÍTULO 10 • PROGRAMACIÓN ENTERA, PROGRAMACIÓN POR METAS Y PROGRAMACIÓN NO LINEAL
10.1 Introducción
En este capítulo se presenta una serie de modelos importantes de programación matemática que surgen
cuando algunos de los supuestos básicos de la PL se hacen más o menos restrictivos. Por ejemplo, un
supuesto de la PL es que las variables de decisión pueden tomar valores fraccionarios como X1 = 0.33,
X2 = 1.57 o X3 = 109.4. Sin embargo, existe un gran número de problemas de negocios que pueden re-
solverse tan sólo si las variables tienen valores enteros. Cuando una aerolínea decide cuántos Boeing 757
o Boeing 777 va a comprar, no puede realizar un pedido de 5.38 aviones; debe ordenar 4, 5, 6, 7 o algún
La programación entera es la otro número entero. En este capítulo se presenta el tema general de la programación entera y se considera
extensión de la PL que resuelve específicamente el uso de variables especiales que deben ser 0 o 1.
los problemas que requieren Una limitación importante de la PL es que obliga al tomador de decisiones a establecer un solo obje-
soluciones enteras. tivo. Pero, ¿qué sucede si una empresa tiene varios objetivos? De hecho, es posible que la gerencia desee
maximizar la utilidad, pero también maximizar su participación en el mercado, mantener el pleno empleo
y minimizar los costos. Muchos de estos objetivos pueden ser contradictorios y difíciles de cuantificar. Por
ejemplo, South States Power and Light quiere construir una planta de energía nuclear en Taft, Luisiana.
Sus objetivos son maximizar la energía generada, la confiabilidad y la seguridad, así como minimizar el
La programación por metas es la costo de operación del sistema y los efectos ambientales en la comunidad. La programación por metas es
extensión de la PL que permite una extensión de la PL que puede permitir múltiples objetivos como éstos.
establecer más de un objetivo. Desde luego, la programación lineal puede aplicarse únicamente a los casos donde las restricciones
y la función objetivo son lineales. Sin embargo, en muchas situaciones esto no es así. Por ejemplo, el
precio de muchos productos puede estar en función del número de unidades producidas. A medida que se
producen más unidades, el precio por unidad disminuye. Por lo tanto, una función objetivo puede indicar
La programación no lineal se utiliza lo siguiente:
en casos donde los objetivos o las
restricciones son no lineales. Maximizar la utilidad = 25X1 - 0.4X12 + 30X2 - 0.5X22
Debido a los términos cuadráticos, éste es un problema de programación no lineal.

A continuación se analizará cada una de estas extensiones de la PL —programación entera, por metas
y no lineal— una por una.
10.2 Programación entera

En la programación entera, los Un modelo de programación entera es un modelo que tiene restricciones y una función objetivo idénticas
valores de la solución deben ser a las formuladas por la PL. La única diferencia es que una o más de las variables de decisión debe asumir
números enteros. un valor entero en la solución final. Hay tres tipos de problemas de programación entera:
Hay tres tipos de programas 1. Los problemas de programación entera pura son casos donde se requiere que todas las variables ten-
enteros: programación entera pura, gan valores enteros.
programación entera mixta 2. Los problemas de programación entera mixta son casos en los cuales se requiere que algunas variables
y programación entera 0-1. de decisión, pero no todas, tengan valores enteros.
3. Los problemas de programación entera cero-uno son casos especiales donde todas las soluciones
a las variables de decisión deben tener los valores enteros de 0 o 1.
La resolución de un problema de programación entera es mucho más difícil que la de uno de PL.
El tiempo de solución requerido para algunos de estos problemas suele ser excesivo, incluso en la compu-
tadora más rápida.
Ejemplo de programación entera para la compañía Harrison Electric

La compañía Harrison Electric, ubicada en el área antigua de Chicago, produce dos artículos populares
entre los restauradores de casas: candelabros antiguos y ventiladores de techo. Tanto los candelabros
como los ventiladores requieren un proceso de producción en dos etapas que implica el cableado y el
ensamble. Se necesitan aproximadamente 2 horas para conectar cada candelabro y 3 horas para conectar
un ventilador de techo. El ensamble final de los candelabros y los ventiladores requiere 6 y 5 horas, res-
pectivamente. La capacidad de producción es tal que sólo se dispone de 12 horas de tiempo de cableado
y 30 horas de tiempo de ensamble. Si cada candelabro producido implica una ganancia neta de $7 y cada

10.2 PROGRAMACIÓN ENTERA 365
ventilador de $6, la decisión de la mezcla de producción para Harrison puede formularse utilizando PL de
la siguiente manera:

Aunque la numeración es factible sujeta a 2X1 + 3X2 … 12 1horas de cableado2
para algunos problemas pequeños
6X1 + 5X2 … 30 1horas de ensamble2
de programación entera, puede ser
difícil o imposible para los grandes. X1, X2 Ú 0
donde
X1 = número de candelabros producidos

X2 = número de ventiladores de techo producidos
Con sólo dos variables y dos restricciones, el planeador de la producción de Harrison, Wes Wallace, em-
pleó el enfoque gráfico de PL (vea la figura 10.1) para generar la solución óptima de X1 = 3.75 cande-
labros y X2 = 1.5 ventiladores de techo durante el ciclo de producción. Al ver que la empresa no podría
producir y vender una fracción de un producto, Wes decidió que estaba enfrentando un problema de pro-
gramación entera.
Wes pensó que el enfoque más sencillo sería redondear las soluciones fraccionarias óptimas para
X1 y X2 a los valores enteros de X1 = 4 candelabros y X2 = 2 ventiladores de techo. Por desgracia, el
El redondeo es una forma de redondeo puede producir dos problemas. Primero, la nueva solución entera quizá no esté en la región
encontrar los valores de la factible y, por lo tanto, no sería una respuesta práctica. Éste es el caso si redondeamos a X1 = 4, X2 = 2.
solución entera, pero a menudo En segundo lugar, incluso si redondeamos a una solución factible, como X1 = 4, X2 = 1, es posible que
no produce la mejor solución. ésta no sea la solución entera factible óptima.
La numeración de todas las soluciones factibles para seleccionar aquella que produzca el mejor valor
de la función objetivo se denomina método de la numeración. Por supuesto, esto sería bastante tedioso,
incluso para problemas pequeños, y es prácticamente imposible para los problemas grandes, ya que el nú-
mero de soluciones enteras factibles es extremadamente grande.
FIGURA 10.1
X2
Problema de Harrison
Electric 6
6X1 + 5X2 ) 30
+¬ 3RVLEOHVROXFLyQHQWHUD
6ROXFLyQySWLPDFRQ3/
2 (X1 X2 8WLOLGDG
2X1 + 3X2 ) 12
1
0 1 2 3 4 5 6 X1

TABLA 10.1
CANDELABROS VENTILADORES UTILIDAD
Soluciones enteras 1X12 DE TECHO 1X22 1$7X1 + $6X22
para el problema de
Harrison Electric 0 0 $0
1 0 7
2 0 14
3 0 21
4 0 28
5 0 35 Solución óptima para el
0 1 6 problema de programación
entera
1 1 13
2 1 20
3 1 27
4 1 34 Solución si se utiliza
0 2 12 el redondeo
1 2 19
2 2 26
3 2 33
0 3 18
1 3 25
0 4 24
Un concepto importante que se debe En la tabla 10.1 se lista todo el conjunto de soluciones con valores enteros para el problema de Harrison
entender es que una solución de Electric. Al revisar la columna de la derecha, vemos que la solución entera óptima es
programación entera nunca puede
ser mejor que la solución al mismo X1 = 5 candelabros, X2 = 0 ventiladores de techo, con una utilidad = $35
problema de PL. El problema entero
es generalmente peor debido a que Observe que esta restricción entera genera un menor nivel de utilidad que el de la solución óptima original
genera un mayor costo o una con PL. De hecho, una solución de programación entera nunca puede producir una mayor utilidad que la
utilidad inferior. solución de PL para el mismo problema; por lo general, implica un valor menor.
Uso de software para resolver el problema de programación

entera de Harrison
Las hojas de cálculo de QM para Windows y Excel son capaces de manejar problemas de programación
entera, como el caso de Harrison Electric. El programa 10.1A ilustra los datos de entrada a QM para Win-
dows, y el programa 10.1B presenta los resultados.
Para utilizar QM para Windows, seleccione el módulo Integer & Mixed Integer Programming. Espe-
cifique el número de restricciones y el número de variables. En el programa 10.1A se presenta la pantalla
de entrada, con los datos introducidos para el ejemplo de Harrison Electric. La última fila de la tabla le
permite clasificar cada variable según el tipo de variable (entera, real o 0/1). Una vez que todas las varia-
bles se hayan especificado correctamente, haga clic en Solve, y verá una salida como la que se ilustra en
el programa 10.1B.
Para resolver este problema, también se puede utilizar Solver en Excel 2013, como se muestra en el
programa 10.2. Se presentan los parámetros y las selecciones de Solver, así como las fórmulas clave. Para
especificar que las variables deben ser enteras, se introduce una restricción especial en Solver. Después de
abrir la ventana de parámetros en Solver, seleccione Add del mismo modo que lo haría para introducir otras
restricciones. Cuando se abra la ventana Add Constraint, introduzca el rango que contiene los valores de la
solución, como se ilustra en el programa 10.2. Luego, haga clic en la pestaña para abrir el menú desplega-
ble y, después, cambie el tipo de restricción a int, para indicar que será entera. Haga clic en OK para volver
a la ventana de parámetros de Solver. En seguida, introduzca las otras restricciones, especifique los pará-
metros y las selecciones y haga clic en Solve. Se muestra que la solución es 5 candelabros y 0 ventiladores,
para una utilidad de $35.

PROGRAMA 10.1A
Pantalla de entrada para
el problema de Harrison
Electric en QM para
Windows
PROGRAMA 10.1B
Pantalla de solución
para el problema de
Harrison Electric en QM
para Windows
PROGRAMA 10.2
Solución de Solver
problema de Harrison
Electric

Celda objetivo: D5
Celdas variables: B4:C4
Para: Max Copiar D5 a D8:D9

D8:D9 <= F8:F9
B4:C4 = entero

Ejemplo de un problema de programación entera

Aunque el ejemplo de Harrison Electric fue un problema entero puro, hay muchas situaciones donde algu-
nas de las variables están restringidas a ser enteras y otras no lo están. El siguiente es un ejemplo de tales
problemas de programación entera mixta.
La compañía Bagwell Chemical, en Jackson, Mississippi, elabora dos productos químicos industria-
les. El primero de ellos, xyline, debe producirse en bolsas de 50 libras; el segundo, hexall, se vende por
libra en carga seca a granel y, por lo tanto, se puede producir en cualquier cantidad. Tanto xyline como
hexall están compuestos de tres ingredientes —A, B y C— de la manera siguiente:
CANTIDAD POR BOLSA DE CANTIDAD POR LIBRA CANTIDAD DISPONIBLE

50 LIBRAS DE XYLINE (LB) DE HEXALL (LB) DE LOS INGREDIENTES
30 0.5 2,000 lb, ingrediente A

18 0.4 800 lb, ingrediente B
2 0.1 200 lb, ingrediente C
Bagwell vende bolsas de 50 libras de xyline a $85 y cualquier peso de hexall a $1.50 por libra.
MODELADO EN EL MUNDO REAL Programación entera en el USPS
Definición
del problema El Servicio Postal de Estados Unidos (USPS, U.S. Postal Service) opera una de las mayores redes de transporte
en el mundo, y entrega una quinta parte de un billón de artículos cada año. Los problemas inherentes rela-
cionados con el transporte son, evidentemente, muy grandes. Sin embargo, el problema de USPS es cómo
entregar correo de la forma más rentable posible.

un modelo Se desarrolló un programa entero a gran escala conocido como el Programa Analítico del Corredor Carretero
(HCAP, Highway Corridor Analytical Program) para ayudar a resolver el problema. De manera más específica,
el HCAP resuelve un problema de enrutamiento de vehículos (VRP, Vehicle Routing Problem), con lugares de
recepción y entrega conocidos. Es decir, el modelo toma en cuenta los diferentes modos de transporte, las
capacidades inherentes al sistema, todos los sitios de recepción y todos los sitios de entrega para, después,
asignar los camiones a las rutas como la variable de decisión (binaria) de interés.

datos de entrada En el modelo, se integran los datos de un sistema de información geográfica (SIG) con todos los sitios de
recepción y entrega. También se incluyen restricciones realistas para el tiempo y la distancia, con la finalidad
de evitar que a los conductores se les asigne una camioneta en un área y una entrega en una zona demasiado
lejana.

a la solución El modelo se cargó en un “solucionador” de programación matemática a gran escala. Se probaron varias
versiones y modelos.

de resultados Los tomadores de decisiones encontraron mejoras en varias áreas. Por ejemplo, uno de los resultados de los
modelos se tradujo en una reducción de 20% en los viajes redundantes.

de resultados USPS ya detectó más de $5 millones de ahorro en transporte debido a su implementación del modelo de
optimización de programación entera HCAP. Se están realizando esfuerzos para lograr eficiencias adicionales
mediante la utilización del HCAP.
Fuente: Basado en A. Pajunas, E. J. Matto, M. Trick y L. F. Zuluaga. “Optimizing Highway Transportation at the United
State Postal Service”, Interfaces 37, 6 (2007): 515-525.

Si consideramos que X = número de bolsas de 50 libras de xyline producidas y Y = número de libras

de hexall (a granel seco) mezclado, el problema de Bagwell se puede describir mediante la programación
entera mixta:
Maximizar la utilidad = $85X + $1.50Y
sujeta a 30X + 0.5Y … 2,000
18X + 0.4Y … 800
2X + 0.1Y … 200
X, Y Ú 0 y X entera
Tenga en cuenta que Y representa el peso a granel de hexall y no requiere tener un valor entero.
USO DE QM PARA WINDOWS Y EXCEL PARA RESOLVER EL MODELO DE PROGRAMACIÓN EN-

TERA DE BAGWELL La solución al problema de Bagwell es producir 44 bolsas de xyline y 20 libras de
hexall, lo cual genera una utilidad de $3,770. (La solución lineal óptima, por cierto, es producir 44,444
bolsas de xyline y 0 libras de hexall, de donde se obtiene una utilidad de $3,777.78). Esto se ilustra primero
en el programa 10.3, que utiliza el módulo de programación entera mixta en QM para Windows. Observe
que en este programa la variable X se identifica como Integer, mientras que Y es Real.
En el programa 10.4, se utiliza Excel para ofrecer un método de solución alternativo.
PROGRAMA 10.3
Windows del problema
de Bagwell Chemical Se utilizan límites, y se presenta la mejor
solución disponible después de cierto tiempo.
Observe que solamente X debe ser entera,

en tanto Y puede ser cualquier número real.
Programación entera mixta en la cadena de suministro

EN ACCIÓN de IBM
el modelado de la cadena de suministro, es necesario utilizar modelos

L a fabricación de semiconductores es una operación muy costosa
que, a menudo, requiere inversiones de miles de millones de dólares.
donde algunas variables están obligadas a ser enteras. Los mode-
los de PEM resultantes son tan grandes (millones de variables) que no
El grupo de Sistemas y Tecnología de IBM ha utilizado la programa- se pueden resolver, incluso con las computadoras más rápidas. Por lo
ción entera mixta (PEM), junto con otras técnicas de investigación de tanto, el Grupo de Sistemas y Tecnología de IBM desarrolló métodos
operaciones para planear y optimizar la cadena de suministro de sus heurísticos para resolver los modelos de optimización, como parte de
semiconductores. El asunto de la optimización de la cadena de sumi- los sistemas de planeación avanzada de la compañía.
nistro (OCS) se ha considerado crítico para el negocio y debe incorpo- Los beneficios del CPE son muchos. Las entregas a tiempo me-
rar una variedad de criterios y restricciones de planeación. joraron en 15%. Se observó una reducción de entre 25 y 30% en
IBM utiliza un motor de planeación central (CPE, central planning el inventario como resultado del modelo. La compañía también ob-
engine) para equilibrar los recursos de la cadena de suministro contra servó una mejora en la asignación de activos de entre 2 y 4% de los
la demanda de semiconductores. El modelo de PEM forma parte im- costos. Este modelo permitió que las preguntas del tipo “qué pasaría
portante de este CPE. El modelo de PEM es un problema de minimi- si” se respondieran rápidamente —un proceso que no era posible en
zación de costos que tiene restricciones relacionadas con los flujos de el pasado—. La planeación estratégica también se vio facilitada con el
materiales y otros aspectos de la cadena de suministro. CPE. IBM se benefició enormemente con la utilización de la PEM en la
Algunos de los modelos involucrados en la OCS incluyen el abas- gestión de la cadena de suministro para sus semiconductores.
tecimiento entre múltiples plantas, la logística del envío entre plan-
tas, y el desarrollo de planes de producción para todas las plantas
dentro del sistema. Pueden implicar un horizonte de planeación de Fuente: Basado en Brian. T. Denton, John Forrest y R. John Milne. “IBM Sol-
unos cuantos días, meses o incluso algunos años, dependiendo del ves a Mixed-Integer Program to Optimize Its Semiconductor Supply Chain”,
tipo específico de aplicación. Aunque la PL se utiliza con frecuencia en Interfaces 36, 5 (septiembre-octubre de 2006): 386-399.

PROGRAMA 10.4
Solución de Solver
problema de Bagwell
Chemical

Celda objetivo: D5
Para: Max Copiar D5 a D8:D10
D8:D10 <= F8:F10
B4 = entero
Variables no negativas
10.3 Modelado con variables 0-1 (binarias)

En esta sección se muestra cómo pueden utilizarse las variables 0-1 para modelar diversas situaciones.
Por lo general, a una variable 0-1 se le asigna un valor de 0 si determinada condición no se cumple, y un
valor de 1 si se cumple tal condición. Otro nombre para una variable 0-1 es variable binaria. Un problema
común de este tipo, el problema de asignación, implica decidir qué individuos se asignan a un conjunto de
puestos de trabajo. (Esto se estudió en el capítulo 9). En este problema de asignación, un valor de 1 indica
que una persona es asignada a un trabajo específico y un valor de 0 establece que no se hace la asignación.
Aquí se presentarán otros tipos de problemas 0-1 para demostrar la amplia aplicabilidad de esta técnica de
modelado.
Ejemplo de presupuesto de capital

Una decisión común al presupuestar el capital implica seleccionar entre un conjunto de posibles proyectos,
cuando las limitaciones presupuestales hacen imposible seleccionarlos todos. Es posible definir una varia-
ble 0-1 para cada uno de los proyectos. Esto se verá en el siguiente ejemplo.
La compañía Quemo Chemical está considerando tres posibles proyectos de mejora para su planta:
un nuevo convertidor catalítico, un nuevo programa de software para el control de las operaciones y am-
pliar la bodega utilizada para almacenamiento. Los requisitos de capital y las limitaciones presupuestarias
en los próximos 2 años impiden que la empresa realice todos los proyectos en este momento. En la tabla
10.2 se proporcionan el valor presente neto (el valor futuro del proyecto descontado de nuevo a la actua-
lidad) de cada uno de los proyectos, los requisitos de capital y los fondos disponibles para los próximos
2 años.
Para formular esto como un problema de programación entera, identificamos la función objetivo y las
restricciones de la siguiente manera:
Maximizar el valor presente neto de los proyectos emprendidos

sujeto a Total de fondos usados en el año 1 … $20,000
Total de fondos usados en el año 2 … $16,000

10.3 MODELADO CON VARIABLES 0-1 (BINARIAS) 371
TABLA 10.2
PROYECTO VALOR PRESENTE NETO AÑO 1 AÑO 2
Información de la
compañía Quemo Convertidor catalítico $25,000 $8,000 $7,000
Chemical Software $18,000 $6,000 $4,000
Expansión del almacén $32,000 $12,000 $8,000
Fondos disponibles $20,000 $16,000
Definimos las variables de decisión como

1 si se financia el proyecto del convertidor catalítico
X1 = b
0 en caso contrario
1 si se financia el proyecto del software
X2 = b
0 en caso contrario
1 si se financia el proyecto de la expansión del almacén
X3 = b
0 en caso contrario
El enunciado matemático del problema de programación entera se convierte en
Maximizar el VPN = 25,000X1 + 18,000X2 + 32,000X3

sujeto a 8,000X1 + 6,000X2 + 12,000X3 … 20,000
7,000X1 + 4,000X2 + 8,000X3 … 16,000
X1, X2, X3 = 0 o 1
El programa 10.5 proporciona la solución de Solver en Excel 2013. Usted debe especificar que las va-
riables son binarias (0-1) al seleccionar bin en la ventana Add Constraint. La solución óptima es X1 = 1,
PROGRAMA 10.5
Solución de Solver
problema de Quemo
Chemical

Celda objetivo: E5
Para: Max Copiar E5 a E8:E9
E8:E9 <= G8:G9
B4:D4 = binario

X2 = 0, X3 = 1 con un valor para la función objetivo de 57,000. Esto significa que Quemo debería finan-
ciar los proyectos del convertidor catalítico y de la ampliación del almacén, pero no el proyecto del nuevo
software. El valor presente neto de estas inversiones será de $57,000.
Limitación en el número de alternativas seleccionadas

Un uso común de las variables 0-1 consiste en limitar el número de proyectos o elementos que se se-
leccionan de un grupo. Suponga que en el ejemplo de la compañía Quemo Chemical, la empresa tiene
la obligación de seleccionar como máximo dos de los tres proyectos, independientemente de los fondos
disponibles. Esto podría modelarse mediante la adición de la siguiente restricción al problema:
X1 + X2 + X3 … 2
Si deseamos forzar la selección de exactamente dos de los tres proyectos para ser financiados, se debería
usar la siguiente restricción:
X1 + X 2 + X 3 = 2
Esto obliga a que exactamente dos de las variables tengan valores de 1, mientras que la otra variable deberá
tener un valor de 0.
Selecciones dependientes
En ocasiones, la selección de un proyecto depende de alguna manera de la selección de otro proyecto. Esta
situación puede modelarse mediante el uso de variables 0-1. Ahora supongamos, en el problema de Quemo
Chemicals, que el nuevo convertidor catalítico podría comprarse sólo si también se adquiriera el software.
Lo anterior podría condicionarse mediante la siguiente restricción:
X1 … X2
o, de manera equivalente,
X1 - X2 … 0
Por lo tanto, si el software no se compra, el valor de X2 es 0, y el valor de X1 también debe ser 0 debido
a esta restricción. Sin embargo, si el software se compra 1X2 = 12, entonces es posible que el convertidor
catalítico también pudiera comprarse 1X1 = 12, aunque esto no se requiere.
Si quisiéramos que los proyectos del convertidor catalítico y del software se seleccionaran ambos o no
se seleccionara ninguno de los dos, deberíamos usar la siguiente restricción:
X1 = X2
o, de manera equivalente,
X1 - X 2 = 0
Por lo tanto, si cualquiera de estas variables es igual a 0, la otra también debe ser 0. Si cualquiera de ellas
es igual a 1, la otra también debe ser 1.
Ejemplo de un problema de cargo fijo

Con frecuencia, las empresas se enfrentan a decisiones que implican un cargo fijo que afectará el costo de
las operaciones futuras. La construcción de una nueva fábrica o involucrarse en un contrato de arrenda-
miento a largo plazo sobre una instalación existente implicaría un costo fijo que podría variar dependiendo
del tamaño de las instalaciones y de su ubicación. Una vez que se construye una fábrica, los costos va-
riables de producción se verán afectados por el costo de la mano de obra en la ciudad específica a la que
pertenece. Un ejemplo es el siguiente.
Sitka Manufacturing planea construir al menos una nueva planta, y se están considerando tres ciuda-
des: Baytown, Texas; Lake Charles, Luisiana, y Mobile, Alabama. Una vez que la planta o las plantas se
hayan construido, la empresa desea tener la capacidad suficiente para producir al menos 38,000 unidades
cada año. Los costos asociados con las posibles ubicaciones se dan en la tabla 10.3.
Al modelar esto como un programa entero, la función objetivo es minimizar el total de los costos fijos
y el costo variable. Las restricciones son: 1. la capacidad de producción total es de al menos 38,000; 2. el
número de unidades producidas en la planta de Baytown es 0, si la planta no se construye, y no es de más
de 21,000 si se construye la planta; 3. el número de unidades producidas en la planta de Lake Charles es 0,
si la planta no se construye, y no es de más de 20,000 si se construye la planta; 4. el número de unidades

10.3 MODELADO CON VARIABLES 0-1 (BINARIAS) 373
TABLA 10.3
COSTO FIJO COSTO VARIABLE CAPACIDAD
Costos fijos y variables SITIO ANUAL POR UNIDAD ANUAL
para Sitka Manufacturing
Baytown, TX $340,000 $32 21,000
Lake Charles, LA $270,000 $33 20,000
Mobile, AL $290,000 $30 19,000
producidas en la planta de Mobile es 0 si la planta no se construye, y no es de más de 19,000 si se cons-

truye la planta.
Entonces, definimos las variables de decisión como
1 si la fábrica se construye en Baytown
X1 = b
0 en caso contrario
1 si la fábrica se construye en Lake Charles
X2 = b
El número de unidades producidas 0 en caso contrario
debe ser 0 si la planta no se
1 si la fábrica se construye en Mobile
construye. X2 = b
0 en caso contrario
X4 = número de unidades producidas en la planta de Baytown
X5 = número de unidades producidas en la planta de Lake Charles
X6 = número de unidades producidas en la planta de Mobile
La formulación del problema de programación entera se convierte en
Minimizar el costo = 340,000X1 + 270,000X2 + 290,000X3 + 32X4 + 33X5 + 30X6
sujeto a X4 + X5 + X6 Ú 38,000
X4 … 21,000X1
X5 … 20,000X2
X6 … 19,000X3
X1, X2, X3 = 0 o 1; X4, X5, X6 Ú 0 y entero
PROGRAMA 10.6
Solución de Solver
en Excel 2013 para
el problema de Sitka
Manufacturing

Celda objetivo: H5
H8 >= J8
H9:H11 <= J9:J11
B4:D4 = binario
E4:G4 = entero

TABLA 10.4
NOMBRE DE RENDIMIENTO ANUAL COSTO DEL BLOQUE DE
Oportunidades de ACCIÓN LA EMPRESA ESPERADO (MILES DE $) ACCIONES (MILES DE $)
inversión en petróleo
1 Trans-Texas Oil 50 480
2 British Petroleum 80 540
3 Dutch Shell 90 680
4 Houston Drilling 120 1,000
5 Texas Petroleum 110 700
6 San Diego Oil 40 510
7 California Petro 75 900
Observe que si X1 = 0 (es decir, la planta de Baytown no se construye), entonces X4 (número de unidades
producidas en la planta de Baytown) también debe ser igual a cero debido a la segunda restricción. Si
X1 = 1, entonces X4 puede ser cualquier valor entero menor o igual al límite de 21,000. La tercera y cuarta
restricciones se utilizan de manera similar para garantizar que no se produzcan unidades en los demás si-
tios, si las plantas no se construyen. La solución óptima, que se muestra en el programa 10.6, es
X1 = 0, X2 = 1, X3 = 1, X4 = 0, X5 = 19,000, X6 = 19,000
Valor de la función objetivo = 1,757,000
Esto significa que se construirán fábricas en Lake Charles y Mobile. Cada una de ellas producirá 19,000
unidades al año, y el costo anual total será de $1,757,000.
Ejemplo de inversiones financieras

Se presenta un ejemplo de análisis Existen numerosas aplicaciones financieras con variables 0-1. Un tipo muy común de problema implica
de un portafolios de acciones con una selección entre un grupo de oportunidades de inversión. El siguiente ejemplo ilustra esta aplicación.
programación 0-1. La empresa de inversiones con sede en Houston, Simkin, Simkin y Steinberg, se especializa en
recomendar portafolios de acciones petroleras a clientes acaudalados. Uno de estos clientes ha estable-
cido las siguientes especificaciones: 1. en el portafolios debe haber al menos dos empresas petroleras
de Texas, 2. no puede hacerse más de una inversión en compañías petroleras extranjeras, 3. es necesario
comprar una de las dos acciones petroleras de California. El cliente tiene hasta $3 millones disponibles
para inversiones e insiste en comprar grandes bloques de acciones de cada empresa en la que invertirá.
La tabla 10.4 describe varias acciones que Simkin está considerando. El objetivo es maximizar el rendi-
miento anual de la inversión sujeto a las restricciones.
Para formular esto como un problema de programación entera 0-1, Simkin establece que Xi es una
variable entera 0-1, donde Xi = 1 si se compra la acción i y Xi = 0 si la acción i no se compra:
Maximizar el rendimiento = 50X1 + 80X2 + 90X3 + 120X4 + 110X5 + 40X6 + 75X7

sujeto a X1 + X4 + X5 Ú 2 (restricción de Texas)
X2 + X3 … 1 (restricción de petróleo extranjero)
X6 + X7 = 1 (restricción de California)
480X1 + 540X2 + 680X3 + 1,000X4 + 700X5 + 510X6 + 900X7 … 3,000
(límite de $3 millones)
Xi = 0 o 1 para toda i
La solución obtenida con Solver en Excel 2013 se muestra en el programa 10.7
10.4 Programación por metas

Las empresas suelen tener más En el entorno empresarial actual, la maximización de la utilidad o la minimización de los costos no siem-
de una meta. pre son los únicos objetivos que establece una empresa. Con frecuencia, la maximización de la utilidad
total es sólo uno de varios objetivos, incluyendo objetivos tan contradictorios como la maximización de
la participación en el mercado, mantener alto el nivel de empleo, proporcionar administración ecológica
de calidad, minimizar el nivel de ruido en el vecindario y cumplir muchos otros objetivos no económicos.

10.4 PROGRAMACIÓN POR METAS 375
PROGRAMA 10.7
Solución de Solver
problema de inversiones
financieras

Celda objetivo: I5
Celdas variables: B4:H4
Para: Max Copiar I5 a I7:I10
I7 >= K7
I8 <= K8
I9 = K9
I10 <= K10
B4:H4 = binario
El inconveniente de las técnicas de programación matemática, como en la programación entera y la

programación lineal, es que su función objetivo se mide solamente en una dimensión. No es posible que
la programación lineal tenga múltiples objetivos, a menos que se midan en las mismas unidades (por
La programación por metas permite ejemplo, en dólares), una situación altamente inusual. Una técnica importante que se ha desarrollado para
múltiples objetivos. complementar la PL se llama programación por metas.
Continental Airlines ahorra $40 millones

EN ACCIÓN usando CrewSolver
A finales de 2000 y a lo largo de 2001, Continental y otras aero-

L as aerolíneas utilizan procesos vanguardistas y herramientas au-
tomatizadas para desarrollar programas que maximicen la utilidad.
líneas experimentaron cuatro interrupciones importantes. Las dos pri-
meras se debieron a las severas tormentas de nieve a inicios de enero
Estos programas asignan aviones a rutas específicas y, luego, progra- y marzo de 2001. Las inundaciones en Houston causadas por la tor-
man a los pilotos y las cuadrillas de asistentes de vuelo a cada uno menta tropical Allison cerraron un centro importante en junio de 2001
de sus aviones. Cuando se producen interrupciones, es frecuente que y los aviones quedaron en lugares donde no estaban programados. Los
los aviones y el personal queden en posiciones donde no son capaces ataques terroristas del 11 de septiembre de 2001 dejaron aviones y tri-
de cumplir con las tareas del día siguiente. Las aerolíneas enfrentan pulaciones esparcidos e interrumpieron por completo los horarios de
interrupciones en sus programas por una variedad de razones ines- vuelo. El sistema CrewSolver ofrece una recuperación más rápida y más
peradas, como el mal tiempo, los problemas mecánicos y la falta de eficiente de lo que hubiera sido posible en el pasado. Se estima que el
disponibilidad de la tripulación. sistema CrewSolver ahorró aproximadamente $40 millones durante los
En 1993 Continental Airlines inició un esfuerzo por desarrollar un grandes trastornos del año 2001. Este sistema también ahorra dinero
sistema que hiciera frente a las interrupciones en tiempo real. Trabajando adicional y facilita la recuperación cuando hay interrupciones de menor
con CALEB Technologies, Continental desarrolló los sistemas CrewSolver importancia debido a problemas meteorológicos locales en otros mo-
y OptSolver (basados en modelos de programación entera 0-1) con la mentos a lo largo del año.
finalidad de producir soluciones integrales de recuperación, tanto para
los aviones como para las tripulaciones. Estas soluciones mantienen los
ingresos y promueven la satisfacción del cliente mediante la reducción
de cancelaciones de vuelos y la minimización de los retrasos. Estas solu- Fuente: Basado en Gang Yu, Michael Arguello, Gao Song, Sandra M. Mc-
ciones de recuperación de tripulaciones son de bajo costo, y mantienen Cowan y Anna White. “A New Era for Crew Recovery at Continental Airlines”,
una alta calidad de vida para los pilotos y los asistentes de vuelo. Interfaces 33 (enero-febrero de 2003): 5-22.

La programación por metas es capaz de manejar problemas de decisión que implican múltiples obje-
tivos. Esta técnica inició con el trabajo de Charnes y Cooper en 1961, y fue refinada y ampliada por Lee
e Ignizio en las décadas de 1970 y 1980 (vea la bibliografía).
En las situaciones típicas de toma de decisiones, las metas establecidas por la administración sólo
pueden lograrse a expensas de otros objetivos. Es necesario establecer una jerarquía de importancia entre
La programación por metas estos objetivos, de manera que aquellos con menor prioridad se aborden sólo después de haber satisfecho
“satisfice”, a diferencia de la PL, los más prioritarios. Dado que no siempre es posible lograr todos los objetivos en la medida de lo que
que trata de “optimizar”. Esto desea el tomador de decisiones, la programación por metas intenta alcanzar un nivel satisfactorio de múl-
significa que se acerca lo más tiples objetivos. Esto, desde luego, se diferencia de la PL, que trata de encontrar el mejor resultado posible
posible al logro de las metas. para un solo objetivo. El premio Nobel Herbert A. Simon, de la Carnegie-Mellon University, señala que los
administradores modernos quizá no sean capaces de optimizar, sino que posiblemente sólo deban “satisfa-
cer” o “acercarse lo más posible” al logro de sus metas. Lo anterior se presenta en modelos como los de la
programación por metas.
La función objetivo es la principal ¿En qué se diferencia específicamente la programación por metas de la PL? La función objetivo es la
diferencia entre la programación principal diferencia. En vez de tratar de maximizar o minimizar la función objetivo de manera directa, en
por metas y la PL. la programación por metas se trata de minimizar las desviaciones entre los objetivos establecidos y lo que
realmente se puede lograr dentro de las restricciones dadas. En el enfoque símplex de PL, tales desviacio-
En la programación por metas nes se llaman variables de holgura y de excedencia. Debido a que el coeficiente para cada una de ellas en
deseamos minimizar las variables la función objetivo es cero, las variables de holgura y de excedencia no tienen un impacto en la solución
de desviación, que son los únicos óptima. En la programación por metas, por lo general, las variables de desviación son las únicas variables
términos en la función objetivo. en la función objetivo, y el objetivo consiste en minimizar el total de estas variables de desviación.
Después de formular el modelo de programación por metas, el algoritmo de cálculo es casi igual al de
un problema de minimización resuelto por el método símplex.
Ejemplo de programación por metas: una revisión

de la compañía Harrison Electric
Para ilustrar la formulación de un problema de programación por metas, regresaremos al caso de la com-
pañía Harrison Electric, presentado anteriormente en este capítulo como un problema de programación
entera. Como usted recuerda, la formulación de PL para este problema es
sujeta a 2 X1 + 3X2 … 12 (horas de cableado)
6X1 + 5X2 … 30 (horas de ensamble)
X1, X2 Ú 0
donde
Vimos que si la gerencia de Harrison tenía un solo objetivo, digamos la utilidad, la PL podría usarse
para encontrar la solución óptima. Pero supongamos que la compañía se está mudando a una nueva
ubicación en un periodo de producción particular y siente que la maximización de la utilidad no es un
objetivo realista. La gerencia establece un nivel de utilidad, que sería satisfactorio durante el periodo de
ajuste, de $30. Ahora tenemos un problema de programación por metas en el cual deseamos encontrar
la mezcla de producción que logra este objetivo lo más fielmente posible, dadas las restricciones del
tiempo de producción. Este simple caso proporcionará un buen punto de partida para enfrentar progra-
mas por metas más complicados.
Primero definimos dos variables de desviación:
d1- = subcumplimiento de la meta de utilidad
d1+ = sobrecumplimiento de la meta de utilidad
Ahora podemos plantear el problema Harrison Electric como un modelo de programación para una sola
meta:
Minimizar el subcumplimiento o sobrecumplimiento de la meta de utilidad = d1 - + d1 +

sujeto a $7X1 + $6X2 + d1 - - d1 + = $30 (restricción de la meta de utilidad)
2X1 + 3X2 … 12 (restricción de las horas de cableado)
6X1 + 5X2 … 30 (restricción de las horas de ensamble)
X1, X2, d1 -, d1 + Ú 0

10.4 PROGRAMACIÓN POR METAS 377
Observe que la primera restricción establece que la utilidad obtenida, $7X1 + $6X2, más cualquier sub-
cumplimiento de la utilidad menos cualquier sobrecumplimiento de la utilidad debe ser igual a la meta de
$30. Por ejemplo, si se hubieran obtenido $33 de utilidad, entonces X1 = 3 candelabros y X2 = 2 ventila-
dores de techo. Esto supera $30 por $3, por lo que d1+ debe ser igual a 3. Dado que la meta de utilidad fue
superada, Harrison no subcumple y resulta claro que d1- es igual a cero. Este problema ya está listo para
resolverse mediante un algoritmo de programación por metas.
Las variables de desviación son cero Si se logra exactamente el objetivo de utilidad de $30, vemos que d1+ y d1- son iguales a cero. La
si la meta se obtiene exactamente. función objetivo también se minimizará en cero. Si la administración de Harrison solamente se preocupara
por el subcumplimiento de la meta, ¿cómo cambiaría la función objetivo? Sería como sigue: minimizar el
subcumplimiento = d1-. Ésta también es una meta razonable porque probablemente a la compañía no le
molestaría un sobrecumplimiento de la meta.
En general, una vez que se han definido todos los objetivos y las restricciones de un problema, la
gerencia debería analizar cada meta para saber si su subcumplimiento o sobrecumplimiento es una situa-
ción aceptable. Si el sobrecumplimiento es aceptable, la variable adecuada d + puede eliminarse de la
función objetivo. Si el subcumplimiento está bien, la variable d - debería suprimirse. Si la gerencia bus-
ca alcanzar una meta de manera exacta, tanto d - como d + deben aparecer en la función objetivo.
Extensión a múltiples metas igualmente importantes

Necesitamos una clara definición Veamos ahora la situación donde la gerencia de Harrison quiere lograr varios objetivos, cada uno con la
de las variables de desviación, misma prioridad.
como éstas.
Meta 1: producir una utilidad de $30 si es posible durante el periodo de producción
Meta 2: utilizar plenamente el tiempo disponible del departamento de cableado
Meta 3: evitar las horas extra en el departamento de ensamble
Meta 4: cumplir con un requisito de contrato para producir al menos siete ventiladores de techo
Las variables de desviación pueden definirse de la siguiente manera:
d1- = subcumplimiento de la meta de utilidad

d1+ = sobrecumplimiento de la meta de utilidad
d2- = tiempo inactivo en el departamento de cableado (subutilización)
d2+ = horas extra en el departamento de cableado (sobreutilización)
d3- = tiempo inactivo en el departamento de ensamble (subutilización)
d3+ = horas extra en el departamento de ensamble (sobreutilización)
d4- = subcumplimiento de la meta de los ventiladores de techo
d4+ = sobrecumplimiento de la meta de los ventiladores de techo
A la gerencia no le preocupa que exista sobrecumplimiento de la meta de utilidad, horas extra en el de-
partamento de cableado, tiempo inactivo en el departamento de ensamble o la producción de más de siete
ventiladores de techo: por consiguiente, d1+, d2+, d3- y d4+ pueden omitirse de la función objetivo. La nueva
función objetivo y las nuevas restricciones son
Minimizar la desviación total = d1 - + d2 - + d3 + + d4 -

sujeta a 7X1 + 6X2 + d1 - - d1 + = 30 (restricción de utilidad)
2X1 + 3X2 + d2 - - d2 + = 12 (restricción de las horas de cableado)
6X1 + 5X2 + d3 - - d3 + = 30 (restricción del ensamble)
X2 + d4 - - d4 + = 7 (restricción de los ventiladores de techo)
Todas las variables Xi, di Ú 0.
Clasificación de metas con niveles de prioridad

En la mayoría de los problemas de programación por metas, una meta será más importante que otra, la cual
Una idea clave en la programación
por metas es que una meta es más será a su vez más importante que una tercera. La idea es que las metas pueden clasificarse con respecto
a su importancia a los ojos de la gerencia. Las metas de orden inferior se consideran sólo después de que
se hayan cumplido las metas de orden superior. Se asignan prioridades 1Pi s2 a cada variable de desviación
importante que otra. Se asignan
prioridades a cada variable de
desviación. —donde P1 es la meta más importante, P2 la siguiente más importante, después P3, y así sucesivamente.

Digamos que Harrison Electric establece las prioridades que se muestran en la siguiente tabla:
META PRIORIDAD
Alcanzar una utilidad por encima de $30 tanto como sea posible P1
Uso total de las horas disponibles del departamento de cableado P2
Evitar las horas extra en el departamento de ensamble P3
Producir al menos siete ventiladores de techo P4
La prioridad 1 es infinitamente más Esto significa, en efecto, que la prioridad de alcanzar la meta de utilidad 1P12 es infinitamente más im-
importante que la prioridad 2, que es portante que la meta del cableado 1P22 que, a su vez, es infinitamente más importante que la meta de en-
infinitamente más importante que la samble 1P32, la cual es infinitamente más importante que la producción de por lo menos siete ventiladores
siguiente meta, y así sucesivamente. de techo 1P42.
Con la clasificación de las metas consideradas, la nueva función objetivo se convierte en
Minimizar la desviación total = P1d1- + P2d2- + P3d3+ + P4d4-
Las restricciones siguen siendo idénticas a las anteriores.
Programación por metas ponderadas

Cuando se usan niveles de prioridad en la programación por metas, cualquier meta en el nivel de prioridad
superior es infinitamente más importante que las metas en los niveles de menor prioridad. Sin embargo,
puede haber momentos en los cuales una de las metas es más importante que otra, pero puede ser sólo dos
o tres veces más importante. En vez de colocar estos objetivos en diferentes niveles de prioridad, se colo-
carían en el mismo nivel de prioridad, pero con diferentes pesos. Cuando se utiliza la programación por
metas ponderadas, los coeficientes de la función objetivo para las variables de desviación incluyen tanto el
nivel de prioridad como el peso. Si todas las metas están en el mismo nivel de prioridad, entonces, resulta
suficiente usar simplemente los pesos como coeficientes de la función objetivo.
Considere el ejemplo de Harrison Electric, donde la meta menos importante es la meta 4 (producir
por lo menos siete ventiladores de techo). Suponga que Harrison decide agregar otra meta de producir al
menos dos candelabros. El objetivo de siete ventiladores de techo se considera dos veces más importante
que este objetivo, por lo que ambos deberían estar en el mismo nivel de prioridad. A la meta de 2 cande-
labros se le asigna un peso de 1, mientras que a la meta de los siete ventiladores se le dará un peso de 2.
Ambos estarán en el nivel de prioridad 4. Se agregaría una nueva restricción (meta):
X1 + d5- - d5+ = 2 1candelabros2
Uso de la programación por metas para la asignación

EN ACCIÓN de medicamentos contra la tuberculosis en Manila
del modelo era cumplir con la meta de una tasa de curación de 85%
L a asignación de recursos es fundamental cuando se aplica a la
industria de la salud. Cuando no se dispone del suministro correcto
(que es equivalente a minimizar el bajo desempeño en la asignación de
los medicamentos contra la tuberculosis a los 45 centros). Cuatro res-
ni de la cantidad adecuada para satisfacer la demanda de los pacien- tricciones de metas consideraban las interrelaciones entre las variables
tes, se presenta una situación de vida o muerte. Éste fue el caso que del sistema de distribución. La meta 1 era satisfacer el requisito de me-
enfrentó el Centro de Salud de Manila (Filipinas), cuyo suministro de dicamentos (un régimen de 6 meses) para cada paciente. La meta 2 era
medicamentos para los pacientes que sufrían de la categoría I de tu- abastecer cada centro de salud con la asignación adecuada. La meta 3
berculosis (TB) no se asignaba eficientemente entre sus 45 centros re- era satisfacer la tasa de curación de 85%. La meta 4 era satisfacer las
gionales de salud. Cuando el suministro de medicamentos para la TB necesidades de medicamentos en cada centro de salud.
no llega a tiempo a los pacientes, la enfermedad empeora y puede El modelo de programación por metas cumplió exitosamente
ocasionar la muerte. Sólo 74% de los pacientes con tuberculosis se con todas estas metas y elevó la tasa de curación de la TB a 88%, una
estaba curando en Manila, 11% por debajo de la tasa de curación mejora de 13% en la asignación de medicamentos con respecto al mé-
objetivo de 85%, fijada por el gobierno. A diferencia de otras enfer- todo de distribución anterior. Esto significó la salvación de 335 vidas
medades, la TB sólo puede tratarse con cuatro medicamentos y no se al año gracias al uso racional de la programación por metas.
puede curar con fármacos alternativos.
Los investigadores del Instituto de Tecnología de Mapka propu- Fuente: Basado en G. J. C. Esmeria. “An Application of Goal Programming in
sieron crear un modelo, utilizando la programación por metas, para the Allocation of Anti-TB Drugs in Rural Health Centers in the Philippines”,
optimizar la asignación de recursos al tratamiento de la tuberculosis, Proceedings of the 12th Annual Conference of the Production and Operations
teniendo en cuenta las restricciones de la oferta. La función objetivo Management Society (marzo de 2001), Orlando, FL: 50.

10.5 PROGRAMACIÓN NO LINEAL 379
PROGRAMA 10.8A
Análisis de programación
por metas de Harrison
Electric usando QM para
Windows: Entradas
PROGRAMA 10.8B
Pantalla resumen con las
soluciones al problema
de programación por
metas de Harrison
Electric, usando QM
para Windows
El nuevo valor de la función objetivo sería
Minimizar la desviación total = P1d1- + P2d2- + P3d3+ + P4 12d4- 2 + P4d5-
Observe que la meta de los ventiladores de techo tiene un peso de 2. El peso de la meta de los candelabros
es 1. Técnicamente todas las metas en los otros niveles de prioridad también reciben pesos de 1.
USO DE QM PARA WINDOWS PARA RESOLVER EL PROBLEMA DE HARRISON El módulo de pro-

gramación por metas de QM para Windows se ilustra en los programas 10.8A y 10.8B. Primero se muestra
la pantalla de entrada, en el programa de 10.8A. Advierta que en esta primera pantalla hay dos columnas
de nivel de prioridad para cada restricción. En este ejemplo, la prioridad para las desviaciones positivas
o negativas será cero porque la función objetivo no contiene ambos tipos de variables de desviación para
cualquiera de estas metas. Si un problema tuviera una meta con las dos variables de desviación en la fun-
ción objetivo, ambas columnas del nivel de prioridad para esta meta (restricción) podrían contener valores
distintos de cero. Además, el peso de cada variable de desviación contenida en la función objetivo aparece-
ría como 1. (Es 0 si la variable no aparece en la función objetivo). Si se utilizan pesos diferentes, éstos se
colocan en la columna de peso apropiada dentro de un nivel de prioridad.
En el programa 10.8B, se muestra la solución junto con un análisis de las desviaciones y el logro de
las metas. Se observa que las dos primeras restricciones tienen variables de desviación negativa iguales
a 0, lo cual indica la plena consecución de esas metas. De hecho, ambas variables positivas de desviación
tienen valores de 6, lo que indica un sobrecumplimiento de estas metas por 6 unidades cada una. La meta
(restricción) 3 tiene dos variables de desviación iguales a 0, lo cual indica el pleno cumplimiento de esa
meta; la meta 4, por su parte, tiene una variable de desviación igual a 1, lo que indica un subcumplimiento
de 1 unidad.
10.5 Programación no lineal

Las programaciones lineal, entera y por metas suponen que la función objetivo y las restricciones de
un problema son lineales. Eso significa que no contienen términos no lineales como X13, 1>X2, log X3
o 5X1X2. Sin embargo, en muchos de los problemas de programación matemática, la función objetivo
y/o una o más de las restricciones son no lineales.
A diferencia de los métodos de programación lineal, los procedimientos computacionales para la so-
lución de muchos problemas de programación no lineal (PNL) no siempre ofrecen una solución óptima.
En muchos problemas de PNL, una solución específica puede ser mejor que cualquier otro punto cercano,
pero tal vez no sea el mejor punto en general. Esto se llama un óptimo local, y la mejor solución global se
llama el óptimo global. Por lo tanto, para un problema particular, una técnica de solución puede indicar
que se ha encontrado una solución óptima, pero es sólo un óptimo local, por lo que es posible que haya un
óptimo global que sea mejor. Las matemáticas involucradas en la solución de estos problemas están más

allá del alcance de este texto. Para resolver los problemas no lineales que se presentan en esta sección,
usaremos Solver de Excel.
En esta sección, examinamos tres categorías de problemas de PNL e ilustramos la forma como se
utiliza Excel para buscar la solución a dichos problemas. En el problema resuelto 10-3, veremos cómo
la PNL en Excel puede ayudar a encontrar el mejor parámetro a utilizar en un modelo de pronóstico con
suavización exponencial.
Función objetivo no lineal y restricciones lineales

Aquí se presenta un ejemplo de una La compañía Great Western Appliance vende dos modelos de hornos tostadores, el microtostador 1X12 y el
función objetivo no lineal. horno tostador de autolimpieza 1X22. La compañía obtiene una utilidad de $28 por cada microtostador inde-
pendientemente de la cantidad vendida. Por otro lado, la utilidad para el modelo de autolimpieza aumenta
conforme se venden más unidades, debido a los gastos generales fijos. Las utilidades de este modelo se
expresan como 21X2 + 0.25X22.
Por lo tanto, la función objetivo de la empresa es no lineal:
Maximizar la utilidad = 28X1 + 21X2 + 0.25X22
La utilidad de Great Western está sujeta a dos restricciones lineales sobre la capacidad de producción
y el tiempo disponible del departamento de ventas:
X1 + X2 … 1,000 (unidades de capacidad de producción)
0.5X1 + 0.4X2 … 500 (horas de tiempo disponible de ventas)
X1, X2 Ú 0
La programación cuadrática Cuando una función objetivo contiene términos cuadráticos 1como 0.25X222 y las restricciones del pro-
contiene términos al cuadrado blema son lineales, se denomina un problema de programación cuadrática. En esta categoría se encuentra
en la función objetivo. una serie de problemas útiles en el campo de la selección del portafolios de inversión. Los programas cua-
dráticos se resuelven usando un método modificado del método símplex. Ese tipo de trabajo se encuentra
fuera del alcance de este libro, pero se puede encontrar en las fuentes listadas en la bibliografía.
La solución al problema de programación no lineal de Great Western Appliance se muestra en el
programa 10.9 y se encontró utilizando Solver en Excel 2013; hay dos características importantes en
esta hoja de cálculo que la hacen diferente a los ejemplos de programación lineal y entera anteriores.
En primer lugar, el método de solución utilizado en Solver para esto es GRG nonlineal, en vez de Sim-
plex LP. El segundo cambio implica la función objetivo y las celdas variables. Por consistencia, en el
programa 10.9 se muestran los valores para X2 (celda C4) y X22 (celda D7). Sin embargo, la celda D7 es
simplemente la celda C4 al cuadrado. Por lo tanto, cuando la celda C4 se modifica, la celda D7 cambia
de forma automática, y las celdas de variables especificadas en Solver son B4:C4, mientras que D7 no
está incluida.
Función objetivo no lineal y restricciones no lineales

Un ejemplo en el que el objetivo y La utilidad anual en un hospital de tamaño mediano (de 200 a 400 camas), propiedad de la corporación
las restricciones son no lineales. Hospicare, depende del número de pacientes médicos admitidos 1X12 y del número de pacientes quirúrgicos
admitidos 1X22. La función objetivo no lineal para Hospicare es
Maximizar la utilidad = $13X1 + $6X1X2 + $5X2 + $1>X2
Un ejemplo de restricciones La corporación identifica tres restricciones, dos de los cuales también son no lineales, que afectan las ope-
no lineales. raciones. Éstas son
2X1 2 + 4X2 … 90 (capacidad de enfermería, en miles de días de trabajo)
X1 + X2 3 … 75 (capacidad de rayos X, en miles)
8X1 - 2X2 … 61 (límite del presupuesto de marketing, en miles de $)
Solver de Excel es capaz de formular un problema de este tipo. La solución óptima se presenta en el pro-
grama de 10.10.

10.5 PROGRAMACIÓN NO LINEAL 381
PROGRAMA 10.9
Solución en Solver
de Excel 2013 para el
problema de PNL de
Great Western Appliance

Celda objetivo: E8
Para: Max
E11:E12 <= G11:G12
Método de solución: GRG Nonlineal
PROGRAMA 10.10
Solución en Excel 2013
para el problema de PNL
de Hospicare

Celda objetivo: H8
Para: Max Copiar H8 a H11:H13
H11:H13 <= J11:J13

Función objetivo lineal con restricciones no lineales

Thermlock Corp. produce en masa arandelas y juntas de caucho como las usadas para sellar las uniones en
los transbordadores espaciales de la NASA. Para ello, combina dos ingredientes: goma 1X12 y aceite 1X22. El
costo de la goma de calidad industrial utilizada es de $5 por libra y el costo del aceite de alta viscosidad es
de $7 por libra. Dos de las tres restricciones que enfrenta Thermlock son no lineales. La función objetivo y
las restricciones de la compañía son
Minimizar los costos = $5X1 + $7X2

sujetos a 3X1 + 0.25X1 2 + 4X2 + 0.3X2 2 Ú 125 (restricción de dureza)
13X1 + X1 3 Ú 80 (resistencia a la tensión)
0.7X1 + X2 Ú 17 (elasticidad)
Para resolver este programa no lineal, regresamos a Excel. La salida se presenta en el progra-
ma 10.11.
PROGRAMA 10.11
Solución de Excel 2013
al problema de PNL de
Thermlock

Celda objetivo: D5
Para: Min
Copiar G10 a G11:G12
G10:G12 >= I10:I12
Resumen
En este capítulo se abordan tres tipos especiales de problemas de y 3. los problemas 0-1, donde todas las soluciones son 0 o 1. Tam-
PL. Primero, la programación entera examina problemas de PL que bién se demostró la forma de utilizar variables 0-1 para modelar si-
no pueden tener respuestas fraccionarias. Se indicó también que hay tuaciones especiales, como los problemas de cargos fijos. Se utilizó
tres tipos de problemas en la programación entera: 1. los programas QM para Windows y Excel con la finalidad de ilustrar los enfoques
puros o completamente enteros; 2. los problemas mixtos, en los computacionales para estos problemas.
que algunas variables de solución no están obligadas a ser enteras,

La última parte del capítulo trata sobre la programación por me- especial de programación matemática. Se observa que Excel es un re-
tas. Esta extensión de la PL permite que los problemas tengan múlti- curso muy útil para la solución de modelos simples de PNL.
ples objetivos. Una vez más, el software como QM para Windows es Sin embargo, es importante recordar que la solución encontrada
una herramienta poderosa para resolver este tipo de problemas. Por para un problema de PNL podría ser un óptimo local y no un óptimo
último, se introduce el tema avanzado de la PNL como un problema global.
Glosario
Óptimo global La mejor solución general a un problema de pro- Programación por metas Una técnica de programación matemá-
gramación no lineal. tica que permite a los tomadores de decisiones definir y priori-
Óptimo local Una solución a un problema de programación no zar objetivos múltiples.
lineal que es mejor que cualquier punto cercano, pero que puede Satisfacción El proceso de llegar lo más cerca posible del logro
no ser el óptimo global. de un conjunto de objetivos.
Programación entera Una técnica de programación matemática Variables de desviación Términos que se minimizan en un
que genera soluciones enteras para problemas de programación problema de programación por metas. Como las variables de
lineal. holgura en PL, son reales. Son los únicos términos en la función
Programación entera 0-1 Problemas en los cuales todas las va- objetivo.
riables de decisión deben tener valores enteros de 0 o 1. Esto
también se llama variable binaria.
Programación no lineal Una categoría de las técnicas de progra-
mación matemática que permite que la función objetivo y/o las
restricciones sean no lineales.
Problemas resueltos

Considere el siguiente problema de programación entera 0-1:
Maximizar 50X1 + 45X2 + 48X3

sujeto a 19X1 + 27X2 + 34X3 … 80
22X1 + 13X2 + 12X3 … 40
X1, X2, X3 deben ser 0 o 1
Ahora reformule este problema con restricciones adicionales, de modo que no más de dos de las tres variables pue-
dan tomar un valor igual a 1 en la solución. Además, asegúrese de que si X1 = 1, entonces también X2 = 1. Luego,
resuelva el nuevo problema mediante el uso de Excel.
Solución
Excel puede manejar problemas completamente enteros, enteros mixtos y enteros 0-1. En el programa 10.12
se muestran dos nuevas restricciones para manejar el problema reformulado. Estas restricciones son
X1 + X2 + X3 … 2
y
X1 - X2 … 0
La solución óptima es X1 = 1, X2 = 1, X3 = 0, con un valor para la función objetivo de 95.

PROGRAMA 10.12
Solución en Excel 2013 al
problema resuelto 10-1
Entrada de parámetros y selecciones en Solver Key Formulas

Celda objetivo: E5
Para: Max Copiar E5 a E8:E11
E8:E11 <= G8:G11
B4:D4 = binario

Recuerde el problema de programación por metas de la compañía Harrison Electric que se vio en la sección 10.4.
Su formulación de PL fue

sujeta a 2X1 + 3X2 … 12 (horas de cableado)
6X1 + 5X2 … 30 (horas de ensamble)
X1, X2 Ú 0
donde

Reformule el problema de Harrison Electric como un modelo de programación por metas con los siguientes
objetivos:
Prioridad 1: Producir al menos 4 candelabros y 3 ventiladores de techo.

Prioridad 2: Limitar las horas extra en el departamento de ensamble a 10 horas y en el departamento de ca-
bleado a 6 horas.
Prioridad 3: Maximizar la utilidad.
Solución
Minimizar P1 1d1 - + d2 - 2 + P2 1d3 + + d4 + 2 + P3d5 -
sujeto a X1 + d1 - - d1 + = 4
f Prioridad 1
X2 + d2 - - d2 + = 3
2X1 + 3X2 + d3 - - d3 + = 18
f Prioridad 2
6X1 + 5X2 + d4 - - d4 + = 40
7X1 + 6X2 + d5 - - d5 + = 99,9996 Prioridad 3

En la restricción de la meta con prioridad 3, el 99,999 representa una elevada utilidad poco realista. Es sólo un
truco matemático para usarlo como una meta, con la finalidad de que podamos llegar lo más cerca posible de la
utilidad máxima.

En el capítulo 5, se presentó el método de suavización exponencial para las series de tiempo de pronósticos. En el
programa 10.13A se presenta un ejemplo de esto, con la constante de suavización 1a2 seleccionada con un valor de
0.1. Se supone que el pronóstico del periodo 1 es perfecto, por lo que el error y el valor absoluto del error son igua-
les a 0. La desviación absoluta media (MAD) es la medida de la precisión, y el error del primer periodo no se usa
en el cálculo, ya que simplemente se supone que es perfecto. La MAD es muy dependiente del valor de a. Utilice
Excel para encontrar el valor de a que minimice la MAD. Sugerencia: En vez de escribir toda la función objetivo,
basta con utilizar la celda ya desarrollada en Excel para la MAD. Recuerde que a debe estar entre 0 y 1.
Solución
La MAD es una función no lineal, por lo que es posible usar Solver de Excel para resolver esto. Sólo hay una res-
tricción: la constante de suavización, a, debe ser menor o igual que 1. Esto se puede introducir directamente en
la ventana de Add Constraint en Solver, con un 1 introducido en el lado derecho de la desigualdad. El programa
10.13B proporciona la información y la solución final para esto. El valor de a que minimiza la MAD es 0.3478, y
produce una MAD de 16.70.
Nota: Solver se puede utilizar de forma similar para encontrar los mejores pesos que deben usarse en un pronóstico
por promedios móviles ponderados.
PROGRAMA 10.13A Hoja de cálculo en Excel 2013 para el problema resuelto 10-3
Fórmulas clave
Copiar C6:E6 a C7:E11

PROGRAMA 10.13B
Hoja de cálculo en Excel
2013 con la solución al
problema resuelto 10-3
Entrada de parámetros y selecciones en Solver Key Formulas

Celda objetivo: E12
Celdas variables: B3
Para: Min
B3 <= 1
Método de solución: GRG nonlineal
Autoevaluación
1. Si todas las variables de decisión requieren soluciones enteras, 4. Una solución de programación entera nunca puede producir una
el problema es utilidad mayor que la solución de PL para el mismo problema.
a. un tipo de problema de programación entera pura. a. Verdadero
b. un tipo de problema del método símplex. b. Falso
c. un tipo de problema de programación entera mixta. 5. En la programación por metas, si se alcanzan todas las metas, el
d. un tipo de problema de Gorsky. valor de la función objetivo será siempre cero.
2. En un problema de programación entera mixta a. Verdadero
a. algunos enteros deben ser pares y otros deben ser impares. b. Falso
b. algunas variables de decisión deben requerir sólo resultados 6. El objetivo en un problema de programación por metas con un
enteros y algunas variables deben permitir resultados solo nivel de prioridad es maximizar la suma de las variables de
continuos. desviación.
c. se mezclan diferentes objetivos aunque a veces tienen priori- a. Verdadero
dades relativas establecidas. b. Falso
3. Un modelo que contiene una función objetivo lineal y 7. El Premio Nobel Herbert A. Simon de la Universidad Carnegie-
restricciones lineales, pero que requiere que una o más de las Mellon, dice que los administradores modernos siempre
variables de decisión tomen valores enteros en la solución final deberían optimizar, no satisfacer.
se llama a. Verdadero
a. un problema de programación entera. b. Falso
b. un problema de programación por metas. 8. El problema de cargos fijos se suele clasificar como
c. un problema de programación no lineal. a. un problema de programación por metas.
d. un problema de PL con objetivos múltiples. b. un problema entero 0-1.

c. un problema de programación cuadrática. c. es un algoritmo con la meta de obtener una solución más
d. un problema de asignación. rápida al problema de programación entera pura.
9. El problema de programación entera 0-1 d. es un algoritmo con la meta de obtener una solución más
a. requiere que las variables de decisión tengan valores entre 0 rápida al problema de programación entera mixta.
y 1. 11. La programación no lineal incluye problemas
b. requiere que todas las restricciones tengan coeficientes entre a. donde la función objetivo es lineal pero algunas restricciones
0 y 1. son no lineales.
c. requiere que las variables de decisión tengan coeficientes b. en los cuales las restricciones son lineales, pero la función
entre 0 y 1. objetivo es no lineal.
d. requiere que las variables de decisión sean iguales a 0 o 1. c. en los que tanto la función objetivo como todas las restric-
10. La programación por metas ciones son no lineales.
a. sólo requiere que usted sepa si la meta es maximizar la utili- d. solucionables mediante la programación cuadrática.
dad directa o minimizar los costos. e. todo lo anterior.
b. le permite tener múltiples metas.

Preguntas para análisis (b) Maximizar el costo = 25X1 + 30X2 + 8X1X2
10-1 Compare las semejanzas y diferencias entre la programa- sujeto a X1 Ú 8
ción lineal y la programación por metas. X1 + X2 Ú 12
10-2 Se desarrolló un problema de programación lineal y se en- 0.0005X1 - X2 = 11
contró la región factible. Si se agregara la restricción adi-
cional de que todas las variables del problema deben ser (c) Maximizar Z = P1d1 - + P2d2 + + P3 +
enteras, ¿cómo cambiaría el tamaño de la región factible? sujeta a X1 + X2 + d1 - - d1 + = 300
¿Cómo cambiaría el valor óptimo de la función objetivo?
X2 + d2 - - d2 + = 200
10-3 Mencione las ventajas y desventajas de resolver pro-
blemas de programación entera mediante (a) redondeo X1 + d3 - - d3 + = 100
y (b) numeración. (d) Maximizar la utilidad = 3X1 + 4X2
10-4 ¿Cuál es la diferencia entre los tres tipos de problemas sujeta a X1 2 - 5X2 Ú 8
de programación entera? ¿Cuál crees que sea más común
y por qué? 3X1 + 4X2 Ú 12
10-5 ¿Qué se entiende por “satisfacer” y por qué este término (e) Minimizar el costo = 18X1 + 5X2 + X2 2
se usa comúnmente junto con la programación por metas? sujeto a 4X1 - 3X2 Ú 8
10-6 ¿Qué son las variables de desviación? ¿En qué se diferen-
X1 + X2 Ú 18
cian de las variables de decisión de los problemas de PL
tradicionales? ¿Algunos de estos problemas son de programación
10-7 Si usted fuera el rector de la universidad a la que asiste cuadrática?
y utilizara programación por metas para ayudar en la
toma de decisiones, ¿cuáles podrían ser sus metas? ¿Qué Problemas*
tipos de restricciones incluiría en su modelo?
10-10 Elizabeth Bailey es la dueña y gerente general de Princess
10-8 ¿Qué significa clasificar las metas en la programación Brides, que proporciona el servicio de planeación de bo-
por metas? ¿Cómo afecta esto la solución del problema? das en el suroeste de Luisiana. Ella utiliza la publicidad
10-9 ¿Cuáles de los siguientes son problemas de PNL y por en radio para comercializar su negocio. Hay dos tipos de
qué? anuncios disponibles, los emitidos en horario estelar y los
(a) Maximizar la utilidad = 3X1 + 5X2 + 99X3 que se transmiten en otros horarios. Cada anuncio en hora-
sujeta a X1 Ú 10 rio estelar cuesta $390 y llega a 8,200 personas, mientras
que los anuncios en otros horarios cuestan $240 cada uno
X2 … 5
y llegan a 5,100 personas. Bailey ha presupuestado $1,800
X3 Ú 18 por semana para publicidad. Con base en los comentarios

de sus clientes, Bailey quiere tener al menos 2 anuncios verano de tres meses a Inglaterra y no quiere dejar ningún
en horario estelar y no más de 6 en el los demás horarios. cartel si terminar. Encuentre la solución entera que maxi-
(a) Formule esto como un programa lineal. miza su utilidad.
(b) Encuentre una solución entera buena u óptima para 10-13 Una aerolínea posee una flota de jets Boeing 737 con
el inciso (a) usando redondeo o mediante una suposi- cierta antigüedad. Está considerando una compra impor-
ción fundamentada de la respuesta. tante de hasta 17 nuevos aviones Boeing modelos 787 y
(c) Resuelva esto como un problema de programación 767. La decisión debe considerar varios factores de cos-
entera usando una computadora. tos y capacidad, incluyendo los siguientes: 1. la compañía
10-11 Un grupo de estudiantes universitarios está planeando un aérea puede financiar hasta $1.6 mil millones en compras;
viaje de campamento durante el próximo receso vacacio- 2. cada Boeing 787 cuesta $80 millones, y cada Boeing
nal. El grupo debe caminar varias millas por el bosque para 767 cuesta $110 millones; 3. al menos un tercio de los
llegar al campamento, y todo lo que se necesita para el aviones comprados deberían ser 787 por su largo alcance;
viaje debe empacarse en una mochila y llevarse al campa- 4. el presupuesto anual de mantenimiento no puede ser
mento. Una estudiante en particular, Tina Shawl, ha identi- mayor a $8 millones; 5. el costo anual de mantenimiento
ficado ocho artículos que le gustaría tener en el viaje, pero para cada 787 se estima en $800,000; y para cada 767,
el peso combinado es demasiado grande como para llevar- $500,000, y 6. cada 787 puede llevar hasta 125,000 pasaje-
los todos. Ha decidido evaluar la utilidad de cada elemento ros al año, mientras que cada 767 puede transportar hasta
en una escala del 1 al 100, siendo 100 el más benéfico. Los 81,000 pasajeros al año. Formule esto como un problema de
pesos de los artículos en libras y sus valores de utilidad se programación entera para maximizar la capacidad anual
dan a continuación. de transporte de pasajeros. ¿En qué categoría de problema de
programación entera se encuentra? Resuelva el problema.
ARTÍCULO 1 2 3 4 5 6 7 8 10-14 Inversiones Trapeze es una compañía de capital de riesgo
PESO 8 1 7 6 3 12 5 14 que está evaluando seis oportunidades de inversión di-
ferentes. No hay capital suficiente para invertir en todas
UTILIDAD 80 20 50 55 50 75 30 70 ellas, pero se seleccionará más de una. Se planea usar un
modelo de programación entera 0-1 para ayudar a deter-
Dado que la caminata hasta el campamento es larga, se ha minar cuál de las seis oportunidades debe elegirse. Las
establecido un límite de 35 libras como peso máximo total variables X1, X2, X3, X4, X5 y X6 representan las seis opcio-
de los artículos que se llevarán. nes. Para cada una de las siguientes situaciones, escriba la
(a) Formule esto como un problema de programación restricción (o las restricciones) que se utilizaría(n).
0-1 para maximizar la utilidad total de los objetos (a) Se deben seleccionar por lo menos 3 de estas
transportados. Resuelva este problema de la mochila opciones.
usando una computadora. (b) Debería llevarse a cabo la inversión 1 o bien la inver-
(b) Suponga que el artículo 3 es una batería extra, que se sión 4, pero no ambas.
puede usar con varios de los otros artículos. Tina ha (c) Si se selecciona la inversión 4, entonces la inversión
decidido que sólo llevará el artículo 5, un reproductor 6 también tiene que seleccionarse. Sin embargo, si la
de CD, si también lleva el artículo 3. Por otro lado, inversión 4 no se selecciona, aún es posible seleccio-
si lleva el artículo 3, quizá lleve o no el artículo 5. nar la inversión 6.
Modifique el problema para reflejar esta situación y (d) La inversión 5 no se puede seleccionar a menos que
resuélvalo. también se seleccionen tanto la inversión 2 como la 3.
10-12 Student Enterprizes vende dos tamaños de carteles para (e) La inversión 5 se debe seleccionar si también se
pared, uno grande de 3 por 4 pies y uno más pequeño de 2 seleccionan tanto la inversión 2 como la 3.
por 3 pies. La utilidad obtenida por la venta de cada cartel 10-15 Horizon Wireless, una compañía de telefonía celular, se
grande es de $3; cada cartel pequeño gana $2. La empresa, está expandiendo hacia una nueva era. Se requieren torres
aunque rentable, no es muy grande; consta de un estu- de retransmisión para proporcionar la cobertura de tele-
diante de arte, Jan Meising, de la Kentucky University. fonía celular a las diferentes zonas de la ciudad. Se so-
Debido a su horario de clases, Jan tiene las siguientes res- brepuso una cuadrícula sobre un mapa de la ciudad para
tricciones semanales: 1. puede vender hasta tres carteles determinar dónde deberían ubicarse las torres. La cuadrí-
grandes; 2. puede vender hasta cinco carteles pequeños; cula se compone de 8 zonas etiquetadas de la A a la H.
3. puede trabajar un máximo de 10 horas en los carteles Se han identificado seis posibles ubicaciones de las torres
durante la semana, para cada cartel grande requiere traba- (numeradas de 1 a 6), y cada ubicación podría servir a
jar 2 horas y para cada pequeño 1 hora. Con el semestre a varias zonas. La siguiente tabla indica las áreas atendidas
punto de terminar, Jan planea tomar unas vacaciones de por cada una de las torres.

UBICACIÓN La empresa cuenta con $80,000 para invertir en el año 1 y

DE LA $50,000 en el año 2.
TORRE 1 2 3 4 5 6 (a) Desarrolle un modelo de programación entera para
ZONAS DE maximizar el VPN en esta situación.
SERVICIO A, B, D B, C, G C, D, E, F E, F, H E, G, H A, D, F (b) Resuelva el problema del inciso (a) usando progra-
mas de computadora. ¿Cuál de los tres proyectos se
Formule esto como un modelo de programación 0-1 que llevaría a cabo si se debe maximizar el VPN? ¿Cuánto
minimice el número total de torres necesarias para cu- dinero se utilizaría cada año?
brir todas las zonas. Resuelva el problema usando una
computadora. 10-18 Consulte la situación de la inversión inmobiliaria del pro-
blema 10-17.
10-16 La compañía Innis Construction se especializa en la cons-
trucción de viviendas de precio moderado en Cincinnati, (a) Suponga que el centro comercial y los apartamentos
Ohio. Tom Innis ha identificado ocho posibles ubicaciones estarían en propiedades adyacentes, y que el centro
para la construcción de nuevas viviendas unifamiliares, comercial sólo se considerará si también se constru-
pero no puede costear casas en todos los sitios, porque yeran los apartamentos. Formule la restricción que
tiene sólo $300,000 para invertir en todos los proyectos. estipula esto.
La tabla adjunta muestra el costo de la construcción de vi- (b) Formule una restricción que obligue a realizar exacta-
viendas en cada zona y la utilidad esperada por la venta de mente dos de los tres proyectos.
cada casa. Tenga en cuenta que los costos de construcción
de viviendas difieren considerablemente debido a los cos- 10-19 Triangle Utilities suministra electricidad a tres ciudades.
tos de los lotes, la preparación del sitio y las diferencias en La compañía tiene cuatro generadores eléctricos que se
los modelos que se construirán. Considere también que no utilizan para realizar el suministro. El generador princi-
es posible construir una fracción de una casa. pal opera las 24 horas del día, con una parada ocasional
para el mantenimiento de rutina. Los otros generado-
COSTO DE LA res (1, 2 y 3) están disponibles para proporcionar ener-
CONSTRUCCIÓN EN UTILIDAD ESPERADA gía adicional cuando sea necesario. Se incurre en costo
UBICACIÓN ESTE SITIO ($) ($) de preparación cada vez que uno de estos generadores
Clifton 60,000 5,000 se inicia. Los costos de preparación son de $6,000 para
1, $5,000 para 2 y $4,000 para 3. Estos generadores se
Mt. Auburn 50,000 6,000
utilizan de la siguiente manera: un generador puede ini-
Mt. Adams 82,000 10,000 ciarse a las 6:00 a.m. y operar, ya sea 8 horas o 16 ho-
Amberly 103,000 12,000 ras; o puede iniciarse a las 2:00 p.m. y operar 8 horas
Norwood 50,000 8,000 (hasta las 10 p.m.). Todos los generadores, excepto el
generador principal, se apagan a las 10:00 p.m. Los pro-
Covington 41,000 3,000
nósticos indican la necesidad de 3,200 megawatts más
Roselawn 80,000 9,000 que los suministrados por el generador principal antes de
Eden Park 69,000 10,000 las 2:00 p.m., y esta necesidad sube a 5,700 megawatts
de 2 a 10:00 p.m. El generador 1 puede proporcionar
(a) Formule el problema de Innis usando programación hasta 2,400 megawatts, el generador 2 hasta 2,100 me-
entera 0-1. gawatts y el generador 3 hasta 3,300 megawatts. El costo
(b) Resuelva con QM para Windows o Excel. por megawatt utilizado por periodo de ocho horas es de
10-17 Un desarrollador de bienes raíces está considerando tres $8 para 1, $9 para 2 y $7 para 3.
posibles proyectos: un pequeño complejo de apartamen- (a) Formule esto como un problema de programación en-
tos, un pequeño centro comercial y un minialmacén. Cada tera para encontrar la forma menos costosa de satisfa-
proyecto requiere diferente financiamiento en los próximos cer las necesidades del área.
dos años, y el valor presente neto de las inversiones tam- (b) Resuelva usando programas de computadora.
bién varía. La siguiente tabla muestra las inversiones re-
queridas (en miles de $) y el valor presente neto (VPN) de 10-20 El jefe de campaña de un político que busca su reelec-
cada proyecto (también expresado en miles de $): ción a un cargo público está planeando la campaña. Ha
seleccionado cuatro maneras de hacer publicidad: anun-
INVERSIÓN cios en televisión, anuncios en radio, carteles y anuncios
en periódicos. Los costos de éstos son $900 por cada
VPN AÑO 1 AÑO 2
anuncio en televisión, $500 por cada anuncio en radio,
Apartamentos 18 40 30 $600 por un cartel durante un mes y $180 por cada anun-
Centro comercial 15 30 20 cio en periódico. La audiencia alcanzada por cada tipo de
publicidad ha sido estimada en 40,000 por cada anuncio
Minialmacén 14 20 20
en televisión, 32,000 por cada anuncio en radio, 34,000

por cada cartel y 17,000 por cada anuncio en perió- 10-24 Un fabricante de Oklahoma hace dos productos: teléfonos
dico. El presupuesto total de publicidad mensual es de de bocinas 1X12 y teléfonos de botón 1X22. Se ha formulado
$16,000. Se han establecido y clasificado los siguientes el siguiente modelo de programación por metas para en-
objetivos: contrar el número de cada artículo que debe producirse
1. El número de personas alcanzadas debería ser al cada día para cumplir con las metas de la empresa:
menos de 1.5 millones. Minimizar P1d1 - + P2d2 - + P3d3 + + P4d1 +
2. No se debe exceder el presupuesto total de publi-
cidad mensual.
sujeto a 2X1 + 4X2 + d1 - - d1 + = 80
3. En conjunto, el número de anuncios en TV o ra- 8X1 + 10X2 + d2 - - d2 + = 320
dio tiene que ser al menos de 6. 8X1 + 6X2 + d3 - - d3 + = 240
4. No se deben utilizar más de 10 anuncios de cual-
toda Xi, di Ú 0
quier tipo de publicidad.
(a) Formule esto como un problema de programación Encuentre la solución óptima mediante una computadora.
por metas.
(b) Resuelva utilizando software. 10-25 El mayor Bill Bligh, director del nuevo programa de for-
(c) ¿Cuáles metas se cumplen exactamente y cuáles no? mación agregado de 6 meses en la Universidad del Ejér-
cito, está preocupado por la forma en que los 20 oficiales
10-21 Geraldine Shawhan es presidenta de Shawhan File Works, que toman el curso usan su valioso tiempo mientras están
una empresa que fabrica dos tipos de gabinetes metálicos bajo su cargo. El mayor Bligh piensa que sus alumnos han
para archivar. La demanda de su modelo de dos cajones es estado utilizando las 168 horas disponibles por semana de
de hasta 600 gabinetes por semana; la demanda del mo- manera ineficiente. Bligh establece que
delo de tres cajones se limita a 400 gabinetes semanales.
Shawhan File Works tiene una capacidad de operación se- X1 = número de horas de sueño necesarias por semana
manal de 1,300 horas; el gabinete de dos cajones requiere X2 = número de horas personales (alimentos, higiene
1 hora de producción y el de tres cajones requiere 2 horas. personal, lavandería, etcétera)
Cada modelo de dos cajones vendido produce una utilidad
X3 = número de horas de clase y estudio
de $10, y la utilidad del modelo grande es de $15. Sha-
X4 = número de horas de tiempo social fuera de la base
whan ha establecido los siguientes objetivos en orden de
(citas, deportes, visitas familiares, etcétera).
importancia:
1. Lograr una utilidad semanal tan cercana a $11,000 Bligh cree que los estudiantes deberían estudiar 30 horas a
como sea posible. la semana para tener tiempo de absorber el material. Ésta
2. Evitar la subutilización de la capacidad produc- es su meta más importante. También cree que los estu-
tiva de la empresa. diantes necesitan dormir un máximo de 7 horas por noche,
3. Vender tantos gabinetes de dos y tres cajones en promedio; éste es el objetivo número 2. Piensa que el
como indica la demanda. tercer objetivo es tener al menos 20 horas semanales de
Formule esto como un problema de programación por tiempo social.
metas.
(a) Formule esto como un problema de programación
10-22 Resuelva el problema 10-21. ¿Existen metas no logradas por metas.
en esta solución? Explique su respuesta. (b) Resuelva el problema utilizando programas de
10-23 Hilliard Electronics produce chips para computadora es- computadora.
pecialmente codificados para cirugía láser en tamaños de
64 MB, 256 MB y 512 MB y (1 MB significa que el chip 10-26 Mick García es un planeador financiero certificado (PFC),
almacena 1 millón de bytes de información). Para produ- y un cliente le ha pedido que invierta $250,000. Este di-
cir un chip de 64 MB requiere 8 horas de mano de obra, nero puede ser colocado en acciones, bonos o en un fondo
un chip de 256 MB necesita 13 horas y un chip de 512 de inversión en bienes raíces. El rendimiento esperado de
MB requiere 16 horas. La capacidad de producción men- la inversión es de 13% para las acciones, 8% para los bo-
sual de Hilliard es de 1,200 horas. El Sr. Blank, gerente nos y 10% para los bienes raíces. Aunque el cliente de-
de ventas de la empresa, estima que las ventas máximas sea un rendimiento esperado muy alto, estaría satisfecho
mensuales de los chips de 64 MB, 256 MB y 512 MB son con un rendimiento esperado de 10%. Debido a considera-
40, 50 y 60, respectivamente. La empresa cuenta con los ciones de riesgo, se han establecido varios objetivos para
siguientes objetivos (ordenados del más importante al me- mantener el riesgo a un nivel aceptable. Uno de los obje-
nos importante): tivos es poner al menos 30% del dinero en bonos. Otro es
que la cantidad de dinero en el sector inmobiliario no de-
1. Cumplir una orden del mejor cliente por 30 chips
bería superar 50% de la inversión combinada en acciones
de 64 MB y 35 chips de 256 MB.
y bonos. Además de estos objetivos, hay una restricción
2. Proporcionar chips suficientes para por lo menos
absoluta. En ninguna circunstancia debe invertir más de
igualar las estimaciones de ventas establecidas
$150,000 en cualquier área.
por el Sr. Blank.
3. Evitar la subutilización de la capacidad de (a) Formule esto como un problema de programación
producción. por metas. Suponga que todos los objetivos son igual-
mente importantes.
Formule este problema mediante programación por metas.

(b) Utilice cualquier software disponible para resolver Resuelva esto usando Excel y determine cuánto se debe
este problema. ¿Cuánto dinero debería colocarse en invertir en cada una de las dos acciones. ¿Cuál es el rendi-
cada una de las opciones de inversión? ¿Cuál es la miento de este portafolios? ¿Cuál es su varianza?
rentabilidad total? ¿Cuáles objetivos no se cumplen?
10-31 Summertime Tees vende dos estilos muy populares de ca-
10-27 Hinkel Rotary Engine, Ltd., produce motores para auto- misetas bordadas en el sur de Florida: una camiseta sin
móvil de cuatro y seis cilindros. La utilidad de la empresa mangas y una camiseta regular. El costo de la camiseta
por cada motor de cuatro cilindros vendido durante su ci- sin mangas es de $6, y el costo de la camiseta regular
clo de producción trimestral es de $1,800 - $50X1, donde es de $8. La demanda de éstas es sensible al precio, y
X1 es el número vendido. Hinkel gana $2,400 - $70X2 por los datos históricos indican que las demandas semanales
cada uno de los motores más grandes que vende, donde X2 están dadas por
es el número de motores de seis cilindros vendidos. Hay
5,000 horas de tiempo de producción disponibles durante X1 = 500 - 12P1
cada ciclo de producción. Un motor de cuatro cilindros re- X2 = 400 - 15P2
quiere 100 horas de tiempo de producción, mientras que
los motores de seis cilindros necesitan 130 horas. Formule donde
el problema de planeación de la producción para Hinkel.
10-28 Motocross de Wisconsin produce dos modelos de motos X1 = demanda de la camiseta sin mangas
para nieve, la XJ6 y la XJ8. Para planear cualquier semana P1 = precio de la camiseta sin mangas
de producción, Motocross tiene 40 horas disponibles en
X2 = demanda de la camiseta regular
su bahía de pruebas finales. Cada XJ6 requiere 1 hora de
pruebas y cada XJ8 necesita 2 horas. Los ingresos (en P2 = precio de la camiseta regular
miles de $) para la empresa son no lineales y se expresan
(a) Desarrolle una ecuación para la utilidad total.
como (número de XJ6)(4 - 0.1 número de XJ6) + (nú-
(b) Use Excel para encontrar la solución óptima del si-
mero de XJ8)(5 - 0.2 número de XJ8).
guiente programa no lineal. Utilice la función de uti-
(a) Formule el problema. lidad desarrollada en el inciso (a).
(b) Resuélvalo usando Excel.
10-29 Durante la temporada de mayor actividad en el año, Maximizar la utilidad
Green-Gro Fertilizer produce dos tipos de fertilizantes. El sujeta a X1 = 500 - 12P1
tipo estándar (X ) es sólo fertilizante, y el otro tipo (Y ) es
X2 = 400 - 15P2
una combinación especial de fertilizante y herbicida. Se
ha desarrollado el siguiente modelo para determinar la P1 … 20
cantidad de cada tipo de fertilizante que debería produ- P2 … 25
cirse con la finalidad de maximizar la utilidad sujeta a una
X1, P1, X2, P2 Ú 0
restricción de la mano de obra:
Maximizar la utilidad = 12X - 0.04X 2 + 15Y - 0.06Y 2 10-32 El problema de programación entera de la siguiente pá-
sujeta a 2X + 4Y … 160 horas gina se desarrolló para ayudar al First National Bank a
decidir dónde, entre 10 sitios posibles, se deben ubicar
X, Y Ú 0 cuatro nuevas sucursales:
Encuentre la solución óptima a este problema. donde X i representa Winter Park, Maitland, Osceola,
10-30 Pat McCormack, un asesor financiero de Investors R Us, Centro, Sur de Orlando, Aeropuerto, Winter Garden,
está evaluando dos acciones en una industria específica. Apopka, Lake Mary, Cocoa Beach, con i igual de 1 a 10,
Desea minimizar la varianza de un portafolios compuesto respectivamente.
por estas dos acciones, pero quiere tener un rendimiento (a) ¿Dónde deberían estar ubicadas las cuatro nuevas su-
esperado de al menos 9%. Después de obtener los datos cursales, y cuál será el rendimiento esperado?
históricos sobre la varianza y los rendimientos, desarrolla (b) Si al menos una nueva sucursal se debe abrir en
el siguiente programa no lineal: Maitland o Osceola, ¿cambiará esto las respuestas?
Agregue la nueva restricción y resuelva otra vez.
Minimizar la varianza (c) El rendimiento esperado en Apopka se sobreestimó.
del portafolios = 0.16X 2 + 0.2XY + 0.09Y 2 El valor correcto es de $160,000 por año (es decir,
sujeta a X + Y = 1 (todos los fondos deben ser 160). Utilizando los supuestos originales [sin hacer
invertidos) caso a (b)], ¿cambiaría su respuesta al inciso (a)?
0.11X + 0.08Y Ú 0.09 (rendimiento de la inversión)
X, Y Ú 0 10-33 En el problema resuelto 10-3, se utilizó la programación
no lineal para encontrar el mejor valor para la constante
donde de suavización, a, en un problema de pronóstico con sua-
vización exponencial. Para saber hasta qué punto la MAD
X = proporción de dinero invertido en la acción 1 puede variar debido a la selección de la constante de sua-
Y = proporción de dinero invertido en la acción 2 vización, utilice Excel y los datos del programa 10.13A

para encontrar el valor de la constante de suavización que Note que los pesos suman 1, por lo que el pronóstico es
maximizaría la MAD. Compare esta MAD con la MAD simplemente.
Pronóstico para el siguiente periodo = w1 1Valor en el
mínima encontrada en el problema resuelto.
10-34 Utilizando los datos del problema resuelto 10-3, desarro- periodo actual) + w2 1Valor en el último periodo2.
lle una hoja de cálculo para un pronóstico con promedios
móviles ponderados de 2 periodos, usando pesos de 0.6 Encuentre los pesos para este promedio móvil ponderado
(w1) para el periodo más reciente y 0.4 (w2) para el otro de 2 periodos que minimizaría la MAD. (Sugerencia: Los
periodo. pesos deben sumar 1).
PE para el problema 10-32
Maximizar el rendimiento esperado = 120X1 + 100X2 + 110X3 + 140X4 + 155X5 + 128X6 + 145X7 + 190X8 + 170X9 + 150X10
sujeto a
20X1 + 30X2 + 20X3 + 25X4 + 30X5 + 30X6 + 25X7 + 20X8 + 25X9 + 30X10 … 110
15X1 + 5X2 + 20X3 + 20X4 + 5X5 + 5X6 + 10X7 + 20X8 + 5X9 + 20X10 … 50
X2 + X6 + X7 + X9 + X10 … 3
X2 + X3 + X5 + X8 + X9 Ú 2
X1 + X3 + X10 Ú 1
X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9 + X10 … 4
toda Xi = 0 o 1
Estudio de caso
Schank Marketing Research
Schank Marketing Research acaba de firmar contratos para realizar siente que es dos veces más importante asignar un gerente de proyecto
estudios a cuatro clientes. En la actualidad, tres gerentes de proyec- de inmediato a la tarea de Hines que asignárselo a General Foundry,
to están libres para ser asignados a estas tareas. Aunque todos son ca- un cliente nuevo. Schank quiere minimizar el costo total de todos los
paces de manejar cada trabajo, los tiempos y costos para completar proyectos teniendo en cuenta cada una de estas metas. Siente que todas
los estudios dependen de la experiencia y el conocimiento de cada ge- estas metas son importantes, pero si tuviera que clasificarlas, pondría
rente. Con base en su juicio, John Schank, el presidente, ha sido capaz en primer lugar su preocupación por la NASA, en segundo su preocu-
de establecer un costo para cada posible asignación. Estos costos, que pación por Gardener, en tercero su necesidad de mantener contenta a la
son realmente los salarios que cada gerente obtendría en cada tarea, se corporación Hines, en cuarto su promesa a Ruth, y en último lugar su
resumen en la tabla de la página siguiente. preocupación por minimizar todos los costos.
Schank es muy reticente a dejar de lado a la NASA, que ha sido un Cada gerente de proyecto puede manejar, a lo sumo, un cliente
cliente importante en el pasado. (La NASA ha contratado a la empresa nuevo.
para estudiar la actitud del público hacia las propuestas del Transbor-
dador Espacial y la Estación Espacial propuesta). Además, Schank ha
prometido proporcionar a Ruth un salario de por lo menos $3,000 en
su próximo proyecto. A partir de los contratos anteriores, Schank tam- 1. Si Schank no estuviera preocupado por las metas que no impli-
bién sabe que Gardener no se lleva bien con la gerencia de CBT Tele- can costos, ¿cómo formularía este problema de modo que pu-
vision, por lo que espera evitar su asignación a CBT. Por último, como diera resolverse cuantitativamente?
la corporación Hines también es un cliente antiguo y valioso, Schank 2. Desarrolle una formulación que incorpore las cinco metas.

ESTUDIO DE CASO 393
CLIENTE
GERENTE DE PROYECTO HINES CORP. NASA GENERAL FOUNDRY CBT TELEVISION
Gardener $3,200 $3,000 $2,800 $2,900

Ruth 2,700 3,200 3,000 3,100
Hardgraves 1,900 2,100 3,300 2,100
Estudio de caso
Puente sobre el río Oakton
El río Oakton había sido considerado por largo tiempo un impedi- El grupo de trabajo ha recibido las proyecciones del flujo de
mento para el desarrollo de una determinada área metropolitana de tránsito en el puente por día y hora. Estas proyecciones se basan en
tamaño medio en el sureste. El río, que se extiende al oriente de la extrapolaciones de patrones de tráfico existentes —el patrón de des-
ciudad, dificulta que las personas que viven en su margen oriental se plazamientos, compras y tránsito que se experimenta actualmente fac-
trasladen a sus trabajos en la ciudad y alrededor de ésta, y que apro- torizado por las proyecciones de crecimiento—. Los datos estándar de
vechen las atracciones comerciales y culturales que ésta les ofrece. otras instalaciones de peaje operadas por el estado han permitido que
Asimismo, el río inhibe el acceso de los habitantes de su margen oc- el grupo de trabajo pueda convertir estos flujos de tránsito en necesi-
cidental a las estaciones oceánicas situadas una hora hacia el este. El dades del cobro de peaje, es decir, el número mínimo de cobradores
puente sobre el río Oakton fue construido antes de la Segunda Guerra necesario por turno, por día, para manejar la carga de tránsito previsto.
Mundial y era claramente insuficiente para manejar el tráfico exis- Estos requisitos del cobro de peaje se resumen en la siguiente tabla:
tente, y mucho menos el tráfico adicional que acompañaría el creci-
miento previsto en la zona. Una delegación del Congreso del Estado Número mínimo de cobradores de peaje requeridos
solicitó al gobierno federal el financiamiento de una parte importante por turno
de un nuevo puente de peaje sobre el río Oakton y la legislatura estatal
se ocuparía del resto de los fondos necesarios para el proyecto. TURNO DOM. LUN. MAR. MIÉ. JUE. VIE. SAB.
El progreso en la construcción del puente se ha dado conforme
A 8 13 12 12 13 13 15
a lo previsto al inicio de la construcción. La Comisión Estatal de Ca-
rreteras, que tendrá jurisdicción operativa sobre el puente, ha llegado B 10 10 10 10 10 13 15
a la conclusión de que la apertura del puente al tráfico ocurrirá proba- C 15 13 13 12 12 13 8
blemente a principios del próximo verano, como estaba previsto. Se
ha establecido un grupo de trabajo del personal para reclutar, capaci-
tar y programar a los trabajadores necesarios para operar las instala- Los números de la tabla incluyen uno o dos cobradores adiciona-
ciones de peaje. les por turno para reemplazar a quienes se reportan enfermos y para
El grupo de trabajo del personal está muy consciente de los pro- sustituir a los cobradores en sus descansos programados. Observe que
blemas presupuestarios que enfrenta el estado. Han tomado como cada uno de los ocho cobradores necesarios para el turno A del do-
parte de sus tareas el requisito de que los gastos de personal se man- mingo, por ejemplo, podrían provenir de cualquiera de los turnos A
tengan lo más bajos posible. Una área particular de preocupación es programados para comenzar el miércoles, jueves, viernes, sábado o
el número de cobradores de peaje que serán necesarios. El puente domingo.
contará con tres turnos de cobro: el turno A de la medianoche a las
8 a.m., el turno B de las 8 a.m. a las 4 p.m. y el turno C de las 4 p.m. Preguntas para análisis
a la medianoche. Recientemente, el sindicato de empleados estatales
negoció un contrato que exige que todos los cobradores de peaje sean 1. Determine el número mínimo de cobradores de peaje que debe-
empleados permanentes y de tiempo completo. Además, todos los co- rían contratarse para cumplir con los requisitos expresados en la
bradores deben trabajar cinco días por dos de descanso en el mismo tabla.
turno. Así, por ejemplo, un trabajador podría ser asignado a trabajar 2. El sindicato señaló que podría dejar de oponerse a la mezcla
martes, miércoles, jueves, viernes y sábado en el turno A, seguido por de turnos en un bloque de 5 días a cambio de remuneración y
el domingo y el lunes de descanso. Un empleado no puede ser progra- prestaciones adicionales. ¿Cuánto podría reducirse el número de
mado para trabajar, por ejemplo, el martes en el turno A seguido de cobradores de peaje requeridos si se hace esto?
miércoles, jueves, viernes y sábado en el turno B o con cualquier otra Fuente: Basado en B. Render, R. M. Stair e I. Greenberg. Cases and Readings
mezcla de turnos durante un bloque de 5 días. Los empleados elegi- in Management Science, 2a. ed., 1990, pp. 55-56. Reimpreso con autorización de
rían sus asignaciones por orden de antigüedad. Prentice Hall, Upper Saddle River, NJ.

Bibliografía
Aköz, Onur y Dobrila Petrovic. “A Fuzzy Goal Programming Method with Ignizio, James P. Introduction to Linear Goal Programming. Beverly Hills: Sage
Imprecise Goal Hierarchy”, European Journal of Operational Research 181, Publications, 1985.
3 (septiembre de 2007): 1427-1433. Katok, Elena y Dennis Ott. “Using Mixed-Integer Programming to Reduce Label
Araz, Ceyhun, Pinar Mizrak Ozfirat e Irem Ozkarahan. “An Integrated Multi- Changes in the Coors Aluminum Can Plant”, Interfaces 30, 2 (marzo de
criteria Decision-Making Methodology for Outsourcing Management”, 2000): 1-12.
Computers & Operations Research 34, 12 (diciembre de 2007): 3738-3756. Land, Alisa y Susan Powell. “A Survey of the Operational Use of ILP Models”,
Bertsimas, Dimitris, Christopher Darnell y Robert Soucy. “Portfolio Construction Annals of Operations Research 149, 1 (2007): 147-156.
through Mixed-Integer Programming at Grantham, Mayo, Van Otterloo and Lee, Sang M. y Marc J. Schniederjans. “A Multicriterial Assignment Problem:
Company”, Interfaces 29, 1 (enero de 1999): 49-66. A Goal Programming Approach”, Interfaces 13, 4 (agosto de 1983): 75-79.
Chang, Ching-Ter. “Multi-Choice Goal Programming”. Omega 25, 4 (agosto de Pati, Rupesh Kumar, Prem Vrat y Pradeep Kumar. “A Goal Programming Model
2007): 389-396. for a Paper Recycling System”, Omega 36, 3 (junio de 2008): 405-417.
Charnes, A. y W. W. Cooper. Management Models and Industrial Applications Reyes, Pedro M. y Gregory V. Frazier. “Goal Programming Model for Grocery
of Linear Programming, vols. I y II. Nueva York: John Wiley & Sons, Inc. Shelf Space Allocation”, European Journal of Operational Research 181, 2
1961. (septiembre de 2007): 634-644.
Dawid, Herbert, Johannes König y Christine Strauss. “An Enhanced Rostering Wadhwa, Vijay y A. Ravi Ravindran. “Vendor Selection in Outsourcing”,
Model for Airline Crews”, Computers & Operations Research 28, 7 Computers & Operations Research 34, 12 (diciembre de 2007):
(junio de 2001): 671-688. 3725-3737.
Drees, Lawrence David y Wilbert E. Wilhelm. “Scheduling Experiments on a Zangwill, W. I. Nonlinear Programming: A Unified Approach. Upper Saddle
Nuclear Reactor Using Mixed Integer Programming”, Computers & River, NJ: Prentice Hall, 1969.
Operations Research 28, 10 (septiembre de 2001): 1013-1037.
Hueter, Jackie y William Swart. “An Integrated Labor-Management System for
Taco Bell”, Interfaces 28, 1 (enero-febrero de 1998): 75-91.

CAPÍTULO 11
Gestión de proyectos
1. Comprender la forma de planear, supervisar y 3. Reducir el tiempo total del proyecto con el menor
controlar proyectos mediante el uso de PERT costo total mediante la aceleración de la red,
y CPM. utilizando técnicas manuales o de programación
2. Determinar el inicio más cercano, lineal.
la terminación más cercana, el inicio más 4. Entender el importante papel del software en la
lejano, la terminación más lejana y los tiempos gestión de proyectos.
de holgura para cada actividad, junto con el
tiempo total para la terminación del proyecto.

11.1 Introducción 11.4 Aceleración del proyecto
11.2 PERT/CPM 11.5 Otros temas en la gestión de proyectos
11.3 PERT/Costo
Resumen • Glosario • Ecuaciones clave • Problemas resueltos • Autoevaluación • Preguntas para análisis y problemas •
Estudio de caso: Construcción del estadio de la Southwestern University • Estudio de caso: Centro de Investigación sobre
Planificación Familiar en Nigeria • Estudios de caso en Internet • Bibliografía
Apéndice 11.1: Gestión de proyectos con QM para Windows
395

396 CAPÍTULO 11 • GESTIÓN DE PROYECTOS
11.1 Introducción
Los proyectos más realistas que llevan a cabo organizaciones como Microsoft, General Motors o el Depar-
tamento de Defensa de Estados Unidos son grandes y complejos. Un constructor que erige un edificio de
La gestión de proyectos se puede oficinas, por ejemplo, debe completar miles de actividades que cuestan millones de dólares. La NASA tiene
utilizar para el manejo de proyectos que inspeccionar un sinnúmero de componentes antes de lanzar un cohete. El astillero Bath Iron Works en
complejos. el río Kennebec de Bath, Maine, debe administrar y coordinar miles de actividades complejas en forma
simultánea. Casi todas las industrias se preocupan acerca de cómo deben manejar los proyectos grandes y
complicados con eficacia. Es un problema difícil y hay mucho en juego. Se han perdido millones de dólares
por costos excesivos debido a la mala planeación de los proyectos. Han ocurrido demoras innecesarias oca-
sionadas por una planeación deficiente. ¿Cómo se pueden resolver este tipo de problemas?
El primer paso en la planeación y programación de un proyecto consiste en el desarrollo de la estruc-
tura desglosada del trabajo (EDT), lo cual implica identificar las actividades que se deben realizar en
el proyecto. Una actividad es un trabajo o una tarea que forma parte de un proyecto. El principio o el fi-
nal de una actividad se llama un evento. Puede haber diferentes niveles de detalle, y cada actividad puede
dividirse en sus componentes más básicos. Se identifican para cada actividad el tiempo, el costo, los
requisitos de recursos, los predecesores y la(s) persona(s) responsable(s). Después de haber hecho esto,
es posible desarrollar un calendario para el proyecto.
La técnica de evaluación y revisión del programa (PERT, program evaluation and review tech-
nique) y el método de la ruta crítica (CPM, critical path method) son dos populares técnicas de análi-
sis cuantitativo que ayudan a los administradores a planear, programar, supervisar y controlar proyectos
PERT es probabilística, mientras grandes y complejos. Fueron desarrolladas porque había una necesidad imperiosa de una mejor forma de
que CPM es determinista. realizar este tipo de gestión (vea el recuadro Historia).
Al momento de desarrollarse, PERT y CPM eran semejantes en su enfoque básico, pero diferían en la
forma en la cual estimaban sus tiempos de actividad. Por cada actividad en PERT, se combinan tres estima-
ciones de tiempo para determinar el tiempo previsto para la terminación de la actividad. Por lo tanto, PERT
es una técnica probabilística. Por otra parte, CPM es un método determinista porque supone que los tiempos
se conocen con certeza. Aunque tales diferencias se siguen observando en la actualidad, las dos técnicas son
tan similares que a menudo suele usarse el término PERT/CPM para describir el enfoque general. Esta refe-
rencia se utiliza en el presente capítulo, y las diferencias se indican en caso de ser necesario.
HISTORIA ¿Cómo iniciaron PERT y CPM?
(PERT) para planear y controlar el programa de misiles Polaris. Este

L os administradores han estado planeando, programando, supervi-
sando y controlando proyectos a gran escala durante cientos de años,
proyecto consistió en la coordinación de miles de contratistas. En la
actualidad, PERT se sigue usando para controlar un sinnúmero de pro-
pero sólo ha sido hasta los últimos 50 años que han aplicado técnicas gramas de contratos gubernamentales. Casi al mismo tiempo (1957),
de AC a los grandes proyectos. Una de las primeras técnicas fue el J. E. Kelley, Jr. de Remington Rand y M. R. Walker de DuPont desa-
diagrama de Gantt, el cual muestra los tiempos de inicio y termina- rrollaron el método de la ruta crítica (CPM). Originalmente, el CPM
ción de una o más actividades, como se indica en la gráfica adjunta. se utilizó para ayudar en la construcción y mantenimiento de plantas
En 1958 la Oficina de Proyectos Especiales de la Marina de Esta- químicas en DuPont.
dos Unidos desarrolló la técnica de evaluación y revisión del programa
A
B
C
Actividad
D
E
F
G
H
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana

11.2 PERT/CPM 397
Existen seis pasos que son comunes tanto a PERT como a CPM. El procedimiento es como sigue:
Seis pasos de PERT/CPM

1. Defina el proyecto y todas sus actividades o tareas significativas.
2. Desarrolle relaciones entre las actividades. Decida qué actividades deben preceder a otras.
3. Trace la red que conecta todas las actividades.
4. Asigne tiempos y/o estimaciones de costos a cada actividad.
5. Calcule la ruta con el tiempo más largo a través de la red; ésta se denomina la ruta crítica.
6. Use la red para ayudar a planear, programar, supervisar y controlar el proyecto.
La ruta crítica es importante porque La determinación de la ruta crítica es una parte importante del control de un proyecto. Las actividades
las actividades que forman parte de que forman parte de la ruta crítica representan tareas que retrasarían todo el proyecto si se demoran. Los
ella pueden retrasar todo el proyecto. administradores obtienen flexibilidad al identificar las actividades no críticas y planearlas de nuevo, repro-
gramarlas y reasignarles recursos como personal y dinero.
11.2 PERT/CPM
Casi cualquier proyecto grande puede subdividirse en una serie de actividades o tareas más pequeñas que
pueden analizarse con PERT/CPM. Si se reconoce que los proyectos pueden tener miles de actividades
específicas, es posible ver cuán importante es dar respuesta a preguntas como las siguientes:
Preguntas contestadas por PERT. 1. ¿Cuándo se completará todo el proyecto?

2. ¿Cuáles son las actividades o tareas críticas en el proyecto, es decir, las que retrasarían todo el
proyecto si se demoran?
3. ¿Cuáles son las actividades no críticas, es decir, las que pueden demorarse sin retrasar la terminación
de todo el proyecto?
4. Si hay tres estimaciones de tiempo, ¿cuál es la probabilidad de que el proyecto se complete en una
fecha específica?
5. En cualquier fecha determinada, ¿está el proyecto en programa, atrasado o adelantado?
6. En cualquier fecha determinada, ¿el dinero gastado es igual, menor o mayor que la cantidad
presupuestada?
7. ¿Hay suficientes recursos disponibles para terminar el proyecto a tiempo?
Ejemplo de PERT/CPM para General Foundry

Durante mucho tiempo, General Foundry, Inc., una planta metalúrgica ubicada en Milwaukee, ha estado
tratando de evitar el gasto por la instalación de equipos de control de la contaminación del aire. El grupo de
protección ambiental local ha dado recientemente 16 semanas a la fundidora para instalar un sistema com-
plejo de filtros de aire en su chimenea principal. General Foundry fue advertida de que se verá obligada a
cerrar si no instala el dispositivo en el periodo asignado. Lester Harky, el socio gerente, quiere asegurarse
de que la instalación del sistema de filtros avance sin problemas y a tiempo.
El primer paso es definir el proyecto Al comienzo del proyecto, puede iniciar la construcción de los componentes internos del dis-
y todas sus actividades. positivo (actividad A) y las modificaciones que son necesarias para el suelo y el techo (actividad B).
La construcción de la pila de recolección (actividad C) puede comenzar una vez que se hayan terminado
los componentes internos y el vaciado del nuevo piso de concreto; por otro lado, la instalación del basti-
dor (actividad D) puede completarse en cuanto se hayan modificado el techo y el piso. Después de haber
construido la pila de recolección, es posible construir el quemador de alta temperatura (actividad E), y
puede iniciar la instalación del sistema de control de la contaminación (actividad F). El dispositivo contra
la contaminación del aire se puede instalar (actividad G) después de haber construido el quemador de alta
temperatura, vaciado el piso de concreto e instalado el bastidor (actividad D). Finalmente, después de
haber instalado el sistema de control y el dispositivo contra la contaminación, es posible inspeccionar y
probar el sistema (actividad H).
Todas estas actividades parecen bastante confusas y complejas hasta que se representan en una red.
Primero, es necesario numerar todas las actividades, como se indica en la tabla 11.1. En la tabla se observa
que antes de que se pueda construir la pila de recolección (actividad C), deben construirse los componentes

TABLA 11.1
PREDECESORES
Actividades y ACTIVIDAD DESCRIPCIÓN INMEDIATOS
predecesores
inmediatos para A Construir componentes internos —
General Foundry, Inc. B Modificar techo y el piso —
C Construir pila de recolección A
D Vaciar concreto e instalar bastidor B
E Construir quemador de alta temperatura C
F Instalar sistema de control C
G Instalar dispositivo contra contaminación del aire D, E
H Inspeccionar y probar F, G
PERT ayuda a cambiar la cara

MODELADO EN EL MUNDO REAL de British Airways
Definición
del problema British Airways (BA) quería rejuvenecer su imagen utilizando consultores internacionales en diseño para ayu-
dar a desarrollar una nueva identidad. El “cambio de imagen” en todos los ámbitos de la imagen pública de
BA debía completarse lo más rápido posible.

un modelo Mediante el uso de un software para la gestión de proyectos —Pertmaster de Abex— un equipo de BA cons-
truyó un modelo PERT con todas las tareas involucradas.

datos de entrada Se recopilaron datos en cada departamento involucrado. Se pidió a los impresores el desarrollo de estimacio-
nes de tiempo para la nueva papelería de la empresa, boletos, horarios y etiquetas de equipaje; a los provee-
dores de ropa para los nuevos uniformes, y a Boeing Corp. para todas las tareas de reconstrucción del interior
y el exterior de los aviones de BA.

una solución Todos los datos se introdujeron en Pertmaster para obtener un programa y una ruta crítica.
Pruebas
a la solución El programa resultante no agradó a la dirección de BA. Boeing no podría preparar un enorme 747 a
tiempo para el lanzamiento de gala, el 4 de diciembre. El diseño de los uniformes también retrasaría todo
el proyecto.

de resultados Un análisis de la fecha más cercana posible en la que todos los elementos de un avión rediseñado podrían es-
tar listos (nueva pintura, tapicería, alfombras, asientos, etcétera) reveló que sólo había material suficiente para
convertir totalmente un avión más pequeño, el Boeing 737, que estaba disponible en la planta de Seattle. El
análisis de la ruta crítica también mostró que los uniformes —trabajo del diseñador británico Roland Klein—
tendrían que presentarse seis meses más tarde en una ceremonia por separado.

de resultados El Boeing 737 se equipó justo a tiempo para un espectáculo luminoso en un auditorio especialmente
construido en un hangar del aeropuerto de Heathrow. Los vehículos terrestres también estuvieron listos a
tiempo.
Fuente: Basado en Industrial Management and Data Systems (marzo-abril de 1986): 6-7.

11.2 PERT/CPM 399
FIGURA 11.1
Red para General A C F
Foundry, Inc. Construir componentes Construir pila Instalar sistema
internos de recolección de control
E H
Inicio Construir Inspeccionar Final
quemador y probar
B D G
Modificar techo Vaciar concreto e Instalar dispositivos
y piso instalar bastidor contra contaminación
Los predecesores inmediatos se internos (actividad A). Así, la actividad A es el predecesor inmediato de la actividad C. Del mismo modo,
determinan en el segundo paso. las actividades D y E deben realizarse justo antes de la instalación del dispositivo contra la contaminación
del aire (actividad G).
Trazado de la red PERT/CPM

Las actividades y los eventos se Una vez que se hayan especificado todas las actividades (paso 1 del procedimiento PERT) y la gerencia ha
trazan y se conectan en el tercer decidido qué actividades deben preceder a las demás (paso 2), es posible trazar la red (paso 3).
paso. Existen dos técnicas comunes para el trazo de redes PERT. La primera se llama actividades en los
nodos (AON) debido a que los nodos representan las actividades. La segunda se llama actividades en
los arcos (AOA) debido a que los arcos se utilizan para representar las actividades. En este libro, se pre-
senta la técnica AON porque es más sencilla y es la más utilizada en los programas comerciales.
Al construir una red AON, debería haber un nodo que represente el inicio del proyecto y un nodo que
represente el final del mismo. Habrá un nodo (como un rectángulo en este capítulo) para cada actividad.
En la figura 11.1 se presenta toda la red para General Foundry. Los arcos (flechas) se utilizan para mostrar
los predecesores de las actividades. Por ejemplo, las flechas que conducen a la actividad G indican que D
y E son los predecesores inmediatos de G.
Tiempos de actividad
El siguiente paso, tanto en CPM como en PERT, consiste en asignar estimaciones del tiempo necesario
para completar cada actividad. Para algunos proyectos, como los de construcción, el tiempo para terminar
cada actividad se conoce con certeza. Los desarrolladores de CPM asignan sólo una estimación de tiempo
a cada actividad. Después, estos tiempos se utilizan para encontrar la ruta crítica, como se describe en las
secciones que siguen.
El cuarto paso es asignar los tiempos Sin embargo, para los proyectos únicos en su tipo o para los trabajos nuevos, la determinación de
de la actividad. estimaciones del tiempo de la actividad no siempre es una tarea fácil. Sin datos históricos sólidos, con
frecuencia los gerentes se sienten inseguros acerca de los tiempos de las actividades. Por tal razón, los de-
sarrolladores de PERT emplean una distribución de probabilidad con base en tres estimaciones de tiempo
para cada actividad. En PERT, se utiliza un promedio ponderado de estos tiempos, en vez de la estimación
de un solo tiempo como ocurre en CPM, y estos promedios se utilizan para encontrar la ruta crítica. Las
estimaciones de tiempo en PERT son
Tiempo optimista (a) = tiempo que requerirá una actividad si todo ocurre de la mejor manera
posible. Debería haber sólo una pequeña probabilidad (por ejemplo,
1
>100) de que esto suceda.
Tiempo pesimista (b) = tiempo que requeriría una actividad suponiendo condiciones muy
desfavorables. También debería haber sólo una pequeña probabilidad
de que la actividad realmente tomara tanto tiempo.
Tiempo más probable (m) = estimación más realista del tiempo para completar la actividad.
La distribución de probabilidad beta A menudo, PERT supone que las estimaciones de tiempo siguen la distribución de probabilidad
se utiliza con frecuencia. beta (vea la figura 11.2). Se ha encontrado que esta distribución continua es adecuada, en muchos casos,
para determinar un valor esperado y una varianza para los tiempos de terminación de la actividad.

FIGURA 11.2
Distribución de
Probabilidad de ocurrencia
probabilidad beta de a, 1 en 100
con tres estimaciones
de tiempo
Probabilidad
Probabilidad de ocurrencia
de b, 1 en 100
Tiempo de
actividad
Tiempo Tiempo Tiempo
más más más
optimista probable pesimista
(a ) (m) (b )
Para encontrar el tiempo de actividad esperado (t), la distribución beta pondera las estimaciones de
la siguiente manera:
a + 4m + b
t = (11-1)
6
Para calcular la dispersión o varianza del tiempo de terminación de la actividad, se utiliza la siguiente
fórmula:*
b - a 2
Varianza = a b (11-2)
6
La tabla 11.2 muestra las estimaciones de tiempo optimista, más probable y pesimista para cada acti-
vidad de General Foundry. También revela el tiempo esperado (t) y la varianza para cada una de las activi-
dades, calculados con las ecuaciones 11-1 y 11-2.
Cómo encontrar la ruta crítica

Una vez que se ha determinado el tiempo de terminación esperado para cada actividad, lo aceptamos como
el tiempo real de esa tarea. La variabilidad en los tiempos se tomará en cuenta más adelante.
Aunque la tabla 11.2 indica que el tiempo total previsto para las ocho actividades de General Foundry
es de 25 semanas, es evidente en la figura 11.3 que varias de las tareas pueden realizarse simultáneamente.
Para saber cuánto tiempo tomará el proyecto, realizamos el análisis de la ruta crítica para la red.
El quinto paso es calcular la ruta La ruta crítica es la trayectoria más larga en tiempo a través de la red. Si Lester Harky quiere reducir
más larga a través de la red: el tiempo total del proyecto para General Foundry, tendrá que reducir la duración de alguna actividad en la
la ruta crítica. ruta crítica. Por el contrario, cualquier retraso de una actividad en la ruta crítica demorará la terminación
de todo el proyecto.
Para encontrar la ruta crítica, debemos determinar las siguientes cantidades para cada actividad en
la red:
1. Tiempo de inicio más cercano (ES por earliest start): El momento más cercano en el cual una acti-
vidad puede comenzar sin vulnerar los requisitos del predecesor inmediato
2. Tiempo de terminación más cercano (EF por earliest finish): El momento más cercano en el que
una actividad puede terminar
3. Tiempo de inicio más lejano (LS por latest start): El tiempo más lejano en el cual una actividad
puede comenzar sin retrasar todo el proyecto
4. Tiempo de terminación más lejano (LF por latest finish): El tiempo más lejano en el que una acti-
vidad puede terminar sin retrasar todo el proyecto
*
Esta fórmula se basa en el siguiente concepto estadístico: de un extremo a otro de la distribución beta hay 6 desviaciones
estándar (; 3 desviaciones estándar desde la media). Debido a que b - a es igual a 6 desviaciones estándar, 1 desviación es-
tándar es igual a (b - a)>6. Por lo tanto, la varianza es [(b - a)>6]2.

11.2 PERT/CPM 401
TABLA 11.2 Estimaciones de tiempo (en semanas) para General Foundry, Inc.
MÁS TIEMPO
OPTIMISTA, PROBABLE, PESIMISTA, ESPERADO, VARIANZA,
ACTIVIDAD a m b t = 3 1 a + 4m + b2 > 6 4 31b - a2>642
3 - 1 2 4
A 1 2 3 2 a b =
6 36
4 - 2 2 4
B 2 3 4 3 a b =
6 36
3 - 1 2 4
C 1 2 3 2 a b =
6 36
6 - 2 2 16
D 2 4 6 4 a b =
6 36
7 - 1 2 36
E 1 4 7 4 a b =
6 36
9 - 1 2 64
F 1 2 9 3 a b =
6 36
11 - 3 2 64
G 3 4 11 5 a b =
6 36
3 - 1 2 4
H 1 2 3 2 a b =
6 36
25
En la red, representamos estos tiempos, así como los tiempos de actividad (t) en los nodos, como se ob-
serva a continuación:
ACTIVIDAD t
ES EF
LS LF
Primero, mostramos la forma de determinar los tiempos más cercanos. Después de encontrarlos, es posible
determinar los tiempos más lejanos.
FIGURA 11.3
Red de General
A 2 C 2 F 3
Foundry con los
tiempos de actividad
esperados
E 4 H 2
Inicio Final
B 3 D 4 G 5

TIEMPOS MÁS CERCANOS Hay dos reglas básicas a seguir cuando se calculan los tiempos ES y EF.
La primera regla es para el tiempo de terminación más cercano, que se calcula como sigue:
Tiempo de terminación más cercano = Tiempo de inicio más cercano + Tiempo de actividad esperado
EF = ES + t (11-3)
Además, antes de que cualquier actividad pueda iniciar, todas sus actividades predecesoras deben haberse
completado. En otras palabras, para la determinación del ES buscamos el mayor EF de todos los predece-
El ES es el mayor EF de los sores inmediatos. La segunda regla es para el tiempo de inicio más cercano, que se calcula de la siguiente
predecesores inmediatos. manera:
Inicio más cercano = El mayor de los tiempos de terminación más cercanos de los predecesores inmediatos
ES = El mayor EF de los predecesores inmediatos
El inicio de todo el proyecto se establecerá en el tiempo igual a cero. Por lo tanto, cualquier actividad que
no tenga predecesores tendrá un tiempo de inicio más cercano igual a cero. Así, ES = 0 para A y B en el
problema de General Foundry, como se muestra a continuación:
A t=2
ES = 0 EF = 0 + 2 = 2
Inicio
B t=3
ES = 0 EF = 0 + 3 = 3
Los tiempos más cercanos se El resto de los tiempos más cercanos para General Foundry se muestran en la figura 11.4. Éstos se encuen-
encuentran a partir del inicio del tran usando un paso hacia adelante a través de la red. En cada paso, EF = ES + t, y ES es el mayor EF de
proyecto y haciendo un paso hacia los predecesores. Observe que la actividad G tiene un tiempo de inicio más cercano de 8, porque tanto D
adelante a través de la red. (con EF = 7) como E (con EF = 8) son sus predecesores inmediatos. La actividad G no puede comenzar
hasta que hayan terminado los dos predecesores, por lo que se elige el mayor de los tiempos de termina-
ción más cercanos. Así, G tiene un ES = 8. El tiempo de terminación para el proyecto será de 15 semanas,
que es el EF para la actividad H.
TIEMPOS MÁS LEJANOS El siguiente paso en la determinación de la ruta crítica es calcular el tiempo
de inicio más lejano (LF) y el tiempo de terminación más lejano (LF) para cada actividad. Esto se logra
mediante un paso hacia atrás a través de la red, es decir, se comienza en el final y se trabaja hacia atrás.
FIGURA 11.4
Tiempo de inicio más
cercano (ES) y tiempo A 2 C 2 F 3
de terminación más 0 2 2 4 4 7
cercano (EF) para
General Foundry
E 4 H 2
Inicio 4 8 13 15 Final
B 3 D 4 G 5
0 3 3 7 8 13

11.2 PERT/CPM 403
FIGURA 11.5
Tiempo de inicio más A 2 C 2 F 3
lejano (LS) y tiempo 0 2 2 4 4 7
de terminación más
0 2 2 4 10 13
lejano (LF) para
General Foundry
E 4 H 2
4 8 13 15
B 3 D 4 G 5
0 3 3 7 8 13
1 4 4 8 8 13
Hay dos reglas básicas a seguir cuando se calculan los tiempos más lejanos. La primera regla implica
al tiempo de inicio más lejano, que se calcula como
Los tiempos más lejanos se Tiempo de inicio más lejano = Tiempo de terminación más lejano - Tiempo de actividad
encuentran comenzando en el final LS = LF - t (11-4)
del proyecto y haciendo un paso
hacia atrás a través de la red. Asimismo, dado que todos los predecesores inmediatos deben estar terminados antes de comenzar una acti-
vidad, el tiempo de inicio más lejano de una actividad determina el tiempo de terminación más lejano para
sus predecesores inmediatos. Si una actividad es el predecesor inmediato de dos o más actividades, debe
estar terminada para que todas las siguientes actividades puedan comenzar en sus tiempos de inicio más
lejanos. Por lo tanto, la segunda regla involucra al tiempo de terminación más lejano, que se calcula como
El LF es el LS más pequeño Tiempo de terminación más lejano = El menor de los tiempos de inicio más lejanos
de las actividades que siguen de las siguientes actividades, o
inmediatamente. LF = El menor LS de las actividades siguientes
Para calcular los tiempos más lejanos, empezamos en el final y trabajamos hacia atrás. Como el tiempo
de terminación para el proyecto de General Foundry es 15, la actividad H tiene LF = 15. El inicio más
lejano de la actividad H es
LS = LF - t = 15 - 2 = 13 semanas
Si se continúa trabajando hacia atrás, este tiempo de inicio más lejano de 13 se convierte en el tiempo de
terminación más lejano para los predecesores inmediatos F y G. Todos los tiempos más lejanos se mues-
tran en la figura 11.5. Observe que para la actividad C, que es el predecesor inmediato de dos actividades
(E y F), el tiempo de terminación más lejano es el menor de los tiempos de inicio más lejanos (4 y 10) para
las actividades E y F.
Gestión de proyectos en un ambiente de trabajo

EN ACCIÓN sin oficina basado en la nube
Stillwater comenzó a usar Project Insight, una herramienta de

S tillwater Associates es una empresa de consultoría sobre la cadena
de suministro de energía con una característica única: es una compa-
software desarrollada por MetaFuse, Inc. Project Insight permitió que
los empleados de Stillwater se “registraran” en proyectos específicos
ñía sin oficina. No cuenta con una instalación física. Todos sus asocia- desde cualquier sitio de trabajo y desde cualquier plataforma. Tan
dos se encuentran dispersos por todo el país. Huelga decir que, en pronto como los empleados de Stillwater Associates se registran, el sof-
cierto modo, no tener una oficina de “ladrillos y concreto” ha ayu- tware mantiene un registro de sus horas dedicadas a cualquier tarea, en
dado a Stillwater. Por ejemplo, los gastos generales de Stillwater son cualquier proyecto, desde cualquier lugar.
extremadamente bajos en comparación con sus competidores. Sin em- Como resultado, los excesos en el presupuesto de Stillwater Asso-
bargo, en otro sentido, no tener una oficina ha sido un obstáculo para ciates se volvieron cosa del pasado, lo cual permitió a sus empleados
la empresa... especialmente en el área de la gestión de proyectos. Los responder más eficazmente a las necesidades de los clientes.
empleados estuvieron duplicando esfuerzos y experimentando proble-
mas de comunicación. Como resultado, los programas se desfasaban, Fuente: Project Insight Drives Budget Management Success at Stillwater
los presupuestos no se cumplían y los clientes se mostraban irritados. Associates, Wall Street Journal, 21 de mayo de 2013, <online.wsj.com>.

TABLA 11.3
INICIO TERMINACIÓN INICIO TERMINACIÓN
Programa y tiempos MÁS MÁS MÁS MÁS ¿EN LA
de holgura de General ACTIVIDAD CERCANO, CERCANA, LEJANO, LEJANA, HOLGURA, RUTA
Foundry ES EF LS LF LS - ES CRÍTICA?
A 0 2 0 2 0 Sí
B 0 3 1 4 1 No
C 2 4 2 4 0 Sí
D 3 7 4 8 1 No
E 4 8 4 8 0 Sí
F 4 7 10 13 6 No
G 8 13 8 13 0 Sí
H 13 15 13 15 0 Sí
El tiempo de holgura es tiempo libre CONCEPTO DE HOLGURA EN LOS CÁLCULOS DE LA RUTA CRÍTICA Cuando se han determinado los
para una actividad. ES, LS, EF y LF, resta simplemente encontrar la cantidad de tiempo de holgura, o tiempo libre, que tiene
cada actividad. La holgura es la longitud de tiempo que una actividad puede retrasarse sin demorar todo el
proyecto. En forma matemática,
Holgura = LS - ES, u Holgura = LF - EF (11-5)
En la tabla 11.3 se resumen los ES, EF, LS, LF, y los tiempos de holgura para todas las actividades
de General Foundry. Por ejemplo, la actividad B tiene 1 semana de tiempo de holgura, puesto que
LS - ES = 1 - 0 = 1 (o, de manera similar, LF - EF = 4 - 3 = 1). Esto significa que B se puede retra-
sar hasta 1 semana sin hacer que el proyecto tarde más tiempo de lo esperado.
Por otro lado, las actividades de A, C, E, G y H no tienen tiempo de holgura; esto significa que
Las actividades críticas no tienen ninguna de ellas se puede retrasar sin demorar todo el proyecto. Debido a esto, se les llama actividades
tiempo de holgura. críticas y se dice que están en la ruta crítica. En la figura 11.6, se muestra la ruta crítica de Lester Harky
en forma de red. El tiempo total para la terminación del proyecto (T), 15 semanas, se observa como el
número más grande en las columnas EF o LF de la tabla 11.3. Los gerentes industriales llaman a esto
un calendario límite.
FIGURA 11.6
Ruta crítica (A-C-E-G-H)
de General Foundry A 2 C 2 F 3
0 2 2 4 4 7
0 2 2 4 10 13
E 4 H 2
4 8 13 15
B 3 D 4 G 5
0 3 3 7 8 13
1 4 4 8 8 13

11.2 PERT/CPM 405
Probabilidad de terminación del proyecto

El análisis de la ruta crítica nos ayudó a determinar que el tiempo de terminación esperado para la fundi-
dora es de 15 semanas. Sin embargo, Harky sabe que si el proyecto no se ha completado en 16 semanas, los
controladores ambientalistas cerrarán General Foundry. También está consciente de que hay una variación
significativa en las estimaciones de tiempo para diversas actividades. La variación en las actividades que
están en la ruta crítica puede afectar la terminación global del proyecto —posiblemente retrasarlo—. Este
posible evento preocupa considerablemente a Harky.
El cálculo de la varianza del proyecto PERT utiliza la varianza de las actividades de la ruta crítica para ayudar a determinar la varianza del
se realiza sumando las varianzas proyecto global. Si los tiempos de actividad son estadísticamente independientes, la varianza del proyecto
de las actividades a lo largo de la se calcula sumando las varianzas de las actividades críticas:
ruta crítica.
Varianza del proyecto = g varianzas de las actividades en la ruta crítica (11-6)
A partir de la tabla 11.2 sabemos que
ACTIVIDAD
CRÍTICA VARIANZA
A
4
>36
C
4
>36
E
36
>36
G
64
>36
H
4
>36
Por consiguiente, la varianza del proyecto es
Varianza del proyecto = 4>36 + 4>36 + 36>36 + 64>36 + 4>36 = 112

>36 = 3.111
Sabemos que la desviación estándar es la raíz cuadrada de la varianza, por lo que
Cálculo de la desviación estándar. Desviación estándar del proyecto = sT = 2Varianza del proyecto
= 23.111 = 1.76 semanas
¿Cómo puede usarse esta información para ayudar a responder preguntas sobre la probabilidad de terminar
a tiempo el proyecto? Además de suponer que los tiempos de las actividades son independientes, también
suponemos que el tiempo total para la terminación del proyecto sigue una distribución de probabilidad
PERT tiene dos supuestos. normal. Con estos supuestos, es posible emplear la curva en forma de campana que se muestra en la figura
FIGURA 11.7
Desviación estándar = 1.76 semanas
Distribución de
probabilidad para los
tiempos de terminación
del proyecto
15 semanas
(Tiempo de terminación esperado)

FIGURA 11.8
Probabilidad de que El tiempo esperado es de 15 semanas 0.57 desviaciones estándar
General Foundry cumpla
con la fecha límite Probabilidad
de 16 semanas (T ⱕ16 semanas)
es 71.6%
15 16 Tiempo
semanas semanas
11.7, para representar las fechas de terminación del proyecto. También implica que hay 50% de probabi-
lidades de que todo el proyecto se complete en menos de las 15 semanas esperadas y una probabilidad de
50% de que tarde más de esas 15 semanas.*
Para que Harky encuentre la probabilidad de que su proyecto esté terminado para la fecha límite de 16
semanas o antes, se debe determinar el área apropiada bajo la curva normal. La ecuación normal estándar
se puede aplicar de la manera siguiente:
Fecha límite - Fecha de terminación esperada

Cálculo de la probabilidad de Z =
terminación del proyecto.
sT
16 semanas - 15 semanas
= = 0.57
1.76 semanas (11-7)
donde
Z es el número de desviaciones estándar a las que se encuentra la fecha límite o fecha objetivo con
respecto a la media o fecha de terminación esperada.
Con referencia a la tabla normal del apéndice A, encontramos una probabilidad de 0.71566. Por lo tanto,
existe una probabilidad de 71.6% de que el equipo de control de la contaminación pueda ponerse en mar-
cha en 16 semanas o menos, lo cual se muestra en la figura 11.8.
Qué puede proporcionar PERT

Hasta ahora, PERT ha sido capaz de ofrecer a Lester Harky varias piezas valiosas de información para la
gestión:
El sexto y último paso es monitorear 1. La fecha esperada de terminación del proyecto es de 15 semanas.
y controlar el proyecto mediante 2. Hay una probabilidad de 71.6% de que el equipo esté instalado dentro del plazo de 16 semanas.
la información proporcionada PERT puede encontrar fácilmente la probabilidad de terminar en cualquier fecha que a Harky le
por PERT. interese
3. Cinco actividades (A, C, E, G, H) se encuentran en la ruta crítica. Si alguna de ellas se retrasa por
cualquier razón, todo el proyecto se demorará.
4. Tres actividades (B, D, F) no son críticas, sino que tienen un tiempo de holgura incluido. Esto signi-
fica que Harky puede tomar recursos de ellas, si es necesario, para acelerar todo el proyecto.
5. Se dispone de un programa detallado de las fechas de inicio y terminación para cada actividad (vea la
tabla 11.3).
Uso de Excel QM para el ejemplo de General Foundry

Este ejemplo se puede trabajar con Excel QM. Para ello, seleccione Excel QM de la pestaña Add-Ins en
Excel 2013, como se muestra en el programa 11.1A. En el menú desplegable, coloque el cursor sobre
Project Management, y aparecerán algunas opciones a la derecha. Para introducir un problema que se
*
Usted debería estar consciente de que las actividades no críticas también tienen variabilidad (como se muestra en la tabla 11.2).
De hecho, una ruta crítica diferente podría evolucionar debido a la situación probabilística. Esto también puede ocasionar que
las estimaciones de probabilidad sean poco confiables. En tales casos, es mejor utilizar la simulación para determinar las
probabilidades.

11.2 PERT/CPM 407
PROGRAMA 11.1A
Pantalla de inicio de
Excel QM para el ejemplo
de General Foundry con
De la pestaña Add-Ins seleccione Excel QM
3 estimaciones de tiempo
Seleccione Project Management

en el menú desplegable.
Seleccione Predecessor List (AON).
Elija el número de actividades, el número

máximo de predecesores y seleccione 3
estimaciones de tiempo. Haga clic en OK.
presenta en una tabla con los predecesores inmediatos y tres estimaciones de tiempo, seleccione Pre-
decessor List (AON) y aparecerá la ventana de inicio. Especifique el número de actividades, el número
máximo de predecesores inmediatos de las actividades y seleccione la opción 3 Time Estimate. Si de-
sea ver un diagrama de Gantt, seleccione la opción Graph. Haga clic en OK cuando haya terminado, y
aparecerá una hoja de cálculo, con todas las filas y columnas necesarias etiquetadas. Para este ejemplo,
introduzca las tres estimaciones de tiempo en las celdas B8:D15 y, luego, ingrese los predecesores inme-
diatos en las celdas C18:D25, como se indica en el programa de 11.1B. No se requieren otras entradas
ni otros pasos.
A medida que se introducen los datos, Excel QM calcula los tiempos esperados y las varianzas para
todas las actividades, y una tabla mostrará automáticamente los tiempos más lejanos y más cercanos, así
como los tiempos de holgura para todas las actividades. Se despliega un diagrama de Gantt que muestra
la ruta crítica y el tiempo de holgura para las actividades.
Análisis de sensibilidad y gestión de proyectos

Durante la ejecución de cualquier proyecto, el tiempo requerido para completar una actividad puede variar
con respecto al tiempo proyectado o esperado. Si la actividad está en la ruta crítica, el tiempo total para
la terminación del proyecto cambiará, como ya se expuso. Además de tener un impacto en el tiempo total
de terminación del proyecto, también hay un efecto sobre los tiempos de inicio más cercano, terminación
más cercana, inicio más lejano, terminación más lejana y holgura de otras actividades. El impacto preciso
depende de la relación entre las diversas actividades.
En las secciones anteriores se definió una actividad predecesora inmediata como una actividad
que está inmediatamente antes de una actividad dada. En general, una actividad predecesora es aque-
lla que debe completarse antes de que pueda iniciarse la actividad en cuestión. Considere la activi-
dad G (instalar el dispositivo contra la contaminación) del ejemplo de General Foundry. Como se vio

PROGRAMA 11.1B El diagrama de Gantt muestra las actividades

Pantalla de introducción críticas y las actividades no críticas.
en Excel QM y solución
para el ejemplo de
General Foundry
con 3 estimaciones Introduzca las tres estimaciones
de tiempo para cada actividad.
de tiempo
Los tiempos esperados, las desviaciones estándar

y las varianzas se calculan automáticamente.
Introduzca los predecesores inmediatos.
La tabla de resultados despliega

todas las actividades con todos
los tiempos más cercanos, más
lejanos y de holgura.
anteriormente, esta actividad está en la ruta crítica. Las actividades predecesoras son A, B, C, D y E.
Todas estas actividades deben completarse antes de que la actividad G pueda iniciar. Una actividad
sucesora es aquella que puede iniciar sólo después de finalizada la actividad dada. Por ejemplo, la ac-
tividad H es la única actividad sucesora de la actividad G. Una actividad paralela es aquella que no
depende directamente de la actividad dada. Una vez más, considere la actividad G. ¿Existen actividades
que le sean paralelas? Si se observa la red de General Foundry, es posible ver que la actividad F es una
actividad paralela a la actividad G.
Después de haber definido las actividades predecesoras, sucesoras y paralelas, podemos explorar
el impacto que un aumento (disminución) del tiempo de una actividad en la ruta crítica tendría en las
demás actividades de la red. Los resultados se resumen en la tabla 11.4. Si el tiempo que tarda en
completarse la actividad G aumenta, habrá un aumento en el inicio más cercano, la terminación más
cercana, el inicio más lejano y la terminación más lejana de todas las actividades sucesoras. Debido
a que estas actividades siguen después de la actividad G, sus tiempos también aumentarían. Como
el tiempo de holgura es igual al tiempo de terminación más lejano menos el tiempo de terminación
más cercano (o el tiempo de inicio más lejano menos el tiempo de inicio más cercano; LF - EF o
LS - ES), no habrá ningún cambio en la holgura de las actividades sucesoras. Como la actividad G
TABLA 11.4
TIEMPO DE ACTIVIDAD ACTIVIDAD ACTIVIDAD
Impacto de un aumento ACTIVIDAD SUCESORA PARALELA PREDECESORA
(disminución) del tiempo
de actividad para una Inicio más cercano Aumento (disminución) Sin cambio Sin cambio
actividad en la ruta Terminación más cercana Aumento (disminución) Sin cambio Sin cambio
crítica
Inicio más lejano Aumento (disminución) Aumento (disminución) Sin cambio
Terminación más lejana Aumento (disminución) Aumento (disminución) Sin cambio
Holgura Sin cambio Aumento (disminución) Sin cambio

11.3 PERT/COSTO 409
está en la ruta crítica, un aumento del tiempo de esa actividad incrementará el tiempo total para la
terminación del proyecto. Esto significa que los tiempos de terminación más lejana, inicio más lejano
y de holgura también aumentarán para todas las actividades paralelas. Esto lo puede probar usted
mismo, completando un paso hacia atrás a través de la red usando un mayor tiempo total de termina-
ción del proyecto. No hay cambios para las actividades predecesoras.
11.3 PERT/Costo
Aunque PERT es un excelente método para dar seguimiento y controlar la duración de un proyecto, no
considera otro factor muy importante: el costo del proyecto. PERT/Costo es una modificación de PERT
El uso de PERT/Costo para planear, que permite a un administrador planear, programar, supervisar y controlar tanto el costo como el tiempo.
programar, supervisar y controlar el Esta sección inicia investigando cómo los costos pueden planearse y programarse. Después se averi-
costo del proyecto ayuda a lograr gua cómo se supervisan y controlan los costos.
el sexto y último paso de PERT.
Planeación y programación de los costos del proyecto:
proceso de presupuesto
El enfoque general en el proceso de elaboración del presupuesto de un proyecto es determinar cuánto se
gastará cada semana o mes. Esto se logra de la siguiente manera:
Cuatro pasos del proceso de presupuesto

1. Identifique todos los costos asociados con cada una de las actividades. Después, sume estos costos
para obtener una estimación o un presupuesto para cada actividad.
2. Si se trata de un proyecto grande, es posible combinar varias actividades en paquetes de trabajo más
grandes. Un paquete de trabajo es simplemente una colección lógica de actividades. Dado que el pro-
yecto de General Foundry que hemos estado analizando es pequeño, cada actividad será un paquete
de trabajo.
3. Convierta el costo presupuestado por actividad en un costo por un periodo de tiempo. Para ello,
suponga que el costo por completar cualquier actividad se gasta a una razón uniforme a través
del tiempo. Por lo tanto, si el costo presupuestado para una actividad dada es de $48,000 y el
tiempo esperado de la actividad son cuatro semanas, el costo presupuestado por semana es de
$12,000 1= 48,000>4 semanas2.
4. Use los tiempos de inicio más cercano y más lejano para averiguar la cantidad de dinero que debería
gastarse cada semana o cada mes para terminar el proyecto en la fecha deseada.
PRESUPUESTO PARA GENERAL FOUNDRY Apliquemos este proceso de presupuesto al problema de

General Foundry. El diagrama de Gantt para el problema, que se muestra en la figura 11.9, ilustra este pro-
ceso. En el diagrama, una barra horizontal muestra cuándo se llevará a cabo cada actividad con base en los
tiempos más cercanos. Al desarrollar un programa de presupuesto, determinaremos cuánto se gasta en cada
actividad durante cada semana y tales cantidades se introducirán en el diagrama en vez de las barras. Lester
Harky ha calculado cuidadosamente los costos asociados a cada una de sus ocho actividades. También di-
vidió el presupuesto total para cada actividad entre el tiempo de terminación esperado de esa actividad, con
la finalidad de determinar el presupuesto semanal de cada actividad. El presupuesto para la actividad A,
FIGURA 11.9
A
Diagrama de Gantt
para el ejemplo de B
General Foundry C
Actividad
D
E
F
G
H
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana

California necesita la gestión de proyectos para

EN ACCIÓN un proyecto de agua de $25 mil millones
administración de los contratistas de construcción y excavación, y la

L a crisis presupuestaria de California ha afectado muchas vidas. En
medio de la confusión, se presentó un nuevo proyecto para desviar el
supervisión de los gastos generales… en otras palabras, la gestión del
proyecto.
agua del río Sacramento a través de dos enormes túneles dirigidos ha- El estado de California ha estimado que la construcción de los
cia la parte sur del estado. El proyecto tardará 10 años en terminarse y dos túneles tendrá un costo de $14,500 millones, el valor presente
se espera que tenga 50 años de vida útil. neto de la operación y el mantenimiento de los dos túneles duran-
Sus defensores dicen que el proyecto de agua mejorará la cali- te su vida útil de 50 años, equivale a $4,800 millones, y la restaura-
dad de este líquido, incrementará su sustentabilidad, aumentará la ción del hábitat requeriría otros $4,100 millones. En este caso, parece
fortaleza ante terremotos, minimizará las exportaciones totales y dis- que la gestión de proyectos no es sólo un lujo, es una necesidad.
minuirá la demanda de instalaciones existentes con aguas que ma-
tan peces provenientes de la parte sur de California. El mayor desafío
para el proyecto propuesto de trasvase de aguas mediante un túnel Fuente: California plan to overhaul water system hub to cost $25 billion, Los
doble será la coordinación de las agencias estatales y federales, la Angeles Times, 29 de mayo de 2013, <articles.latimes.com>.
por ejemplo, es de $22,000 (vea la tabla 11.5). Como su tiempo esperado (t) es de 2 semanas, se gastan
$11,000 cada semana para completar la actividad. La tabla 11.5 también proporciona dos datos que en-
contramos anteriormente utilizando PERT: el tiempo de inicio más cercano (ES) y el tiempo de inicio más
lejano (LS) para cada actividad.
Si se observa el total de los costos de actividad presupuestados, todo el proyecto tendrá un costo de
$308,000. Encontrar el presupuesto semanal ayudará a Harky a determinar cómo avanza el proyecto cada
semana.
Un presupuesto se calcula El presupuesto semanal para el proyecto se desarrolla a partir de los datos de la tabla 11.5. El tiempo
utilizando ES. de inicio más cercano para la actividad A, por ejemplo, es 0. Debido a que A requiere 2 semanas para
completarse, su presupuesto semanal de $11,000 debería gastarse en las semanas 1 y 2. Para la actividad
B, el tiempo de inicio más cercano es 0, el tiempo de terminación esperado es de 3 semanas y el costo
presupuestado por semana es de $10,000. Por lo tanto, para la actividad B se deberían gastar $10,000 en
cada una de las semanas 1, 2 y 3. Mediante el uso del tiempo de inicio más cercano, podemos encontrar
las semanas exactas durante las cuales se tiene que gastar el presupuesto de cada actividad. Estas cantida-
des semanales se pueden sumar para todas las actividades, con la finalidad de obtener el presupuesto se-
manal para todo el proyecto. Esto se muestra en la tabla 11.6. Note las semejanzas entre esta tabla y el
diagrama de Gantt mostrado en la figura 11.9.
¿Puede usted ver cómo se determina el presupuesto semanal para el proyecto (total por semana)
en la tabla 11.6? Las dos únicas actividades que se pueden realizar durante la primera semana son A y B,
ya que sus tiempos de inicio más cercanos son 0. Por lo tanto, durante la primera semana se debe gastar un
TABLA 11.5 Costo de actividad para General Foundry, Inc.
TIEMPO DE INICIO TIEMPO DE INICIO TIEMPO COSTO COSTO PRESUPUESTADO

MÁS CERCANO, MÁS LEJANO, ESPERADO, PRESUPUESTADO POR SEMANA
ACTIVIDAD ES LS t TOTAL ($) ($)
A 0 0 2 22,000 11,000
B 0 1 3 30,000 10,000
C 2 2 2 26,000 13,000
D 3 4 4 48,000 12,000
E 4 4 4 56,000 14,000
F 4 10 3 30,000 10,000
G 8 8 5 80,000 16,000
H 13 13 2 16,000 8,000
Total 308,000

11.3 PERT/COSTO 411
TABLA 11.6 Costo presupuestado (miles de $) para General Foundry, Inc., utilizando los tiempos
de inicio más cercanos
SEMANA
ACTIVIDAD 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 TOTAL
A 11 11 22
B 10 10 10 30
C 13 13 26
D 12 12 12 12 48
E 14 14 14 14 56
F 10 10 10 30
G 16 16 16 16 16 80
H 8 8 16
308
Total por semana 21 21 23 25 36 36 36 14 16 16 16 16 16 8 8
Total a la fecha 21 42 65 90 126 162 198 212 228 244 260 276 292 300 308
total de $21,000. Debido a que las actividades A y B todavía se siguen realizando en la segunda semana,
durante ese periodo también se tiene que gastar un total de $21,000. El tiempo de inicio más cercano para
la actividad C está al final de la semana 2 (ES = 2 para la actividad C). Por lo tanto, se gastan $13,000
en la actividad C, tanto en la semana 3 como en la 4. Como la actividad B también se está realizando du-
rante la semana 3, el presupuesto total de la semana 3 es de $23,000. Para todas las actividades, se llevan a
cabo cálculos similares a éstos que determinan el presupuesto total para todo el proyecto por cada semana.
Entonces estos totales semanales se pueden agregar para determinar la cantidad total que debería gastarse
hasta cierta fecha (total a la fecha). Esta información se muestra en la fila inferior de la tabla.
Otro presupuesto se calcula Las actividades que se encuentran en la ruta crítica deben gastar sus presupuestos en los tiempos
utilizando LS. mostrados en la tabla 11.6. Por su parte, las actividades que no están en la ruta crítica pueden iniciar en una
fecha posterior. Este concepto se materializa en el tiempo de inicio más lejano, LS, para cada actividad.
Por consiguiente, si se utilizan los tiempos de inicio más lejanos, es posible obtener otro presupuesto, el
cual retrasará el gasto de fondos hasta el último momento posible. Los procedimientos para calcular
el presupuesto usando los LS son los mismos que cuando se utilizan los ES. Los resultados de los nuevos
cálculos se muestran en la tabla 11.7.
TABLA 11.7 Costo presupuestado (miles de $) para General Foundry, Inc., usando los tiempos
de inicio más lejanos
ACTIVIDAD 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 TOTAL
A 11 11 22
B 10 10 10 30
C 13 13 26
D 12 12 12 12 48
E 14 14 14 14 56
F 10 10 10 30
G 16 16 16 16 16 80
H 8 8 16
308
Total por semana 11 21 23 23 26 26 26 26 16 16 26 26 26 8 8
Total a la fecha 11 32 55 78 104 130 156 182 198 214 240 266 292 300 308

FIGURA 11.10 Costo

Rangos de presupuesto total
para General Foundry presupuestado
$300,000
Presupuesto usando
los tiempos de inicio
más cercanos, ES
250,000
200,000
150,000 Presupuesto usando

los tiempos de inicio
más lejanos, LS
100,000
50,000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 semanas
Compare los presupuestos dados en las tablas 11.6 y 11.7. La cantidad que debería gastarse hasta la
fecha (total a la fecha) para el presupuesto de la tabla 11.7 utiliza menos recursos financieros en las prime-
ras semanas. Esto se debe a que el presupuesto se prepara utilizando los tiempos de inicio más lejanos. Por
lo tanto, el presupuesto de la tabla 11.7 muestra el último momento posible en el que los fondos pueden
gastarse y aun así terminar el proyecto a tiempo. El presupuesto de la tabla 11.6 muestra el momento más
cercano posible en el que los fondos pueden gastarse. Por consiguiente, un administrador elige cualquier
opción que se sitúe entre los presupuestos presentados en estas dos tablas, las cuales forman rangos facti-
bles para el presupuesto. Este concepto se ilustra en la figura 11.10.
Los rangos de presupuesto para General Foundry se establecieron al graficar los presupuestos totales
a la fecha para ES y LS. Lester Harky puede utilizar cualquier presupuesto entre estos rangos factibles y
aun así completar a tiempo el proyecto contra la contaminación del aire. Normalmente, antes de que inicie
el proyecto se desarrollan presupuestos como los mostrados en la figura 11.10. Luego, a medida que el
proyecto avanza, los fondos gastados deben supervisarse y controlarse.
Aunque hay ventajas en el flujo de efectivo y en el manejo del dinero para retrasar las actividades
hasta sus tiempos de inicio más lejanos, estos retrasos pueden crear problemas con la terminación del
proyecto a tiempo. Si una actividad no se inicia sino hasta su tiempo de inicio más lejano, no hay holgura
restante. Cualquier retraso subsecuente en esta actividad demorará el proyecto. Por tal razón, es posible
¿Cumple el proyecto con el programa que no sea deseable programar todas las actividades para que inicien en su tiempo de inicio más lejano.
y está dentro de su presupuesto?
Seguimiento y control de los costos del proyecto
El propósito de la supervisión y el control de los costos del proyecto es asegurar que éste avance según
lo previsto y que los excesos de costos se mantengan al mínimo. El estatus de todo el proyecto tiene que
revisarse de manera periódica.
Lester Harky quiere saber cómo va su proyecto contra la contaminación del aire. En este momento
transcurre la sexta semana del proyecto de 15 semanas. Las actividades A, B y C han concluido, e implica-
ron costos de $20,000, $36,000 y $26,000, respectivamente. La actividad D se ha completado sólo 10% y,
hasta el momento, el costo invertido ha sido de $6,000. La actividad E está completada 20% con un costo

11.3 PERT/COSTO 413
TABLA 11.8 Seguimiento y control del costo presupuestado

COSTO PORCENTAJE VALOR DEL COSTO DIFERENCIA
PRESUPUESTADO DE TRABAJO REAL POR ACTIVIDAD
ACTIVIDAD TOTAL ($) TERMINACIÓN COMPLETADO ($) ($) ($)
A 22,000 100 22,000 20,000 -2,000

B 30,000 100 30,000 36,000 6,000
C 26,000 100 26,000 26,000 0
D 48,000 10 4,800 6,000 1,200
E 56,000 20 11,200 20,000 8,800
F 30,000 20 6,000 4,000 -2,000
G 80,000 0 0 0 0
H 16,000 0 0 0 0
Total 100,000 112,000 12,000
Faltante
incurrido de $20,000, y la actividad de F se ha completado 20% con un costo incurrido de $4,000. Las
actividades G y H no han iniciado. ¿El proyecto contra la contaminación del aire cumple con el programa
previsto? ¿Cuál es el valor del trabajo realizado? ¿Hay exceso de costos?
El valor del trabajo realizado, o el costo presupuestado hasta la fecha para cualquier actividad, se pue-
den calcular de la siguiente manera:
Valor del trabajo completado = 1Porcentaje del trabajo completado2

* 1Presupuesto de actividad total2 (11-8)
La diferencia por actividad también es interesante:
Diferencia por actividad = Costo real - Valor del trabajo realizado (11-9)
Si una diferencia por actividad es negativa, existe un ahorro en el costo; pero si es positiva, ha ocurrido un
sobrecosto.
Calcule el valor del trabajo realizado La tabla 11.8 presenta esta información para General Foundry. La segunda columna contiene el costo
multiplicando el costo presupuestado presupuestado total (de la tabla 11.6), y la tercera columna contiene el porcentaje de terminación. Con
por el porcentaje de terminación. estos datos y el costo real gastado para cada actividad, podemos calcular el valor del trabajo realizado y el
ahorro o el sobrecosto para cada actividad.
Una forma de medir el valor del trabajo realizado consiste en multiplicar los costos presupuestados
totales por el porcentaje de terminación de cada actividad.* Por ejemplo, la actividad D tiene un valor
del trabajo realizado de $4,800 1= $48,000 por 10%2. Para determinar la cantidad de sobrecosto o aho-
rro para cualquier actividad, el valor del trabajo realizado se resta del costo real. Estas diferencias se su-
man para determinar el sobrecosto o el ahorro del proyecto. Como se observa, en la semana 6 hay un
sobrecosto de $12,000. Además, el valor del trabajo realizado es de sólo $100,000, y el costo real del pro-
yecto hasta la fecha es de $112,000. ¿Cómo se comparan estos costos con los costos presupuestados para
la semana 6? Si Harky hubiera decidido utilizar el presupuesto para los tiempos de inicio más cercanos
(vea la tabla 11.6) veremos que deberían haberse gastado $162,000. Por lo tanto, el proyecto se ha retra-
sado y hay sobrecostos. Harky necesita moverse más rápido en este proyecto para terminar a tiempo, y
debe controlar los costos futuros cuidadosamente para tratar de eliminar el sobrecosto actual de $12,000.
Para monitorear y controlar los costos, es necesario calcular periódicamente la cantidad presupuestada, el
valor del trabajo terminado y los costos reales.
En la siguiente sección veremos cómo acortar un proyecto mediante un gasto de dinero adicional.
La técnica se llama aceleración y forma parte del método de la ruta crítica (CPM).
*
El porcentaje de terminación de cada actividad también se puede medir de otras maneras. Por ejemplo, podría examinarse la
relación entre las horas de mano de obra usadas y las horas de mano de obra totales estimadas.

Pequeñas compañías usan la gestión de proyectos

EN ACCIÓN en cinco fases
Ejecución
R ecientemente, varias compañías pequeñas han incorporado he-
rramientas de gestión de proyectos a sus lugares de trabajo. En las
Al inicio de la puesta en marcha del proyecto está la fase de ejecu-
ción. Los gerentes dirigen a los empleados para que realicen tareas y
empresas pequeñas, los propietarios y gerentes asignan actividades tomen nota de sus tiempos de terminación.
en el proyecto a los empleados y a sí mismos. Los investigadores han
Control
identificado cinco fases básicas de un proyecto para ayudar a las pe-
La fase de control puede superponerse a la anterior fase de ejecución
queñas empresas; éstas son la concepción, la planeación y el diseño,
y consiste en asegurar el cumplimiento de los plazos de ejecución y
la ejecución, el control y el cierre.
los hitos, a tiempo y dentro del presupuesto. Durante esta fase, es
Concepción posible que deban reasignarse los recursos.
Durante la concepción, los tomadores de decisiones de los peque-
Cierre
ños negocios integran sus ideas y las alinean con los objetivos de la
El nombre de esta fase indica acertadamente que se realizan las presen-
empresa. En esta fase se toma la decisión de seguir adelante con el
taciones, se completan los análisis y se entregan los informes.
proyecto.
Planeación y diseño Fuente: Major Activities in Project Management Phases, Houston Chronicle,
La segunda fase consiste en determinar las tareas y los hitos que deben 21 de mayo de 2013, <smallbusiness.chron.com>.
pasarse para que el proyecto tenga éxito. También implica la asignación
de actividades a los departamentos y la preparación de la red PERT.
11.4 Aceleración del proyecto

En ocasiones, los proyectos tienen plazos de ejecución que serían imposibles de cumplir utilizando los
procedimientos normales para la terminación del proyecto. Sin embargo, mediante el uso de horas extras,
fines de semana de trabajo, contratación de trabajadores adicionales o el uso de más equipo, es posible
El acortamiento de un proyecto terminar un proyecto en menos tiempo de lo que normalmente se requiere. Sin embargo, como resultado
se llama aceleración. de esto, el costo del proyecto suele aumentar. Cuando se desarrolló CPM, se reconocía la posibilidad de
reducir el tiempo de terminación del proyecto; este proceso se llama aceleración.
Al acelerar un proyecto, se utiliza el tiempo normal de cada actividad para encontrar la ruta crítica.
El costo normal es el costo de completar la actividad utilizando procedimientos normales. Si el tiempo
de terminación del proyecto utilizando procedimientos normales cumple con la fecha límite impuesta,
no hay ningún problema. Sin embargo, cuando el plazo es anterior al tiempo normal de terminación
del proyecto, se deben tomar algunas medidas extraordinarias. Entonces, se desarrolla otro conjunto de
tiempos y costos para cada actividad. El tiempo acelerado es el menor tiempo posible para la actividad, y
esto requiere el uso de recursos adicionales. El costo de aceleración es el precio de completar la actividad
en un tiempo anterior a lo normal. Si un proyecto se debe acelerar, resulta conveniente hacerlo al menor
costo adicional posible.
La aceleración de proyectos con CPM consta de cuatro pasos:
Cuatro pasos de la aceleración de un proyecto

1. Encuentre la ruta crítica normal e identifique las actividades críticas.
2. Calcule el costo de aceleración por semana (u otro periodo de tiempo) para todas las actividades en
la red. Este proceso utiliza la siguiente fórmula:*
Costo de aceleración - Costo normal
Costo de aceleración>Periodo de tiempo = (11-10)
Tiempo normal - Tiempo de aceleración
3. Seleccione la actividad en la ruta crítica con el menor costo de aceleración por semana. Acelere esta
actividad en la mayor medida posible o hasta el punto donde se alcance su fecha límite deseada.
4. Revise para asegurarse de que la ruta crítica acelerada sigue siendo crítica. Con frecuencia, una
reducción en el tiempo de una actividad a lo largo de la ruta crítica ocasiona que otra u otras rutas
se vuelvan críticas. Si la ruta crítica sigue siendo el camino más largo a través de la red, vuelva al
paso 3. Si no, encuentre la nueva ruta crítica y regrese al paso 3.
*
Esta fórmula supone que los costos de aceleración son lineales. En caso de no serlo, deberán hacerse ajustes.

11.4 ACELERACIÓN DEL PROYECTO 415
TABLA 11.9 Datos normales y acelerados para General Foundry, Inc.

TIEMPO (SEMANAS) COSTO ($) COSTO DE
ACELERACIÓN ¿RUTA
ACTIVIDAD NORMAL ACELERADO NORMAL ACELERADO POR SEMANA ($) CRÍTICA?
A 2 1 22,000 23,000 1,000 Sí

B 3 1 30,000 34,000 2,000 No
C 2 1 26,000 27,000 1,000 Sí
D 4 3 48,000 49,000 1,000 No
E 4 2 56,000 58,000 1,000 Sí
F 3 2 30,000 30,500 500 No
G 5 2 80,000 86,000 2,000 Sí
H 2 1 16,000 19,000 3,000 Sí
Ejemplo de General Foundry

Suponga que a General Foundry se le han concedido 14 semanas en vez de 16 para instalar el nuevo equipo
de control de la contaminación, o enfrentar un cierre ordenado por los tribunales. O suponga que hay una
bonificación establecida por Lester, si el equipo llegara a estar instalado en 12 semanas o menos. Como
recordará, la longitud de la ruta crítica de Lester Harky fue de 15 semanas. ¿Qué más puede hacer? Es
claro que Harky no cumplirá con el plazo a menos que sea capaz de acortar algunos de los tiempos de las
actividades.
Los tiempos normales y acelerados de General Foundry, así como sus costos normales y acelerados,
se muestran en la tabla 11.9. Observe, por ejemplo, que el tiempo normal para la actividad B es de 3 se-
manas (esta estimación también se utilizó para PERT) y su tiempo acelerado es de 1 semana. Esto signi-
fica que la actividad se puede acortar 2 semanas si se proporcionan recursos adicionales. El costo normal
es de $30,000, y el costo acelerado es de $34,000. Lo anterior implica que la aceleración de la actividad B
tendrá un costo adicional para General Foundry de $4,000. Se supone que los costos acelerados son linea-
les. Como se muestra en la figura 11.11, el costo acelerado por semana de la actividad B es de $2,000. Los
costos acelerados para todas las demás actividades se calculan de manera similar. En seguida, se pueden
aplicar los pasos 3 y 4 para reducir el tiempo de terminación del proyecto.
FIGURA 11.11
Costo
Tiempos y costos de
acelerados y normales actividad
para la actividad B Aceleración
$34,000
Costo de Costo de = Costo acelerado – Costo normal
aceleración aceleración/semana Tiempo normal – Tiempo acelerado
$33,000
= $34,000 – $30,000
3–1
$32,000 = $4,000 = $2,000 / Semana
2 semanas
$31,000
Normal
$30,000
Costo
normal
0 1 2 3 Tiempo (semanas)
Tiempo acelerado Tiempo normal

Las actividades A, C y E están en la ruta crítica, y cada una tiene un costo mínimo de aceleración por
semana de $1,000. Harky puede acelerar la actividad A en una semana para reducir el tiempo de termina-
ción del proyecto a 14 semanas. El costo es de $1,000 adicionales.
Ahora hay dos rutas críticas. En esta etapa, hay dos rutas críticas. La original consta de las actividades A, C, E, G y H, con un plazo
de terminación total de 14 semanas. La nueva ruta crítica consta de las actividades B, D, G y H, también
con un plazo de terminación total de 14 semanas. Cualquier aceleración adicional debe hacerse para ambas
rutas críticas. Por ejemplo, si Harky quiere reducir el tiempo de terminación del proyecto en dos sema-
nas más, necesitará reducir ambas rutas. Esto se puede hacer al reducir la actividad G, que está en ambas
rutas críticas, en dos semanas por un costo adicional de $2,000 semanales. El tiempo total de terminación
sería de 12 semanas, y el costo total de aceleración sería de $5.000 ($1,000 por reducir la actividad A en
una semana y $4,000 por reducir la actividad G en dos semanas).
Para redes pequeñas, como la de General Foundry, es posible utilizar el procedimiento de cuatro pasos
para encontrar el menor costo por reducir el tiempo de terminación del proyecto. Por otro lado, en redes
más grandes, este enfoque es difícil y poco práctico, y resulta necesario emplear técnicas más sofisticadas,
como la programación lineal.
Aceleración de un proyecto con programación lineal

La programación lineal (vea los capítulos 7 y 8) es otro enfoque para encontrar el mejor programa de ace-
leración de un proyecto. Su uso se ilustrará en la red de General Foundry. Los datos necesarios se obtienen
en la tabla 11.9 y en la figura 11.12.
El primer paso es definir las variables Comenzamos definiendo las variables de decisión. Si X es el tiempo de terminación más cercano para
de decisión para el programa lineal. una actividad, entonces
XA = EF para la actividad A
XB = EF para la actividad B
XC = EF para la actividad C
XD = EF para la actividad D
XE = EF para la actividad E
XF = EF para la actividad F
XG = EF para la actividad G
XH = EF para la actividad H
Xinicio = tiempo de inicio para el proyecto (normalmente 0)
Xfinal = tiempo de terminación más cercano para el proyecto
Aunque el nodo de inicio tiene una variable 1Xinicio2 asociado con él, esto no es necesario puesto que se le
dará un valor de 0, que podría utilizarse en lugar de la variable.
Y se define como el número de semanas que se acelera cada actividad. YA es el número de semanas
que decidimos acelerar la actividad A, YB es la cantidad de tiempo de aceleración usado en la actividad
B, y así sucesivamente hasta YH.
FIGURA 11.12
Red de General Foundry A 2 C 2 F 3
con tiempos de actividad
Inicio E 4 H 2 Final
B 3 D 4 G 5

11.4 ACELERACIÓN DEL PROYECTO 417
El siguiente paso es determinar la FUNCIÓN OBJETIVO Dado que el objetivo es minimizar el costo de aceleración del proyecto total, nues-
función objetivo. tra función objetivo de PL es
Minimizar el costo de aceleración = 1,000YA + 2,000YB + 1,000YC + 1,000YD + 1,000YE

+ 500YF + 2,000YG + 3,000YH
(Estos coeficientes de costo fueron extraídos de la sexta columna de la tabla 11.9).
En seguida se determinan las RESTRICCIONES DEL TIEMPO DE ACELERACIÓN Se requieren restricciones para asegurar que
restricciones de aceleración. cada actividad no se acelera más allá de su tiempo de aceleración máximo permisible. El máximo
para cada variable Y es la diferencia entre el tiempo normal y el tiempo de aceleración (a partir de la
tabla 11.9):
YA … 1
YB … 2
YC … 1
YD … 1
YE … 2
YF … 1
YG … 3
YH … 1
El paso final es determinar las RESTRICCIÓN DE LA TERMINACIÓN DEL PROYECTO Esta restricción especifica que el último evento
restricciones de los eventos. debe tener lugar antes de la fecha límite del proyecto. Si el proyecto de Harky debe acelerarse a 12 sema-
nas, entonces,
Xfinal … 12
RESTRICCIONES QUE DESCRIBEN LA RED El conjunto final de restricciones describe la estructura de

la red. Cada actividad tendrá una restricción para cada uno de sus predecesores. La forma de estas restric-
ciones es
Tiempo de terminación Tiempo de terminación más cercano Tiempo de

Ú +
más cercano del predecesor la actividad
EF Ú EFpredecesor + 1t - Y 2
o bien, X Ú Xpredecesor + 1t - Y 2
El tiempo de actividad se da como t - Y, o el tiempo normal de la actividad menos el tiempo ahorrado por la
aceleración. Sabemos que EF = ES + Tiempo de la actividad, y que ES = Mayor EF de los predecesores.
Comenzamos por definir el inicio del proyecto en el tiempo igual a cero: Xinicio = 0.
Para la actividad A,
XA Ú Xinicio + 12 - YA 2
o XA - Xinicio + YA Ú 2
Para la actividad B,
XB Ú Xinicio + 13 - YB 2
o XB - Xinicio + YB Ú 3
Para la actividad C,
XC Ú XA + 12 - YC 2
o XC - XA + YC Ú 2
Para la actividad D,
XD Ú XB + 14 - YD 2
o XD - XB + YD Ú 4

Para la actividad E,
XE Ú XC + 14 - YE 2
o XE - XC + YE Ú 4
Para la actividad F,
XF Ú XC + 13 - YF 2
o XF - XC + YF Ú 3
Para la actividad G, necesitamos dos restricciones ya que hay dos predecesores. La primera restricción para
la actividad G es
XG Ú XD + 15 - YG 2
o X G - XD + YG Ú 5
La segunda restricción para la actividad G es
XG Ú XE + 15 - YG 2
o XG - XE + YG Ú 5
Para la actividad H necesitamos dos restricciones puesto que hay dos predecesores. La primera restric-
ción para la actividad H es
XH Ú XF + 12 - YH 2
o XH - XF + YH Ú 2
La segunda restricción para la actividad H es
XH Ú XG + 12 - YH 2
o X H - XG + YH Ú 2
Para indicar que el proyecto está terminado cuando concluye la actividad H, tenemos
Xfinal Ú XH
Después de agregar las restricciones de no negatividad, este problema de PL puede resolverse para encon-
trar los valores Y óptimos. Lo anterior se puede hacer con QM para Windows o Excel QM. En el programa
11.2 se presenta la solución de Excel QM a este problema.
PROGRAMA 11.2
Solución al problema de
aceleración mediante
Solver en Excel
La actividad A se acelera La actividad G se acelera 2 semanas.
1 semana.
El costo total de acelerar el
proyecto 3 semanas es de $5,000.

RESUMEN 419
11.5 Otros temas en la gestión de proyectos

Hemos visto cómo programar un proyecto y desarrollar programas de presupuesto. Sin embargo, hay otras
cuestiones que son importantes y útiles para un administrador de proyectos. A continuación las presen-
taremos brevemente.
Subproyectos
Para proyectos extremadamente grandes, una actividad puede componerse de varias subactividades más
pequeñas. Cada actividad puede verse como un proyecto más pequeño o un subproyecto del proyecto ori-
ginal. La persona a cargo de la actividad tal vez desee crear un gráfico PERT/CPM para la gestión de este
subproyecto. Muchos paquetes de software tienen la capacidad de incluir varios niveles de subproyectos.
Hitos
Con frecuencia, los eventos principales en un proyecto se refieren como hitos. Éstos se reflejan a menudo
en los diagramas de Gantt y los gráficos PERT para destacar la importancia de llegar a esos eventos.
Nivelación de recursos
Además de gestionar el tiempo y los costos involucrados en un proyecto, un administrador también debe
estar preocupado con los recursos utilizados en un proyecto. Estos recursos podrían ser equipos o perso-
nas. En la planeación de un proyecto (y, a menudo como parte de la estructura de desglose del trabajo), un
administrador debe identificar qué recursos se necesitan en cada actividad. Por ejemplo, en un proyecto
de construcción puede haber varias actividades que requieran el uso de equipo pesado, por ejemplo, una
grúa. Si la empresa constructora tiene sólo una grúa, entonces es posible que se generen conflictos al
programar dos actividades que requieren el uso de la grúa en el mismo día. Para aliviar los problemas de
este tipo, se utiliza la nivelación de recursos, que significa que una o más actividades se trasladan del
tiempo de inicio más cercano a otro tiempo (no posterior al tiempo de inicio más lejano) para que la uti-
lización de recursos se distribuya más uniformemente a lo largo del tiempo. Si los recursos son cuadrillas
de construcción, esto es muy benéfico, porque las cuadrillas se mantienen ocupadas y el tiempo extra se
reduce al mínimo.
Software
Existen varios paquetes de software para la gestión de proyectos en el mercado, tanto para estaciones de
trabajo como para computadoras personales. Algunos de estos programas se alojan localmente, mientras
que otros están basados en la nube. Entre el software destacado se encuentra Microsoft Project, Clarizen
(basado en la nube), OmniPlan y OpenProj, que pueden utilizarse para desarrollar programas de presu-
puesto, ajustar automáticamente los tiempos de inicio futuros con base en los tiempos de inicio reales de
las actividades anteriores, y nivelar la utilización de recursos.
Un buen software para computadoras personales varía en precio desde unos pocos cientos hasta varios
miles de dólares. Para estaciones de trabajo, el software suele costar mucho más. Las empresas han pagado
varios cientos de miles de dólares por software y soporte para la gestión de proyectos, debido a que ayuda
a que la gerencia tome mejores decisiones y realice un seguimiento de aspectos de un proyecto que, de otro
modo, serían muy difíciles de manejar.
Resumen
En este capítulo, se presentaron los fundamentos de PERT y CPM. Mediante el uso de PERT>Costo, es posible determinar si hay sobre-
Ambas técnicas son excelentes para controlar proyectos grandes y costos o ahorros en cualquier momento. También se puede determinar
complejos. si el proyecto se ajusta al programa establecido.
PERT es probabilística y permite tres estimaciones de tiempo CPM, aunque similar a PERT, tiene la capacidad de acelerar los
para cada actividad. Estas estimaciones se utilizan para calcular el proyectos, reduciendo su tiempo de terminación mediante la aplica-
tiempo de terminación esperado del proyecto, la varianza y la pro- ción de recursos adicionales. Por último, vimos que la programación
babilidad de que el proyecto se complete en una fecha determinada. lineal también se utiliza para acelerar una red, en una cantidad de-
PERT>Costo, una extensión de PERT estándar, se puede utilizar para seada, a un costo mínimo.
planear, programar, supervisar y controlar los costos del proyecto.

Glosario
Aceleración El proceso de reducir el tiempo total que se necesita para PERT/Costo Una técnica que permite al tomador de decisiones
completar un proyecto mediante el gasto de fondos adicionales. planear, programar, supervisar y controlar los costos, así como el
Actividad Un trabajo o una tarea que consume tiempo y es una tiempo del proyecto.
subparte clave del proyecto total. Predecesor inmediato Una actividad que debe completarse antes
Actividades en los arcos (AOA) Una red en la cual las actividades de poder iniciar otra actividad.
se representan mediante arcos. Red Una representación gráfica de un proyecto que contiene las
Actividades en los nodos (AON) Una red en la que las actividades actividades y los eventos.
se representan mediante nodos. Éste es el modelo que se ilustra Ruta crítica La serie de actividades que tienen holgura cero. Es la
en nuestro libro. trayectoria con el tiempo más largo a través de la red. Un retraso
Análisis de la ruta crítica Un análisis que determina el tiempo de cualquier actividad que se encuentra en la ruta crítica demorará
total para la terminación del proyecto, su ruta crítica, así como la terminación de todo el proyecto.
la holgura, ES, EF, LS y LF para cada actividad. Tiempo de actividad esperado El tiempo promedio que se requiere
CPM Método de la ruta crítica. Una técnica determinista de redes para completar una actividad. t = 1a + 4m + b2>6.
similar a PERT, pero que permite acelerar los proyectos. Tiempo de holgura La cantidad de tiempo que puede retrasarse una
Diagrama de Gantt Una gráfica de barras que indica cuándo se actividad sin demorar todo el proyecto. La holgura es igual al
llevarán a cabo las actividades (representadas mediante barras) tiempo de inicio más lejano menos el tiempo de inicio más
de un proyecto. cercano, o el tiempo de terminación más lejano menos el tiempo
Distribución de probabilidad beta Una distribución de probabilidad de terminación más cercano.
que se utiliza con frecuencia para calcular los tiempos esperados de Tiempo de inicio más cercano (ES) El tiempo más cercano en el
terminación de las actividades y las varianzas en las redes. que puede iniciar una actividad sin quebrantar los requisitos de
Estimaciones del tiempo de la actividad Tres estimaciones de precedencia.
tiempo que se utilizan para determinar el tiempo de terminación Tiempo de inicio más lejano (LS) El tiempo más lejano en el que
esperado y la varianza de una actividad en una red PERT. una actividad puede iniciar sin retrasar todo el proyecto.
Estructura de desglose del trabajo (EDT) Una lista de las activi- Tiempo de terminación más cercano (EF) El tiempo más cercano
dades que se deben realizar en un proyecto. en el que se puede terminar una actividad sin quebrantar los requi-
Evento Un punto en el tiempo que marca el inicio o el final de una sitos de precedencia.
actividad. Tiempo de terminación más lejano (LF) El tiempo más lejano en
Hito Un evento importante en un proyecto. el cual una actividad puede terminar sin retrasar todo el proyecto.
Nivelación de recursos El proceso de suavizar la utilización de los Tiempo más probable (m) La cantidad de tiempo esperada que se
recursos en un proyecto. requiere para completar una actividad.
Paso hacia adelante Un procedimiento que se mueve desde el ini- Tiempo optimista (a) El menor lapso de tiempo que podría reque-
cio de una red hasta el final de ésta. Se utiliza en la determinación rirse para terminar una actividad.
de los tiempos de inicio más cercanos y los tiempos de termina- Tiempo pesimista (b) La mayor cantidad de tiempo que podría
ción más cercanos de cada actividad. requerirse para completar la actividad.
Paso hacia atrás Un procedimiento que se mueve desde el final Varianza del tiempo de terminación de la actividad Una medida
de una red hasta el inicio de ésta. Se utiliza para determinar los de dispersión del tiempo de terminación de la actividad.
tiempos de inicio más lejano y de terminación más lejana. Varianza = 3 1b - a2>6 4 2.
PERT Técnica de evaluación y revisión del programa. Una técnica
de redes que permite tres estimaciones de tiempo para cada activi-
dad en un proyecto.
Ecuaciones clave
a + 4m + b Fecha de vencimiento - Fecha esperada de terminación
(11-1) t = (11-7) Z=
6 sT
Tiempo de terminación esperado para la actividad. Número de desviaciones estándar a las que se encuentra la
b - a 2 fecha objetivo con respecto a la fecha esperada, usando
(11-2) Varianza = a b la distribución normal.
6
(11-8) Valor del trabajo completado = 1Porcentaje de trabajo com-
pletado2 * 1Presupuesto total de la actividad2
Varianza de una actividad.
(11-3) EF = ES + t
Tiempo de terminación más cercano. (11-9) Diferencia de la actividad = Costo real - Valor del trabajo
(11-4) LS = LF - t completado
Tiempo de inicio más lejano. Costo de aceleración Costo de aceleración - Costo normal
(11-5) Holgura = LS - ES u Holgura = LF - EF (11-10) =
Tiempo de holgura en una actividad. Periodo de tiempo Tiempo normal - Tiempo acelerado
(11-6) Varianza del proyecto = g varianzas de las actividades en la El costo en CPM por reducir la longitud de una actividad en
ruta crítica un periodo de tiempo.

Problemas resueltos

Para terminar el ensamble de las alas de un avión experimental, Scott DeWitte ha establecido los principales pasos
y las siete actividades involucradas. Estas actividades se han etiquetado de la A a la G y se muestran en la siguiente
tabla, donde también se presentan sus tiempos estimados de terminación (en semanas) y sus predecesores inmedia-
tos. Determine el tiempo esperado y la varianza para cada actividad.
PREDECESORES
ACTIVIDAD a m b INMEDIATOS
A 1 2 3 —
B 2 3 4 —
C 4 5 6 A
D 8 9 10 B
E 2 5 8 C, D
F 4 5 6 B
G 1 2 3 E
Solución
Aunque no es necesario para este problema, resultaría útil contar con una gráfica de todas las actividades. En la
figura 11.13, se muestra un diagrama PERT para el ensamble de alas.
FIGURA 11.13
Diagrama PERT A C E G
para Scott DeWitte
(problema
resuelto 11-1)
Inicio D Final
B F
Los tiempos y las varianzas esperados pueden calcularse utilizando las fórmulas que se presentaron en el capí-
tulo. Los resultados se resumen en la siguiente tabla:
TIEMPO
ESPERADO
ACTIVIDAD (EN SEMANAS) VARIANZA
A 2 1
>9
B 3 1
>9
C 5 1
>9
D 9 1
>9
E 5 1
F 5 1
>9
G 2 1
>9


Con referencia al problema resuelto 11-1, ahora Scott desearía determinar la ruta crítica para todo el proyecto del
ensamble de alas, así como el tiempo de terminación esperado para la totalidad del proyecto. Además, le gustaría
determinar los tiempos de inicio y de terminación más cercanos y más lejanos para todas las actividades.
Solución
La ruta crítica, los tiempos de inicio más cercanos, los tiempos de terminación más cercanos, los tiempos de inicio
más lejanos y los tiempos de terminación más lejanos pueden determinarse con base en los procedimientos descri-
tos en el capítulo. Los resultados se muestran en la figura 11.14 y se resumen en la siguiente tabla:
TIEMPO DE ACTIVIDAD
ACTIVIDAD ES EF LS LF HOLGURA
A 0 2 5 7 5
B 0 3 0 3 0
C 2 7 7 12 5
D 3 12 3 12 0
E 12 17 12 17 0
F 3 8 14 19 11
G 17 19 17 19 0
Duración esperada del proyecto = 19 semanas

Varianza de la ruta crítica = 1.333
Desviación estándar de la ruta crítica = 1.155 semanas
FIGURA 11.14
Diagrama PERT
completo para A 2 C 5 E 5 G 2
Scott DeWitte 0 2 2 7 12 17 17 19
(problema 5 7 7 12 12 17 17 19
resuelto 11-2)
D 9
Inicio 3 12 Final
3 12
B 3 F 5
0 3 3 8
0 3 14 19
Las actividades a lo largo de la ruta crítica son B, D, E y G. Estas actividades tienen holgura cero, como se muestra
en la tabla. El tiempo de terminación esperado del proyecto es de 19 semanas. Los tiempos de inicio y de termina-
ción más cercanos y más lejanos se muestran en la tabla.

AUTOEVALUACIÓN 423
Autoevaluación
1. Los modelos de redes como PERT y CPM se utilizan para b. la suma de las desviaciones estándar de las actividades
a. planear proyectos grandes y complejos. en la ruta crítica.
b. programar proyectos grandes y complejos. c. la raíz cuadrada de la suma de las varianzas de las actividades
c. supervisar proyectos grandes y complejos. del proyecto.
d. controlar proyectos grandes y complejos. d. todas las anteriores.
e. todo lo anterior. e. ninguna de las anteriores.
2. La principal diferencia entre PERT y CPM es que 9. La ruta crítica es
a. PERT utiliza una estimación del tiempo. a. la ruta más corta en una red.
b. CPM tiene tres estimaciones de tiempo. b. la ruta más larga en una red.
c. PERT tiene tres estimaciones de tiempo. c. la ruta con la menor varianza.
d. con CPM, se supone que todas las actividades pueden reali- d. la ruta con la mayor varianza.
zarse al mismo tiempo. e. ninguna de las anteriores.
3. La tiempo de inicio más cercano para una actividad es igual a 10. Si el tiempo de terminación del proyecto se distribuye
a. el mayor EF de los predecesores inmediatos. normalmente y la fecha límite para el proyecto es mayor que el
b. el menor EF de los predecesores inmediatos. tiempo de terminación esperado, entonces la probabilidad de
c. el mayor ES de los predecesores inmediatos. que el proyecto esté terminado para la fecha límite es
d. el menor ES de los predecesores inmediatos. a. menor que 0.50.
4. El tiempo de terminación más lejano de una actividad se b. mayor que 0.50.
encuentra con un paso hacia atrás a través de la red. El tiempo c. igual a 0.50.
de terminación más lejano es igual a d. indeterminable sin más información.
a. el mayor LF de las actividades para las cuales es un predece- 11. Si la actividad A no está en la ruta crítica, entonces la holgura
sor inmediato. de A será igual a
b. el menor LF de las actividades para las cuales es un predece- a. LF - EF.
sor inmediato. b. EF - ES.
c. el mayor LS de las actividades para las cuales es un predece- c. 0.
sor inmediato. d. todas las anteriores.
d. el menor LS de las actividades para las cuales es un predece- 12. Si un proyecto debe acelerarse con el costo adicional mínimo
sor inmediato. posible, entonces la primera actividad que se debe acelerar
5. Cuando se utiliza PERT y se encuentran las probabilidades, uno a. está en la ruta crítica.
de los supuestos que se adopta es que b. es la que tenga el menor tiempo de actividad.
a. todas las actividades están en la ruta crítica. c. es la que tenga el mayor tiempo de actividad.
b. los tiempos de actividad son independientes. d. es la que tenga el menor costo.
c. todas las actividades tienen la misma varianza. 13. Las actividades son aquellas que retrasan
d. la varianza del proyecto es igual a la suma de las varianzas todo el proyecto si se demoran o atrasan.
de todas las actividades que forman parte de él. 14. PERT quiere decir .
e. todo lo anterior. 15. La aceleración de un proyecto se puede realizar utilizando
6. En PERT, la estimación de tiempo b representa .
a. el tiempo más optimista. 16. PERT puede usar tres estimaciones del tiempo de la
b. el tiempo más probable. actividad. Estas tres estimaciones son ,
c. el tiempo más pesimista. y .
d. el tiempo esperado. 17. El tiempo de inicio más lejano menos el tiempo de inicio más
e. ninguno de los anteriores. cercano se llama el tiempo para cualquier
7. En PERT, el tiempo de holgura es igual actividad.
a. ES + t. 18. El porcentaje de terminación del proyecto, el valor del trabajo
b. LS - ES. completado y los costos reales de las actividades reales se
c. 0. utilizan para ______________ los proyectos.
d. EF - ES.
e. ninguna de las anteriores.
8. La desviación estándar para el proyecto PERT es
aproximadamente
a. la raíz cuadrada de la suma de las varianzas a lo largo de la
ruta crítica.


Preguntas para análisis gustaría determinar el tiempo total para la terminación
del proyecto y la ruta crítica. Los tiempos de actividad se
11-1 ¿Cuáles son algunas de las preguntas que pueden contes-
muestran en la siguiente tabla (vea el problema 11.12):
tarse con PERT y con CPM?
11-2 ¿Cuáles son las principales diferencias entre PERT y
CPM? ACTIVIDAD TIEMPO (DÍAS)
11-3 ¿Qué es una actividad? ¿Qué es un evento? ¿Qué es un A 2
predecesor inmediato? B 5
11-4 Describa cómo se pueden calcular los tiempos de activi-
C 1
dad esperados y las varianzas en una red PERT.
D 10
11-5 Comente brevemente qué se entiende por análisis de la
ruta crítica. ¿Cuáles son las actividades en la ruta crítica y E 3
por qué son importantes? F 6
11-6 ¿Qué son el tiempo de inicio más cercano y el tiempo de G 8
inicio más lejano de una actividad? ¿Cómo se calculan? 35
11-7 Describa el significado de holgura y comente cómo se
puede determinar.
11-8 ¿Cómo podemos determinar la probabilidad de que un 11-14 Jean Walker está haciendo planes para sus vacaciones de
proyecto se termine para una fecha determinada? ¿Qué primavera en las playas de Florida. Desea aplicar las téc-
supuestos se adoptan para realizar este cálculo? nicas que aprendió en su clase de métodos cuantitativos;
11-9 Describa brevemente PERT>Costo y cómo se utiliza. para ello, ha identificado las actividades necesarias para
preparar su viaje. La siguiente tabla muestra las activida-
11-10 ¿Qué es acelerar y cómo se hace en forma manual?
des y sus predecesores inmediatos. Trace la red para este
11-11 ¿Por qué es útil la programación lineal en la aceleración proyecto.
con CPM?
ACTIVIDAD PREDECESORES INMEDIATOS

Problemas* A —
11-12 Sid Davidson es el director de personal de Babson and B —
Willcount, una empresa especializada en consultoría e
C A
investigación. Uno de los programas de capacitación que
Sid está considerando para los gerentes de nivel medio de D B
Babson and Willcount es la formación en liderazgo. Sid ha E C, D
numerado una serie de actividades que deben completarse F A
antes de que un programa de capacitación de esta natura-
G E, F
leza pueda implementarse. Las actividades y los predece-
sores inmediatos se muestran en la siguiente tabla:
11-15 A continuación se presentan los tiempos de actividad
ACTIVIDAD PREDECESORES INMEDIATOS
para el proyecto del problema 11-14. Encuentre los tiem-
pos más cercanos, más lejanos y de holgura para cada
A — actividad. Después, encuentre la ruta crítica.
B —
C — ACTIVIDAD TIEMPO (DÍAS)
D B
A 3
E A, D
B 7
F C
C 4
G E, F
D 2
E 5
Desarrolle una red para este problema.
F 6
11-13 Sid Davidson fue capaz de determinar los tiempos de ac-
tividad para el programa de formación en liderazgo. Le G 3

11-16 Monohan Machinery se especializa en el desarrollo de (d) ¿Cuál es la probabilidad de que el proyecto tarde más
equipos de recolección de maleza que se utilizan para eli- de 46 semanas?
minar la flora nociva de pequeños lagos. George Mono- (e) El gerente de proyecto desea establecer la fecha límite
han, presidente de la compañía, está convencido de que para la terminación del proyecto, de modo que haya
la recolección de la maleza es mucho mejor que el uso una probabilidad de 90% de terminar a tiempo. Por lo
de sustancias químicas para exterminarla. Los productos tanto, sólo habría una probabilidad de 10% de que el
químicos causan contaminación y la flora nociva parece proyecto requiera más tiempo que el establecido por
crecer más rápido después de haber utilizado tales sustan- la fecha límite. ¿Cuál debería ser ésta?
cias. George está contemplando la construcción de una 11-19 Tom Schriber, un director de personal de Management
máquina que recolecte maleza en ríos y canales estrechos. Resources, Inc., está diseñando un programa que sus
Las actividades necesarias para desarrollar una de estas clientes puedan utilizar en el proceso de búsqueda de em-
máquinas experimentales se numeran en la siguiente tabla. pleo. Algunas de las actividades incluyen la preparación
Construya una red para estas actividades. de currículos, escribir cartas, hacer citas para ver los po-
sibles empleadores, investigar las empresas e industrias,
ACTIVIDAD PREDECESORES INMEDIATOS etcétera. En la siguiente tabla, se muestra parte de la infor-
mación sobre las actividades:
A —
B —
DÍAS
C A PREDECESORES
ACTIVIDAD a m b INMEDIATOS
D A
E B A 8 10 12 —
F B B 6 7 9 —
G C, E C 3 3 4 —
H D, F D 10 20 30 A
E 6 7 8 C
11-17 Después de consultar con Butch Radner, George Monohan
fue capaz de determinar los tiempos de actividad para la F 9 10 11 B, D, E
construcción de la máquina recolectora de maleza en ríos G 6 7 10 B, D, E
estrechos. A George le gustaría determinar los ES, EF, LS,
LF y la holgura para cada actividad. También debe deter- H 14 15 16 F
minar el tiempo total para la terminación del proyecto y I 10 11 13 F
la ruta crítica. (Vea el problema 11-16 para mayores deta-
J 6 7 8 G, H
lles). Los tiempos de actividad se muestran en la siguiente
tabla: K 4 7 8 I, J
L 1 2 4 G, H
ACTIVIDAD TIEMPO (SEMANAS)
A 6 (a) Construya una red para este problema.
(b) Determine el tiempo esperado y la varianza para cada
B 5
actividad.
C 3 (c) Determine los ES, EF, LS, LF y la holgura para cada
D 2 actividad.
E 4 (d) Determine la ruta crítica y el tiempo de terminación
del proyecto.
F 6 (e) Determine la probabilidad de que el proyecto esté ter-
G 10 minado en 70 días o menos.
H 7 (f) Determine la probabilidad de que el proyecto esté
terminado en 80 días o menos.
(g) Determine la probabilidad de que el proyecto esté ter-
11-18 Se planeó un proyecto usando PERT con tres estimacio-
minado en 90 días o menos.
nes de tiempo. Se determinó que el tiempo de terminación
esperado del proyecto es de 40 semanas. La varianza de la 11-20 Mediante el uso de PERT, Ed Rose fue capaz de determi-
ruta crítica es 9. nar que el tiempo de terminación esperado del proyecto
(a) ¿Cuál es la probabilidad de que el proyecto esté termi- para la construcción de un yate recreacional es de 21 me-
nado en 40 semanas o menos? ses y que la varianza del proyecto es de 4 meses.
(b) ¿Cuál es la probabilidad de que el proyecto requiera (a) ¿Cuál es la probabilidad de que el proyecto se com-
más de 40 semanas? plete en 17 meses o menos?
(c) ¿Cuál es la probabilidad de que el proyecto esté (b) ¿Cuál es la probabilidad de que el proyecto se com-
terminado en 46 semanas o menos? plete en 20 meses o menos?

(c) ¿Cuál es la probabilidad de que el proyecto se comple- 11-23 Los datos de la aceleración del proyecto de General Foun-
te en 23 meses o menos? dry se muestran en la tabla 11.9. Acelere este proyecto a
(d) ¿Cuál es la probabilidad de que el proyecto se com- 13 semanas utilizando CPM. ¿Cuáles son los tiempos fi-
plete en 25 meses o menos? nales para cada actividad después de la aceleración?
11-21 El proyecto contra la contaminación del aire analizado 11-24 Bowman Builders fabrica cobertizos de almacenamien-
en el capítulo ha continuado en las semanas recientes, y to hechos de acero para uso comercial. Joe Bowman,
ahora está al final de la semana 8. Lester Harky desearía presidente de Bowman Builders, está contemplando
conocer el valor de los trabajos realizados, el importe de la producción de cobertizos para uso doméstico. En la
los sobrecostos o ahorros en el proyecto y el grado en el tabla adjunta, se proporcionan las actividades necesa-
cual el proyecto está adelantado o atrasado con respecto al rias para construir un modelo experimental y los datos
programa, mediante el desarrollo de una tabla similar a la relacionados.
tabla 11.8. Las cifras revisadas de costos se muestran en (a) ¿Cuál es la fecha de terminación del proyecto?
la siguiente tabla: (b) Formule un problema de PL para acelerar este pro-
yecto a 10 semanas.
PORCENTAJE COSTO
ACTIVIDAD COMPLETADO REAL ($)
COSTO COSTO
A 100 20,000 TIEMPO TIEMPO NORMAL ACELERADO PREDECESORES
B 100 36,000 ACTIVIDAD NORMAL ACELERADO ($) ($) INMEDIATOS
C 100 26,000 A 3 2 1,000 1,600 —
D 100 44,000 B 2 1 2,000 2,700 —
E 50 25,000
C 1 1 300 300 —
F 60 15,000
D 7 3 1,300 1,600 A
G 10 5,000
E 6 3 850 1,000 B
H 10 1,000
F 2 1 4,000 5,000 C
G 4 2 1,500 2,000 D, E
11-22 Fred Ridgeway ha recibido la responsabilidad de adminis-
trar un programa de capacitación y desarrollo. Él conoce
el tiempo de inicio más cercano, el tiempo de inicio más 11-25 La Bender Construction Co. está involucrada en la cons-
lejano y los costos totales de cada actividad. Esta informa- trucción de edificios municipales y otras estructuras que
ción se da en la siguiente tabla. se utilizan principalmente por los gobiernos estatales y
(a) Usando los tiempos de inicio más cercanos, determine municipales. Para ello es necesario desarrollar documen-
el presupuesto mensual total de Fred. tos legales, elaborar estudios de factibilidad, obtener ca-
(b) Mediante los tiempos de inicio más lejanos, determine lificaciones de bonos, etcétera. Recientemente, Bender
el presupuesto mensual total de Fred. recibió una solicitud para presentar una propuesta para
la construcción de un edificio municipal. El primer paso
COSTO TOTAL es desarrollar los documentos legales y llevar a cabo to-
ACTIVIDAD ES LS t (EN MILES DE $) dos los pasos necesarios antes de firmar el contrato de
A 0 0 6 10 construcción. Esto requiere más de 20 actividades diferen-
tes que se deben completar. Las actividades, sus predece-
B 1 4 2 14 sores inmediatos y los requisitos de tiempo se presentan
C 3 3 7 5 en la tabla 11.10 de la página siguiente.
D 4 9 3 6 Como se observa, se han dado las estimaciones de
tiempo optimista (a), más probable (m) y pesimista (b)
E 6 6 10 14
para todas las actividades descritas en la tabla. Con base
F 14 15 11 13 en estos datos, determine el tiempo total para la termi-
G 12 18 2 4 nación del proyecto en esta etapa preliminar, la ruta
H 14 14 11 6 crítica y el tiempo de holgura para todas las actividades
involucradas.
I 18 21 6 18
11-26 Conseguir un título universitario puede ser una tarea
J 18 19 4 12
larga y difícil. Algunos cursos deben completarse antes
K 22 22 14 10 de poder tomar otros. Desarrolle un diagrama de red,
L 22 23 8 16 en el que cada actividad sea un curso en particular que
M 18 24 6 18 debe tomarse para un programa de estudios determinado.
Los predecesores inmediatos serán los prerrequisitos

TABLA 11.10 Datos para el problema 11-25, compañía Bender Construction

TIEMPO REQUE-
RIDO (SEMANAS)
ACTIVIDAD a m b DESCRIPCIÓN DE LA ACTIVIDAD PREDECESORES INMEDIATOS

1 1 4 5 Proyecto de los documentos legales —
2 2 3 4 Preparación de los estados financieros —
3 3 4 5 Proyecto de la historia —
4 7 8 9 Proyecto de la parte de la demanda en el estudio de factibilidad —
5 4 4 5 Revisión y aprobación de documentos legales 1
6 1 2 4 Revisión y aprobación de la historia 3
7 4 5 6 Revisión del estudio de factibilidad 4
8 1 2 4 Proyecto de la parte financiera final del estudio de factibilidad 7
9 3 4 4 Proyecto de los hechos relacionados con la transacción de bonos 5
10 1 1 2 Revisión y aprobación de los estados financieros 2
11 18 20 26 Recepción del precio firme del proyecto —
12 1 2 3 Revisión y terminación de la parte financiera del estudio de 8
factibilidad
13 1 1 2 Terminación de la declaración del proyecto 6, 9, 10, 11, 12
14 0.10 0.14 0.16 Todo el material enviado a los servicios de calificación de bonos 13
15 0.2 0.3 0.4 Declaración impresa y distribuida a todas las partes interesadas 14
16 1 1 2 Presentación a los servicios de calificación de bonos 14
17 1 2 3 Recepción de la calificación de bonos 16
18 3 5 7 Comercialización de bonos 15, 17
19 0.1 0.1 0.2 Contrato de compra ejecutado 18
20 0.1 0.14 0.16 Declaración final autorizada y terminada 19
21 2 3 6 Contrato de compra 19
22 0.1 0.1 0.2 Bonos disponibles 20
23 0 0.2 0.2 Contrato de construcción firmado 21, 22
del curso. No olvide incluir todos los requisitos de cur- Tabla para el problema 11-27
sos de la universidad, la facultad y el departamento. A TIEMPO
continuación, intente agrupar estos cursos en semestres PREDECESORES TIEMPO MÁS TIEMPO
o trimestres para su escuela específica. ¿Cuánto tiempo ACTIVIDAD INMEDIATOS OPTIMISTA PROBABLE PESIMISTA
cree usted que le llevará graduarse? ¿Qué cursos, si no
Tarea 1 — 1 2 4
los toma en la secuencia apropiada, podrían retrasar su
graduación? Tarea 2 — 3 3.5 4
11-27 Dream Team Productions estaba en las fases finales del di- Tarea 3 — 10 12 13
seño de su nueva película, Gusanos Mutantes, que se lan- Tarea 4 — 4 5 7
zará el próximo verano. Market Wise, la firma contratada Tarea 5 — 2 4 5
para coordinar el lanzamiento de los juguetes de Gusanos Tarea 6 Tarea 1 6 7 8
Mutantes, identificó 16 tareas críticas que debían comple-
Tarea 7 Tarea 2 2 4 5.5
tarse antes del lanzamiento de la película.
Tarea 8 Tarea 3 5 7.7 9
(a) ¿Cuántas semanas antes del lanzamiento de la pelícu-
Tarea 9 Tarea 3 9.9 10 12
la debería Market Wise iniciar su campaña de mar-
keting? ¿Cuáles son las actividades de la ruta crítica? Tarea 10 Tarea 3 2 4 5
Las tareas son las siguientes: Tarea 11 Tarea 4 2 4 6
Tarea 12 Tarea 5 2 4 6
Tarea 13 Tareas 6, 7, 8 5 6 6.5
Tarea 14 Tareas 10, 11, 12 1 1.1 2
Tarea 15 Tareas 9, 13 5 7 8
Tarea 16 Tarea 14 5 7 9

(b) Si las tareas 9 y 10 no fueran necesarias, ¿qué im- 11-30 La empresa de contabilidad Scott Corey está instalando un
pacto tendría esto en la ruta crítica y en el número nuevo sistema computacional. Es necesario hacer varias
de semanas necesario para completar la campaña de actividades para asegurar que el sistema funcione correc-
marketing? tamente antes de introducir todas las cuentas en el nuevo
11-28 En la siguiente tabla, se dan los tiempos estimados (en se- sistema. La siguiente tabla presenta información acerca del
manas) y los predecesores inmediatos para las actividades proyecto. ¿Cuánto tiempo tomará instalar el sistema? ¿Cuál
de un proyecto. Suponga que los tiempos de las activi- es la ruta crítica?
dades son independientes.
PREDECESORES TIEMPO
PREDECESORES ACTIVIDAD INMEDIATOS (SEMANAS)
ACTIVIDAD INMEDIATOS a m b
A — 3
A — 9 10 11
B — 4
B — 4 10 16
C A 6
C A 9 10 11
D B 2
D B 5 8 11
E A 5
(a) Calcule el tiempo esperado y la varianza para cada F C 2
actividad. G D, E 4
(b) ¿Cuál es el tiempo de terminación esperado de la ruta H F, G 5
crítica? ¿Cuál es el tiempo de terminación esperado
de la otra ruta en la red?
(c) ¿Cuál es la varianza de la ruta crítica? ¿Cuál es la 11-31 El socio gerente de la firma de contabilidad de Scott
varianza de la otra ruta en la red? Corey (vea el problema 11-30) ha decidido que el sistema
(d) Si el tiempo para completar la ruta A-C se distribuye debe estar en funcionamiento en 16 semanas. Por consi-
normalmente, ¿cuál es la probabilidad de que esta guiente, se elaboró la información sobre la aceleración del
ruta se termine en 22 semanas o menos? proyecto que se muestra en la siguiente tabla:
(e) Si el tiempo para completar la ruta B-D tiene una
distribución normal, ¿cuál es la probabilidad de que TIEMPO TIEMPO COSTO COSTO
esta ruta se termine en 22 semanas o menos? PREDECESORES NORMAL ACELERADO NORMAL ACELERADO
(f) Explique por qué la probabilidad de que la ruta críti- ACTIVIDAD INMEDIATOS (SEMANAS) (SEMANAS) ($) ($)
ca se termine en 22 semanas o menos no necesaria- A — 3 2 8,000 9,800
mente sea la probabilidad de que el proyecto termine B — 4 3 9,000 10,000
en 22 semanas o menos.
C A 6 4 12,000 15,000
11-29 Se han estimado los siguientes costos para las actividades
D B 2 1 15,000 15,500
de un proyecto:
E A 5 3 5,000 8,700
PREDECESORES F C 2 1 7,500 9,000
ACTIVIDAD INMEDIATOS TIEMPO COSTO ($)
G D, E 4 2 8,000 9,400
A — 8 8,000 H F, G 5 3 5,000 6,600
B — 4 12,000
C A 3 6,000 (a) Si el proyecto debe terminarse en 16 semanas, ¿qué
actividad o actividades debería(n) acelerarse para
D B 5 15,000
lograrlo al menor costo adicional? ¿Cuál es el costo
E C, D 6 9,000 total de esto?
F C, D 5 10,000 (b) Liste todas las rutas en esta red. Después de realizar la
G F 3 6,000 aceleración del inciso (a), ¿cuál es el tiempo requerido
para cada ruta? Si el tiempo de terminación del pro-
(a) Desarrolle un programa de costos basado en los tiem- yecto debe reducirse otra semana para que el tiempo
pos de inicio más cercanos. total sea de 15 semanas, ¿qué actividad o actividades
(b) Desarrolle un programa de costos basado en los tiempos deberían acelerarse? Resuelva esto por inspección.
de inicio más lejanos. Considere que a veces es mejor acelerar una actividad
(c) Suponga que se ha determinado que los $6,000 para la que no tiene el menor costo de aceleración si está en
actividad G no se distribuyen uniformemente en las tres varias rutas, en vez de acelerar varias actividades en ru-
semanas. En realidad, el costo para la primera semana tas separadas cuando hay más de una ruta crítica.
es de $4,000, y el costo es de $1,000 para cada una de 11-32 La corporación L. O. Gystics tiene necesidad de un nuevo
las últimas dos semanas. Modifique el programa de cos- centro de distribución regional. La planeación está en las
tos basado en los tiempos de inicio más cercanos para primeras etapas de este proyecto, pero se han identificado
reflejar esta situación. las actividades junto con sus predecesores y sus tiempos de

ESTUDIO DE CASO 429
actividad en semanas. La siguiente tabla presenta esta in- Determine el diagrama de la red PERT asociada y de-
formación. Desarrolle un programa lineal que pueda usarse termine la probabilidad de que el proyecto se complete
para determinar la longitud de la ruta crítica (es decir, el en 16 semanas o menos.
tiempo mínimo requerido para completar el proyecto). Re- 11-34 La corporación Laurenster ha determinado que el cliente
suelva este programa lineal para encontrar la ruta crítica y les pague un bono de $10,000 si termina el proyecto del
el tiempo necesario para completar el proyecto. problema 11-33 en 14 semanas o menos. A continuación
se muestran los tiempos normales y sus costos asociados,
PREDECESORES TIEMPO
así como los tiempos acelerados y sus costos.
ACTIVIDAD INMEDIATOS (SEMANAS)
A — 4
COSTO COSTO
B — 8 TIEMPO TIEMPO NORMAL ACELERADO
C A 5 ACTIVIDAD NORMAL ACELERADO ($) ($)
D B 11 A 3 2 600 1,200
E A, B 7 B 6 4 1,200 2,400
F C, E 10 C 5 2 1,200 2,400
G D 16 D 4 3 1,200 1,800
H F 6 E 7 6 1,200 1,800
F 7 4 1,200 3,000
11-33 La corporación Laurenster necesita realizar las siguientes G 5 1 2,400 4,800
tareas en semanas.
H 5 2 1,200 3,000
TIEMPO I 5 3 1,800 2,400
PREDECESORES TIEMPO MÁS TIEMPO
J 2 2 300 300
ACTIVIDAD INMEDIATOS OPTIMISTA PROBABLE PESIMISTA
K 4 4 300 300
A 2 3 4
L 3 3 300 300
B 4 6 8
C 2 5 8
Teniendo en cuenta los costos involucrados por acele-
D A 3 4 5
rar el proyecto, determine si la corporación Laurenster
E B 6 7 8
debería acelerar el proyecto a 14 semanas para recibir
F C 4 7 10 el bono.
G A 1 5 9
H B 2 5 8
I C 3 5 7
J D, G 2 2 2
K E, H 4 4 4
L F, I 3 3 3
Estudio de caso
Construcción del estadio de la Southwestern University
Después de seis meses de estudio, mucho forcejeo político y algún La adición de 21,000 asientos, incluyendo docenas de palcos de
análisis financiero serio, el Dr. Martin Starr, presidente de la Sou- lujo, no sería del agrado de todos. El influyente entrenador del equipo
thwestern University, había llegado a una decisión. Para el deleite de de fútbol americano, Billy Bob Taylor, había sostenido durante mucho
sus alumnos y para decepción de sus impulsores atléticos, el fútbol tiempo la necesidad de un estadio de primera clase, con habitacio-
americano de la SWU no se trasladaría a una nueva ubicación, sino nes compartidas integradas para sus jugadores y una oficina pala-
que se ampliaría la capacidad de su estadio en el campus. ciega adecuada para el entrenador de un futuro equipo campeón de la

TABLA 11.11 Proyecto del estadio de la Southwestern University

ESTIMACIONES DE TIEMPO (DÍAS)
COSTO
MÁS ACELERADO/DÍA
ACTIVIDAD DESCRIPCIÓN PREDECESORES OPTIMISTA PROBABLE PESIMISTA ($)
A Fondeo, seguros, estructuración — 20 30 40 1,500

fiscal
B Cimientos, zapatas de concreto A 20 65 80 3,500
para palcos
C Modernización de palcos y A 50 60 100 4,000
asientos en el estadio
D Modernización de pasarelas, C 30 50 100 1,900
escaleras y ascensores
E Cableado interior, tornos B 25 30 35 9,500
F Aprobaciones de inspección E 1 1 1 0
G Plomería D, E 25 30 35 2,500
H Pintura G 10 20 30 2,000
I Equipamiento/aire acondicionado/ H 20 25 60 2,000
trabajos con metal
J Mosaicos/alfombras/ventanas H 8 10 12 6,000
K Inspección J 1 1 1 0
L Detalles finales/limpieza I, K 20 25 60 4,500
Fuente: Adaptado de J. Heizer y B. Render. Operations Management, 6a. ed. Upper Saddle River, NJ: Prentice Hall, 2000: 693 a 694.
NCAA. Pero la decisión estaba tomada, y todos, incluido el entrena- De regreso en su oficina, Hill nuevamente revisó los datos. (Vea
dor, tendrían que aprender a vivir con ello. la tabla 11.11 y notó que las estimaciones de tiempo optimistas podían
El trabajo ahora era lograr que la construcción comenzara in- usarse como tiempos acelerados). Luego reunió a sus jefes de proyecto.
mediatamente después de que concluyera la temporada actual. Esto “Señores, si no estamos 75% seguros de que terminaremos este estadio
daría exactamente 270 días hasta el próximo juego de apertura de en menos de 270 días, ¡quiero que este proyecto se acelere! Denme las
temporada. El contratista, Hill Construction (Bob Hill era un ex cifras de costos para una fecha límite de 250 días —también para una
alumno, por supuesto), firmó el contrato. Bob Hill observó las ta- de 240 días—. ¡Quiero terminar antes, no justo a tiempo!”
reas que sus ingenieros habían bosquejado y miró al presidente Starr
directamente a los ojos. “Le garantizo que el equipo podrá saltar al
campo en la fecha prevista el próximo año”, dijo con una sensación
de confianza. “Por supuesto, así lo espero”, respondió Starr. “La pe- 1. Desarrolle un dibujo de la red para Hill Construction y determine
nalización de $10,000 por día de atraso, establecida en el contrato, no la ruta crítica. ¿Cuánto tiempo se espera que dure el proyecto?
es nada comparada con lo que el entrenador Bill Bob Taylor les hará, 2. ¿Cuál es la probabilidad de terminar en 270 días?
si nuestro primer partido contra Penn State se retrasa o se cancela”. 3. Si fuera necesario acelerar a 250 o a 240 días, ¿cómo podría ha-
Hill sudaba un poco y no respondió. En el estado de Texas, fanático cerlo Hill, y a qué costos? Como se señaló en el caso, se supone
del fútbol americano, Hill Construction estaría acabada si no cumplía que las estimaciones de tiempo optimistas se pueden utilizar
con el plazo de 270 días. como los tiempos acelerados.
Estudio de caso
Centro de Investigación sobre Planificación Familiar en Nigeria
El Dr. Adinombe Watage, subdirector del Centro de Investigación sobre formación específica sobre el nuevo método de anticoncepción. También
Planificación Familiar en la provincia Over-The-River, Nigeria, recibió tenían que prepararse dos tipos de materiales: 1. los que se usarían en la
el encargo de organizar y capacitar a cinco equipos de trabajadores de capacitación de los trabajadores, y 2. los que se distribuirían en campo.
campo para llevar a cabo actividades educativas y de difusión, como Los capacitadores deberían trasladarse al sitio y era necesario tomar las
parte de un gran proyecto para demostrar la aceptación de un nuevo mé- disposiciones para el transporte y el alojamiento de los participantes.
todo de control de la natalidad. Estos trabajadores ya tenían capacita- Primero, el Dr. Watage convocó a una reunión de su personal en
ción en educación para la planificación familiar, pero debían recibir una su oficina. Juntos identificaron las actividades que se llevarían a cabo,

ESTUDIO DE CASO 431
TABLA 11.12 Actividades del Centro de Investigación sobre Planificación Familiar

PERSONAL
ACTIVIDAD DEBE SEGUIR TIEMPO (DÍAS) NECESARIO
A. Identificar a los capacitadores y sus horarios — 5 2

B. Organizar el transporte a la base — 7 3
C. Identificar y recoger los materiales de capacitación — 5 2
D. Disponer los alojamientos A 3 1
E. Identificar el equipo A 7 4
F. Trasladar el equipo B, E 2 1
G. Transportar a los capacitadores a la base A, B 3 2
H. Imprimir el material del programa C 10 6
I. Entregar los materiales del programa H 7 3
J. Conducir el programa de capacitación D, F, G, I 15 0
K. Realizar la capacitación del trabajo en campo J 30 0
TABLA 11.13 Costos del Centro de Investigación sobre Planificación Familiar

NORMAL MÍNIMO COSTO
PROMEDIO POR
ACTIVIDAD TIEMPO COSTO ($) TIEMPO COSTO ($) DÍA AHORRADO ($)
A. Identificar a los capacitadores 5 400 2 700 100

B. Organizar el transporte 7 1,000 4 1,450 150
C. Identificar materiales 5 400 3 500 50
D. Disponer alojamientos 3 2,500 1 3,000 250
E. Identificar el equipo 7 400 4 850 150
F. Trasladar el equipo 2 1,000 1 2,000 1,000
G. Transportar a los capacitadores 3 1,500 2 2,000 500
H. Imprimir materiales 10 3,000 5 4,000 200
I Entregar materiales 7 200 2 600 80
J. Capacitar al equipo 15 5,000 10 7,000 400
K. Realizar trabajo en campo 30 10,000 20 14,000 400
sus secuencias necesarias y el tiempo que requerirían. Sus resultados “Podré comprobar si tenemos suficientes cabezas y manos
se muestran en la tabla 11.12. cuando haya programado tentativamente las actividades”, respondió
Louis Odaga, el oficial mayor, señaló que el proyecto debía ter- el Dr. Watage. “Si el calendario es muy apretado, tengo permiso del
minarse en 60 días. Sacó rápidamente su calculadora de energía solar Fondo Pathminder de usar algunos fondos para acelerarlo, siempre
y sumó el tiempo necesario. Llegó a 94 días. “Entonces, es una tarea que pueda probar que se puede hacer al menor costo posible. ¿Pueden
imposible”, señaló. “No”, respondió el Dr. Watage, “algunas de estas ayudarme a probarlo? Les presento los costos de las actividades, con
tareas pueden hacerse en paralelo”. “Pero, tenga cuidado”, advirtió el el tiempo transcurrido que hemos planeado y los costos y tiempos, si
Sr. Oglagadu, el jefe de enfermeros, “no somos tantos para ir a todos los acortamos a un mínimo absoluto”. Estos datos se presentan en la
lados. En esta oficina únicamente somos 10”. tabla 11.13.

1. Algunas de las tareas de este proyecto se pueden realizar en pa- 3. Si la ruta crítica es mayor a 60 días, ¿cuál es la menor cantidad
ralelo. Prepare un diagrama que muestre la red de tareas reque- que el Dr. Watage puede gastar y aun así cumplir con este obje-
rida y defina la ruta crítica. ¿Cuál es la duración del proyecto sin tivo del programa? ¿Cómo puede probar a la Fundación Path-
acelerarlo? minder que ésta es la alternativa de costo mínimo?
2. En este punto, ¿puede realizarse el proyecto, considerando la res- Fuente: Profesor Curtis P. McLaughlin, Kenan-Flagler Business School, Univer-
tricción de sólo 10 personas en el personal? sity of North Carolina en Chapel Hill.


adicionales:
(1) Alfa Beta Gamma Record: Se refiere a la publicación de una revista mensual para una fraternidad.
(2) Hospital Bay Community: Presenta la adquisición e instalación de equipos que se utilizarán en un
nuevo procedimiento médico.
(3) Compañía Cranston Construction: Se refiere a la construcción de un nuevo edificio en una
universidad.
(4) Compañía Haygood Brothers Construction: Presenta la planeación de la construcción de una
casa.
(5) Compañía Shale Oil: Se refiere a la planeación del cierre de una planta petroquímica para darle
mantenimiento rutinario.
Bibliografía
Ahuja, V. y V. Thiruvengadam. “Project Scheduling and Monitoring: Current Mantel, Samuel J., Jack R. Meredith, Scott M. Shafer y Margaret M. Sutton.
Research Status”, Construction Innovation 4, 1 (2004): 19-31. Project Management in Practice. Nueva York: John Wiley & Sons, Inc.,
Griffith, Andrew F. “Scheduling Practices and Project Success”, Cost Engineering 2001.
48, 9 (2006): 24-30. Premachandra, I. M. “An Approximation of the Activity Duration Distribution in
Herroelen, Willy y Roel Leus. “Project Scheduling Under Uncertainty: Survey PERT”, Computers and Operations Research 28, 5 (abril de 2001): 443-452.
and Research Potentials”, European Journal of Operational Research 165, Roe, Justin. “Bringing Discipline to Project Management”, Harvard Business
2 (2005): 289-306. Review (abril de 1998): 153-160.
Jorgensen, Trond y Stein W. Wallace. “Improving Project Cost Estimation by Sander, Wayne. “The Project Manager’s Guide”, Quality Progress (enero de 1998):
Taking into Account Managerial Flexibility”, European Journal of 109.
Operational Research 127, 2 (2000): 239-251. Vaziri, Kabeh, Paul G. Carr y Linda K. Nozick. “Project Planning for Construction
Lancaster, John y Mustafa Ozbayrak. “Evolutionary Algorithms Applied to Project under Uncertainty with Limited Resources”, Journal of Construction
Scheduling Problems—A Survey of the State-of-the-art”, International Engineering & Management 133, 4 (2007): 268-276.
Journal of Production Research 45, 2 (2007): 425-450. Walker II, Edward D. “Introducing Project Management Concepts Using a Jewelry
Lu, Ming y Heng Li. “Resource-Activity Critical-Path Method for Construction Store Robbery”, Decision Sciences Journal of Innovative Education 2, 1
Planning”, Journal of Construction Engineering & Management 129, 4 (2004): 65-69.
(2003): 412-420.
Apéndice 11.1: Gestión de proyectos con QM para Windows

PERT es una de las técnicas más populares para la gestión de proyectos. En este capítulo, se explora el ejem-
plo de la General Foundry, Inc. Cuando se han calculado los tiempos esperados y las varianzas de cada acti-
vidad, podemos utilizar los datos para determinar la holgura, la ruta crítica y el tiempo total de terminación
del proyecto. El programa 11.3A muestra la pantalla de entrada en QM para Windows para el problema de
General Foundry. Al seleccionar la lista de precedencia como el tipo de red, los datos se pueden introducir
sin siquiera construir la red. El método indicado es para tres estimaciones de tiempo, aunque esto se puede
cambiar a una sola estimación, aceleración o presupuesto de costos. El programa 11.3B proporciona la sa-
lida para el problema de General Foundry. La ruta crítica consta de las actividades con holgura cero.
Además de la gestión básica de proyectos, QM para Windows también permite acelerar proyectos,
donde se utilizan recursos adicionales para reducir el tiempo de terminación del proyecto. El programa 11.4A
muestra la pantalla de introducción con los datos de General Foundry de la tabla 11.9. La salida se muestra
en el programa de 11.4B. Ésta indica que el tiempo normal es de 15 semanas, pero el proyecto se termi-
naría en 7 semanas si es necesario; puede terminarse en cualquier número de semanas entre 7 y 15. Al selec-
cionar Windows—Crash Schedule se obtiene información adicional con respecto a estos otros tiempos.
El seguimiento y control de los proyectos es siempre un aspecto importante de la gestión de proyec-
tos. En este capítulo se muestra cómo construir presupuestos utilizando los tiempos de inicio más cercanos
y más lejanos. Los programas 11.5 y 11.6 muestran cómo puede usarse QM para Windows para desarrollar
presupuestos utilizando los tiempos de inicio más cercanos y más lejanos de un proyecto. Los datos provie-
nen del ejemplo de General Foundry en las tablas 11.6 y 11.7.

APÉNDICE 11.1: GESTIÓN DE PROYECTOS CON QM PARA WINDOWS 433
PROGRAMA 11.3A
Pantalla de entrada en
QM para Windows para
General Foundry, Inc.
PROGRAMA 11.3B
Pantalla de solución en
General Foundry, Inc.
PROGRAMA 11.4A
Pantalla de entrada en
el ejemplo de aceleración
de General Foundry

PROGRAMA 11.4B
Pantalla de salida en QM
para Windows para el
ejemplo de aceleración
de General Foundry
PROGRAMA 11.5
Presupuesto en QM para
Windows con los tiempos
de inicio más cercanos de
General Foundry
PROGRAMA 11.6
Presupuesto en QM para
Windows con los tiempos
de inicio más lejanos de
General Foundry

CAPÍTULO 12
Modelos de líneas de
espera y teoría de colas
1. Describir las curvas de compensación para el 4. Comprender los supuestos de los modelos
costo del tiempo de espera y el costo del servicio. comunes estudiados en este capítulo.
2. Entender las tres partes de un sistema de colas: 5. Analizar las diversas características del
la población potencial, la cola en sí misma y la funcionamiento de las líneas de espera.
instalación de servicio.
3. Describir las configuraciones básicas de un
sistema de colas.

12.1 Introducción 12.6 Modelo con tiempo de servicio constante
12.2 Costos de las líneas de espera (M/D/1)
12.3 Características de un sistema de colas 12.7 Modelo de población finita (M/M/1 con fuente
finita)
12.4 Modelo de colas con un solo canal, llegadas de
Poisson y tiempos de servicio exponenciales 12.8 Algunas relaciones características generales
(M/M/1) de funcionamiento
12.5 Modelo de colas con múltiples canales, llegadas 12.9 Modelos de colas más complejos y el uso
de Poisson y tiempos de servicio exponenciales de la simulación
(M/M/m)
Resumen • Glosario • Ecuaciones clave • Problemas resueltos • Autoevaluación • Preguntas para análisis y problemas
• Estudio de caso: New England Foundry • Estudio de caso: Winter Park Hotel • Estudio de caso en Internet • Bibliografía
435

436 CAPÍTULO 12 • MODELOS DE LÍNEAS DE ESPERA Y TEORÍA DE COLAS
12.1 Introducción
El estudio de las líneas de espera, llamada teoría de colas, es una de las técnicas de análisis cuantitativo
más antiguas y más utilizadas. Las líneas de espera son un hecho cotidiano que afecta a las personas mien-
tras compran en el supermercado, cargan gasolina, hacen un depósito bancario o esperan al teléfono por
la primera reservación disponible para un viaje en avión. Las colas, otra forma de llamar a las líneas de
espera, también pueden tomar la forma de máquinas en espera de ser reparadas, camiones en fila que deben
ser descargados o aviones alineados en una pista a la espera del permiso para despegar. Los tres compo-
nentes básicos de un proceso de gestión de colas son las llegadas, las instalaciones de servicio y la línea de
espera real.
En este capítulo se estudia la forma en la cual los modelos de análisis de las líneas de espera ayudan
a los administradores a evaluar el costo y la eficacia de los sistemas de servicios. Iniciaremos con una
perspectiva de los costos en las líneas de espera y, luego, describiremos las características de las líneas
de espera, así como los supuestos matemáticos subyacentes utilizados para desarrollar modelos de colas.
También presentaremos las ecuaciones necesarias para calcular las características de funcionamiento de un
sistema de servicio y mostraremos ejemplos de cómo se utilizan. Más adelante en el capítulo, usted verá
cómo ahorrar tiempo de computadora mediante la aplicación de tablas de colas y la ejecución de progra-
mas de computadora para líneas de espera.
12.2 Costos de las líneas de espera

La mayoría de los problemas de líneas de espera se centran en la cuestión de encontrar el nivel ideal de
servicios que una empresa debería proporcionar. Los supermercados deben decidir el número de cajas re-
gistradoras que tienen que abrir. Las estaciones de gasolina deberían decidir cuántas bombas estén funcio-
Uno de los objetivos del análisis de nando y cuántos asistentes presten el servicio. Las plantas de manufactura tienen que determinar el número
colas es encontrar el mejor nivel óptimo de mecánicos que necesitan estar en servicio cada turno, para reparar las máquinas que se descom-
de servicio para una organización. pongan. Los bancos deben decidir el número de ventanillas a mantener abiertas para servir a los clientes
durante varias horas del día. En la mayoría de los casos, este nivel de servicio es una opción sobre la que
la gerencia tiene el control. Por ejemplo, es posible tomar un cajero adicional de otra tarea o contratarlo y
capacitarlo rápidamente, si la demanda lo justifica. Sin embargo, esto no siempre es así. Es posible que una
planta no sea capaz de localizar o contratar mecánicos especializados para reparar maquinaria electrónica
sofisticada.
Cuando una organización tiene control, su objetivo suele ser encontrar un feliz término medio entre
dos extremos. Por un lado, una empresa puede mantener un gran número de personal y ofrecer muchas
instalaciones de servicio, lo cual resultaría en un excelente servicio al cliente, y rara vez habrá más de uno
o dos clientes en una cola. Los clientes se mantienen contentos con la respuesta rápida y aprecian la como-
didad. Esto, sin embargo, suele ser muy costoso.
El otro extremo es tener el mínimo número posible de líneas de pago, bombas de gasolina o venta-
nillas abiertas, lo cual mantiene un costo del servicio bajo, pero puede dar lugar a la insatisfacción del
cliente. ¿Cuántas veces regresaría usted a un gran almacén de descuento que sólo tuviera una caja registra-
dora abierta, durante el día que fue de compras? A medida que aumenta la duración promedio de la cola y
esto resulta en un servicio deficiente, los clientes y la buena imagen pueden perderse.
Los administradores deben hacer
frente a la disyuntiva entre el costo La mayoría de los administradores reconocen la compensación que debe existir entre el costo de ofre-
de proporcionar un buen servicio cer un buen servicio y el costo del tiempo de espera del cliente. Quieren colas que sean suficientemente
y el costo del tiempo de espera del cortas para que los clientes no se sientan insatisfechos o tan molestos que no compren, o que compren pero
cliente. Este último suele ser difícil nunca más regresen. Los administradores están dispuestos a permitir algo de espera en la línea, si esto se
de cuantificar. equilibra con un importante ahorro en los costos del servicio.
Por lo tanto, una forma de evaluar una instalación de servicio es buscar un costo esperado total,
un concepto que se ilustra en la figura 12.1. El costo esperado total es la suma de los costos del servicio
esperados más los costos de espera previstos.
HISTORIA Cómo iniciaron los modelos de colas
más tarde, publicó un informe relativo a los retrasos en el equipo de

L a teoría de colas tuvo su inicio en el trabajo de investigación de
un ingeniero danés llamado A. K. Erlang. En 1909 Erlang experimentó
marcado automático. Al final de la Segunda Guerra Mundial, los pri-
meros trabajos de Erlang se extendieron a problemas más generales y
con la fluctuación de la demanda en el tráfico telefónico. Ocho años aplicaciones de las líneas de espera a los negocios.

12.2 COSTOS DE LAS LÍNEAS DE ESPERA 437
FIGURA 12.1
Costos de las colas y
niveles de servicio Costo esperado total
Costo
Costo de la prestación
de servicio
Costo del tiempo de espera
* Nivel de servicio
Nivel de
servicio
óptimo
El costo esperado total es la suma Se considera que los costos del servicio aumentan a medida que una empresa intenta elevar su nivel
del costo del servicio más el de servicio. Por ejemplo, si se emplean tres equipos de estibadores, en lugar de dos, para descargar un
costo de espera. barco de carga, los costos del servicio se incrementan por el precio adicional de los salarios. Sin embargo,
a medida que la velocidad del servicio mejora, el costo del tiempo de espera en las líneas disminuye. Este
costo de espera puede reflejar la pérdida de productividad de los trabajadores, mientras que sus herramien-
tas o máquinas están en espera de reparaciones, o puede ser simplemente una estimación de los costos de
los clientes perdidos por el mal servicio y las largas colas.
Ejemplo de la compañía Three Rivers Shipping

A manera de ejemplo, veamos el caso de la compañía Three Rivers Shipping, que opera una enorme ins-
talación de transbordo situada en el río Ohio, cerca de Pittsburgh. Aproximadamente cinco barcos llegan a
descargar sus cargamentos de acero y mineral durante cada turno de trabajo de 12 horas. Cada hora que un
buque se encuentra inactivo en espera de ser descargado cuesta a la empresa una gran cantidad de dinero,
alrededor de $1,000 por hora. Con base en su experiencia, la gerencia estima que, si se dispone de una cua-
drilla de estibadores para realizar el trabajo de descarga, cada barco esperará un promedio de 7 horas para
ser descargado. Si se cuenta con dos cuadrillas, el tiempo de espera promedio se reduce a 4 horas; con tres
cuadrillas, a 3 horas, y con cuatro cuadrillas de estibadores, a sólo 2 horas. Pero cada cuadrilla adicional de
estibadores también implica costos, debido a los contratos sindicales.
El superintendente de Three Rivers desea determinar el número óptimo de cuadrillas de estibadores
El objetivo es encontrar el nivel que debería tener en servicio cada turno. El objetivo es minimizar los costos esperados totales. Este análisis
de servicio que minimice el costo se resume en la tabla 12.1. Para minimizar la suma de los costos de servicio y de espera, la empresa toma la
esperado total. decisión de contratar a dos equipos de estibadores en cada turno.
TABLA 12.1 Análisis de costos de las líneas de espera en la compañía Three Rivers Shipping
NÚMERO DE EQUIPOS DE ESTIBADORES
EN SERVICIO
1 2 3 4
(a) Número promedio de barcos que llegan por turno 5 5 5 5

(b) Tiempo promedio que espera cada barco para ser descargado (horas) 7 4 3 2
(c) Total de horas de barco perdidas por turno 1a * b2 35 20 15 10
(d) Costo estimado por hora del tiempo inactivo de un barco $1,000 $1,000 $1,000 $1,000
(e) Valor del tiempo perdido de los barcos o costos de espera 1c * d2 $35,000 $20,000 $15,000 $10,000
(f) Salario de una cuadrillas de estibadores,* o costo del servicio $6,000 $12,000 $18,000 $24,000
(g) Costo esperado total 1e + f 2 $41,000 $32,000 $33,000 $34,000
Costo óptimo
* El salario de una cuadrilla de estibadores se calcula como el número de personas en un equipo típico (que se supone es de 50), multiplicado por el número de
horas que cada persona trabaja por día (12 horas), por un salario por hora de $10. Si se emplean dos cuadrillas, la cifra sólo se duplica.

12.3 Características de un sistema de colas

En esta sección analizamos las tres partes de un sistema de colas: 1. las llegadas o entradas al sistema
(a veces conocidas como la población potencial), 2. la cola o la línea de espera en sí y 3. la instalación
de servicio. Los tres componentes tienen ciertas características que deben examinarse antes de desarrollar
los modelos matemáticos de colas.
Características de llegada
La fuente de entrada que genera llegadas o clientes para el sistema de servicio tiene tres características
principales. Es importante tener en cuenta el tamaño de la población potencial, el patrón de llegadas en el
sistema de colas y el comportamiento de las llegadas.
Para la mayoría de los modelos TAMAÑO DE LA POBLACIÓN POTENCIAL Los tamaños de población se consideran ilimitados (esen-
de colas se suponen poblaciones cialmente infinitos) o limitados (finitos). Cuando el número de clientes o llegadas disponibles en cualquier
ilimitadas (o infinitas). momento dado es sólo una pequeña parte de las llegadas posibles, la población potencial se considera ili-
mitada. Para efectos prácticos, los ejemplos de poblaciones ilimitadas incluyen los automóviles que llegan
a una caseta de peaje en la autopista, los compradores que llegan a un supermercado o los estudiantes que
llegan a inscribirse a los cursos de una gran universidad. La mayoría de los modelos de colas suponen una
población potencial infinita de este tipo. Cuando esto no es así, el modelado se vuelve mucho más com-
plejo. Un ejemplo de una población finita es un taller con sólo ocho máquinas que podrían descomponerse
y requerir servicio.
Las llegadas son aleatorias cuando PATRÓN DE LLEGADAS AL SISTEMA Los clientes llegan a una instalación de servicio de acuerdo
son independientes entre sí y no se con algún patrón conocido (por ejemplo, un paciente cada 15 minutos o un estudiante en busca de ase-
pueden predecir con exactitud. soría cada media hora), o bien, llegan aleatoriamente. Las llegadas se consideran aleatorias cuando
son independientes entre sí y su ocurrencia no puede predecirse con exactitud. Con frecuencia, en los
problemas de colas, el número de llegadas por unidad de tiempo puede estimarse mediante una distribu-
ción de probabilidad conocida como la distribución de Poisson. Vea la sección 2.11 para obtener más
información acerca de tal distribución.
COMPORTAMIENTO DE LAS LLEGADAS La mayoría de los modelos de colas suponen que un cliente
que llega es un cliente paciente. Los clientes pacientes son personas o máquinas que esperan en la cola
hasta que reciben el servicio y no cambian entre líneas. Por desgracia, la vida y el análisis cuantitativo se
Conceptos de rechazo y renuncia. complican por el hecho de que es sabido que las personas rechazan o renuncian. El rechazo se refiere a los
clientes que se niegan a unirse a la línea de espera, porque el tiempo de espera es demasiado grande para
adaptarse a sus necesidades o intereses. La renuncia hace alusión a los clientes que entran en la cola pero,
luego, se impacientan y la abandonan sin completar su transacción. En realidad, estas dos situaciones sólo
sirven para acentuar la necesidad de la teoría de colas y del análisis de la línea de espera. ¿Cuántas veces
ha visto usted a un comprador con una cesta llena de comestibles, incluidos los perecederos como leche,
alimentos congelados o carnes, simplemente dejar la cesta de las compras antes de abandonar la fila porque
ésta era demasiado larga? Esta ocurrencia cara para la tienda hace que los gerentes estén muy conscientes
de la importancia de las decisiones del nivel de servicio.
Características de la línea de espera

La línea de espera en sí es el segundo componente de un sistema de colas. La longitud de la línea puede ser
Los modelos de este capítulo suponen limitada o ilimitada. Una cola es limitada cuando no puede, por restricción de las leyes físicas, aumentar
una longitud de cola ilimitada. a una longitud infinita. Éste puede ser el caso en un pequeño restaurante que tiene sólo 10 mesas y puede
servir a no más de 50 comensales por noche. Los modelos de colas analíticos se tratan en este capítulo bajo
el supuesto de una longitud de cola ilimitada. Una cola es ilimitada cuando su tamaño es irrestricto, como
en el caso de una caseta de peaje que da servicio a todos los automóviles que llegan.
Una segunda característica de las líneas de espera describe la disciplina de la cola, que se refiere
a la regla mediante la cual los clientes en la línea reciben el servicio. La mayoría de los sistemas uti-
La mayoría de los modelos de lizan una disciplina de la cola conocida como la regla primero en entrar, primero en salir (FIFO,
colas utilizan la regla de FIFO. first-in, first-out). Sin embargo, en una sala de emergencias de un hospital o una línea de caja rápida en
Evidentemente, esto no es adecuado un supermercado, es posible asignar diferentes prioridades que pueden modificar la regla de FIFO. Los
en todos los sistemas de servicio, pacientes gravemente heridos avanzarán en la prioridad de tratamiento sobre los pacientes con dedos
sobre todo en los relacionados con o narices fracturados. Los compradores con menos de 10 artículos pueden ser autorizados a entrar en
emergencias.
la cola de una caja rápida, pero luego son tratados como primero en llegar, primero en ser atendido.
Las corridas de programación en computadora son otro ejemplo de sistemas de colas que operan bajo
la programación con prioridades. En la mayoría de las grandes empresas, cuando los cheques de pago

12.3 CARACTERÍSTICAS DE UN SISTEMA DE COLAS 439
producidos por computadora se liberan en una fecha específica, el programa de nómina tiene la mayor
prioridad sobre las demás corridas.*
Características de las instalaciones de servicio

La tercera parte de cualquier sistema de colas es la instalación del servicio. Es importante examinar dos
propiedades básicas: 1. la configuración del sistema de servicio y 2. el patrón de los tiempos de servicio.
CONFIGURACIONES BÁSICAS DE UN SISTEMAS DE COLAS Por lo general, los sistemas de servicio

El número de canales de servicio se clasifican de acuerdo con su número de canales, o número de servidores, y el número de fases, o el
en un sistema de colas es el número de paradas de servicio, que deben realizarse. Un sistema de un solo canal, con un servidor, se
número de servidores. tipifica por la ventanilla del banco que tiene un solo cajero abierto, o por el tipo de restaurante de comida
rápida con servicio al auto que se ha vuelto tan popular en Estados Unidos. Si, por otro lado, el banco
tiene varios cajeros en servicio y cada cliente espera en una línea común por el primer cajero disponi-
ble, tendríamos un sistema con múltiples canales en operación. Muchos bancos en la actualidad tienen
sistemas de servicio con múltiples canales, como sucede con las grandes peluquerías y muchos mostrado-
res de boletos de avión.
Sistema de una fase significa que Un sistema de una fase es aquel donde un cliente recibe servicio sólo de una estación y, luego, sale
el cliente recibe el servicio en sólo del sistema. Un restaurante de comida rápida en el cual la persona que toma su pedido también le trae los
una estación antes de salir del alimentos y toma su dinero es un sistema de una sola fase. Lo mismo ocurre en una oficina de licencias
sistema. Sistema con múltiples de conducir, donde la persona que toma su solicitud también califica su examen y recaba la tarifa por
fases implica dos o más paradas la licencia. Pero si en el restaurante se requiere hacer el pedido en una estación, pagar en una segunda y
antes de salir del sistema.
recoger los alimentos en una tercera parada de servicio, se convierte en un sistema con múltiples fases.
Del mismo modo, si la oficina de licencias de conducir es grande o está ocupada, es probable que tenga
que esperar en línea para completar la solicitud (la primera parada de servicio), después, hacer cola de
nuevo para obtener la calificación del examen (la segunda parada de servicio) y, finalmente, ir a un tercer
mostrador de servicio para pagar la tarifa. Para ayudar a relacionar los conceptos de canales y fases, en la
figura 12.2 se presentan cuatro configuraciones posibles.
DISTRIBUCIÓN DE TIEMPO DE SERVICIO Los patrones de servicio son como los patrones de llegada,
en el sentido que pueden ser constantes o aleatorios. Si el tiempo de servicio es constante, se necesita la
misma cantidad de tiempo para atender a cada cliente. Éste es el caso de una operación de servicio reali-
Con frecuencia, los tiempos de zada por máquinas, como el lavado automático de automóviles. Más a menudo, los tiempos de servicio se
servicio siguen la distribución distribuyen aleatoriamente. En muchos casos, se puede suponer que los tiempos de servicio aleatorios es-
exponencial negativa. tán descritos por la distribución de probabilidad exponencial negativa. Vea la sección 2.10 para obtener
más información acerca de esta distribución.
Es importante confirmar que los La distribución exponencial es importante para el proceso de construcción de los modelos matemá-
supuestos de llegadas de Poisson ticos de colas, ya que muchos de los fundamentos teóricos de estos modelos se basan en el supuesto de
y servicios exponenciales son llegadas de Poisson y servicios exponenciales. Sin embargo, antes de su aplicación, el analista cuantitativo
válidos, antes de aplicarlos en puede y debe observar, recopilar y graficar los datos del tiempo de servicio, para determinar si se ajustan a
el modelo de colas. la distribución exponencial.
Identificación de modelos mediante la notación Kendall

D. G. Kendall desarrolló una notación que ha sido ampliamente aceptada para especificar el patrón de
llegadas, la distribución del tiempo de servicio y el número de canales en un modelo de colas. Esta nota-
ción se observa con frecuencia en el software para modelos de colas. La notación Kendall básica de tres
símbolos tiene la forma
Distribución de llegada>Distribución del tiempo de servicio>Número de canales de servicio abiertos
donde se utilizan letras específicas para representar distribuciones de probabilidad. Las siguientes letras
son de uso general en la notación Kendall:
M = distribución de Poisson para el número de ocurrencias (o tiempos exponenciales)

D = razón constante (determinista)
G = distribución general con media y varianza conocidas
*
El término FIFS (primero en entrar, primero en ser atendido, first in, first served) se utiliza a menudo en lugar de FIFO.
Otra disciplina, LIFS (último en entrar, primero en ser atendido, last in, first served), es común cuando los materiales se
apilan o enciman, y los elementos en la parte superior son los que se emplean primero.

FIGURA 12.2 Cuatro configuraciones básicas de los sistemas de colas

Cola
Salidas
Instalación después
Llegadas
de servicio del servicio
Sistema de una fase de un solo canal
Cola
Instalación Instalación Salidas
Llegadas de servicio de servicio después
tipo 1 tipo 2 del servicio
Sistema con múltiples fases de un solo canal
Instalación
Cola de servicio Salidas
1
Instalación
Llegadas de servicio después
2
Instalación
de servicio del servicio
3
Sistema de una fase con múltiples canales
Cola Instalación Instalación

de servicio de servicio
1 del tipo 1 2 del tipo 1
Salidas
Llegadas después
del servicio
Instalación Instalación
de servicio de servicio
1 del tipo 2 2 del tipo 2
Sistema con múltiples fases y múltiples canales
Por lo tanto, un modelo de un solo canal con llegadas de Poisson y tiempos de servicio exponenciales se
representaría como
M>M>1
Un modelo M/M/2 tiene llegadas Al agregar un segundo canal, tendríamos

de Poisson, tiempos de servicio
exponenciales y dos canales. M>M>2
Si hubiera m canales de servicio distintos en un sistema de colas con llegadas de Poisson y tiempos
de servicio exponenciales, la notación Kendall sería M > M > m. Un sistema de tres canales con llegadas de
Poisson y tiempo de servicio constante se identificaría como M > D > 3. Un sistema de cuatro canales con
llegadas de Poisson y tiempos de servicio distribuidos normalmente podría identificarse como M > G > 4.

12.3 CARACTERÍSTICAS DE UN SISTEMA DE COLAS 441
Servicios de salud pública en el

MODELADO EN EL MUNDO REAL condado de Montgomery
Definición
del problema En 2002 los centros para el control y la prevención de enfermedades comenzaron a exigir que los departa-
mentos de salud pública crearan planes de vacunación contra la viruela. Un condado debe estar preparado
para vacunar a todas las personas en un área infectada en unos pocos días. Esto fue motivo de especial preo-
cupación después de los ataques terroristas del 11 de septiembre de 2001.

un modelo Se desarrollaron modelos de colas para la planeación de la capacidad y modelos de simulación de eventos dis-
cretos, gracias a un esfuerzo conjunto del Servicio de Salud Pública del condado de Montgomery (Maryland) y
la University of Maryland, College Park.

datos de entrada Se recopilaron datos sobre el tiempo necesario para realizar la vacunación o para efectuar la entrega de medi-
camentos. Para este propósito, se utilizaron ejercicios clínicos.

una solución Los modelos indican el número de miembros del personal necesarios para alcanzar las capacidades específicas
para evitar así la saturación en las clínicas.

a la solución El plan de vacunación contra la viruela se probó usando una simulación de una clínica de vacunación en un
ejercicio a gran escala que involucra a los residentes que pasan por la clínica. Esto puso de relieve la necesidad
de modificaciones en algunas áreas. A continuación, se desarrolló un modelo de simulación por computadora
para realizar pruebas adicionales.

de resultados Los resultados de la planeación de la capacidad y del modelo de gestión de colas ofrecieron muy buenas
estimaciones del verdadero desempeño del sistema. Los planeadores y administradores de las clínicas pueden
calcular rápidamente la capacidad y la saturación a medida que se desarrolla la situación.

de resultados Los resultados de este estudio están disponibles en un sitio web para que los profesionales de salud pú-
blica los descarguen y utilicen. Las directrices incluyen sugerencias para las operaciones en estaciones de
trabajo. Las mejoras al proceso son continuas.
Fuente: Basado en Kay Aaby, et al. “Montgomery County’s Public Health Service Operations Research to Plan Emergency
Mass Dispensing and Vaccination Clinics”, Interfaces 36, 6 (noviembre-diciembre de 2006): 569-579.
EN ACCIÓN Desaceleración del telesquí para obtener líneas más cortas
Sorprendentemente, en vez de construir nuevos telesquíes, el con-

E n una pequeña estación de esquí, con cinco telesquíes, la gerencia
estaba preocupada de que las colas para subir a los telesquíes se estu-
sultor propuso a la gerencia alentar sus cinco telesquíes a la mitad de
su velocidad actual y duplicar el número de sillas en cada uno de ellos,
vieran volviendo demasiado largas. Si bien esto es a veces un problema lo cual significaría, por ejemplo, que, en vez de 40 pies entre las sillas,
agradable porque significa que el negocio está en auge, también es un habría únicamente 20 pies entre ellas; pero debido a que se movían más
asunto que puede resultar contraproducente. Si se corre la voz de que las lentamente, habría la misma cantidad de tiempo para que los clientes
colas en un resort de este tipo son demasiado largas, los clientes quizá subieran al telesquí. Así que si un telesquí particular requería previa-
optarían por esquiar en otros lugares donde las líneas fueran más cortas. mente 4 minutos para llegar a la cima, ahora tardaría 8 minutos. Se
Debido a que la construcción de nuevos telesquíes requiere una concluyó que los esquiadores no notarían la diferencia de tiempo por-
inversión financiera significativa, la gerencia decidió contratar a un que se encuentran en el telesquí disfrutando de la vista en el camino
consultor externo con experiencia en sistemas de colas para estudiar el hacia la cumbre; esto resultó ser un supuesto válido. Por otro lado, en
problema. Después de varias semanas de investigación del problema, cierto momento, habría el doble de personas en realidad sobre las pistas
recopilación de datos y medición de la longitud de las líneas para subir de esquí, y un menor número de personas en las líneas del telesquí. ¡El
a los telesquíes en varios momentos, el consultor presentó sus recomen- problema quedó resuelto!
daciones a la gerencia de la estación de esquí.

Existe una notación más detallada con términos adicionales que indican el número máximo en el
sistema y el tamaño de la población. Cuando éstos se omiten, se supone que no hay límite en la longitud
de la cola o en el tamaño de la población. La mayoría de los modelos que estudiaremos aquí tendrán esas
propiedades.
12.4 Modelo de colas con un solo canal, llegadas de Poisson

y tiempos de servicio exponenciales (M/M/1)
En esta sección presentamos un enfoque analítico para determinar medidas de desempeño importantes en
un sistema de servicio típico. Después de haber calculado estas medidas numéricas, será posible agregar
datos de costos y comenzar a tomar decisiones que equilibren los niveles de servicio deseables con los
costos de espera en la línea de servicio.
Supuestos del modelo

El modelo de una fase de un solo canal considerado aquí es uno de los modelos de colas más utilizados y
Estos siete supuestos deben más sencillo. Implica el supuesto de que existen siete condiciones:
cumplirse cuando se aplique
el modelo de una fase de un 1. Las llegadas reciben el servicio sobre una base de FIFO.
solo canal. 2. Cada llegada espera a ser atendida, independientemente de la longitud de la línea; es decir, no hay
rechazo ni renuncia.
3. Las llegadas son independientes de las llegadas anteriores, pero el número promedio de llegadas
(la tasa de llegada) no cambia con el tiempo.
4. Las llegadas están descritas por una distribución de probabilidad de Poisson y provienen de una
población infinita o muy grande.
5. Los tiempos de servicio también varían de un cliente a otro y son independientes entre sí, pero se
conoce su tasa promedio.
6. Los tiempos de servicio se producen de acuerdo con la distribución de probabilidad exponencial
negativa.
7. La tasa promedio de servicio es mayor que la tasa promedio de llegada.
Cuando se cumplen estas siete condiciones, podemos desarrollar una serie de ecuaciones que definen
las características de funcionamiento de la cola. Las matemáticas utilizadas para deducir cada ecuación
son bastante complejas y están fuera del alcance de este libro, por lo que aquí sólo se presentan las fórmu-
las resultantes.
Ecuaciones de colas
Sean
l = número medio de llegadas por periodo de tiempo (por ejemplo, cada hora)
m = número medio de personas o artículos atendidos por periodo de tiempo
Al determinar la tasa de llegada 1l2 y la tasa de servicio 1m2, se debe utilizar el mismo periodo de tiempo.
Por ejemplo, si l es el número promedio de llegadas por hora, entonces m debe indicar el número prome-
dio que podría atenderse en una hora.
Las ecuaciones de colas son las siguientes.
Estas siete ecuaciones de colas para 1. Número promedio de clientes o unidades en el sistema, L; es decir, el número en la línea más
el modelo de una fase y de un solo el número que está recibiendo el servicio:
canal describen las características
de funcionamiento importantes del l
L = (12-1)
sistema de servicio. m - l
2. Tiempo promedio que un cliente pasa en el sistema, W; es decir, el tiempo que pasa en la línea más el
tiempo en el que recibe el servicio:
1
W = (12-2)
m - l

12.4 MODELO DE COLAS CON UN SOLO CANAL, LLEGADAS DE POISSON Y TIEMPOS DE SERVICIO EXPONENCIALES (M/M/1) 443
3. Número promedio de clientes en la cola, Lq:
l2
Lq = (12-3)
m1m - l 2
4. Tiempo promedio que un cliente pasa esperando en la cola, Wq:
l
Wq = (12-4)
m1m - l 2
5. Factor de utilización del sistema, r (la letra griega rho minúscula); es decir, la probabilidad de que
la instalación de servicio se esté utilizando:
l
r = (12-5)
m
6. Porcentaje de tiempo inactivo, P0; es decir, la probabilidad de que nadie está en el sistema:
l
P0 = 1 - (12-6)
m
7. La probabilidad de que el número de clientes en el sistema sea mayor que k, Pn7k:
l k+1
Pn 7 k = a b (12-7)
m
Caso del taller Arnold’s Muffler

Ahora aplicaremos estas fórmulas al caso del taller de silenciadores de Arnold en Nueva Orleans. El mecá-
nico de Arnold, Reid Blank, es capaz de instalar silenciadores nuevos a una tasa promedio de 3 por hora,
o alrededor de 1 cada 20 minutos. En promedio, los clientes que necesiten este servicio llegan al taller a
razón de 2 por hora. Larry Arnold, el dueño del taller, estudió modelos de colas en un programa de MBA
y siente que se cumplen las siete condiciones para un modelo de un solo canal. Procedió a calcular los va-
lores numéricos de las características de funcionamiento descritas anteriormente:
l = 2 autos llegan por hora

m = 3 autos atendidos por hora
l 2 2
L = = = = 2 autos en el sistema, en promedio
m - l 3 - 2 1
1 1
W = = = 1 hora que pasa un auto en el sistema, en promedio
m - l 3 - 2
l2 22 4 4
Lq = = = = = 1.33 autos esperando en la línea, en promedio
m1m - l 2 313 - 22 311 2 3
l 2 2
Wq = = = de hora = 40 minutos = tiempo de espera promedio por auto
m1m - l 2 313 - 22 3
Observe que W y Wq están en horas, puesto que l se definió como el número de llegadas por hora.
l 2 porcentaje de tiempo que el mecánico está ocupado,

r = = = 0.67 =
m 3 o la probabilidad de que el servidor esté ocupado
l 2
P0 = 1 - = 1 - = 0.33 = probabilidad de que haya 0 autos en el sistema
m 3

Probabilidad de más de k autos en el sistema
k Pn 7 k = A 2>3 B k + 1
0 0.667 Note que esto es igual a 1 - P0 = 1 - 0.33 = 0.667.
1 0.444
2 0.296
3 0.198 Implica una posibilidad de 19.8% de que haya más
de 3 autos en el sistema.
4 0.132
5 0.088
6 0.058
7 0.039
USO DE EXCEL QM EN LA COLA DEL TALLER DE SILENCIADORES DE ARNOLD Para utilizar Excel
QM en este problema, del menú de Excel QM seleccione Waiting Lines - Single Channel (M/M/1). Cuando
aparezca la hoja de cálculo, introduzca la tasa de llegada (2) y la tasa de servicio (3). Todas las caracterís-
ticas de funcionamiento se calcularán automáticamente, como se muestra en el programa 12.1.
INTRODUCCIÓN DE COSTOS EN EL MODELO Ahora que se han calculado las características del sis-
tema de colas, Arnold decide hacer un análisis económico de su impacto. El modelo de líneas de espera
fue valioso para predecir los tiempos de espera, las longitudes de cola, los tiempos inactivos potenciales,
etcétera; pero no identificó las decisiones óptimas ni consideró los factores de costo. Como se estable-
ció anteriormente, la solución a un problema de gestión de colas puede requerir que la gerencia logre un
El siguiente paso es realizar un equilibrio entre el aumento del costo por proporcionar un mejor servicio y la disminución de los costos de
análisis económico, el cual permite espera derivados de la prestación de ese servicio. Estos dos costos se llaman el costo de espera y el costo
incluir factores de costo. del servicio.
El costo total del servicio es
Costo total del servicio = 1Número de canales2 1Costo por canal2

Costo del servicio total = mCs (12-8)
PROGRAMA 12.1
Solución en Excel QM
para el taller Arnold’s
Muffler

12.4 MODELO DE COLAS CON UN SOLO CANAL, LLEGADAS DE POISSON Y TIEMPOS DE SERVICIO EXPONENCIALES (M/M/1) 445
donde
m = número de canales
Cs = costo del servicio (costo de mano de obra) en cada canal
El costo de espera cuando el costo del tiempo de espera se basa en el tiempo en el sistema es
Costo de espera total = 1Tiempo de espera total de todas las llegadas2 1Costo de espera2
= 1Número de llegadas2 1Espera promedio por llegada2 Cw
Así que,
Costo de espera total = 1lW 2 Cw (12-9)
Si el costo del tiempo de espera se basa en el tiempo en la cola, esto se convierte en
Costo de espera total = 1lWq 2 Cw (12-10)
Estos costos se basan en cualesquiera unidades de tiempo (a menudo horas) que se hayan utilizado para
determinar l. Al sumar el costo del servicio total al costo de espera total, tenemos el costo total del siste-
ma de colas. Cuando el costo de espera se basa en el tiempo en el sistema, esto es
Costo total = Costo del servicio total + Costo de espera total

Costo total = mCs + lWCw (12-11)
Cuando el costo de espera se basa en el tiempo en la cola, el costo total es
Costo total = mCs + lWqCw (12-12)
A veces podemos desear determinar el costo diario y, luego, simplemente encontrar el número total de
llegadas por día. Consideremos la situación del taller de silenciadores de Arnold.
Con frecuencia, el tiempo de espera Arnold estima que el costo del tiempo de espera del cliente, en términos de la insatisfacción de éstos
de los clientes se considera el factor y la buena imagen perdida, es de $50 por hora del tiempo esperando en la fila. (Después de que los auto-
más importante. móviles de los clientes ya se están atendiendo, ellos no parecen molestarse por la espera). Debido a que
en promedio un auto tiene una espera de 2> 3 de hora y hay aproximadamente 16 autos atendidos por día
(2 cada hora por 8 horas de trabajo al día), el número total de horas que los clientes pasan esperando para
que les instalen silenciadores cada día es 2>3 * 16 = 32>3, o 10 2>3 horas. Por lo tanto, en este caso,
Costo de espera diario total = 18 horas por día2 lWqCw = 182 122 1 2>32 1$502 = $533.33
El único otro costo que Larry Arnold puede identificar en esta situación de colas es la tarifa de pago a Reid
Blank, el mecánico. Blank recibe un pago de $15 por hora:
Costo del servicio diario total = 18 horas al día2 mCs = 8 112 1$152 = $120
El costo de espera más el costo del El costo diario total del sistema, tal como está configurado actualmente, es la suma del costo de espera más el
servicio es igual al costo total. costo del servicio, de donde resulta
Costo diario total del sistema de colas = $533.33 + $120 = $653.33
Ahora viene una decisión. Arnold se entera por los rumores en el negocio que Silenciadores Rusty, un
competidor del otro lado de la ciudad, cuenta con un mecánico llamado Jimmy Smith, que puede insta-
lar de manera eficiente silenciadores nuevos, a razón de 4 por hora. Larry Arnold contacta a Smith y le
consulta acerca de su interés por cambiar de empleador. Smith dice que consideraría abandonar Silen-
ciadores Rusty, pero sólo si se le paga un salario de $20 por hora. Arnold, que es un hombre de negocios
astuto, decide que podría serle útil despedir a Blank y reemplazarlo con el más rápido pero más caro
Smith.

Primero, vuelve a calcular todas las características de funcionamiento utilizando una nueva tasa de
servicio de 4 silenciadores por hora:
l = 2 autos que llegan por hora

m = 4 autos atendidos por hora
l 2
L = = = 1 auto en el sistema, en promedio
m - l 4 - 2
1 1 1
W = = = hora en el sistema, en promedio
m - l 4 - 2 2
l2
2 2
4 1
Lq = = = = auto esperando en la cola, en promedio
m1m - l 2 414 - 22 8 2
l 2 2 1
Wq = = = = de hora = 15 minutos de tiempo de
m1m - l 2 414 - 22 8 4 espera promedio por auto
l 2
r = = = 0.5 = porcentaje de tiempo que el mecánico está ocupado
m 4
l
P0 = 1 - = 1 - 0.5 = 0.5 = probabilidad de que haya 0 autos en el sistema
m
Probabilidad de que haya más de k autos en el sistema
k Pn 7 k = A 2>4 B k + 1
0 0.500
1 0.250
2 0.125
3 0.062
4 0.031
5 0.016
6 0.008
7 0.004
Es bastante evidente que la velocidad de Smith dará como resultado colas y tiempos de espera considera-
blemente más cortos. Por ejemplo, un cliente podría ahora pasar un promedio de media hora en el sistema
y un cuarto de hora esperando en la cola, en contraste con 1 hora en el sistema y 2>3 de hora en la cola si
Blank es el mecánico. El costo del tiempo de espera total diario con Smith como mecánico será
Costo de espera total diario = 18 horas al día2 lWqCw = 182 122 a b 1$502 = $200 al día
1
4
Observe que el tiempo total dedicado a la espera de los 16 clientes diarios es ahora
116 autos al día2 * A 1>4 de hora por autoB = 4 horas
en vez de las 10.67 horas con Blank. Por lo tanto, la espera es mucho menos de la mitad de lo que era,
a pesar de que la tasa de servicio sólo cambió de 3 por hora a 4 por hora.
Se presenta una comparación El costo del servicio se incrementará debido al salario más alto, pero el costo global disminuirá, como
de los costos totales empleando observamos aquí:
a dos mecánicos diferentes.
Costo del servicio de Smith = 8 horas>día * $20>hora = $160 por día
Costo esperado total = Costo de espera + Costo del servicio = $200 + $160
= $360 por día

12.5 MODELO DE COLAS CON MÚLTIPLES CANALES, LLEGADAS DE POISSON Y TIEMPOS DE SERVICIO EXPONENCIALES (M/M/m) 447
Ambulancias en Chile evalúan y mejoran las medidas

EN ACCIÓN de desempeño a través de la teoría de colas
espera en la cola, Wq, eran las de mayor valor para las operaciones de
L os investigadores en Chile consideraron la teoría de colas para
evaluar y mejorar los servicios de ambulancias. Investigaron los indi-
las ambulancias. La reducción de los tiempos de espera ahorra dinero
a la compañía en costos de gasolina y de transporte y, más impor-
cadores clave de desempeño que tienen valor para un gerente de una tante, puede salvar la vida a sus clientes. En otras palabras, a veces lo
compañía de ambulancias (por ejemplo, el número de ambulancias más sencillo es lo mejor.
desplegadas, las ubicaciones de las bases de ambulancias, los costos
de operación) y los indicadores clave de desempeño que tienen valor Fuente: Basado en Marcos Singer y Patricio Donoso. “Assessing an Ambu-
para un cliente (por ejemplo, el tiempo de espera hasta recibir servi- lance Service with Queuing Theory”, Computers & Operations Research 35,
cio, el sistema de priorización de colas). 8 (2008): 2549-2560.
El resultado algo sorprendente que los investigadores obtuvie-
ron fue que las medidas aparentemente simples, como el tiempo de
Debido a que el costo esperado diario total con Blank como mecánico fue de $653.33, Arnold podría deci-
dir contratar a Smith y reducir el costo en $653.33 - $360 = $293.33 al día.
Mejora del entorno de la cola

Aunque la reducción del tiempo de espera es un factor importante en la reducción del costo de tiempo
de espera de un sistema de colas, un administrador puede encontrar otras maneras de reducir este costo.
El costo total del tiempo de espera se basa en la cantidad total de tiempo esperado (con base en W o Wq) y el
costo de espera (Cw). La reducción de cualquiera de éstos reducirá el costo global de la espera. Promover
un entorno de la cola que haga la espera menos desagradable puede reducir Cw ya que los clientes no esta-
rán tan molestos por tener que esperar. Por ejemplo, en la sala de espera de los consultorios médicos hay
revistas para que los pacientes puedan leer mientras esperan. También hay tabloides exhibidos en las colas
de las cajas registradoras de las tiendas de comestibles, y los clientes leen los titulares para pasar el tiempo
mientras esperan. Con frecuencia se toca música mientras las personas se colocan en espera en una lla-
mada telefónica. En los principales parques de atracciones hay pantallas y televisores de video en algunas
de las colas para hacer la espera más interesante. En algunos casos, la línea de espera es tan entretenida que
es casi una atracción en sí misma.
Todas esos recursos están diseñados para mantener al cliente ocupado y mejorar las condiciones que
rodean la espera, haciendo que el tiempo parezca pasar más rápido de lo que realmente lo hace. En con-
secuencia, el costo de espera 1Cw2 baja y el costo total del sistema de colas se reduce. A veces, disminuir
el costo total de este modo es más fácil que reducirlo mediante la disminución de W o Wq. En el caso del
taller de silenciadores de Arnold, podría considerarse la instalación de un televisor en la sala de espera y
la remodelación de esta sala para que los clientes se sientan más cómodos al esperar que sus autos sean
atendidos.
12.5 Modelo de colas con múltiples canales, llegadas de Poisson

y tiempos de servicio exponenciales (M/M/m)
El siguiente paso lógico es analizar un sistema de colas con múltiples canales, donde dos o más servidores
o canales están disponibles para manejar los clientes que llegan. Sigamos suponiendo que los clientes que
esperan el servicio forman una sola línea y, luego, proceden al primer servidor disponible. Un ejemplo de
una línea de espera de una fase con múltiples canales como ésta se encuentra en muchos bancos de la ac-
tualidad. Se forma una línea común y el cliente al frente de la línea pasa a la primera caja libre (consulte en
la figura 12.2 una configuración típica con múltiples canales).
El modelo con múltiples canales El sistema con múltiples canales que se presenta aquí, de nuevo, supone que las llegadas siguen una
también supone llegadas de Poisson distribución de probabilidad de Poisson y que los tiempos de servicio se distribuyen de manera exponen-
y tiempos de servicio exponenciales. cial. El servicio es del tipo primero en llegar, primero en ser atendido, y se supone que todos los servidores
operan a la misma velocidad. Los demás supuestos listados anteriormente para el modelo de un solo canal
también son aplicables.

Ecuaciones para el modelo de colas con múltiples canales

Si consideramos que
m = número de canales abiertos,

l = tasa promedio de llegada y
m = tasa promedio de servicio en cada canal
las siguientes fórmulas se pueden utilizar para el análisis de la línea de espera:

1. La probabilidad de que haya cero clientes o unidades en el sistema:
1
P0 = para mm 7 l (12-13)
n=m-1 1 l n
1 l m mm
c g a b d + a b
n=0 n! m m! m mm - l
2. El número promedio de clientes o unidades en el sistema:
lm1l>m2 m l
L = P + (12-14)
1m - 12! 1mm - l 2 2 0 m
3. El tiempo promedio que pasa una unidad en la línea de espera o siendo atendido (es decir, en el
sistema):
m1l>m2 m 1 L
W = P + = (12-15)
1m - 12! 1mm - l 2 2 0 m l
4. El número promedio de clientes o unidades en la línea, en espera del servicio:
l
Lq = L - (12-16)
m
5. El tiempo promedio que un cliente o unidad pasa en la cola, en espera del servicio:
1 Lq
Wq = W - = (12-17)
m l
6. Tasa de utilización:
l
r = (12-18)
mm
Resulta evidente que estas ecuaciones son más complejas que las utilizadas en el modelo de un solo
canal; sin embargo, se utilizan exactamente de la misma manera y proporcionan el mismo tipo de informa-
ción que el modelo más sencillo.
Revisión del taller Arnold’s Muffler

Para una aplicación del modelo de gestión de colas con múltiples canales, regresaremos al caso del taller
de silenciadores de Arnold. Anteriormente, Larry Arnold examinó dos opciones. Podía mantener su mecá-
nico actual, Reid Blank, a un costo esperado total de $653 al día; o podía despedir a Blank y contratar a un
trabajador un poco más caro pero más rápido, llamado Jimmy Smith. Con Smith contratado, los costos del
sistema de servicio podrían reducirse a $360 al día.
El taller de silenciadores considera Ahora explora una tercera opción. Arnold descubre que con un costo mínimo después de impuestos
la apertura de un segundo canal de se puede abrir una segunda bahía en el taller donde se pueden instalar silenciadores. En vez de despedir a
servicio que funcione a la misma su primer mecánico, Blank, contrataría a un segundo trabajador. Se espera que el nuevo mecánico instale
velocidad que el primero. silenciadores al mismo ritmo que Blank: aproximadamente m = 3 por hora. Los clientes, que seguirían
llegando a una tasa de l = 2 por hora, esperarían en una sola línea hasta que uno de los dos mecánicos se

12.5 MODELO DE COLAS CON MÚLTIPLES CANALES, LLEGADAS DE POISSON Y TIEMPOS DE SERVICIO EXPONENCIALES (M/M/m) 449
TABLA 12.2 Efecto del nivel de servicio sobre las características de funcionamiento de Arnold
NIVEL DE SERVICIO
UN MECÁNICO
UN MECÁNICO DOS MECÁNICOS RÁPIDO
CARACTERÍSTICAS (REID BLANK) M=3 (JIMMY SMITH)
DE FUNCIONAMIENTO M=3 PARA CADA UNO M=4
Probabilidad de que el sistema esté vacío 1P02 0.33 0.50 0.50
Número promedio de autos en el sistema 1L2 2 autos 0.75 autos 1 auto
Tiempo promedio de permanencia en el sistema 1W 2 60 minutos 22.5 minutos 30 minutos
Número promedio de autos en la cola 1Lq2 1.33 autos 0.083 autos 0.50 autos
Tiempo promedio de permanencia en la cola 1Wq2 40 minutos 2.5 minutos 15 minutos
desocupara. Para averiguar cómo se compara esta opción con el antiguo sistema de líneas de espera de un
solo canal, Arnold calcula varias características de funcionamiento para el sistema de m = 2 canales:
1
P0 = n
1 1 2 1 2 2 2132
c g a b d + a b a b
n=0 n! 3 2! 3 2132 - 2
1 1 1
= = = = 0.5
2 1 4 6 2 1 2
1 + + a ba b 1 + +
3 2 9 6 - 2 3 3
= probabilidad de 0 autos en el sistema
122 132 1 2 3 2 2 1 2
8
3 1 2 3
L = a b a b + = a b + = = 0.75
1!3 2132 - 24 2 2 3 16 2 3 4
= número promedio de autos en el sistema
3
L 4 3
W = = = de hora = 221 2 minutos
l 2 8
= tiempo promedio que un auto pasa en el sistema
l 3 2 1
Lq = L - = - = = 0.083
m 4 3 12
= número promedio de autos en la cola
Lq 0.083
Wq = = = 0.0417 horas = 21 2 minutos
l 2
= tiempo promedio que un auto pasa en la cola
La apertura de una segunda área Estos datos se comparan con las características de funcionamiento anteriores de la tabla 12.2. El aumento
de servicio resulta en un tiempo de del servicio a partir de la apertura de un segundo canal tiene un efecto dramático en casi todas las carac-
espera drásticamente menor. terísticas. En particular, el tiempo de espera en la cola se reduce de 40 minutos con un mecánico (Blank)
o 15 minutos con Smith ¡a sólo 2.5 minutos! Del mismo modo, el número promedio de autos en la cola
disminuye a 0.083 (alrededor de 1>12 de un auto).* Pero ¿esto significa que debería abrirse una segunda
bahía?
Para completar su análisis económico, Arnold supone que el segundo mecánico recibiría el mismo pago
que el mecánico actual (Blank), es decir, $15 por hora. El costo de espera diario será ahora
Costo de espera diario total = 18 horas al día2 lWqCw = 182 122 10.04172 1$502 = $33.36
*
Es posible observar que la adición de un segundo mecánico no reduce el tiempo de espera en la cola simplemente a la mitad,
sino que lo hace aun más pequeño. Esto se debe a los procesos de llegada y de servicio aleatorios. Cuando sólo hay un mecánico
y dos clientes llegan con una diferencia de un minuto entre sí, el segundo tendrá una larga espera. El hecho de que el mecánico
pueda haber estado inactivo entre 30 y 40 minutos antes de que ambos llegaran no cambia este tiempo de espera promedio. Por lo
tanto, es frecuente que los modelos de un solo canal tengan mayores tiempos de espera que los modelos con múltiples canales.

PROGRAMA 12.2 A
Solución en Excel QM al
ejemplo con múltiples
canales de silenciadores
de Arnold
Ingrese la tasa de llegada, la tasa de servicio

y el número de servidores (canales).
Observe que el tiempo de espera total para los 16 automóviles al día es 116 autos>día2 * 10.0415 ho-
ras>auto2 = 0.664 horas por día en vez de las 10.67 horas con un solo mecánico.
El costo del servicio se duplica, puesto que hay dos mecánicos, por lo que éste es
Costo del servicio diario total = 18 horas al día2 mCs = 182 2 1$152 = $240
El costo diario total del sistema según está configurado actualmente es la suma de los costos de espera y
los costos del servicio, que es
Costo diario total del sistema de colas = $33.20 + $240 = $273.20
Como usted recordará, el costo total sólo con Blank como mecánico resultó ser de $653 diarios. El costo
sólo con Smith fue de $360. La apertura de una segunda área de servicio ahorrará alrededor de $380
diarios en comparación con el sistema actual, y ahorrará alrededor de $87 diarios en comparación con el
sistema del mecánico más rápido. Por lo tanto, debido a que el costo después de impuestos de una segunda
bahía es muy bajo, la decisión de Arnold es abrir una segunda área de servicio y contratar a un segundo
trabajador que reciba el mismo pago que Blank. Lo anterior puede tener beneficios adicionales porque es
posible que se disemine el rumor de las esperas tan cortas que hay en el taller de Arnold, y esto aumentaría
el número de clientes que optan por utilizar este taller de silenciadores.
USO DE EXCEL QM PARA ANALIZAR EL MODELO DE COLAS CON MÚLTIPLES CANALES DE ARNOLD
Para utilizar Excel QM en este problema, del menú Excel QM seleccione Waiting Lines - Multiple Channel
Model (M/M/s). Cuando aparezca la hoja de cálculo, introduzca la tasa de llegada (2), la tasa de servicio
(3) y el número de servidores (2). Una vez que éstos se ingresen, aparecerá la solución mostrada en el
programa 12.2.
12.6 Modelo con tiempo de servicio constante (M/D/1)

Algunos sistemas de servicios tienen tiempos de servicio constantes en vez de tiempos distribuidos ex-
ponencialmente. Cuando los clientes o equipos se procesan de acuerdo con un ciclo fijo, como en el caso
Las tasas de servicio constantes de un autolavado automático o un juego de un parque de diversiones, las tasas de servicios constantes son
aceleran el proceso en comparación las adecuadas. Debido a que las tasas constantes tienen certidumbre, los valores para Lq, Wq, L y W
con los tiempos de servicio son siempre menores de lo que serían en los modelos que acabamos de analizar, los cuales poseen tiempos
distribuidos exponencialmente de servicio variables. De hecho, tanto la longitud promedio de la cola como el tiempo de espera promedio
que tienen el mismo valor de m. en la cola se reducen a la mitad con el modelo de tasa de servicio constante.
Ecuaciones para el modelo con tiempo de servicio constante

A continuación, se presentan las fórmulas para el modelo de servicio constante:
1. Longitud promedio de la cola:
l2
Lq = (12-19)
2m1m - l 2
2. El tiempo de espera promedio en la cola:
l
Wq = (12-20)
2m1m - l 2

12.6 MODELO CON TIEMPO DE SERVICIO CONSTANTE (M/D/1) 451
EN ACCIÓN Colas en las urnas
L as largas filas en las urnas de las elecciones presidenciales recientes

en Estados Unidos han causado cierta preocupación. En 2000 algunos
problema en algunos de los distritos electorales? Parte de la razón
está relacionada con la previsión deficiente del número de votantes
en los diferentes distritos. Cualquiera que sea la causa, la mala dis-
votantes en Florida esperaron en fila más de 2 horas para emitir su voto. tribución de las máquinas de votación entre los distritos parece ser
El recuento final favoreció al ganador por 527 votos de los casi 6 millo- la principal causa de las largas filas en las elecciones nacionales. Los
nes de votos emitidos en ese estado. Algunos electores se cansaron de modelos de colas pueden ayudar a proporcionar una manera cientí-
esperar y simplemente abandonaron la fila sin votar, lo cual pudo haber fica para analizar las necesidades y anticipar las líneas de votación con
afectado el resultado. Un cambio de 0.01% podría haber causado re- base en el número de máquinas previstas.
sultados diferentes. En 2004, hubo informes de votantes en Ohio que El recinto de votación básico puede modelarse como un sistema
esperaron en la fila hasta 10 horas para votar. Si tan sólo 19 votantes de colas con múltiples canales. Mediante la evaluación de un ran-
potenciales en cada distrito electoral de los 12 condados más grandes go de valores para el número pronosticado de electores en los dife-
de Ohio se cansaron de esperar y se fueron sin votar, el resultado de rentes momentos del día, es posible determinar cuán largas serán las
las elecciones podría haber sido diferente. Hubo problemas evidentes líneas, con base en el número de máquinas de votación disponibles.
con el número de máquinas disponibles en algunos de los recintos. Una Aunque podría haber algunas líneas si el estado no tiene máquinas de
instalación de este tipo que necesitaba 13 máquinas, sólo tenía 2. Inex- votación suficientes para satisfacer la necesidad prevista, la adecua-
plicablemente, había 68 máquinas de votación en los almacenes, que da distribución de estas máquinas ayudará a mantener los tiempos de
ni siquiera se utilizaron. Otros estados también presentaron largas filas. espera en un nivel razonable.
El problema básico surge de no tener suficientes máquinas de
votación en muchos de los recintos, aunque algunos de ellos tenían Fuente: Basado en Alexander S. Belenky y Richard C. Larson. “To Queue or
máquinas suficientes y no tuvieron problemas. ¿Por qué hubo un Not to Queue”, OR/MS Today 33, 3 (junio de 2006): 30-34.
3. Número promedio de clientes en el sistema:

l
L = Lq + (12-21)
m
4. Tiempo promedio en el sistema:
1
W = Wq + (12-22)
m
García-Golding Recycling, Inc.

García-Golding Recycling, Inc., recolecta y comprime las latas de aluminio y botellas de vidrio en la ciu-
dad de Nueva York. Sus conductores de camión, que llegan a descargar estos materiales para reciclaje, es-
peran actualmente un promedio de 15 minutos antes de vaciar sus cargas. El costo por hora desperdiciada
del conductor y el camión mientras están en la cola tiene un valor de $60. Se puede comprar un nuevo
compactador automatizado que procesará cargas de camión a una velocidad constante de 12 camiones por
hora (es decir, 5 minutos por camión). Los camiones llegan de acuerdo con una distribución de Poisson a
una tasa promedio de 8 por hora. Si el nuevo compactador se pone en uso, su costo se amortizará a razón
de $3 por camión de descargado. Un practicante de verano de una universidad local hizo el siguiente análi-
sis para evaluar los costos contra los beneficios de la compra:
Costo de espera actual>viaje = A1>4 de hora de espera ahoraB 1costo de $60>hora2

= $15>viaje
Sistema nuevo: l = 8 camiones>hora que llegan
m = 12 camiones>hora atendidos
l 8
Análisis de costos para el ejemplo Tiempo de espera promedio en la cola = Wq = =
de reciclaje. 2m1m - l 2 21122 112 - 82
1
= de hora
12
Costo de espera>viaje con el nuevo compactador = A1>12 de hora de esperaB 1costo de $60>hora2 = $5/viaje
Ahorro con el equipo nuevo = $15 1sistema actual2 - $5 1sistema nuevo2
= $10 viaje
El costo del equipo nuevo amortizado = $3>viaje
Ahorro neto = $7>viaje

PROGRAMA 12.3
para el modelo del
tiempo de servicio
constante, en el ejemplo
de García-Golding
Recycling
USO DE EXCEL QM PARA EL MODELO DEL TIEMPO DE SERVICIO CONSTANTE EN GARCÍA-GOLDING

Para utilizar Excel QM en este problema, del menú de Excel QM, seleccione Waiting Lines - Constant
Service Time Model (M/D/1). Cuando aparezca la hoja de cálculo, introduzca la tasa de llegada (8) y la
tasa de servicio (12). Una vez que las haya ingresado, se desplegará la solución mostrada en el pro-
grama 12.3.
12.7 Modelo de población finita (M/M/1 con fuente finita)

Cuando hay una población limitada de clientes potenciales para un centro de servicio, debemos considerar
un modelo de gestión de colas diferente. Este modelo se utilizaría, por ejemplo, si usted estuviera conside-
rando reparaciones de equipos en una fábrica que cuenta con cinco máquinas, si usted estuviera a cargo del
mantenimiento de una flota de 10 aviones de uso intensivo, o si se operara una sala de hospital que cuenta
con 20 camas. El modelo de población limitada permite la consideración de cualquier número de personas
de reparación (servidores).
Este modelo difiere de los tres modelos de colas anteriores en que ahora existe una relación depen-
diente entre la longitud de la cola y la tasa de llegada. Para ilustrar la situación extrema, si su fábrica
tuviera cinco máquinas y todas estuvieran descompuestas en espera de reparación, la tasa de llegada se
reduciría a cero. En general, a medida que la línea de espera se alarga en el modelo de población limitada,
la tasa de llegada de clientes o máquinas se reduce.
En esta sección, se describe un modelo de población llamado finito que tiene los siguientes supuestos:
1. Hay un solo servidor.

2. La población de unidades que solicitan el servicio es finita.*
3. Las llegadas siguen una distribución de Poisson y los tiempos de servicio se distribuyen
exponencialmente.
4. Los clientes se atienden de una forma primero en llegar, primero en ser atendido.
Ecuaciones para el modelo de población finita

Si se usa
l = tasa media de llegada, m = tasa media de servicio, N = tamaño de la población
las características de funcionamiento para el modelo de población finita con un solo canal o servidor en
operación son los siguientes:
1. Probabilidad de que el sistema esté vacío:
1
P0 = (12-23)
N N! l n
g a b
n = 0 1N - n2! m
*
Aunque no hay un número definitivo que podamos usar para dividir poblaciones finitas de infinitas, la regla general empírica
es: si el número en la cola es una proporción significativa de la población de llegada, utilice un modelo de gestión de colas
finito. La obra Finite Queuing Tables, de L. G. Peck y R. N. Hazelwood (Nueva York: John Wiley & Sons, Inc., 1958) elimina
gran parte de las matemáticas involucradas en el cálculo de las características de funcionamiento de un modelo de este tipo.

12.7 MODELO DE POBLACIÓN FINITA (M/M/1 CON FUENTE FINITA) 453
2. Longitud promedio de la cola:
l + m
Lq = N - a b 11 - P0 2 (12-24)
l
3. Número promedio de clientes (unidades) en el sistema:
L = Lq + 11 - P02 (12-25)
4. Tiempo de espera promedio en la cola:

Lq
Wq = (12-26)
1N - L 2l
5. Tiempo promedio en el sistema:
1
W = Wq + (12-27)
m
6. Probabilidad de n unidades en el sistema:
N! l n
Pn = a b P0 para n = 0, 1, . . . , N (12-28)
1N - n2! m
Ejemplo del Departamento de Comercio

Los registros históricos indican que cada una de las cinco impresoras de alta velocidad del Departamento
de Comercio de Estados Unidos, en Washington, D.C., necesitan reparación después de unas 20 horas de
uso. Se ha determinado que las averías tienen distribución de Poisson. El técnico puede dar servicio a una
impresora en un promedio de 2 horas, a partir de una distribución exponencial.
Para calcular las características de funcionamiento del sistema, observamos en primer lugar que la
tasa media de llegada es l = 1> 20 = 0.05 impresoras/hora. La tasa media de servicio es m = 1> 2 = 0.50
impresoras/hora. Entonces
1
1. P0 = = 0.564 (usted puede confirmar estos cálculos)
5 5! 0.05 n
g a b
n = 0 15 - n2! 0.5
0.05 + 0.5
2. L q = 5 - a b 11 - P0 2 = 5 - 1112 11 - 0.5642 = 5 - 4.8
0.05
= 0.2 impresoras
3. L = 0.2 + 11 - 0.5642 = 0.64 impresoras
0.2 0.2
4. Wq = = = 0.91 horas
1 5 - 0.642 1 0.052 0.22
1
5. W = 0.91 + = 2.91 horas
0.50
Si el tiempo de inactividad de una impresora cuesta $120 por hora y al técnico se le pagan $25 por
hora, también podemos calcular el costo total por hora:
Costo total por hora = 1Número promedio de impresoras averiadas2 1Costo por hora de inactividad2
+ Costo del técnico por hora
= 10.642 1$1202 + $25 = $76.80 + $25.00 = $101.80
SOLUCIÓN DEL MODELO DEL DEPARTAMENTO DE COMERCIO CON POBLACIÓN FINITA ME-
DIANTE EXCEL QM Para utilizar Excel QM en este problema, en el menú de Excel QM seleccione
Waiting Lines - Limited Population Model (M/M/s). Cuando aparezca la hoja de cálculo, introduzca la
tasa de llegada (8), la tasa de servicio (12), el número de servidores y el tamaño de la población. Una vez
que los haya ingresado, se desplegará la solución mostrada en el programa 12.4. Además, existen salidas
adicionales disponibles.

PROGRAMA 12.4
Solución en Excel
QM para el modelo
de población finita
en el ejemplo del
Departamento de
Comercio
12.8 Algunas relaciones características generales de funcionamiento

Un estado estacionario es la Existen ciertas relaciones entre las características de funcionamiento específicas para cualquier sistema
condición normal de funcionamiento de colas en estado estacionario. Existe una condición de estado estacionario cuando un sistema de colas
del sistema de colas. se encuentra en su condición de funcionamiento normal, estabilizado, generalmente después de un estado
transitorio o inicial que puede ocurrir (por ejemplo, los clientes que están esperando en la puerta cuando
Un sistema de colas está en un una empresa abre por la mañana). Tanto la tasa de llegada como la tasa de servicio deberían ser estables en
estado transitorio antes de alcanzar el estado estacionario. John D. C. Little ha recibido el crédito de las dos primeras relaciones de este tipo y,
el estado estacionario. por eso, se denominan ecuaciones de flujo de Little:
L = lW 1o W = L>l2 (12-29)
Lq = lWq 1o Wq = Lq>l2 (12-30)
Una tercera condición que siempre se debe cumplir es
Tiempo promedio en el sistema = tiempo promedio en la cola + tiempo promedio recibiendo el
servicio
W = Wq + 1>m (12-31)
La ventaja de estas fórmulas es que, luego de conocer una de las cuatro características, las restantes se
obtienen fácilmente. Esto es importante porque, para ciertos modelos de colas, una de las características
puede ser mucho más fácil de determinar que las otras. Las fórmulas son aplicables a todos los sistemas de
colas analizados en este capítulo, excepto al modelo de población finita.
12.9 Modelos de colas más complejos y el uso de la simulación

Muchos de los problemas prácticos de líneas de espera que se presentan en los sistemas de servicios de
producción y operaciones tienen características como las del taller de silenciadores de Arnold, García-Gol-
ding Recycling Inc., o el Departamento de Comercio. Esto es válido cuando la situación requiere líneas de
espera de un solo canal o con múltiples canales, con llegadas de Poisson y tiempos de servicio exponencia-
les o constantes, una población potencial infinita y un servicio de FIFO.
Sin embargo, es común que haya variaciones de este caso específico en un análisis. Los tiempos de
Existen modelos más sofisticados servicio en un taller de reparación de automóviles, por ejemplo, tienden a seguir la distribución de proba-
para manejar variaciones de los bilidad normal en vez de la exponencial. Un sistema de registro a la Universidad, donde los alumnos de
supuestos básicos, pero incluso último año tienen la primera opción de cursos y horarios sobre el resto de los estudiantes, es un ejemplo
cuando éstos no son aplicables, de un modelo primero en llegar, primero en ser atendido y una disciplina de colas de prioridad preferente.
es posible recurrir a la simulación Un examen médico para los reclutas militares es un ejemplo de un sistema con múltiples fases —diferen-
por computadora, el tema del
te de los modelos de una fase estudiados en este capítulo—. Un recluta primero hace fila para que le to-
capítulo 13.
men la muestra de sangre en una estación y, luego, espera a realizar un examen de la vista en la próxima
estación, habla con un psiquiatra en la tercera y es examinado por un médico en la cuarta. En cada fase, el
recluta debe entrar en otra cola y esperar su turno.
Los investigadores de operaciones han desarrollado modelos para manejar tales casos. Los cálculos
para las formulaciones matemáticas resultantes son algo más complejas que las que se tratan en este ca-
pítulo,* y muchas aplicaciones de las colas en el mundo real son demasiado complejas para modelarse
analíticamente en absoluto. Cuando esto sucede, los analistas cuantitativos generalmente recurren a la
simulación por computadora.
*
Con frecuencia, los resultados cualitativos de los modelos de colas son tan útiles como los cuantitativos. Los resultados
muestran que es inherentemente más eficiente unir recursos, usar estaciones de envío centralizadas y proporcionar sistemas
con varios servidores individuales en lugar de varios sistemas con un solo servidor.

GLOSARIO 455
La simulación, el tema del capítulo 13, es una técnica en la cual se utilizan números aleatorios para
obtener conclusiones acerca de las distribuciones de probabilidad (por ejemplo, las llegadas y los servi-
cios). Con este enfoque, es posible desarrollar muchas horas, días o meses de datos por medido de una
computadora en pocos segundos. Esto permite el análisis de los factores controlables, como la adición de
otro canal de servicio, sin llegar a hacerlo de manera física. Básicamente, siempre que un modelo analítico
de colas estándar presenta una aproximación deficiente al sistema de servicio real, es razonable desarrollar
un modelo de simulación en su lugar.
Resumen
Las líneas de espera y los sistemas de servicios son partes importan- la figura 12.1, el costo total es la suma del costo de la prestación del
tes del mundo de los negocios. En este capítulo se describen varias servicio más el costo del tiempo de espera.
situaciones comunes de colas y se presentan modelos matemáticos Se mostró que las características operativas clave para un siste-
para analizar líneas de espera que siguen ciertos supuestos. Esos suma son 1. la tasa de utilización, 2. el porcentaje de tiempo inactivo,
puestos son que 1. las llegadas provienen de una población infinita o 3. el tiempo promedio pasado en espera en el sistema y en la cola, 4. el
muy grande, 2. las llegadas tienen una distribución de Poisson, 3. las número promedio de clientes en el sistema y en la cola y 5. las proba-
llegadas son atendidas de manera FIFO y no rechazan ni renuncian, bilidades de varios números de clientes en el sistema.
4. los tiempos de servicio siguen una distribución exponencial nega- El capítulo enfatiza que existe una gran variedad de modelos de
tiva o son constantes y 5. la tasa promedio de servicio es más rápida colas que no cumplen todos los supuestos de los modelos tradiciona-
que la tasa promedio de llegada. les. En tales casos, se utilizan modelos matemáticos más complejos o
Los modelos presentados en este capítulo son para problemas de recurrimos a una técnica denominada simulación por computadora.
un solo canal, de una fase y de una fase con múltiples canales. Des- En el capítulo 13 se estudia la aplicación de la simulación a problemas
pués de calcular una serie de características de funcionamiento, se es- de sistemas de colas, control de inventarios, averías de máquinas y
tudian los costos esperados totales. Como se muestra gráficamente en otras situaciones de análisis cuantitativo.
Glosario
Características de funcionamiento Características descriptivas de Línea de espera (cola) Uno o más clientes u objetos en espera de
un sistema de colas, incluyendo el número promedio de clientes ser atendidos.
en una línea y en el sistema, los tiempos de espera promedio en Longitud de cola ilimitada Una cola que puede aumentar hasta un
una línea y en el sistema, y el porcentaje de tiempo inactivo. tamaño infinito.
Costo de espera Costo en el que incurre una compañía por tener Longitud de cola limitada Una línea de espera que no puede au-
clientes u objetos en espera de ser atendidos en la cola o en el mentar más allá de un tamaño específico.
sistema. M/D/1 Notación Kendall para el modelo del tiempo de servicio
Costo del servicio El costo de proporcionar un determinado nivel constante.
de servicio. M/M/1 Notación Kendall para el modelo de un solo canal con lle-
Disciplina de cola Una regla mediante la cual los clientes en una gadas de Poisson y tiempos de servicio exponenciales.
línea de espera reciben el servicio. M/M/m Notación Kendall para un modelo de colas con múltiples
Distribución de Poisson Una distribución de probabilidad que canales (con m servidores), llegadas de Poisson y tiempos de ser-
se utiliza a menudo para describir las llegadas aleatorias a una vicio exponenciales.
cola. Notación Kendall Un método de clasificación de los sistemas de
Distribución de probabilidad exponencial negativa Una distribu- colas basado en la distribución de llegadas, la distribución de los
ción de probabilidad que se utiliza con frecuencia para describir tiempos de servicio y el número de canales de servicio.
los tiempos de servicio aleatorios en un sistema de servicio. Población ilimitada o infinita Una población potencial que es
Ecuaciones de flujo de Little Un conjunto de relaciones existentes muy grande en relación con el número de clientes que están ac-
para cualquier sistema de colas en un estado estacionario. tualmente en el sistema.
Estado estacionario La condición de funcionamiento normal, esta- Población limitada o finita Un caso en el cual el número de clien-
bilizado de un sistema de colas. tes en el sistema es una proporción significativa de la población
Estado transitorio La condición inicial de un sistema de colas an- potencial.
tes de alcanzar un estado estacionario. Población potencial La población de elementos de donde provie-
Factor de utilización (R) Proporción del tiempo que las instalacio- nen las llegadas al sistema de colas.
nes de servicio están en uso. Rechazo El caso en el que los clientes que llegan se niegan a unirse
FIFO Una disciplina de cola (significa primero en entrar, primero a la línea de espera.
en salir) donde se da el servicio a los clientes en estricto orden de Renuncia El caso en el cual los clientes entran a una cola, pero
llegada. luego se van antes de ser atendidos.

Sistema con múltiples fases Un sistema donde se recibe servicio Sistema de una fase Un sistema de colas en el cual se recibe servi-
en más de una estación, una después de la otra. cio en una sola estación.
Sistema de colas con múltiples canales Un sistema que tiene más Teoría de colas El estudio matemático de las líneas de espera
de una instalación de servicio, todo alimentado por una sola cola. o colas.
Sistema de un solo canal Un sistema con una instalación de
servicio alimentada por una cola.
Ecuaciones clave
l = número promedio de llegadas por periodo de tiempo (12-9) Costo de espera total por periodo de tiempo = 1lW2 Cw
m = número promedio de personas o elementos atendidos Cw = costo de espera
por periodo de tiempo
Costo del tiempo de espera con base en el tiempo en el
Las ecuaciones 12-1 a 12-7 describen las características de funciona- sistema.
(12-10) Costo de espera total por periodo de tiempo = 1lWq 2 Cw
miento en el modelo de un solo canal que tiene llegadas de Poisson y
tasas de servicio exponenciales.
Costo del tiempo de espera con base en el tiempo en la cola.
(12-1) L = número promedio de unidades (clientes) en el sistema.
(12-11) Costo total = mCs + lWCw
l
= Costo del tiempo de espera con base en el tiempo en el
m - l sistema.
(12-2) W = tiempo promedio que pasa una unidad en el sistema (12-12) Costo total = mCs + lWqCw
(Tiempo de espera + Tiempo de servicio) Costo del tiempo de espera con base en el tiempo en la cola.
1
= Las ecuaciones 12-13 a 12-18 describen las características de fun-
m - l cionamiento en los modelos con múltiples canales que tienen llegadas
de Poisson y tasas de servicio exponenciales, donde m = número de
(12-3) Lq = número promedio de unidades en la cola canales abiertos.
l2
= (12-13) P0 =
1
m1 m - l 2 n = m-11 l n 1 l m mm
c g a b d + a b
(12-4) Wq = tiempo promedio que pasa una unidad esperando n = 0 n! m m! m mm - l
en la cola para mm 7 l
l Probabilidad de que no haya personas o unidades en el
=
m1 m - l 2 sistema.
l lm1 l>m2 m l
(12-5) r = factor de utilización para el sistema = (12-14) L = P0 +
m 1m - 12!1mm - l 2 2 m
(12-6) P0 = probabilidad de 0 unidades en el sistema Número promedio de personas o unidades en el sistema.
(es decir, la unidad de servicio está inactiva)
m1l>m2 m 1 L
l (12-15) W = P0 + =
=1- 1m - 12! 1mm - l 2 2 m l
m
Tiempo promedio que pasa una unidad en la línea de espera
(12-7) Pn 7 k = probabilidad de más de k unidades en el sistema o siendo atendida (es decir, en el sistema).
l k+1 l
= a b (12-16) L q = L -
m m
Número promedio de personas o unidades en la línea espe-
Las ecuaciones 12-8 a 12-12 se utilizan para encontrar los costos de rando el servicio.
un sistema de colas.
1 Lq
(12-8) Costo del servicio total = mCs (12-17) Wq = W - =
m l
donde Tiempo promedio que una persona o unidad pasa en la cola
m = número de canales esperando el servicio.
Cs = costo del servicio (costo de mano de obra) en cada canal l
(12-18) r =
mm
Tasa de utilización.

Las ecuaciones 12-19 a 12-22 describen las características de fun- l + m

cionamiento de los modelos de un solo canal que tienen llegadas de (12-24) L q = N - a b 11 - P0 2
l
Poisson y tasas de servicio constantes.
Longitud promedio de la cola.
l2
(12-19) L q =
2m1m - l 2 (12-25) L = Lq + 11 - P02
Longitud promedio de la cola. Número promedio de unidades en el sistema.
l Lq
(12-20) Wq = (12-26) Wq =
2m1 m - l 2 1N - L 2l
Tiempo de espera promedio en la cola. Tiempo promedio en la cola.
l (12-27) W = Wq +
1
(12-21) L = L q + m
m
Número promedio de clientes en el sistema. Tiempo promedio en el sistema.
1 N! l n
(12-22) W = Wq + (12-28) Pn = a b P0 para n = 0, 1, . . . , N
m 1N - n2! m
Tiempo de espera promedio en el sistema. Probabilidad de n unidades en el sistema.
Las ecuaciones 12-23 a 12-28 describen las características de funciona- Las ecuaciones 12-29 a 12-31 son las ecuaciones de flujo de Little, que
miento de los modelos de un solo canal que tienen llegadas de Poisson y pueden utilizarse cuando existe una condición de estado estacionario.
tasas de servicio exponenciales y una población potencial finita.
(12-29) L = lW
1
(12-23) P0 = N (12-30) Lq = lWq
N! l n
g a b (12-31) W = Wq + 1>m
n = 0 1N - n2! m
Probabilidad de que el sistema esté vacío.
Problemas resueltos

La tienda Maitland Furniture recibe un promedio de 50 clientes por turno. La gerente de Maitland quiere calcular
si debería contratar a 1, 2, 3 o 4 vendedores. Ella determinó que el tiempo de espera promedio será de 7 minutos
con 1 vendedor, 4 minutos con 2 vendedores, 3 minutos con 3 vendedores y 2 minutos con 4 vendedores. También
estimó que el costo por minuto que los clientes esperan es de $1. El costo por vendedor por turno (incluyendo pres-
taciones) es de $70.
¿Cuántos vendedores deberían contratarse?
Solución
Los cálculos de la gerente son los siguientes:
NÚMERO DE VENDEDORES
1 2 3 4
(a) Número promedio de clientes por turno 50 50 50 50

(b) Tiempo de espera promedio por cliente (minutos) 7 4 3 2
(c) Tiempo de espera total por turno 1a * b2 (minutos) 350 200 150 100
(d) Costo por minuto de tiempo de espera (estimado) $1.00 $1.00 $1.00 $1.00
(e) Valor del tiempo perdido 1c * d2 por turno $ 350 $ 200 $ 150 $ 100
(f) Costo salarial por turno $ 70 $ 140 $ 210 $ 280
(g) Costo total por turno $ 420 $ 340 $ 360 $ 380
Debido a que el costo total mínimo por turno es el generado por dos vendedores, la estrategia óptima de la gerente
es contratar a 2 vendedores.


Marty Schatz es el dueño y gerente de un negocio de hot-dogs y bebidas gaseosas cerca del campus. Aunque Marty
puede dar servicio a 30 clientes por hora en promedio 1m2, sólo recibe 20 clientes por hora 1l2. Debido a que
Marty puede atender 50% más de los clientes que en realidad recibe, para él no tiene ningún sentido que haya
líneas de espera en su negocio.
Marty lo contrata a usted para estudiar la situación y determinar algunas características de la cola. Después de
examinar el problema, usted encontrará que éste es un sistema M>M>1. ¿Cuáles son sus conclusiones?
Solución
l 20
L = = = 2 clientes en el sistema, en promedio
m - l 30 - 20
1 1
W = = = 0.1 horas (6 minutos) que el cliente pasa en el sistema total,
m - l 30 - 20 en promedio
l2 202
Lq = = = 1.33 clientes que esperan servicio en la línea, en promedio
m1m - l 2 30130 - 202
l 20
wq = = = 1
15 horas = 14 minutos2 = tiempo de espera promedio
m1m - l 2 30130 - 202
de un cliente en la cola
l 20
r = = = 0.67 = porcentaje del tiempo que Marty está ocupado atendiendo a los clientes
m 30
l
P0 = 1 - = 1 - r = 0.33 = probabilidad de que no haya clientes en el sistema 1siendo
m
atendidos o esperando en la cola2 en un momento dado
Probabilidad de k o más clientes que esperan

en la línea y/o que están siendo atendidos
l
k Pn 7 k = Q m R k +1
0 0.667
1 0.444
2 0.296
3 0.198

Consulte el problema resuelto 12-2. Marty acordó que estas cifras parecían representar su situación de negocios
aproximada. Usted está muy sorprendido por la longitud de las líneas y obtiene de Marty un valor estimado del
tiempo de espera del cliente (en la cola, no siendo atendido) de 10 centavos por minuto. Durante las 12 horas que
el negocio está abierto, recibe 112 * 202 = 240 clientes. El cliente promedio está 4 minutos en la cola, por lo
que el tiempo total de espera de los clientes es de 1240 * 4 minutos2 = 960 minutos. El valor de los 960 minutos
es 1$0.102 1960 minutos2 = $96. Usted le dice a Marty que 10 centavos por minuto no sólo es bastante conservador,
sino que probablemente podría ahorrarse la mayor parte de esos $96 por la mala imagen ante el cliente, si contra-
tara a otro vendedor. Después de mucho regateo, Marty se compromete a invitar a usted todos los hot-dogs que
pueda comerse durante un periodo de una semana, a cambio de un análisis de los resultados si tuviera dos emplea-
dos para atender a los clientes.
Suponiendo que Marty contrata a un vendedor adicional cuya tasa de servicio es igual a la de Marty, realice
el análisis.

Solución
Con dos personas trabajando, el sistema se vuelve de dos canales, o m = 2. Al realizar los cálculos se obtiene
1
P0 = n = m-11 20 n 1 20 2 21302
c g c d d + c d c d
n = 0 n! 30 2! 30 21302 - 20
1
= = 0.5
1 12 12>32 0 + 112 12>32 1 + 11>22 14>92 16>42
= probabilidad de que no haya clientes en el sistema
1202 1302 120>302 2 20
L = c d 0.5 + = 0.75 clientes en el sistema, en promedio
12 - 12!3 122 130 - 202 4 2 30
L 3>4 3
W = = = de hora = 2.25 minutos que el cliente promedio pasa en todo el sistema
l 20 80
l 3 20 1
Lq = L - = - = = 0.083 clientes que esperan el servicio en la línea, en promedio
m 4 30 12
1
Lq 2 1 1
Wq = = = de hora = de minuto = tiempo de espera promedio de un cliente
l 20 240 4 en la cola (sin ser atendido)
l 20 1
r = = = = 0.33 = tasa de utilización
mm 21302 3
Ahora se tienen 1240 clientes2 * 11>240 de hora2 = 1 hora de tiempo total de espera de los clientes por día.
El costo total de 60 minutos de tiempo de espera de los clientes es 160 minutos2 1$0.10 por minuto2 = $6.
Ahora ya está listo para señalar a Marty que la contratación de un empleado adicional le ahorrará $96 - $6 = $90
por la mala imagen ante el cliente, cada turno de 12 horas. Marty responde que la contratación también debería
reducir el número de personas que ven la fila y se van, así como el número de clientes que se cansan de esperar
en la cola y se retiran. En ese momento, usted le dice a Marty que está listo para comerse dos hot-dogs con picante
extra.

Vacations Inns es una cadena de hoteles que opera en el suroeste de Estados Unidos. La empresa utiliza un número
de teléfono gratuito para realizar reservaciones en cualquiera de sus hoteles. El tiempo promedio para atender cada
llamada es de 3 minutos, y se recibe un promedio de 12 llamadas por hora. La distribución de probabilidad que
describe las llegadas es desconocida. Durante un periodo de tiempo, se determina que la persona que llama gasta
en promedio 6 minutos, ya sea en espera o recibiendo el servicio. Encuentre el tiempo promedio en la cola, el
tiempo promedio en el sistema, el número promedio de llamadas en la cola y el número promedio de llamadas en
el sistema.
Solución
Las distribuciones de probabilidad son desconocidas, pero se tiene el tiempo promedio en el sistema (6 minutos).
Por lo tanto, podemos utilizar las ecuaciones de flujo de Little:
W = 6 minutos = 6>60 horas = 0.1 horas
l = 12 por hora
m = 60>3 = 20 por hora
Tiempo promedio en la cola = Wq = W - 1>m = 0.1 - 1>20 = 0.1 - 0.05 = 0.05 horas
Número promedio de llamadas en el sistema = L = lW = 12 10.12 = 1.2 llamadas
Número promedio de llamadas en la cola = Lq = lWq = 12 10.052 = 0.6 llamadas

Autoevaluación
1. La mayoría de los sistemas usan la disciplina de cola conocida 8. ¿Cuál de los siguientes sistemas no tendría una disciplina de
como la regla de FIFO. cola de FIFO?
a. Verdadero a. Restaurante de comida rápida
b. Falso b. Oficina de correos
2. Antes de usar distribuciones exponenciales para construir c. Fila para pagar en una tienda de comestibles
modelos de colas, el analista cuantitativo debería determinar si d. Sala de emergencias en un hospital
los datos del tiempo de servicio se ajustan a la distribución. 9. Una empresa tiene un técnico en computación que se encarga
a. Verdadero de las reparaciones de 20 computadoras de la empresa. Cuando
b. Falso un equipo falla, se llama al técnico para que haga la reparación.
3. En un sistema de colas de una fase con múltiples canales, Si el reparador está ocupado, la computadora debe esperar por
la llegada pasará a través de, al menos, dos instalaciones de el servicio. Éste es un ejemplo de
servicio diferentes. a. un sistema con múltiples canales.
a. Verdadero b. un sistema con población finita.
b. Falso c. un sistema con tasa de servicio constante.
4. ¿Cuál de los siguientes no es un supuesto en los modelos M>M>1? d. un sistema con múltiples fases.
a. Las llegadas provienen de una población infinita o muy 10. Al realizar un análisis de costos de un sistema de colas, el
grande. costo del tiempo de espera 1Cw2 se basa a veces en el tiempo en
b. Las llegadas tienen una distribución de Poisson. la cola y, a veces en el tiempo en el sistema. ¿Para cuál de las
c. Las llegadas son atendidas con base en FIFO y no rechazan siguientes situaciones el costo de espera se debería basar en el
ni renuncian. tiempo en el sistema?
d. Los tiempos de servicio siguen una distribución exponencial. a. Espera en una fila para subir a un juego mecánico
e. La tasa promedio de llegada es más rápida que la tasa pro- b. Espera para discutir un problema de salud con un médico
medio de servicio. c. Espera por una foto y un autógrafo de una estrella de rock
5. Un sistema de colas descrito como M>D>2 tendría d. Espera por la reparación de una computadora para que se
a. tiempos de servicio exponenciales. pueda poner de nuevo en servicio
b. dos colas. 11. Los clientes entran a la línea de espera en una cafetería de
c. tiempos de servicio constantes. la forma primero en llegar, primero en ser atendido. La tasa
d. tasas de llegada constantes. de llegadas sigue una distribución de Poisson y los tiempos de
6. Los automóviles entran al servicio por la ventanilla de un servicio se distribuyen exponencialmente. Si el número pro-
restaurante de comida rápida para realizar un pedido y, luego, medio de llegadas es de 6 por minuto y la tasa de servicio
proceden a realizar el pago y recoger los alimentos. Éste es un promedio de un solo servidor es de 10 por minuto, ¿cuál es
ejemplo de el número promedio de clientes en el sistema?
a. un sistema con múltiples canales. a. 0.6
b. un sistema con múltiples fases. b. 0.9
c. un sistema con múltiples colas. c. 1.5
d. ninguno de los anteriores. d. 0.25
7. El factor de utilización de un sistema se define como e. ninguno de los anteriores
a. el número medio de personas atendidas dividido entre el 12. En el modelo de colas estándar, suponemos que la disciplina de
número medio de llegadas por periodo de tiempo. la cola es .
b. el tiempo promedio que un cliente pasa esperando en una 13. Se supone que el tiempo de servicio en el modelo de colas
cola. M>M>1 es .
c. la proporción del tiempo que las instalaciones de servicio 14. Cuando los administradores encuentran que las fórmulas
están en uso. estándar para los sistemas de colas son inadecuadas o que
d. el porcentaje de tiempo inactivo. las matemáticas son irresolubles, con frecuencia recurren a
e. ninguno de los anteriores. para obtener soluciones.


Preguntas para análisis empleados trabajando, y 3 minutos, cuando se tienen cua-
tro empleados en servicio
12-1 ¿Cuál es el problema de la línea de espera? ¿Cuáles son
La gerencia de Schmedley ha realizado encuestas de
los componentes de un sistema de líneas de espera?
satisfacción de los clientes y ha sido capaz de estimar que
12-2 ¿Cuáles son los supuestos subyacentes en los modelos de la tienda tiene un costo aproximado de $10 por pérdida
colas comunes? de ventas y de buena imagen por cada hora del tiempo de
12-3 Describa las características de funcionamiento importan- los clientes dedicada a esperar en las filas para pagar. Use
tes en un sistema de colas. la información proporcionada para determinar el número
12-4 ¿Por qué la tasa de servicio debe ser mayor que la tasa de óptimo de empleados que se deben tener en servicio cada
llegada en un sistema de colas de un solo canal? sábado, con la finalidad de minimizar el costo esperado
12-5 Describa brevemente tres situaciones en las cuales la regla total de la tienda.
de disciplina de FIFO no es aplicable al análisis de colas. 12-11 La corporación Rockwell Electronics mantiene un perso-
12-6 Mencione ejemplos de cuatro situaciones en las que existe nal de servicio para reparar las averías de sus máquinas,
una población limitada o finita. que se producen en un promedio de l = 3 por día (con
12-7 ¿Cuáles son los componentes de los siguientes sistemas? una naturaleza aproximadamente de Poisson).
Dibuje y explique la configuración de cada uno. Este personal puede dar servicio a un promedio de
(a) Una barbería m = 8 máquinas por día, con una distribución del tiempo
(b) Un lavado de autos de reparación que se asemeja a la distribución exponencial.
(c) Una lavandería (a) ¿Cuál es la tasa de utilización de este sistema de
(d) Una pequeña tienda de comestibles servicio?
(b) ¿Cuál es el tiempo inactivo promedio para una máqui-
12-8 Dé un ejemplo de una situación en la que el costo del
na que se ha averiado?
tiempo de espera se basa en el tiempo de espera en la cola.
(c) ¿Cuántas máquinas están esperando a ser atendidas en
Mencione un ejemplo de una situación donde el costo
un momento dado?
de tiempo de espera se basa en el tiempo de espera en el
(d) ¿Cuál es la probabilidad de que más de una máquina
sistema.
se encuentre en el sistema? ¿La probabilidad de que
12-9 ¿Cree usted que la distribución de Poisson, que supone más de dos están descompuestas y en espera de ser re-
llegadas independientes, es una buena estimación de las paradas o atendidas? ¿Más de tres? ¿Y más de cuatro?
tasas de llegada en los siguientes sistemas de colas? De-
12-12 A partir de datos históricos, el lavado de autos de Harry
fienda su posición en cada caso.
estima que los automóviles sucios llegan a una tasa de 10
(a) La cafetería de su escuela
por hora durante todo el día sábado. Con una cuadrilla tra-
(b) Una barbería
bajando en la línea de lavado, Harry calcula que los autos
(c) Una ferretería
se pueden atender a razón de uno cada 5 minutos. En este
(d) Un consultorio dental
ejemplo de una línea de espera de un solo canal, los autos
(e) Una clase universitaria
se lavan de uno en uno.
(f) Una sala de cine
Si se supone que las llegadas son de Poisson y los
tiempos de servicio exponenciales, encuentre
Problemas* (a) el número promedio de autos en la línea.
(b) el tiempo promedio que un auto espera antes de ser
12-10 La tienda departamental Schmedley Discount cuenta con lavado.
aproximadamente 300 clientes que compran en su tienda (c) el tiempo promedio que un auto pasa en el sistema de
de 9 a.m. a 5 p.m. los días sábado. Al decidir cuántas cajas servicio.
registradoras debe mantener abiertas cada sábado, el ge- (d) la tasa de utilización del sistema de lavado.
rente de Schmedley considera dos factores: el tiempo de (e) la probabilidad de que no haya autos en el sistema.
espera de los clientes (y el costo de espera asociado) y los 12-13 Mike Dreskin administra un gran complejo de cines en
costos del servicio debido al empleo de cajeros adiciona- Los Ángeles llamado Cinema I, II, III y IV. Cada una de
les. A los cajeros se les paga un promedio de $8 por hora. las cuatro salas proyecta una película diferente; el horario
Cuando sólo uno está en servicio, el tiempo de espera por se establece de modo que los tiempos de inicio estén es-
cliente es de unos 10 minutos (o 1>6 de hora); cuando hay calonados para evitar las grandes aglomeraciones que se
dos empleados en servicio, el tiempo de pago promedio producirían si las cuatro películas comenzaran al mismo
es de 6 minutos por persona; 4 minutos, cuando hay tres tiempo. El complejo tiene una sola taquilla y un cajero
* Nota: significa que el problema puede resolverse con QM para Windows; significa que el problema puede resolverse con Excel QM, y significa que el problema

que puede mantener una tasa de servicio promedio de 280 (durante las horas que el contenedor está abierto) a una tasa
clientes por hora. Se supone que los tiempos de servicio de alrededor de 30 por hora, siguiendo un patrón de Poisson.
siguen una distribución exponencial. Las llegadas en un Para ayudar a la cooperativa con el problema de la
día típicamente activo tienen una distribución de Poisson pérdida de tiempo, mientras los camiones esperan en la fila
y promedian 210 por hora. o mientras son descargados en el contenedor, encuentre
Para determinar la eficiencia de la operación actual (a) el número promedio de camiones en el sistema de
de venta de boletos, Mike desea examinar varias caracte- descarga.
rísticas del funcionamiento de la cola. (b) el tiempo promedio por camión en el sistema.
(a) Encuentre el número promedio de clientes que espe- (c) la tasa de utilización del área del contenedor.
ran en la fila para comprar un boleto. (d) la probabilidad de que haya más de tres camiones en
(b) ¿Qué porcentaje del tiempo el cajero está ocupado? el sistema en cualquier momento dado.
(c) ¿Cuál es el tiempo promedio que un cliente pasa en el (e) el costo total diario de los agricultores por tener sus
sistema? camiones detenidos en el proceso de descarga.
(d) ¿Cuál es el tiempo de espera promedio en la cola para Como se ha mencionado, la cooperativa utiliza el conte-
llegar a la taquilla? nedor sólo dos semanas al año. Los agricultores estiman
(e) ¿Cuál es la probabilidad de que haya más de dos per- que una ampliación de este depósito recortaría los costos
sonas en el sistema? ¿Más de tres personas? ¿Más de de descarga en 50% el próximo año. Costaría $9,000 ha-
cuatro? cer la expansión durante la temporada en que no hay des-
12-14 Una línea en la cafetería de una universidad en el centro carga. ¿Sería rentable para la cooperativa ampliar el área
de estudiantes es una instalación de autoservicio donde los de almacenamiento?
estudiantes seleccionan los alimentos que desean y, luego, 12-16 La tienda departamental Ashley’s en Kansas City mantie-
forman una sola línea para pagar al cajero. Los estudiantes ne un exitoso departamento de ventas por catálogo, en el
llegan a la caja a una tasa aproximada de cuatro por mi- cual un empleado recibe órdenes por teléfono. Si el em-
nuto de acuerdo con una distribución de Poisson. El único pleado está ocupado en una línea, las llamadas telefónicas
cajero que realiza los cobros tarda unos 12 segundos por entrantes al departamento de ventas por catálogo son con-
cliente, siguiendo una distribución exponencial. testadas automáticamente por una máquina grabadora que
(a) ¿Cuál es la probabilidad de que haya más de dos estu- pide al cliente esperar. Tan pronto como el empleado se li-
diantes en el sistema? ¿Más de tres estudiantes? ¿Más bera, la llamada que ha esperado más tiempo se transfiere y
de cuatro? se responde primero. Las llamadas llegan a una tasa de alre-
(b) ¿Cuál es la probabilidad de que el sistema esté vacío? dedor de 12 por hora. El empleado es capaz de tomar un pe-
(c) ¿Cuánto tiempo espera el estudiante promedio antes dido en un promedio de 4 minutos. Las llamadas tienden a
de llegar a la caja? seguir una distribución de Poisson y los tiempos de servicio
(d) ¿Cuál es el número esperado de estudiantes en la cola? suelen ser exponenciales. Al empleado se le pagan $10 por
(e) ¿Cuál es el número promedio de estudiantes en el hora, pero debido a la pérdida de ventas y de buena imagen,
sistema? Ashley’s pierde alrededor de $50 por cada hora que los
(f) Si se agrega una segunda caja (que trabaja al mismo clientes pasan esperando a que el empleado tome su pedido.
ritmo), ¿cómo cambian las características de funcio- (a) ¿Cuál es el tiempo promedio que los clientes por catá-
namiento calculadas en los incisos (b), (c), (d) y (e)? logo deben esperar antes de que sus llamadas se trans-
Suponga que los clientes esperan en una sola línea y fieran al empleado?
van a la primera caja disponible. (b) ¿Cuál es el número promedio de clientes esperando a
12-15 La temporada de cosecha de trigo en el medio oeste estadou- hacer un pedido?
nidense es corta, y la mayoría de los agricultores entregan (c) Ashley’s está considerando la adición de un segundo
sus camiones cargados de trigo a un gigantesco contenedor empleado para recibir llamadas. La tienda pagaría a
de almacenamiento central en un lapso de dos semanas. De- esa persona los mismos $10 por hora. ¿Debería con-
bido a esto, los camiones llenos de trigo esperan en una fila tratar a otro empleado? Explique su respuesta
para descargar en el contenedor y volver a los campos de 12-17 Los automóviles llegan a la ventanilla de servicio en una
cultivo. El contenedor central es propiedad cooperativa, y es oficina de correos a una tasa de 4 cada 10 minutos. El
en beneficio de todos los agricultores con la finalidad de que tiempo de servicio promedio es de 2 minutos. La distribu-
el proceso de almacenamiento/descarga sea lo más eficiente ción de Poisson es adecuada para la tasa de llegadas y los
posible. El costo del deterioro del grano causado por los re- tiempos de servicios se distribuyen de manera exponencial.
trasos en la descarga, el costo del alquiler de los camiones (a) ¿Cuál es el tiempo promedio que un auto está en
y el tiempo de inactividad de los conductores son preocu- el sistema?
paciones importantes de los miembros de la cooperativa. (b) ¿Cuál es el número promedio de vehículos en el
Aunque los agricultores tienen dificultades para cuantificar sistema?
los daños a los cultivos, es fácil asignar un costo de espera y (c) ¿Cuál es el tiempo promedio que pasan los autos en
descarga por camión y conductor de $18 por hora. El conte- espera de recibir el servicio?
nedor está abierto y opera 16 horas al día, 7 días a la semana, (d) ¿Cuál es el número promedio de autos en la fila
durante la temporada de cosecha y es capaz de descargar 35 detrás del cliente que está recibiendo el servicio?
camiones por hora de acuerdo con una distribución expo- (e) ¿Cuál es la probabilidad de que no haya autos en la
nencial. Los camiones cargados llegan durante todo el día ventanilla?

(f) ¿Qué porcentaje del tiempo el empleado de correos Suponga que los trabajadores de cada plataforma
está ocupado? podrán cargar 4 camiones por hora cada uno y que los
(g) ¿Cuál es la probabilidad de que haya exactamente dos camiones seguirán llegando a una tasa de 3 por hora. En-
autos en el sistema? cuentre las nuevas condiciones de funcionamiento de la
12-18 En la oficina de correos del problema 12-17, se está con- línea de espera. ¿Es cierto que este nuevo enfoque es más
siderando una segunda ventanilla para atender a los clien- rápido que los otros dos considerados?
tes. Se formaría una sola fila y cuando un auto llegara a 12-23 Bill First, gerente general de la tienda departamental Worth-
la parte delantera de la línea se dirigiría al siguiente em- more, ha estimado que cada hora que los clientes pasan
pleado disponible. El cajero de la nueva ventanilla trabaja- esperando en la cola a que un empleado de ventas esté dis-
ría al mismo ritmo que el actual. ponible cuesta a la tienda $100 en pérdida de ventas y de
(a) ¿Cuál es el tiempo promedio que un auto estaría en el buena imagen. Los clientes llegan a la caja registradora a
sistema?
un ritmo de 30 por hora, y el tiempo de servicio prome-
(b) ¿Cuál es el número promedio de autos en el sistema?
dio es de 3 minutos. La distribución de Poisson describe
(c) ¿Cuál es el tiempo promedio que pasarían los autos
las llegadas y los tiempos de servicio se distribuyen de
en espera de recibir el servicio?
manera exponencial. El número de empleados de ventas
(d) ¿Cuál es el número promedio de autos que habría en
puede ser de 2, 3 o 4, donde cada uno trabaja a la misma
la fila detrás de los clientes que están recibiendo el
tasa. Bill estima que el salario y las prestaciones para cada
servicio?
empleado son de $10 por hora. La tienda está abierta 10
(e) ¿Cuál es la probabilidad de que no hubiera autos en
horas al día.
el sistema?
(a) Calcule el tiempo promedio en la línea si se utilizan 2,
(f) ¿Qué porcentaje del tiempo los cajeros estarían
3 y 4 cajeros.
ocupados?
(b) ¿Cuál es el tiempo total diario de espera en la línea si
(g) ¿Cuál es la probabilidad de que hubiera exactamente
se utilizan 2, 3 y 4 cajeros?
dos autos en el sistema?
(c) Calcule el total diario de los costos de espera y del ser-
12-19 La distribuidora mayorista de frutas Juhn and Sons utiliza vicio si se utilizan 2, 3 y 4 cajeros. ¿Cuál es el costo
a un empleado cuyo trabajo consiste en cargar fruta en los total diario mínimo?
camiones que salen de la compañía. Los camiones llegan
a la puerta de carga en un promedio de 24 por día, o 3 por 12-24 Billy’s Bank es el único banco en un pequeño pueblo de
hora, de acuerdo con una distribución de Poisson. El tra- Arkansas. En un viernes típico, un promedio de 10 clien-
bajador los carga a una velocidad de 4 por hora, siguiendo tes por hora llegan al banco para realizar transacciones
aproximadamente una distribución exponencial en los comerciales. Hay un solo cajero en el banco, y el tiempo
tiempos de servicio. promedio necesario para realizar transacciones comercia-
Determine las características de funcionamiento de les es de 4 minutos. Se supone que los tiempos de servicio
este problema de puerta de carga. ¿Cuál es la probabilidad pueden describirse mediante la distribución exponencial.
de que haya más de tres camiones ya sea siendo cargados Aunque éste es el único banco en el pueblo, algunas per-
o en espera? Comente los resultados de su cálculo en este sonas han comenzado a utilizar el banco de un pueblo ve-
modelo de colas. cino a unas 20 millas de distancia. Si se utiliza un solo
12-20 Juhn cree que la adición de un segundo cargador de fruta cajero en Billy’s, encuentre
mejoraría sustancialmente la eficiencia de la compañía. Se (a) el tiempo promedio en la línea.
estima que un equipo de dos personas seguiría actuando (b) el número promedio de clientes en la línea.
como un sistema de un solo servidor y que la puerta de (c) el tiempo promedio en el sistema.
carga duplicará su tasa de carga de 4 camiones por hora (d) el número promedio de clientes en el sistema.
a 8 camiones por hora. Analice el efecto en la cola de tal (e) la probabilidad de que el banco esté vacío.
cambio y compare los resultados con los encontrados en el
problema 12-19. 12-25 Consulte la situación del Billy’s Bank en el problema
12-24. Billy está considerando la adición de un segundo
12-21 Los conductores de camión que trabajan para Juhn and Sons
cajero (quien trabajaría al mismo ritmo que el primero)
(vea los problemas 12-19 y 12-20) reciben un pago de $20
para reducir el tiempo de espera de los clientes, y supone
por hora en promedio. Los cargadores de frutas reciben al-
que esto reduciría el tiempo de espera a la mitad. Se utili-
rededor de $12 por hora. Los conductores de camiones que
zaría una sola línea, y el cliente al frente de la fila iría a la
esperan en la cola o en la puerta de carga están percibiendo
primera caja disponible. Si se agrega un segundo cajero,
un salario, pero están productivamente inactivos y son inca-
encuentre
paces de generar ingresos durante ese tiempo. ¿Cuál sería el
ahorro en costos por hora para la compañía, asociado con (a) el tiempo promedio en la línea.
el empleo de dos cargadores en lugar de uno? (b) el número promedio de clientes en la línea.
(c) el tiempo promedio en el sistema.
12-22 La distribuidora mayorista de frutas Juhn and Sons (del pro-
(d) el número promedio de clientes en el sistema.
blema 12-19) está considerando la construcción de una se-
(e) la probabilidad de que el banco esté vacío.
gunda plataforma o puerta para acelerar el proceso de carga
de sus camiones de fruta. Piensan que esto sería aún más 12-26 Para la situación del Billy’s Bank en los problemas 12-24
eficaz que la simple contratación de otro cargador que ayude y 12-25, el salario y las prestaciones de un cajero serían de
en la primera plataforma (como en el problema 12-20). $12 por hora. El banco está abierto 8 horas al día. Se ha

estimado que el costo del tiempo de espera es de $25 por desarrollado un problema. Las computadoras funcionan
hora en la línea. durante un promedio de 85 minutos (distribución de Pois-
(a) ¿Cuántos clientes entrarían al banco en un día típico? son) sin necesidad de ajustes. ¿Cuál es
(b) ¿Cuánto tiempo pasarían los clientes en total espe- (a) el número promedio de computadoras en espera de
rando en la línea durante todo el día si se utilizara un ser ajustadas?
solo cajero? ¿Cuál es el costo total diario del tiempo (b) el número promedio de computadoras que no está
de espera? funcionando?
(c) ¿Cuánto tiempo pasarían los clientes en total esperan- (c) la probabilidad de que el sistema esté vacío?
do en la línea durante todo el día si se utilizaran dos (d) el tiempo promedio en la cola?
cajeros? ¿Cuál es el costo total diario del tiempo de (e) el tiempo promedio en el sistema?
espera? 12-31 La estación de metro típica en Washington, D.C., tiene
(d) Si Billy desea minimizar el costo total del tiempo de 6 torniquetes, cada uno de los cuales puede ser contro-
espera y del personal, ¿qué número de cajeros debe lado por el gerente de la estación para ser utilizado en
utilizar? el control de la entrada o la salida, pero no para ambos.
12-27 Los clientes llegan a una máquina automática expende- El gerente debe decidir en diferentes momentos del día
dora de café a una tasa de 4 por minuto, siguiendo una dis- cuántos torniquetes debe utilizar para la entrada de pa-
tribución de Poisson. La máquina de café dispensa una sajeros y cuántos empleará para permitir la salida de
taza de café en exactamente 10 segundos. pasajeros.
(a) ¿Cuál es el número promedio de personas esperando En la estación del Washington College, los pasajeros
en la línea? entran a una tasa aproximada de 84 por minuto entre las
(b) ¿Cuál es el promedio de personas en el sistema? 7 y 9 a.m. Los pasajeros que salen de los trenes llegan a
(c) ¿Cuánto tiempo espera en la línea la persona prome- la zona de torniquetes a una tasa aproximada de 48 por
dio antes de recibir el servicio? minuto durante la misma hora pico de la mañana. Cada
torniquete puede permitir la entrada o la salida de un pro-
12-28 El número promedio de clientes en el sistema de una fase medio de 30 pasajeros. Se piensa que los tiempos de lle-
de un solo canal del modelo descrito en la sección 12.4 es gada y del servicio siguen las distribuciones de Poisson
l y exponencial, respectivamente. Suponga que los pasaje-
L = ros forman una cola común en las áreas de los torniquetes
m - l
de entrada y salida, y avanzan hacia el primer torniquete
Demuestre que para m = 1 servidor, el modelo de colas vacío.
con múltiples canales de la sección 12.5, El gerente de la estación del Washington College no
quiere que el pasajero promedio tenga que esperar en una
l m línea de torniquete por más de 6 segundos, ni tampoco de-
lma b
m l sea que haya más de 8 personas haciendo cola en cual-
L = P0 +
1 m - 12 !1mm - l 2 2 m quier momento promedio.
(a) ¿Cuántos torniquetes deberían abrirse en cada direc-
es idéntico al sistema de un solo canal. Tenga en cuenta ción cada mañana?
que, en este ejercicio, altamente algebraico, se debe utili- (b) Comente los supuestos que subyacen a la solución de
zar la fórmula para P0 (ecuación 12-13). este problema utilizando la teoría de colas.
12-29 Un mecánico da servicio a 5 máquinas de perforación 12-32 La banda de la Clear Brook High School está realizando
para un fabricante de placas de acero. Las máquinas se un lavado de automóviles para recaudar fondos con la fi-
descomponen en promedio una vez cada 6 días de trabajo, nalidad de comprar nuevo equipamiento. El tiempo pro-
y las averías tienden a seguir una distribución de Poisson. medio para lavar un auto es de 4 minutos, y el tiempo se
El mecánico puede manejar un promedio de un trabajo distribuye de manera exponencial. Los autos llegan a ra-
de reparación al día. Las reparaciones siguen una distri- zón de uno cada 5 minutos (o 12 por hora), y el número
bución exponencial. de llegadas por periodo de tiempo se describe mediante la
(a) ¿Cuántas máquinas están a la espera del servicio, en distribución de Poisson.
promedio? (a) ¿Cuál es el tiempo promedio que los autos esperan en
(b) ¿Cuántas hay en el sistema, en promedio? la línea?
(c) ¿Cuántas máquinas perforadoras están operando (b) ¿Cuál es el número promedio de autos en la línea?
correctamente, en promedio? (c) ¿Cuál es el número promedio de vehículos en el
(d) ¿Cuál es el tiempo de espera promedio en la cola? sistema?
(e) ¿Cuál es la permanencia promedio en el sistema? (d) ¿Cuál es el tiempo promedio en el sistema?
12-30 Un técnico supervisa un grupo de cinco computadoras (e) ¿Cuál es la probabilidad de que haya más de tres autos
que controlan una instalación de manufactura automa- en el sistema?
tizada. Tarda un promedio de 15 minutos (distribuidos 12-33 Cuando llegaron miembros adicionales de la banda para
exponencialmente) en ajustar una computadora que ha ayudar en el lavado de autos (vea el problema 12-32),

ESTUDIO DE CASO 465
se decidió que debían lavarse dos autos a la vez en lugar distribución exponencial negativa, determine el número
de uno. Ambas cuadrillas de trabajo funcionarían con la promedio de autos y el tiempo de espera promedio en
misma velocidad. cada una de las filas.
(a) ¿Cuál es el tiempo promedio que los autos esperan en 12-35 Ye Olde Creamery, una popular tienda de helados en el
la línea? campus, tiene una fila para vender sus delicias. Los estu-
(b) ¿Cuál es el número promedio de autos en la línea? diantes llegan a Ye Olde aproximadamente uno cada mi-
(c) ¿Cuál es el número promedio de vehículos en el nuto. Gracias al nuevo sistema automatizado “colocar y
sistema? pagar”, sólo se requieren 40 segundos, en promedio, para
(d) ¿Cuál es el tiempo promedio en el sistema? hacer un pedido y pagarlo; para ello, los estudiantes úni-
12-34 Al llegar a la Puerta Sunkist en la Base Naval del Con- camente deben mantener sus teléfonos celulares sobre el
dado de Ventura en Port Hueneme, California, hay dos dispositivo “colocar y pagar” y el sistema deduce de su
guardias de seguridad, cada uno asignado a uno de los cuenta automáticamente el costo del cono de helado. Sin
dos carriles vehiculares que conducen a la puerta, para embargo, el sistema “colocar y pagar” tiene fallas y con
comprobar la identificación (es decir, la tarjeta militar de frecuencia está fuera de línea, provocando que los estu-
acceso común) de las personas en los vehículos que de- diantes deban pagar con efectivo. Esto hace que el prome-
sean pasar a la base. Por la mañana, cuando la puerta está dio del tiempo de pedidos y pagos se duplique y se forme
más activa, los autos llegan cada 12 segundos y toman una larga fila, lo cual obliga a Ye Olde Creamery a abrir
aleatoriamente uno de los dos carriles, que claramente in- otra estación de pedidos y pagos. Al tener dos estacio-
dican “no hay cambio de carril”. Una vez que el auto nes de pedidos y pagos abiertas (con una sola línea), los
está al frente de su fila particular, el guardia requiere 20 costos de Ye Olde aumentan en $12.00 por hora, mientras
segundos, en promedio, para comprobar las identificacio- que la mejora del sistema “colocar y pagar” para no estar
nes de todos los ocupantes de cada auto. Por lo general, nunca fuera de línea costaría $1,200. Suponiendo que las
eso significa una sola persona. Sin embargo, algunas per- llegadas son de Poisson y que los tiempos de servicio son
sonas comparten el viaje y puede haber hasta seis o siete exponenciales negativos, compare el funcionamiento de
en un vehículo específico. Teniendo en cuenta que las lle- Ye Olde Creamery con las dos distintas configuraciones.
gadas de vehículos siguen una distribución de Poisson y Considerando los costos adicionales implicados, ¿qué de-
el tiempo para comprobar las identificaciones sigue una bería hacer la gerencia de Ye Olde Creamery?
Estudio de caso
New England Foundry bolsillo sobre la instalación, el funcionamiento y el mantenimiento de
Durante más de 75 años, la New England Foundry, Inc., ha fabricado las estufas, así como de las fuentes de madera. George cree que su
estufas de leña para uso doméstico. En los últimos años, con el au- amplio surtido de productos ha contribuido de manera importante al
mento de precios de la energía, George Mathison, presidente de New aumento en las ventas.
England Foundry, ha visto sus ventas triplicarse. Este dramático incre- La Warmglo III se vende más que todas las demás estufas por
mento en las ventas ha hecho que sea aún más difícil para George man- un amplio margen. La producción de calor y los accesorios disponi-
tener la calidad en todas las estufas de leña y productos relacionados. bles son ideales para un hogar típico. La Warmglo III también tiene
A diferencia de otras empresas que fabrican estufas de leña, New una serie de características excepcionales que la convierten en una de
England Foundry es la única en el negocio que fabrica estufas y pro- las estufas más atractivas y más eficientes en producción de calor del
ductos relacionados. Sus productos principales son la Warmglo I, la mercado. Cada Warmglo III tiene una válvula de admisión primaria
Warmglo II, la Warmglo III y la Warmglo IV. La Warmglo I es la es- de aire controlada por termostato que permite que la estufa se ajuste
tufa de leña más pequeña, con una salida de calor de 30,000 BTU; y la automáticamente para producir la salida de calor correcta de acuerdo
Warmglo IV es la más grande, con una salida de calor de 60.000 BTU. con las variaciones de las condiciones climáticas. Una abertura se-
Además, New England Foundry, Inc., produce una gran variedad de cundaria de aire se utiliza para aumentar la salida de calor en caso de
productos diseñados para su utilización con una de las cuatro estu- tiempo muy frío. Las partes internas de la estufa producen una tra-
fas, incluyendo estantes de calentamiento, termómetros superficiales, yectoria horizontal de la llama, para un quemado más eficiente; y los
conductos para estufa, adaptadores, guantes para cocina, colgadores, gases de salida se ven obligados a tomar un camino en forma de S a
bastidores, hornillas, chimeneas y aislantes térmicos. New England través de la estufa. La trayectoria en forma de S permite una combus-
Foundry también publica un boletín de noticias y varios libros de tión más completa de los gases y una mejor transferencia del calor del

FIGURA 12.3 Diagrama general FIGURA 12.4 Diagrama general de la fábrica

de la fábrica después de los cambios
Limpieza, Almacenamiento
pulido y y envío Limpieza,
preparación pulido y Almacenamiento
preparación y
envío
Taller de
Mantenimiento patrones
Fundición Moldeado Taller de
patrones y
mantenimiento
Fundición
Moldeado Arena
Arena
fuego y los gases a través del hierro fundido hasta la zona de calen- las herramientas y las piezas, como por los moldeadores de arena que
tamiento. Estas características, junto con los accesorios, dieron lugar necesitan varios patrones en la operación de moldeo. Peter Nawler
a la expansión de las ventas y llevaron a George a construir una nueva y Bob Bryan, que trabajan detrás del mostrador, son capaces de dar
instalación para la fabricación de estufas Warmglo III. En la figura servicio a un total de 10 personas por hora (o aproximadamente a 5
12.3 se muestra un diagrama general de la fábrica. por hora cada uno). En promedio, 4 personas de mantenimiento y 3
La nueva fundidora utiliza equipos de última generación, inclu- personas del departamento de moldeado llegan al mostrador por hora.
yendo un nuevo Disamatic que ayuda a la fabricación de piezas de La gente del departamento de moldeado y de mantenimiento llegan al
la estufa. Independientemente de los nuevos equipos o procedimien- azar y, para ser atendidos, forman una sola línea. Pete y Bob siempre
tos, las operaciones de fundición se han mantenido básicamente sin han tenido una política del tipo primero en llegar, primero en ser aten-
cambios durante cientos de años. Para empezar, se hace un patrón dido. Debido a la ubicación del taller de patrones y el departamento
de madera para cada pieza de hierro fundido en la estufa. El patrón de de mantenimiento, se requieren unos 3 minutos para que una persona
madera es una duplicación exacta de la pieza de hierro fundido que se del departamento de mantenimiento camine hasta el mostrador, y al-
va a fabricar. Todos los patrones de New England Foundry son reali- rededor de 1 minuto para que una persona camine desde el departa-
zados por Precision Patterns, Inc., y estos patrones se almacenan en mento de moldeado hasta el área de patrones y mantenimiento.
el área del taller de patrones y mantenimiento. A continuación, una Después de observar el funcionamiento del área del taller de pa-
arena especialmente formulada se moldea alrededor del patrón de trones y mantenimiento durante varias semanas, George decidió hacer
madera. Puede haber dos o más moldes de arena para cada patrón. algunos cambios en el diseño de la fábrica. En la figura 12.4 se mues-
La mezcla de la arena y la elaboración de moldes se realizan en el tra un diagrama general de estos cambios.
área de moldeado. Cuando se retira el patrón de madera, los moldes La separación del taller de mantenimiento y el taller de patro-
de arena resultantes forman una imagen negativa de la pieza fundida nes tiene varias ventajas. A las personas del departamento de man-
que se desea. En seguida, los moldes se transportan al área de fundi- tenimiento les tomaría sólo 1 minuto, en lugar de 3, llegar al nuevo
ción, donde se vierte hierro fundido en los moldes y se deja enfriar. mostrador del departamento de mantenimiento. Utilizando estudios
Cuando el hierro se ha solidificado, los moldes se trasladan al área de tiempos y movimientos, George también fue capaz de determinar
de limpieza, pulido y preparación. Los moldes se vierten en grandes que la mejora de la distribución del departamento de mantenimiento
vibradores que sacuden la mayor parte de la arena de la pieza colada. permitiría que Bob diera servicio a 6 personas del departamento de
Las piezas moldeadas en bruto se someten a continuación tanto a un mantenimiento por hora, y la mejora de la distribución del departa-
chorro de arena, para eliminar el resto de la arena, y a la pulidora para mento de patrones permitiría que Pete diera servicio a 7 personas del
las superficies de las piezas coladas. Luego, las fundiciones se pintan taller de moldeado por hora.
con una pintura especial resistente al calor, se ensamblan en estufas
funcionales y se inspeccionan en busca de defectos que podrían ha-
ber pasado inadvertidos hasta ese momento de la manufactura. Por
último, las estufas terminadas se trasladan al área de almacenamiento 1. ¿Cuánto tiempo ahorraría el nuevo diseño?
y envío, donde son empaquetadas y enviadas a los lugares apropiados. 2. Si al personal de mantenimiento se les paga $9.50 por hora y
En la actualidad, el taller de patrones y el departamento de man- el personal de moldeado recibe un pago de $11.75 por hora,
tenimiento se encuentran en la misma área. Hay un gran mostrador ¿cuánto se ahorraría cada hora con la nueva distribución de la
que es utilizado tanto por el personal de mantenimiento para obtener fábrica?

BIBLIOGRAFÍA 467
Estudio de caso
Winter Park Hotel ser atendidos por cualquiera de los cinco empleados que estuviera dis-
ponible. Esta opción requeriría suficiente espacio en el vestíbulo para
Donna Shader, gerente del Winter Park Hotel, está considerando
una cola de longitud considerable.
cómo reestructurar la recepción para llegar a un nivel óptimo de efi-
La tercera propuesta implica el uso de un cajero automático
ciencia del personal y del servicio al huésped. En la actualidad, el
(ATM) para los registros de entrada. Este ATM proporcionaría apro-
hotel cuenta con cinco empleados por turno, cada uno con una línea
ximadamente la misma tasa de servicio que un empleado. Teniendo
de espera separada, durante la hora de registro con mayor afluencia de
en cuenta que el uso inicial de esta tecnología podría ser mínimo,
3:00 p.m. a 5:00 p.m. La observación de llegadas durante este tiempo
Shader estima que 20% de los clientes, principalmente los huéspedes
muestra que cada hora llega un promedio de 90 personas (aunque no
más frecuentes, estarían dispuestos a usar las máquinas. (Esto podría
hay límite superior en el número que podría llegar en cualquier mo-
ser una estimación conservadora si los huéspedes perciben benefi-
mento dado). Se requiere un promedio de 3 minutos para que cada
cios directos por usar el cajero automático, como lo hacen los clien-
empleado de recepción registre a cada huésped.
tes bancarios. Citibank informa que alrededor de 95% de sus clientes
Donna está considerando tres planes para mejorar el servicio al
en Manhattan usan sus cajeros automáticos). Donna establecería una
cliente mediante la reducción del tiempo que los huéspedes pasan es-
sola cola para los clientes que prefieren registrarse con cajeros hu-
perando en la fila. La primera propuesta sería designar a un empleado
manos. Éstos serían atendidos por los cinco cajeros, aunque Donna
como empleado de servicio rápido para los huéspedes que se registran
tiene la esperanza de que la máquina podría permitirle una reducción
bajo cuentas corporativas, un segmento del mercado que implica al-
a cuatro.
rededor del 30% de todas las habitaciones ocupadas. Debido a que
los huéspedes de negocios están preinscritos, su registro tarda sólo
2 minutos. Con estos huéspedes separados del resto de la clientela,
el tiempo promedio para el registro de un cliente típico subiría a 3.4
minutos. Bajo el plan 1, los huéspedes no corporativos podrían elegir 1. Determine la cantidad promedio de tiempo que un cliente tarda
cualquiera de las cuatro líneas restantes. en registrarse. ¿Cómo cambiaría esto con cada una de las opcio-
El segundo plan es implementar un sistema de una sola línea. To- nes indicadas?
dos los huéspedes deberían formarse en una sola línea de espera para 2. ¿Qué opción recomendaría usted?
Visite nuestra página en Internet, www.pearsonenespañol.com/render y consulte este estudio de caso

adicional: Pantry Shopper. Este caso describe una mejora en el servicio prestado por una tienda de
comestibles.
Bibliografía
Baldwin, Rusty O., Nathaniel J. Davis IV, Scott F. Midkiff y John E. Kobza. Koizumi, Naoru, Eri Kuno y Tony E. Smith. “Modeling Patient Flows Using a
“Queueing Network Analysis: Concepts, Terminology, and Methods”, Queuing Network with Blocking”, Health Care Management Science 8,
Journal of Systems & Software 66, 2 (2003): 99-118. 1 (2005): 49-60.
Barron, K. “Hurry Up and Wait”, Forbes (16 de octubre de 2000): 158-164. Larson, Richard C. “Perspectives on Queues: Social Justice and the Psychology
Cayirli, Tugba y Emre Veral. “Outpatient Scheduling in Health Care: A Review of of Queuing”, Operations Research 35, 6 (noviembre-diciembre de 1987):
Literature”, Production and Operations Management 12, 4 (2003): 519-549. 895-905.
Cooper, R. B. Introduction to Queuing Theory, 2a. ed. Nueva York: Elsevier— Murtojärvi, Mika et al. “Determining the Proper Number and Price of Software
North Holland, 1980. Licenses”, IEEE Transactions on Software Engineering 33, 5 (2007):
305-315.
De Bruin, Arnoud M., A. C. van Rossum, M. C. Visser y G. M. Koole. “Modeling
the Emergency Cardiac Inpatient Flow: An Application of Queuing Theory”, Prabhu, N. U. Foundations of Queuing Theory. Norwell, MA: Kluewer Academic
Health Care Management Science 10, 2 (2007): 125-137. Publishers, 1997.
Derbala, Ali. “Priority Queuing in an Operating System”, Computers & Operations Regattieri, A., R. Gamberini, F. Lolli y R. Manzini. “Designing Production and
Research 32, 2 (2005): 229-238. Service Systems Using Queuing Theory: Principles and Application to an
Airport Passenger Security Screening System”, International Journal of
Grassmann, Winfried K. “Finding the Right Number of Servers in Real-World Services and Operations Management 6, 2 (2010): 206-225.
Queuing Systems”, Interfaces 18, 2 (marzo-abril de 1988): 94-104.
Tarko, A. P. “Random Queues in Signalized Road Networks”, Transportation
Janic, Milan. “Modeling Airport Congestion Charges”, Transportation Planning
Science 34, 4 (noviembre de 2000): 415-425.
& Technology 28, 1 (2005): 1-26.
Katz, K., B. Larson y R. Larson. “Prescription for the Waiting-in-Line Blues”,
Sloan Management Review (invierno de 1991): 44-53.


Para todos estos problemas, desde el menú Module, seleccione Waiting Lines y después New para introdu-
cir un nuevo problema. En seguida, seleccione el tipo de modelo que desea utilizar entre los que aparecen.
Este apéndice ilustra la facilidad de uso de QM para Windows en la solución de problemas de colas.
El programa 12.5 representa el análisis del taller de silenciadores de Arnold con 2 servidores. Las únicas
entradas requeridas son la selección del modelo adecuado, un título, indicar si se incluyen costos, las uni-
dades de tiempo usadas para las tasas de llegada y de servicio (horas en este ejemplo), la tasa de llegada
(2 autos por hora), la tasa de servicio (3 autos por hora) y el número de servidores (2). Debido a que las
unidades de tiempo se especifican como horas, W y Wq se dan en horas, pero también se convierten a mi-
nutos y segundos, como se observa en el programa 12.5.
El programa 12.6 representa un modelo con tiempo de servicio constante, ilustrado en este capítulo
mediante García-Golding Recycling, Inc. Los demás modelos de colas también pueden resolverse me-
diante QM para Windows que, además, ofrece un análisis de costos o económico.
PROGRAMA 12.5
Uso de QM para
Windows para resolver
un modelo de colas
con múltiples canales
(datos del taller de
silenciadores de Arnold)
PROGRAMA 12.6
Uso de QM para
Windows para resolver
un modelo con tiempo
de servicio constante
(datos de García-Golding)

CAPÍTULO 13
Modelos de simulación
1. Resolver una amplia variedad de problemas 4. Desarrollar intervalos de números aleatorios y
utilizando la simulación. utilizarlos para generar resultados.
2. Comprender los siete pasos para realizar una 5. Entender los paquetes alternativos disponibles de
simulación. simulación por computadora.
3. Explicar las ventajas y desventajas de la
simulación.

13.1 Introducción 13.5 Simulación de un problema de colas
13.2 Ventajas y desventajas de la simulación 13.6 Modelo de simulación para una política de
13.3 Simulación de Monte Carlo mantenimiento
13.4 Simulación y análisis de inventarios 13.7 Otros aspectos de la simulación
Resumen • Glosario • Problemas resueltos • Autoevaluación • Preguntas para análisis y problemas • Estudio de
caso: Alabama Airlines • Estudio de caso: Corporación Statewide Development • Estudio de caso: FB Badpoore
Aerospace • Estudios de caso en Internet • Bibliografía
469

470 CAPÍTULO 13 • MODELOS DE SIMULACIÓN
13.1 Introducción
Todos estamos conscientes en cierta medida de la importancia de los modelos de simulación en nuestro
mundo. Por ejemplo, la corporación Boeing y Airbus Industries construyen comúnmente modelos de simu-
lación de sus nuevos aviones propuestos y, luego, ponen a prueba las propiedades aerodinámicas de los
modelos. La organización local de defensa civil de ciertos lugares quizá realice prácticas de rescate y
evacuación, simulando las condiciones de desastres naturales como un huracán o un tornado. El ejército de
Estados Unidos simula ataques enemigos y estrategias de defensa en juegos de guerra por computadora.
Los estudiantes de negocios toman cursos donde utilizan juegos de gestión para simular situaciones de ne-
gocios competitivas que se asemejan a las reales. Y miles de organizaciones de negocios, de gobierno y de
servicios desarrollan modelos de simulación para ayudarse en la toma de decisiones relacionadas con control
de inventarios, programación del mantenimiento, diseño de plantas, inversiones y pronósticos de ventas.
De hecho, la simulación es una de las herramientas de análisis cuantitativo más ampliamente utiliza-
das. Varios estudios de las corporaciones más grandes de Estados Unidos revelan que más de la mitad de
ellas utilizan la simulación en su planeación corporativa.
Parecería que la simulación es la solución a todos los problemas de gestión lo cual, por desgracia, de
ninguna manera es cierto. Sin embargo, creemos que es una de las técnicas cuantitativas más flexibles y
fascinantes que se puedan estudiar. Este análisis de la simulación iniciará con una definición sencilla.
Simular es intentar duplicar las condiciones, el aspecto y las características de un sistema real. En este
capítulo se muestra cómo simular un sistema administrativo o de negocios mediante la construcción de un
modelo matemático que represente, de manera tan cercana como sea posible, la realidad del sistema. No
construiremos ningún modelo físico, como sucede en las pruebas de simulación en túneles de viento para
una aeronave. Pero así como los modelos físicos de los aviones se prueban y modifican en condiciones ex-
perimentales, los modelos matemáticos se utilizan para experimentar y para estimar los efectos de diversas
La idea detrás de la simulación es
imitar una situación del mundo real acciones. La idea detrás de la simulación es imitar una situación del mundo real en forma matemática para,
con un modelo matemático que no después, estudiar sus propiedades y características de funcionamiento y, finalmente, obtener conclusiones
afecte las operaciones. Los siete y tomar decisiones acerca de las acciones a realizar con base en los resultados de la simulación. De esta
pasos de la simulación se ilustran manera, el sistema de la vida real no se toca, sino hasta que se miden primero en el modelo del sistema las
en la figura 13.1. ventajas y desventajas de lo que sería una decisión importante sobre el curso de acción a seguir.
Al usar la simulación, un administrador debe 1. definir un problema, 2. introducir las variables aso-
ciadas con el problema, 3. construir el modelo de simulación, 4. establecer las posibles líneas de acción so-
metidas a prueba, 5. realizar el experimento de simulación, 6. examinar los resultados (posiblemente para
decidir una modificación al modelo o cambios en los datos de entrada) y 7. decidir qué curso de acción
debe tomarse. Las etapas se ilustran en la figura 13.1.
Los problemas abordados por la simulación pueden variar desde muy sencillos hasta extremadamente
complejos; esto es, desde las filas en la caja de un banco hasta un análisis de la economía de Estados Uni-
dos. Aunque las simulaciones más pequeñas pueden realizarse manualmente, el uso efectivo de esta técnica
requiere algunos medios automatizados de cálculo, es decir, una computadora. Incluso los modelos a gran
escala, que simulan tal vez años de decisiones de negocios, pueden llevarle a la computadora una cantidad
razonable de tiempo. Aunque la simulación es una de las herramientas de análisis cuantitativo más antiguas
FIGURA 13.1 Definir el problema

Proceso de simulación
Introducir las variables
asociadas con el problema
Construir el modelo
de simulación
Establecer las posibles líneas

de acción sometidas a prueba
Realizar el experimento
de simulación
Examinar
los resultados
Decidir qué curso

de acción debe tomarse

13.2 VENTAJAS Y DESVENTAJAS DE LA SIMULACIÓN 471
El auge de las computadoras (vea más adelante la sección Historia), no fue sino hasta la introducción de las computadoras —a mediados
personales ha creado una gran de la década de 1940 y principios de la década de 1950— que se convirtió en un medio práctico para resol-
cantidad de lenguajes de simulación ver problemas militares y de gestión.
por computadora y se ha ampliado el Iniciamos este capítulo con una presentación de las ventajas y desventajas de la simulación. A conti-
uso de la simulación. Ahora, incluso nuación se ofrece una explicación del método de simulación de Monte Carlo. Se exponen tres simulaciones
el software de hoja de cálculo se
de muestra en las áreas de control de inventarios, colas y planeación del mantenimiento. También se exa-
puede utilizar para llevar a cabo
simulaciones bastante complejas.
minan brevemente otros modelos de simulación, además del enfoque de Monte Carlo. Por último, se ilustra
el importante papel de las computadoras en la simulación.
13.2 Ventajas y desventajas de la simulación

Estas ocho ventajas de la simulación La simulación es una herramienta que ha sido ampliamente aceptada por los administradores, debido a
la hacen una de las técnicas de varias razones:
análisis cuantitativo más utilizadas
en el ámbito empresarial de 1. Es relativamente sencilla y flexible. Se puede utilizar para comparar diferentes escenarios en forma
Occidente. paralela.
2. Los recientes avances en software hacen que algunos modelos de simulación sean muy fáciles de
desarrollar.
3. Sirve para analizar situaciones grandes y complejas del mundo real, que no pueden resolverse me-
diante modelos convencionales de análisis cuantitativo. Por ejemplo, no es posible construir y resol-
ver un modelo matemático del sistema de gobierno de una ciudad que incorpore importantes factores
económicos, sociales, ambientales y políticos. La simulación se ha utilizado con éxito para modelar
sistemas urbanos, hospitales, sistemas educativos, economías nacionales y estatales, e incluso siste-
mas alimentarios mundiales.
4. La simulación permite formular preguntas del tipo ¿qué pasaría si? A los administradores les gusta
saber de antemano qué opciones son atractivas. Con una computadora, un administrador puede pro-
bar varias decisiones de política en cuestión de minutos.
5. Las simulaciones no interfieren con el sistema del mundo real, lo cual podría ser demasiado perju-
dicial. Por ejemplo, al experimentar con nuevas políticas o ideas en un hospital, una escuela o una
planta de manufactura. Con la simulación, los experimentos se llevan a cabo en el modelo, no en el
sistema verdadero.
6. La simulación nos permite estudiar el efecto interactivo de componentes o variables individuales
para determinar cuáles son importantes.
7. Con la simulación, se puede hacer una “compresión del tiempo”. Es posible obtener el efecto de
hacer pedidos, realizar publicidad u otras políticas durante muchos meses o años, mediante la simu-
lación por computadora en un corto periodo de tiempo.
8. La simulación permite incluir complicaciones del mundo real, mientras que la mayoría de los mode-
los de análisis cuantitativo no puede hacerlo. Por ejemplo, algunos modelos de colas requieren distri-
buciones exponenciales o de Poisson; algunos modelos de inventarios y redes requieren normalidad.
Pero la simulación puede utilizar cualquier distribución de probabilidad que el usuario defina, ya que
no requiere de ninguna distribución específica.
HISTORIA Simulación
fisionables. Debido a que la investigación en el LANL era secreta, los

L a historia de la simulación se remonta a más de 5,000 años hasta
los juegos de guerra chinos llamados weich’i. Alrededor del año
científicos necesitaban un nombre en clave de la nueva herramienta.
Los científicos optaron por “Monte Carlo”, ya que el comportamiento
1780, los prusianos utilizaron la simulación para ayudar a entrenar de los neutrones les recordó la rueda de la ruleta y el tío del doctor
a su ejército. Desde entonces, todas las grandes potencias militares Ulam pasaba mucho tiempo apostando en Monte Carlo, Mónaco.
han utilizado juegos de guerra para someter a prueba las estrategias Con el advenimiento y uso de las computadoras en la década
militares en entornos simulados. de 1950, creció la simulación como herramienta de gestión. Se de-
De los juegos militares surgió un nuevo concepto llamado simu- sarrollaron lenguajes de programación especializados (por ejemplo,
lación de Monte Carlo, que se desarrolló durante la década de 1940 GPS y SIMSCRIPT) en la década de 1960, para resolver problemas a
como una técnica de análisis cuantitativo de los doctores John von gran escala de manera más eficaz. En la década de 1980, aparecieron
Neumann, Stan Ulam y Nicholas Metropolis en el Laboratorio Nacional en escena programas de simulación orientados a objetos preelabora-
de Los Álamos (LANL; vea www.lanl.gov) para resolver problemas de fí- dos que podían manejar situaciones que van desde el pronóstico del
sica que eran demasiado complejos o demasiado caros para resolverse clima, hasta el análisis de la fabricación de piezas de automóvil o el
en forma manual. La primera aplicación de la simulación de Monte diseño de un centro vacacional para esquiar. Estos programas tenían
Carlo fue estudiar el comportamiento de los neutrones en materiales nombres como SLAM, SIMAN y Witness.

Las principales desventajas de la simulación son:
Las cuatro desventajas de la 1. Los buenos modelos de simulación para situaciones complejas suelen ser muy costosos. A menudo,
simulación son el costo, su desarrollar un modelo es un proceso largo y complicado. Por ejemplo, el desarrollo de un modelo de
naturaleza de ensayo y error, la planeación corporativa quizá tome meses o incluso años.
necesidad de generar respuestas que 2. La simulación no genera soluciones óptimas a los problemas como lo hacen otras técnicas de análisis
deben probarse y su unicidad. cuantitativo, por ejemplo, la cantidad óptima de pedido, la programación lineal o PERT. Es un enfo-
que de ensayo y error que puede producir soluciones diferentes de una corrida a otra.
3. Los administradores deben generar todas las condiciones y limitaciones de las soluciones que se de-
sean examinar. El modelo de simulación no produce respuestas por sí mismo.
4. Cada modelo de simulación es único. Sus soluciones e inferencias no suelen ser transferibles a otros
problemas.
13.3 Simulación de Monte Carlo

Cuando un sistema contiene elementos que muestran distintas posibilidades en su comportamiento, se
puede aplicar el método de simulación de Monte Carlo.
Las variables susceptibles a ser La idea básica de la simulación de Monte Carlo es generar valores de las variables que componen
simuladas abundan en los problemas el modelo bajo estudio. Hay una gran cantidad de variables en los sistemas del mundo real que son de na-
de negocios, porque hay muy pocas turaleza probabilística y que son susceptibles a ser simuladas. A continuación se dan algunos ejemplos de
cuestiones seguras en la vida. estas variables:
1. La demanda de inventario cada día o cada semana

2. El tiempo de entrega de los pedidos de inventario realizados
3. Los tiempos entre descomposturas de las máquinas
4. Los tiempos entre llegadas a una instalación de servicio
5. Los tiempos de servicio
6. Los tiempos para completar las actividades de un proyecto
7. El número de empleados ausentes en el trabajo cada día
Algunas de estas variables, como la demanda diaria y el número de empleados ausentes, son discretas
y deben adoptar valores enteros. Por ejemplo, la demanda diaria puede ser 0, 1, 2, 3, etcétera. Pero la de-
manda diaria no puede ser 4.7362 o cualquier otro valor no entero. Otras variables, como las relacionadas
con el tiempo, son continuas y no están obligadas a ser enteras porque el tiempo puede tener cualquier
valor. Al seleccionar un método para generar valores, se debería considerar esta característica de la variable
aleatoria. En las siguientes secciones se dan ejemplos de ambos tipos de variable.
La base de la simulación de Monte Carlo es la experimentación con los elementos estocásticos (o pro-
babilísticos) a través de un muestreo aleatorio. La técnica se divide en cinco pasos sencillos:
Cinco pasos de la simulación de Monte Carlo

1. Establecer distribuciones de probabilidad para las variables de entrada importantes
2. Construir una distribución de probabilidad acumulada para cada variable del paso 1
El método de Monte Carlo se puede 3. Establecer un intervalo de números aleatorios para cada variable
utilizar con variables que son 4. Generar números aleatorios
probabilísticas. 5. Simular una serie de ensayos
Cada uno de estos pasos se examinará e ilustrará mediante el siguiente ejemplo.
Ejemplo de Harry’s Auto Tire

Harry’s Auto Tire vende todo tipo de neumáticos, pero hay un neumático radial popular que representa
gran parte de sus ventas totales. Como Harry sabe que los costos de inventario pueden ser muy importantes
con este producto, desea determinar una política para manejar su inventario. Para determinar cómo sería la
demanda durante un periodo de tiempo, desea simular la demanda diaria durante varios días.
Paso 1: Establecer distribuciones de probabilidad Una forma común de establecer una distribución
de probabilidad para una variable dada es examinar los resultados históricos. La probabilidad o frecuencia
relativa de cada resultado posible de una variable se obtiene dividiendo la frecuencia de observación entre

13.3 SIMULACIÓN DE MONTE CARLO 473
TABLA 13.1
DEMANDA FRECUENCIA PROBABILIDAD DE
Demanda diaria histórica DE NEUMÁTICOS (DÍAS) OCURRENCIA
10 > 200 = 0.05
de neumáticos radiales
0 10
en Harry’s Auto Tire
y su distribución de 1 20 20 > 200 = 0.10
probabilidad 2 40 40 > 200 = 0.20
3 60 60 > 200 = 0.30
4 40 40 > 200 = 0.20
5 30 30 > 200 = 0.15
200 200 > 200 = 1.00
Para establecer una distribución de el número total de observaciones. La demanda diaria de neumáticos radiales en Harry’s Auto Tire a lo largo
probabilidad para los neumáticos, se de los últimos 200 días se muestra en la tabla 13.1. Estos datos se pueden convertir en una distribución de
supone que la demanda histórica es probabilidad, si se supone que las tasas de demanda anteriores se mantendrán en el futuro, dividiendo cada
un buen indicador de los resultados frecuencia de la demanda entre la demanda total, 200.
futuros. Se debe tener en cuenta que las distribuciones de probabilidad no necesitan basarse únicamente en
observaciones históricas. Con frecuencia, se utilizan estimaciones administrativas basadas en el buen juicio
y la experiencia para crear una distribución. A veces, se utiliza una muestra de las ventas, las averías de
las máquinas o las tasas de servicios para crear las probabilidades de esas variables. Y las distribuciones
en sí pueden ser empíricas, como en la tabla 13.1, o estar basadas en los patrones comúnmente conocidos:
normales, binomiales, de Poisson o exponenciales.
Paso 2: Construir una distribución de probabilidad acumulada para cada variable La conversión
de una distribución de probabilidad normal, como en la columna de la derecha de la tabla 13.1, a una
distribución acumulada es un trabajo fácil. Una probabilidad acumulada es la probabilidad de que
una variable (demanda) sea menor o igual que un valor específico. Una distribución acumulada numera
todos los valores posibles y sus probabilidades. En la tabla 13.2 se observa que la probabilidad acumulada
para cada nivel de demanda es la suma del número en la columna de probabilidad (columna de en medio)
más la probabilidad acumulada anterior (columna de la derecha). La probabilidad acumulada, representada
gráficamente en la figura 13.2, se utiliza en el paso 3 para ayudar a asignar números aleatorios.
Paso 3: Establecer intervalos de números aleatorios Después de haber establecido una distribu-
ción de probabilidad acumulada para cada variable incluida en la simulación, es necesario asignar un con-
junto de números para representar cada valor o resultado posible. Éstos se conocen como intervalos de
números aleatorios. Los números aleatorios se explican en detalle en el paso 4. Básicamente, un número
aleatorio es una serie de dígitos (por ejemplo, dos dígitos tomados de 01, 02, …, 98, 99, 00) que resultaron
seleccionados mediante un proceso totalmente al azar.
Si existe una posibilidad de 5% de que la demanda de un producto (como los neumáticos radiales de
Harry) sea de 0 unidades por día, se quieren 5% de los números aleatorios disponibles para corresponder a
una demanda de 0 unidades. Si se usa un total de 100 números de dos dígitos en la simulación (piense en
ellos como si fueran fichas numeradas en un tazón), podríamos asignar una demanda de 0 unidades a los
cinco primeros números aleatorios: 01, 02, 03, 04 y 05.* Después, se crearía una demanda simulada de 0
TABLA 13.2
DEMANDA DIARIA PROBABILIDAD PROBABILIDAD ACUMULADA
Probabilidades
0 0.05 0.05
acumuladas de los
neumáticos radiales 1 0.10 0.15
2 0.20 0.35
Las probabilidades acumuladas se 3 0.30 0.65
obtienen mediante la suma de todas
las probabilidades anteriores hasta la 4 0.20 0.85
demanda actual. 5 0.15 1.00
*
De manera alternativa, se podrían haber asignado los números aleatorios 00, 01, 02, 03 y 04 para representar una demanda
de 0 unidades. Los dos dígitos 00 pueden pensarse como 0 o 100. Mientras se asignen 5 números de cada 100 a la demanda 0,
no hay ninguna diferencia en cuáles 5 números sean.

FIGURA 13.2
Representación gráfica
1.00
de la distribución de 1.00 00
probabilidad acumulada
para neumáticos radiales 0.85 86
85 Representa la
0.80
demanda de
Probabilidad acumulada
0.65 4 neumáticos
66
65
aleatorios
0.60
Números
0.40 0.35 36
35
0.20 0.15 16 Representa la

15 demanda de
0.05 06 1 neumático
05
0.00 01
0 1 2 3 4 5
Demanda diaria de neumáticos radiales
Los números aleatorios en realidad unidades cada vez que se obtiene uno de los números de 01 a 05. Si también hay una probabilidad de 10%
se pueden asignar de muchas de que la demanda para el mismo producto sea de 1 unidad por día, podríamos considerar que los próximos
maneras diferentes, siempre y cuando 10 números aleatorios (06, 07, 08, 09, 10, 11, 12, 13, 14 y 15) representan esa demanda, y así sucesiva-
representen la proporción correcta de mente para los otros niveles de demanda.
los resultados. En general, con el uso de la distribución de probabilidad acumulada que se calculó y representó grá-
La relación entre los intervalos y la ficamente en el paso 2, es posible establecer el intervalo de números aleatorios para cada nivel de manera
probabilidad acumulada es que el muy sencilla. En la tabla 13.3 se observa que el intervalo seleccionado para representar cada deman-
extremo superior de cada intervalo da posible diaria se relaciona muy estrechamente con la probabilidad acumulada a su izquierda. El extremo
es igual al porcentaje de probabilidad superior de cada intervalo es siempre igual al porcentaje de probabilidad acumulada.
acumulada. Del mismo modo, en la figura 13.2 y en la tabla 13.3 se observa que la longitud de cada intervalo de
la derecha corresponde a la probabilidad de cada una de las posibles demandas diarias. Por lo tanto, en la
asignación de números aleatorios para la demanda diaria de tres neumáticos radiales, el rango del intervalo
de números aleatorios (36 a 65) corresponde exactamente a la probabilidad (o a la proporción) de ese re-
sultado. Una demanda diaria de tres neumáticos radiales se produce 30% de las veces. Cualquiera de los 30
Existen varias formas de seleccionar números aleatorios mayores a 35 y hasta 65 están asignados a ese evento.
números aleatorios: generadores
de números aleatorios (que son
una característica incorporada en Paso 4: Generar números aleatorios Los números aleatorios para problemas de simulación se generan
las hojas de cálculo y en muchos de varias maneras. Si el problema es muy grande y el proceso en estudio implica miles de ensayos de simu-
lenguajes de programación), tablas lación, hay programas en computadora disponibles para generar los números aleatorios necesarios.
(como la tabla 13.4), una rueda de Si la simulación se realiza a mano, como en este libro, los números pueden seleccionarse girando
ruleta, etcétera. una rueda de ruleta que cuenta con 100 ranuras, sacando con los ojos cerrados fichas numeradas de un
TABLA 13.3
DEMANDA PROBABILIDAD INTERVALO DE NÚMEROS
Asignación de intervalos DIARIA PROBABILIDAD ACUMULADA ALEATORIOS
de números aleatorios
0 0.05 0.05 01 a 05
para Harry’s Auto Tire
1 0.10 0.15 06 a 15
2 0.20 0.35 16 a 35
3 0.30 0.65 36 a 65
4 0.20 0.85 66 a 85
5 0.15 1.00 86 a 00

sombrero, o con cualquier método que le permita hacer una selección aleatoria.* El medio más utilizado es
elegir los números de una tabla de números aleatorios, como la tabla 13.4.
La tabla 13.4 fue generada a su vez con un programa de computadora. Posee la característica de que
todos los dígitos o números en ella tienen la misma probabilidad de ocurrir. En una tabla de números alea-
torios muy grande, 10% de los dígitos serían 1, 10% 2, 10% 3, y así sucesivamente. Debido a que todo es
aleatorio, se pueden seleccionar números en cualquier lugar de la tabla para utilizarlos en nuestros procedi-
mientos de simulación en el paso 5.
Paso 5: Simular el experimento Los resultados de un experimento se pueden simular sólo con selec-
cionar números aleatorios de la tabla 13.4. Comenzando desde cualquier lugar de la tabla, se observa el
intervalo en la tabla 13.3 o en la figura 13.2 al que corresponde cada número. Por ejemplo, si el número
aleatorio seleccionado es 81 y el intervalo de 66 a 85 representa una demanda diaria de cuatro neumáticos,
seleccionamos una demanda de cuatro neumáticos.
Ahora se ilustra aún más el concepto, mediante la simulación de 10 días de la demanda de neumáticos
radiales en Harry’s Auto Tire (vea la tabla 13.5). Se seleccionan los números aleatorios necesarios de la
tabla 13.4, comenzando en la esquina superior izquierda y continuando hacia abajo en la primera columna.
TABLA 13.4
52 06 50 88 53 30 10 47 99 37 66 91 35 32 00 84 57 07
Tabla de números 37 63 28 02 74 35 24 03 29 60 74 85 90 73 59 55 17 60
aleatorios
82 57 68 28 05 94 03 11 27 79 90 87 92 41 09 25 36 77
69 02 36 49 71 99 32 10 75 21 95 90 94 38 97 71 72 49
98 94 90 36 06 78 23 67 89 85 29 21 25 73 69 34 85 76
96 52 62 87 49 56 59 23 78 71 72 90 57 01 98 57 31 95
33 69 27 21 11 60 95 89 68 48 17 89 34 09 93 50 44 51
50 33 50 95 13 44 34 62 64 39 55 29 30 64 49 44 30 16
88 32 18 50 62 57 34 56 62 31 15 40 90 34 51 95 26 14
90 30 36 24 69 82 51 74 30 35 36 85 01 55 92 64 09 85
50 48 61 18 85 23 08 54 17 12 80 69 24 84 92 16 49 59
27 88 21 62 69 64 48 31 12 73 02 68 00 16 16 46 13 85
45 14 46 32 13 49 66 62 74 41 86 98 92 98 84 54 33 40
81 02 01 78 82 74 97 37 45 31 94 99 42 49 27 64 89 42
66 83 14 74 27 76 03 33 11 97 59 81 72 00 64 61 13 52
74 05 81 82 93 09 96 33 52 78 13 06 28 30 94 23 37 39
30 34 87 01 74 11 46 82 59 94 25 34 32 23 17 01 58 73
59 55 72 33 62 13 74 68 22 44 42 09 32 46 71 79 45 89
67 09 80 98 99 25 77 50 03 32 36 63 65 75 94 19 95 88
60 77 46 63 71 69 44 22 03 85 14 48 69 13 30 50 33 24
60 08 19 29 36 72 30 27 50 64 85 72 75 29 87 05 75 01
80 45 86 99 02 34 87 08 86 84 49 76 24 08 01 86 29 11
53 84 49 63 26 65 72 84 85 63 26 02 75 26 92 62 40 67
69 84 12 94 51 36 17 02 15 29 16 52 56 43 26 22 08 62
37 77 13 10 02 18 31 19 32 85 31 94 81 43 31 58 33 51
Fuente: Extraída de A Million Random Digits with 100,000 Normal Deviates (Nueva York: The Free Press, 1955), p. 7,
con autorización de la corporación RAND.
*
Un método más para la generación de números aleatorios se llama método de los cuadrados medios de Von Neumann,
desarrollado en la década de 1940. Así es como funciona: 1. seleccione cualquier número arbitrario con n dígitos (por ejem-
plo, n = 4 dígitos), 2. eleve el número al cuadrado, 3. extraiga los n dígitos centrales como el siguiente número aleatorio.
Como ejemplo de un número arbitrario de cuatro dígitos, utilice 3,614. El cuadrado de 3,614 es 13,060,996. Los cuatro
dígitos centrales de este nuevo número son 0609. Por lo tanto, 0609 es el siguiente número aleatorio y los pasos 2 y 3 se
repiten. El método de los cuadrados medios es sencillo y fácil de programar, pero a veces los números se repiten rápidamente
y no resultan aleatorios. Por ejemplo, ¡trate de usar el método iniciando con 6,100 como su primer número arbitrario!

Simulación del sistema OnStar de GM para evaluar

EN ACCIÓN alternativas estratégicas
instalación de OnStar en todos los vehículos de GM y un año gratis de

G eneral Motors (GM) tiene un sistema de comunicación de dos
vías para sus vehículos, OnStar, que es el líder en el negocio de la
suscripción al servicio. Esto eliminaba el alto costo de instalación en el
concesionario, pero llevaba consigo un costo que no era recuperable,
telemática que presta servicios de comunicaciones a los automóviles. si el comprador decidía no renovar la suscripción a OnStar.
La comunicación puede ser mediante un sistema automatizado (un La implementación de esta estrategia de negocios y el creci-
asesor virtual) o por medio de un asesor humano a través de una co- miento subsiguiente progresaron según lo indicado por el modelo. A
nexión de teléfono celular. Esto se utiliza para asuntos como la no- partir del otoño de 2001, OnStar tenía una participación de mercado
tificación de accidentes, la navegación, la conexión a Internet y la de 80% con más de dos millones de suscriptores, y este número fue
información del tránsito vehicular. OnStar responde a miles de llama- creciendo rápidamente. Actualización: para el primer trimestre de
das de emergencia cada mes, y muchas vidas se han salvado gracias a 2013, se estimó que OnStar tenía más de seis millones de suscriptores
una rápida respuesta de emergencia. en todo el mundo, ingresos por $1.5 miles de millones cada año y
En el desarrollo del nuevo modelo de negocios para OnStar, GM márgenes de utilidad de más de 30 por ciento.
utiliza un modelo de simulación integrada para analizar la nueva in-
dustria de la telemática. Se consideraron seis factores en este mo-
Fuentes: Basado en “A Multimethod Approach for Creating New Business
delo: adquisición del cliente, elección del cliente, alianzas, servicio al Models: The General Motors OnStar Project”, Interfaces, 32, 1 (enero-febrero
cliente, dinámica financiera y resultados sociales. El equipo responsa- de 2002): 20-34.
ble de este modelo informó que la mejor manera de acercarse a esta Basado en el informe trimestral de ganancias de General Motors, publicado el
nueva industria sería una estrategia dinámica. Lo anterior incluía la 2 de mayo de 2013.
Los resultados simulados pueden Es interesante notar que la demanda promedio de 3.9 neumáticos en esta simulación de 10 días di-
diferir de los resultados analíticos fiere significativamente de la demanda diaria esperada, que se puede calcular a partir de los datos de
en una simulación corta. la tabla 13.2:
5
Demanda diaria esperada = g 1Probabilidad de i neumáticos2 * 1Demanda de i neumáticos2
i=0
= 10.052 102 + 10.102 112 + 10.202 122 + 10.302 1 32
+ 10.202 142 + 1 0.152 152
= 2.95 neumáticos
Si esta simulación se repitiera cientos o miles de veces, es mucho más probable que la demanda simulada
promedio sería casi igual que la demanda esperada.
Naturalmente, sería arriesgado obtener conclusiones muy rápidas y firmes con respecto a la operación
de una compañía a partir de una simulación corta. Sin embargo, esta simulación manual demuestra los
principios importantes en juego. Nos ayuda a entender el proceso de simulación de Monte Carlo que se
utiliza en los modelos de simulación por computadora.
TABLA 13.5
DÍA NÚMERO ALEATORIO DEMANDA DIARIA SIMULADA
Simulación de 10 días
1 52 3
de la demanda de
neumáticos radiales 2 37 3
3 82 4
4 69 4
5 98 5
6 96 5
7 33 2
8 50 3
9 88 5
10 90 5
39 = demanda total de 10 días
3.9 = demanda diaria promedio de neumáticos

PROGRAMA 13.1
Pantalla de salida
en QM para Windows
de la simulación para
el ejemplo de Harry’s
Auto Tire
El valor esperado se calcula Éste es el resultado

matemáticamente. de la presente corrida de
simulación individual.
La simulación de Harry’s Auto Tire implica una sola variable. El verdadero poder de la simulación
se nota cuando están involucradas varias variables aleatorias y la situación es más compleja. En la sec-
ción 13.4 se analizará la simulación de un problema de inventarios, en el que tanto la demanda como
el tiempo de espera pueden variar.
Como era de suponerse, la computadora suele ser una herramienta muy útil para llevar a cabo el tra-
bajo tedioso en los esfuerzos de simulación más grandes. En las dos secciones siguientes, se muestra cómo
QM para Windows y Excel pueden usarse en la simulación.
Uso de QM para Windows en la simulación

El programa 13.1 es una simulación de Monte Carlo que utiliza el software QM para Windows. Las en-
tradas a este modelo son los valores posibles de la variable, el número de ensayos que se pueden generar,
PROGRAMA 13.2
Uso de Excel 2013 para
simular la demanda de
neumáticos en Harry’s
Auto Tire Shop
Fórmulas clave
Copiar H3:I3 a H4:I12

Copiar C4:C5 a D4:D8
Esto se introduce como un arreglo. Resalte C16:C21,

escriba esta fórmula y, después, presione Ctrl-Shift-Enter. Copiar D17:E17 a D18:E21

y ya sea la frecuencia asociada o la probabilidad para cada valor. Si se introducen frecuencias, QM para
Windows calculará las probabilidades, así como la distribución de probabilidad acumulada. Se observa que
el valor esperado (2.95) se calcula matemáticamente y es posible compararlo con el promedio real de la
muestra (2.87). Si se lleva a cabo otra simulación, el promedio de la muestra puede cambiar.
Simulación con hojas de cálculo de Excel

La capacidad de generar números aleatorios y luego “buscar” estos números en una tabla con la finalidad
de asociarlos con un evento específico hace de las hojas de cálculo excelentes herramientas para la reali-
zación de simulaciones. En el programa 13.2 se ilustra una simulación en Excel para Harry’s Auto Tire.
La función RAND( ) se utiliza para generar un número aleatorio entre 0 y 1. La función VLOOKUP
busca el número aleatorio en la columna de la izquierda de la tabla definida para realizar la búsqueda
($C$3:$E$8). Se mueve hacia abajo a través de esta columna hasta que encuentra una celda que sea ma-
yor que el número aleatorio. A continuación, pasa a la fila anterior y obtiene el valor de la columna E de
la tabla.
En el programa 13.2, por ejemplo, el primer número aleatorio que se muestra es 0.437. Excel buscó
hacia abajo por la columna izquierda de la tabla de búsqueda ($C$3:$E$8) del programa 13.2 hasta que
encontró 0.65. De la fila anterior recuperó el valor en la columna E, que es 3. Si se presiona la tecla de
función F9, se vuelven a calcular los números aleatorios y la simulación.
MODELADO EN EL MUNDO REAL Simulación de chips
Definición
del problema El fabricante de semiconductores más grande del mundo, Intel, tiene ventas anuales brutas por más de 50 mil
millones de dólares. Para mantener la competitividad, Intel invierte más de 5 mil millones de dólares al año en
nuevos equipos para la fabricación de semiconductores. El aumento en los plazos de entrega de los equipos
de fabricación, junto con el incremento de la variabilidad en el mercado global de chips semiconductores, pro-
vocó que la gerencia de la compañía abordara los dilemas en la compra de bienes de capital.

un modelo Los analistas de Intel construyeron un modelo de simulación del proceso de negocios que incluye los pedi-
dos, los envíos y la instalación de sus bienes de capital.

datos de entrada Estos mismos analistas han modelado y analizado las prácticas de adquisición de bienes de capital actuales
de Intel desde hace varios años.

una solución Se desarrolló un modelo de simulación de dos tipos. El modelo fue nombrado procedimiento del equipo en
modo dual (DMEP, dual mode equipment procedure).

a la solución En el primer tipo del DMEP, se adquiere el bien de capital de acuerdo con los contratos y los plazos de entrega
estándar. En el segundo tipo, se adquiere nuevo equipo de capital a costos un poco más altos pero con tiem-
pos de entrega reducidos. La idea era que los tiempos de entrega reducidos en equipos significarían que Intel
podría aprovechar los beneficios de ser el primero en el mercado con nuevos productos.

de resultados El modelo DMEP integró técnicas de pronóstico comunes con la simulación de Monte Carlo para la adquisición
de bienes de capital a costos más altos, pero con menores tiempos de entrega como se indicó anteriormente.

de resultados Una vez implementado e instalado, el motor de decisiones DMEP ahorró cientos de millones de dólares a la
corporación Intel.
Fuente: Basado en K. G. Kempf, F. Erhun, E. F. Hertzler, T. R. Rosenberg y C. Peng. “Optimizing Capital Investment Deci-
sions at Intel Corporation”, Interfaces 43, 1 (enero-febrero de 2013): 62-78.

La función FREQUENCY en Excel (columna C en el programa 13.2) se utiliza para tabular con qué frecuen-
cia se produce un valor en un conjunto de datos. Ésta es una función de un arreglo, por lo que se requieren proce-
dimientos especiales para entrar en ella. En primer lugar, resalte todo el rango donde se va a ubicar (C16:C21, en
este ejemplo). Después, introduzca la función, como se ilustra en la celda C16, y presione Ctrl + Shift + Enter.
Esto hace que la fórmula ingrese como un arreglo en todas las celdas resaltadas (celdas C16:C21).
Existen muchos problemas en los cuales la variable que se desea simular se distribuye normalmente
y, por lo tanto, es una variable continua. Una función (NORMINV) en Excel hace que la generación de nú-
meros aleatorios normales sea muy fácil, como se ve en el programa 13.3. La media es 40 y la desviación
estándar es 5. El formato es
= NORMINV 1 probabilidad, media, desviación_estándar2
En el programa 13.3, los 200 valores simulados para la variable aleatoria normal se generan en la co-
lumna A. Se desarrolló una gráfica (celdas C3:E19) para mostrar la distribución de los números generados
aleatoriamente.
Excel QM tiene un módulo de simulación que es muy fácil de usar. Cuando se selecciona Simulation en
el menú de Excel QM, se abre una ventana de inicialización, y usted introduce el número de categorías y el
número de ensayos de simulación que desea ejecutar. Se desplegará una hoja de cálculo y, después, usted intro-
duce los valores y las frecuencias, como se muestra en el programa 13.4. Los números aleatorios reales y sus
valores de demanda asociados también se muestran en el resultado, pero no se despliegan en el programa 13.4.
PROGRAMA 13.3
Generación de números
aleatorios normales en
Excel
Fórmulas clave
Copiar A4 a A5:A203 Copiar E4 a E5:E19
Esto se introduce como un arreglo. Resalte D4:D19, escriba esta fórmula y, después, presione Ctrl-Shift-Enter.
PROGRAMA 13.4
Simulación en Excel QM Introduzca los valores y las frecuencias aquí.
del ejemplo de Harry’s En seguida aparecerán las probabilidades y
Auto Tire los resultados de la simulación.

13.4 Simulación y análisis de inventarios

La simulación es útil cuando la En el capítulo 6, se introdujo el tema de los modelos de inventarios “deterministas”. Estos modelos de uso
demanda y el tiempo de entrega son común se basan en el supuesto de que tanto la demanda de los productos como el tiempo de entrega de
probabilísticos —en este caso, no los pedidos son valores constantes y conocidos. No obstante, en muchas situaciones de inventarios en el
se pueden utilizar los modelos de mundo real, la demanda y el tiempo de entrega son variables, y se vuelve extremadamente difícil realizar
inventarios, como la cantidad óptima un análisis preciso por cualquier medio distinto de la simulación.
de pedido (del capítulo 6).
En esta sección se presenta un problema de inventarios con dos variables de decisión y dos compo-
nentes probabilísticas. El propietario de la tienda de materiales, que se describe en la siguiente sección,
quisiera establecer las decisiones para la cantidad de pedido y el punto de reorden de un producto en par-
ticular, cuya demanda diaria y tiempo de entrega del pedido son probabilísticos (inciertos). Quiere hacer
una serie de corridas de simulación, probando diferentes cantidades de pedido y puntos de reorden, para
minimizar su costo total de inventarios para ese artículo. Los costos de inventario en este caso incluyen los
costos de pedido, por mantener inventarios y de desabasto.
Ferretería Simkin
Mark Simkin, propietario y director general de la ferretería Simkin, quiere encontrar una política de inven-
tarios buena y de bajo costo para un producto en particular: el taladro eléctrico modelo Ace. Debido a la
complejidad de esta situación, ha decidido utilizar la simulación para ayudarse con esto. El primer paso en
el proceso de simulación, que se observa en la figura 13.1, es definir el problema. Simkin especifica que
éste será encontrar una buena política de inventarios para el taladro eléctrico Ace.
En el segundo paso de este proceso, Simkin identifica dos tipos de variables: las entradas controlables
y las incontrolables. Las entradas controlables (o variables de decisión) son la cantidad de pedido y el
punto de reorden. Simkin debe especificar los valores que desea considerar. Las otras variables importantes
son las entradas incontrolables: la demanda diaria fluctuante y el tiempo de entrega variable. Para simular
los valores de ambas, se utiliza la simulación de Monte Carlo.
La demanda diaria del taladro modelo Ace es relativamente baja, pero sujeta a cierta variabilidad.
Durante los últimos 300 días, Simkin ha observado las ventas que se muestran en la columna 2 de la tabla
13.6. Convierte estos datos de frecuencia históricos en una distribución de probabilidad para la demanda
diaria variable (columna 3). En la columna 4, se forma una distribución de probabilidad acumulada. Final-
mente, Simkin establece un intervalo de números aleatorios para representar cada posible demanda diaria
(columna 5).
Cuando Simkin hace un pedido para reponer su inventario de taladros eléctricos Ace, hay un retraso
en la entrega de uno a tres días, lo cual significa que el tiempo de entrega también se puede considerar una
variable probabilística. El número de días que se tardó en recibir los últimos 50 pedidos se presenta en la
tabla 13.7. De manera similar que la variable de la demanda, Simkin establece una distribución de probabi-
lidad para la variable del tiempo de entrega (columna 3 de la tabla 13.7), calcula la distribución acumulada
(columna 4), y asigna intervalos de números aleatorios para cada tiempo posible (columna 5).
El tercer paso en el proceso de simulación es desarrollar el modelo de simulación. Durante la pro-
gramación de este tipo de procesos de simulación, resulta útil un diagrama o gráfica de flujo para los
procedimientos de codificación lógica (vea la figura 13.3).
En los diagramas de flujo, se utilizan símbolos especiales para representar diferentes partes de una
simulación. Los rectángulos representan acciones que deben realizarse. Las figuras en forma de rombo
representan puntos de ramificación, donde el siguiente paso depende de la respuesta a la pregunta den-
tro del rombo. Los puntos de inicio y final de la simulación se representan como óvalos o rectángulos
redondeados.
TABLA 13.6
(5)
Probabilidades e (1) (2) (4) INTERVALO
intervalos de números DEMANDA DEL FRECUENCIA (3) PROBABILIDAD DE NÚMEROS
aleatorios para la TALADRO ACE (DÍAS) PROBABILIDAD ACUMULADA ALEATORIOS
demanda diaria del 0 15 0.05 0.05 01 a 05
taladro Ace
1 30 0.10 0.15 06 a 15
2 60 0.20 0.35 16 a 35
3 120 0.40 0.75 36 a 75
4 45 0.15 0.90 76 a 90
5 30 0.10 1.00 91 a 00
300 1.00

13.4 SIMULACIÓN Y ANÁLISIS DE INVENTARIOS 481
TABLA 13.7
(1) (5)
Probabilidades e TIEMPO DE (2) (4) INTERVALO
intervalos de números ENTREGA FRECUENCIA (3) PROBABILIDAD DE NÚMEROS
aleatorios para el (DÍAS) (PEDIDOS) PROBABILIDAD ACUMULADA ALEATORIOS
tiempo de entrega 1 10 0.20 0.20 01 a 20
del pedido
2 25 0.50 0.70 21 a 70
3 15 0.30 1.00 71 a 00
50 1.00
FIGURA 13.3
Diagrama de flujo para
el ejemplo de inventarios Inicio
de Simkin
Comenzar día
de simulación
¿Ya llegó Sí Aumentar el inventario

la orden? inicial en la cantidad
ordenada
No
Seleccionar un número
aleatorio para generar
la demanda de hoy
¿La demanda Registrar el

Sí
es mayor que número de
el inventario? ventas perdidas
No
Calcular el inventario final

Registrar el
= Inventario inicial
inventario final = 0
– Demanda
¿El inventario
Sí ¿Se ha colocado No Colocar
final es menor que
una orden que aún la orden
el punto de
no llega?
reorden?
No Sí
¿Se han Seleccionar un
No simulado suficientes número aleatorio
días de esta política para generar el
de pedidos? tiempo de entrega
Sí
Calcular el inventario final promedio,
la pérdida de ventas promedio, el
Fin
número promedio de órdenes
colocadas y los costos correspondientes

El cuarto paso de esta simulación consiste en especificar los valores de las variables que deseamos
probar.
Un tiempo de entrega es el lapso La primera política de inventarios que la ferretería Simkin quiere simular es una cantidad de pedido
de espera para recibir un pedido de 10 con un punto de reorden de 5. Es decir, cada vez que el nivel de inventario disponible al final del día
—desde el momento en que se sea de 5 o menos, Simkin llamará a su proveedor y realizará un pedido de 10 taladros más. Por cierto, si el
realiza hasta que se recibe. tiempo de entrega es de un día, el pedido no llegará a la mañana siguiente, sino al inicio del siguiente día
laborable.
El quinto paso del proceso de simulación es realmente llevar a cabo la simulación y para esto se uti-
liza el método de Monte Carlo. Todo el proceso se simula para un periodo de 10 días en la tabla 13.8. Se
puede suponer que el inventario es de 10 unidades en el día 1. (En realidad, en una simulación larga, no
hay mucha diferencia en cuál sea el nivel de inventario inicial. Puesto que en la vida real se simulan cientos
o miles de días, los valores de inicio tienden a promediarse). Los números aleatorios para el problema de
inventarios de Simkin se seleccionan de la segunda columna de la tabla 13.4.
La tabla 13.8 se llena procediendo un día (o una línea) a la vez, de izquierda a derecha. Es un proceso
de cuatro pasos:
Aquí se muestra la forma de simular 1. Comience cada día simulado comprobando si acaba de llegar algún inventario ordenado (columna
el ejemplo de la ferretería Simkin. 2). Si es así, aumente el inventario actual (en la columna 3) en la cantidad ordenada (10 unidades, en
este caso).
2. Genere una demanda diaria a partir de la distribución de probabilidad de la demanda en la tabla 13.6,
mediante la selección de un número aleatorio. Este número aleatorio se registra en la columna 4. La
demanda simulada se registra en la columna 5.
3. Calcule el inventario final de cada día y regístrelo en la columna 6. El inventario final es igual al
inventario final menos la demanda. Si el inventario disponible es insuficiente para satisfacer la de-
manda del día, satisfágala tanto como sea posible y anote la cantidad de ventas perdidas (en la co-
lumna 7).
TABLA 13.8 Primera simulación del inventario de la ferretería Simkin
CANTIDAD DE PEDIDO = 10 UNIDADES PUNTO DE REORDEN = 5 UNIDADES
(10)
(2) (3) (4) (6) (7) (9) TIEMPO
(1) UNIDADES INVENTARIO NÚMERO (5) INVENTARIO VENTAS (8) NÚMERO DE
DÍA RECIBIDAS INICIAL ALEATORIO DEMANDA FINAL PERDIDAS PEDIDO ALEATORIO ENTREGA
1 … 10 06 1 9 0 No
2 0 9 63 3 6 0 No
a
3 0 6 57 3 3 0 Sí 02 b 1
c d
4 0 3 94 5 0 2 No
e
5 10 10 52 3 7 0 No
6 0 7 69 3 4 0 Sí 33 2
7 0 4 32 2 2 0 No
8 0 2 30 2 0 0 No
f
9 10 10 48 3 7 0 No
10 0 7 88 4 3 0 Sí 14 1
Total 41 2
a
Ésta es la primera vez que el inventario cae por debajo del punto de reorden de 5 taladros. Debido a que no se realizó ningún pedido previo, se coloca una
orden.
b
Se genera el número aleatorio 02 para representar el primer tiempo de entrega. Se extrae de la columna 2 de la tabla 13.4 como el próximo número de la lista
a utilizar. Se podría haber usado una columna por separado para extraer números aleatorios del tiempo de entrega, de haberlo deseado así, pero en este ejemplo
no se hizo.
c
Una vez más, observe que se utilizó el número aleatorio 02 para el tiempo de entrega (vea la nota b). Así que el siguiente número de la columna es 94.
d
No se realiza ningún pedido en el día 4 porque hay una orden del día anterior que aún no ha llegado.
e
El tiempo de entrega para el primer pedido es de un día, pero como se ha señalado en el texto, una orden no llega a la mañana siguiente, sino hasta el inicio
del siguiente día laborable. Por lo tanto, el primer pedido llega al inicio del día 5.
f
Ésta es la llegada del pedido realizado en el cierre de operaciones del día 6. Afortunadamente para Simkin, no se produjo ninguna pérdida de ventas durante
el lapso de espera de 2 días hasta que el pedido llegó.

13.4 SIMULACIÓN Y ANÁLISIS DE INVENTARIOS 483
4. Determine si el inventario al final del día ha alcanzado el punto de reorden (5 unidades). Si es así y si
no hay pedidos pendientes, realice un pedido (columna 8). El tiempo de entrega de un nuevo pedido
se simula eligiendo primero un número aleatorio de la tabla 13.4 y registrándolo en la columna 9. (Se
puede continuar con la misma cadena de la tabla de números aleatorios que se estuvo usando para
generar números para la variable de la demanda). Por último, se convierte este número aleatorio en
un tiempo de entrega utilizando la distribución establecida en la tabla 13.7.
Análisis de los costos de inventario de Simkin

Ahora que se han generado los resultados de la simulación, Simkin está listo para proceder al paso 6 de
este proceso: examinar los resultados. Dado que el objetivo es encontrar una solución de bajo costo, Sim-
kin debe determinar, con base en estos resultados, cuáles serían los costos. Al hacerlo, Simkin encuentra
algunos resultados interesantes. El inventario final diario promedio es
41 unidades totales
Inventario final promedio = = 4.1 unidades por día
10 días
También observamos el promedio de las ventas perdidas y del número de pedidos realizados por día:
2 ventas perdidas
Ventas perdidas promedio = = 0.2 unidades por día
10 días
3 pedidos
Número promedio de pedidos realizados = = 0.3 pedidos por día
10 días
Estos datos son útiles en el estudio de los costos de inventario de la política que se está simulando.
La ferretería Simkin está abierta al público 200 días del año. Simkin estima que el costo de colocar
cada pedido de taladros Ace es de $10. El costo de mantener un taladro en almacén es de $6 por taladro al
año, que también puede ser visto como 3 centavos por taladro al día (para un año de 200 días). Por último,
Simkin estima que el costo de cada escasez o venta perdida es de $8. ¿Cuál es el costo del inventario diario
total de Simkin para la política de pedidos con una cantidad de pedido, Q = 10, y un punto de reorden,
ROP = 5?
Se examinarán los tres componentes de costos:
Costo de pedido diario = (Costo de colocar un pedido)

* (Número de pedidos por día)
= $10 por pedido * 0.3 pedidos al día = $3
Costo diario de almacenamiento = (Costo de mantener una unidad por día)
* (Inventario final promedio)
= $0.03 por unidad al día * 4.1 unidades al día
= $0.12
Costo de desabasto diario = (Costo por venta perdida)
* (Número promedio de ventas perdidas por día)
= $8 por venta perdida * 0.2 ventas perdidas al día
= $1.60
Costo del inventario diario total = Costo de pedido diarios + Costo de almacenamiento diario
+ Costo de desabasto diario = $4.72
Por lo tanto, el costo del inventario diario total de esta simulación es de $4.72. Al anualizar esta cifra diaria
para un año con 200 días de trabajo se obtiene que el costo de esta política de inventarios es aproximada-
mente de $944.
Es importante recordar que la Ahora, una vez más queremos enfatizar algo muy importante. Esta simulación debería extenderse mu-
simulación debe llevarse a cabo chos más días antes de obtener alguna conclusión relativa al costo de la política de inventarios que se está
para muchos, muchos días antes probando. Si se realiza una simulación a mano, 100 días proporcionarían una mejor representación. Si los
de que sea legítimo obtener alguna cálculos están siendo realizados por una computadora, 1,000 días serían útiles para llegar a estimaciones
conclusión sólida. exactas de los costos.

La Administración Federal de Aviación utiliza la simulación

EN ACCIÓN para resolver un problema de asignación
(AFP, airspace flow program), con un costo total cercano a los $5 millo-
L a Administración Federal de Aviación (FAA, Federal Aviation Admi-
nistration) es responsable de la gestión del transporte aéreo en Estados
nes. El AFP integra los datos de los vuelos próximos y actuales con los
datos del clima tormentoso inminente y simula las diferentes decisio-
Unidos. Por lo general, esto implica la asignación de vuelos de aerolíneas nes de asignación posibles. En seguida, se analizan todas esas simu-
a determinadas rutas de tráfico aéreo en tiempo real. En la superficie, laciones “con visión futura”, lo cual permite a los tomadores de
este problema puede parecer bastante convencional. Sin embargo, decisiones de la FAA “preseleccionar” un conjunto robusto de solucio-
dado que la demanda de tráfico aéreo ha crecido en los últimos años, el nes de asignación, que minimice los retrasos de vuelos en todo el sis-
número de rutas disponibles de tráfico aéreo ha disminuido en un mo- tema. Como resultado se obtienen vuelos más rápidos, más eficientes
mento dado. Esto puede hacer que el problema de asignación asociado para el viajero y cientos de millones de dólares anuales de ahorro para
sea muy difícil. De manera sorprendente, el problema es el clima, ya que las compañías aéreas.
las tormentas eléctricas pueden causar estragos en la disponibilidad de
rutas de tráfico aéreo en cualquier momento. Fuentes: Basado en V. Sud, M. Tanino, J. Wetherly, M. Brennan, M. Lehky, K.
En 2005 la FAA desarrolló una herramienta de simulación para Howard y R. Oiesen. “Reducing Flight Delays Through Better Traffic Manage-
la toma de decisiones conocida como programa de flujo aeroespacial ment”, Interfaces 39, 1 (2009): 35-45.
Digamos que Simkin completa una simulación de 1,000 días de la política con una cantidad de pe-
dido = 10 taladros y un punto de reorden = 5 taladros. ¿Lo anterior completa este análisis? La respuesta
es no. ¡Esto es sólo el principio! Ahora se debería verificar que el modelo sea correcto y validar el modelo
que represente verdaderamente la situación en la que se basa. Como se indica en la figura 13.1, después de
analizar los resultados del modelo, es posible que desee volver atrás y modificar el modelo que se ha desa-
rrollado. Si estamos convencidos de que el modelo funciona tal y como esperábamos, entonces se pueden
especificar otros valores de las variables. Simkin debe ahora comparar esta estrategia potencial con otras
posibilidades. Por ejemplo, ¿qué pasa con Q = 10, ROP = 4; o Q = 12, ROP = 6; Q = 14, ROP = 5? Tal
vez debe simularse cada combinación de valores de Q desde 6 hasta 20 taladros y de ROP desde 3 hasta 10
taladros. Después de simular todas las combinaciones razonables de cantidades de pedido y puntos de re-
orden, Simkin iría al paso 7 del proceso de simulación y, probablemente, seleccionaría el par que produce
el menor costo de inventario total.
13.5 Simulación de un problema de colas

Una área importante de aplicación de la simulación ha sido el análisis de problemas de líneas de espera.
Como se mencionó anteriormente, los supuestos necesarios para la solución de problemas de colas en
forma analítica son bastante restrictivos. Para la mayoría de los sistemas de colas reales, la simulación
puede ser en realidad el único método disponible. En esta sección se ilustra la simulación en un gran mue-
lle de descarga y su cola asociada.
Puerto de Nueva Orleans

Las llegadas de barcazas y las Por la noche, llegan a Nueva Orleans barcazas totalmente cargadas después de largos viajes por el río
tasas de descarga son variables Mississippi desde ciudades del medio oeste industrial. El número de barcazas que atracan en una noche
probabilísticas. A menos que sigan cualquiera va de 0 a 5. La probabilidad de 0, 1, 2, 3, 4 o 5 llegadas se muestra en la tabla 13.9. En la misma
las distribuciones de probabilidad tabla, se establecen las probabilidades acumuladas y los intervalos de números aleatorios correspondientes
de colas presentadas en el capítulo a cada valor posible.
12, se debe recurrir a un método de Un estudio realizado por el superintendente del muelle revela que debido a la naturaleza de su carga,
simulación.
el número de barcazas descargadas también suele variar de un día a otro. El superintendente proporciona
información de la que se puede crear una distribución de probabilidad para la variable llamada tasa de des-
carga diaria (vea la tabla 13.10). Como se acaba de hacer para la variable de llegada, es posible establecer
un intervalo de números aleatorios para las tasas de descarga.
Las barcazas se descargan con una base del primero en llegar, el primero en salir. Cualquier barcaza
que no sea descargada el día de su llegada tendrá que esperar hasta el día siguiente. Atar una barcaza en
el muelle es una propuesta costosa, y el superintendente no puede ignorar las llamadas telefónicas de pro-
pietarios molestos en la línea de barcazas recordándole que “¡el tiempo es dinero!” Decide que antes de
ir con el controlador del puerto de Nueva Orleans para solicitar cuadrillas de descarga adicionales, debe
realizar un estudio de simulación de las llegadas, las descargas y los retrasos. Una simulación de 100 días
sería ideal; pero con fines de ilustración, el superintendente comienza con un análisis más corto de 15 días.
Se extraen números aleatorios de la fila superior de la tabla 13.4 para generar las tasas diarias de llegada.
Y se extraen de la segunda fila de la tabla 13.4 para crear las tasas de descarga diarias. En la tabla 13.11 se
muestra la simulación del puerto día tras día.

13.5 SIMULACIÓN DE UN PROBLEMA DE COLAS 485
TABLA 13.9
NÚMERO DE PROBABILIDAD INTERVALO DE
Tasa de llegada de LLEGADAS PROBABILIDAD ACUMULADA NÚMEROS ALEATORIOS
barcazas durante la
noche, e intervalos de 0 0.13 0.13 01 a 13
números aleatorios 1 0.17 0.30 14 a 30
2 0.15 0.45 31 a 45
3 0.25 0.70 46 a 70
4 0.20 0.90 71 a 90
5 0.10 1.00 91 a 00
TABLA 13.10
TASA DE PROBABILIDAD INTERVALO DE
Tasas de descarga e DESCARGA DIARIA PROBABILIDAD ACUMULADA NÚMEROS ALEATORIOS
intervalos de números
aleatorios 1 0.05 0.05 01 a 05
2 0.15 0.20 06 a 20
3 0.50 0.70 21 a 70
4 0.20 0.90 71 a 90
5 0.10 1.00 91 a 00
1.00
TABLA 13.11 Simulación de colas para la descarga de barcazas en el puerto de Nueva Orleans
(2) (3) (4) (5) (6) (7)

(1) NÚMERO DE RETRASOS NÚMERO NÚMERO DE LLEGADAS TOTAL DE NÚMERO NÚMERO
DÍA DEL DÍA ANTERIOR ALEATORIO NOCTURNAS DESCARGAS ALEATORIO DESCARGADO
1 -a 52 3 3 37 3
2 0 06 0 0 63 0b
3 0 50 3 3 28 3
4 0 88 4 4 02 1
5 3 53 3 6 74 4
6 2 30 1 3 35 3
7 0 10 0 0 24 0c
8 0 47 3 3 03 1
9 2 99 5 7 29 3
10 4 37 2 6 60 3
11 3 66 3 6 74 4
12 2 91 5 7 85 4
13 3 35 2 5 90 4
14 1 32 2 3 73 3d
15 0 00 5 5 59 3
20 41 39
Retrasos totales Llegadas totales Descargas totales
a
Podemos empezar sin retrasos del día anterior. En una simulación larga, incluso si comenzáramos con 5 retrasos de la noche previa, se promediaría la condición
inicial.
b
Se podrían haber descargado tres barcazas en el día 2. Pero debido a que no hubo llegadas y no existía ningún retraso, se realizaron cero descargas.
c
Se presenta la misma situación descrita en la nota b.
d
Esta vez se pudieron haber realizado 4 descargas, pero como sólo había 3 en la cola, el número descargado se registra como 3.

Probablemente, el superintendente estará interesado en al menos tres aspectos útiles e importantes de

la información:
20 retrasos
Éstos son los resultados de la Número promedio de barcazas retrasadas para el día siguiente =
simulación en relación con el 15 días
promedio de retrasos de las = 1.33 barcazas retrasadas por día
barcazas, el promedio de llegadas
nocturnas y el promedio de 41 llegadas
descargas.
Número promedio de llegadas nocturnas = = 2.73 llegadas
15 días
39 descargas
Número promedio de barcazas descargadas cada día = = 2.60 descargas
15 días
Cuando estos datos se analicen en el contexto de los costos de retraso, los costos laborales por inactividad
y los costos de contratación de personal extra para descarga, será posible que el superintendente del mue-
lle y el controlador de puerto tomen una mejor decisión con respecto al personal. Incluso pueden elegir
simular de nuevo el proceso suponiendo diferentes tasas de descarga que corresponderían a un aumento en
el tamaño del personal. A pesar de que la simulación es una herramienta que no puede garantizar una so-
lución óptima a los problemas de este tipo, puede ser útil en la recreación de un proceso y la identificación
de buenas alternativas de decisión.
Uso de Excel para simular el problema de colas del puerto de Nueva Orleans
Para simular el ejemplo del puerto de Nueva Orleans, se ha utilizado Excel y los resultados se muestran
en el programa 13.5. La función VLOOKUP se utiliza del modo descrito en anteriores simulaciones de
Excel. Se simularon 10 días de operación, y los resultados se muestran en las filas 4 a 13 de la hoja
de cálculo.
PROGRAMA 13.5
Modelo de Excel para la
simulación de colas del
puerto de Nueva Orleans
Fórmulas clave
Copiar C18:D18 a C19:D22 Copiar I18:J18 a I19:J21
Copiar B5:B6 a H5:H13

13.6 MODELO DE SIMULACIÓN PARA UNA POLÍTICA DE MANTENIMIENTO 487
13.6 Modelo de simulación para una política de mantenimiento

Los problemas de mantenimiento La simulación es una técnica valiosa para el análisis de distintas políticas de mantenimiento antes de la
son una área donde la simulación aplicación real de éstas. Una empresa puede decidir si desea agregar más personal de mantenimiento, con
se utiliza ampliamente. base en los costos de inactividad de las máquinas y los costos de mano de obra adicional. Puede simular la
sustitución de piezas que aún no han fallado al explorar formas de prevenir futuras averías. Muchas empre-
sas utilizan modelos de simulación computarizados para decidir si deben cerrar una planta entera y cuándo
hacerlo para realizar actividades de mantenimiento. En esta sección se ofrece un ejemplo del valor de la
simulación en el establecimiento de la política de mantenimiento.
Compañía Three Hills Power

La compañía Three Hills Power suministra electricidad a una gran área metropolitana por medio de casi
200 generadores hidroeléctricos. La gerencia reconoce que incluso un generador en buen estado tendrá
fallas o averías periódicas. La demanda de energía en los últimos tres años ha sido consistentemente alta, y
la compañía está preocupada por el tiempo de inactividad de los generadores. Actualmente emplea a cuatro
reparadores altamente calificados que reciben $30 por hora. Cada uno trabaja cada cuarto turno de 8 horas.
De esta manera, hay un reparador de guardia 24 horas al día, los 7 días a la semana.
Si bien los salarios del personal de mantenimiento resultan costosos, los costos por descompostura lo
son aún más. Por cada hora que uno de sus generadores está averiado, Three Hills pierde aproximadamente
$75. Esta cantidad es la carga de energía de reserva que Three Hills “toma prestada” de una compañía de
servicios públicos vecina.
Stephanie Robbins ha sido asignada para llevar a cabo un análisis de la gestión del problema de las
averías y determina que la simulación es una herramienta viable debido a la naturaleza probabilística de
este problema. Stephanie decide que su objetivo es determinar 1. el costo del servicio de mantenimiento,
2. la simulación del costo de las averías de las máquinas y 3. el total de estos costos de reparación de
averías y mantenimiento (que proporciona el costo total de este sistema). Dado que se necesita el tiempo
total de inactividad de las máquinas para calcular el costo de las averías, Stephanie debe saber cuándo se
avería y cuándo vuelve al servicio cada máquina. Por lo tanto, se debe utilizar un modelo de simulación
por pasos hasta el siguiente evento. En la planeación de esta simulación, se desarrolla un diagrama de
flujo, como el mostrado en la figura 13.4.
Stephanie identifica dos componentes importantes del sistema de mantenimiento. En primer lugar, el
tiempo entre averías sucesivas de los generadores varía históricamente desde cada media hora hasta cada
tres horas. Con base en las últimas 100 averías, Stephanie tabula la frecuencia de los diferentes tiempos
entre averías de las máquinas (vea la tabla 13.12). También crea una distribución de probabilidad y asigna
intervalos de números aleatorios para cada intervalo de tiempo esperado.
En seguida, Robbins nota que las personas que hacen reparaciones registran su tiempo de manteni-
miento en bloques de tiempo de una hora. Debido al tiempo necesario para llegar hasta un generador des-
compuesto, los tiempos de reparación generalmente se redondean a una, dos o tres horas. En la tabla 13.13
se realiza un análisis estadístico de los últimos tiempos de reparación, similar al realizado para los tiempos
de descompostura.
Robbins comienza la ejecución de la simulación seleccionando una serie de números aleatorios para
generar tiempos simulados entre averías de generador y una segunda serie para simular los tiempos de
reparación necesarios. En la tabla 13.14 se presenta una simulación de fallas de 15 máquinas. Ahora se
examinarán los elementos en la tabla, columna por columna.
Columna 1: Número de averías. Éste es sólo el recuento de averías que se producen, y va de

1 a 15.
Columna 2: Número aleatorio para averías. Éste es un número que se utiliza para simular el tiempo
entre averías. Los números en esta columna se han seleccionado de la segunda columna de derecha a
izquierda de la tabla 13.4.
Columna 3: Tiempo entre averías. Este número se genera a partir de la columna 2 de números aleato-
rios y los intervalos de números aleatorios definidos en la tabla 13.12. El primer número aleatorio, 57, cae
en el intervalo de 28 a 60, lo cual implica un tiempo de 2 horas desde la avería previa.

FIGURA 13.4
Diagrama de flujo Inicio
de Three Hills
Generar números
aleatorios para el
“tiempo entre averías”
Registrar la hora real

de la avería
Examinar el tiempo en que

terminó la reparación anterior
El
técnico está No Esperar hasta que
libre para iniciar se termine la
una reparación? reparación anterior
Sí
Generar números aleatorios para
el tiempo de reparación requerido
Calcular el tiempo de la
reparación completada
Calcular las horas la máquina

averiada = Tiempo de
reparación completada –
Hora de la avería
¿Son
No suficientes las
averías
simuladas?
Si
Calcular el tiempo de inactividad
y los datos de costos comparativos
Fin
Columna 4: Hora de la avería. Esto convierte los datos de la columna 3 en una hora real de día para
cada avería. Esta simulación supone que el primer día comienza a la media noche (00:00 horas). Puesto
que el tiempo entre cero averías y la primera avería es de 2 horas, la primera avería registrada de una
máquina es a las 02:00. La segunda avería, como se observa, se produce 1.5 horas más tarde, a una hora
calculada de 03:30 (o 03:30 a.m.).
Columna 5: Hora en que la persona que repara está libre para comenzar la reparación. Se trata
de las 02:00 horas para la primera avería, si se supone que el reparador comenzó a trabajar a las 00:00
horas y no estaba trabajando en una avería generada anteriormente. Sin embargo, antes de registrar este

TABLA 13.12
TIEMPO ENTRE
Tiempo entre averías AVERÍAS DE INTERVALO
del generador en MÁQUINA NÚMERO DE
Three Hills Power REGISTRADAS DE VECES PROBABILIDAD NÚMEROS
(HORAS) OBSERVADA PROBABILIDAD ACUMULADA ALEATORIOS
0.5 5 0.05 0.05 01 a 05

1.0 6 0.06 0.11 06 a 11
1.5 16 0.16 0.27 12 a 27
2.0 33 0.33 0.60 28 a 60
2.5 21 0.21 0.81 61 a 81
3.0 19 0.19 1.00 82 a 00
Total 100 1.00
TABLA 13.13
TIEMPO DE INTERVALO
Tiempos requeridos REPARACIÓN NÚMERO DE NÚMEROS
para la reparación REQUERIDO DE VECES PROBABILIDAD ALEATORIOS
de generadores (HORAS) OBSERVADA PROBABILIDAD ACUMULADA
1 28 0.28 0.28 01 a 28
2 52 0.52 0.80 29 a 80
3 20 0.20 1.00 81 a 00
Total 100 1.00
tiempo en la segunda y en todas las líneas posteriores, se debe comprobar la columna 8 para saber a qué
hora el reparador termina el trabajo anterior. Observe, por ejemplo, la séptima avería. La avería se produce
a las 15:00 horas (o 03:00 p.m.). Sin embargo, el reparador aún no completa el trabajo anterior, la sexta
avería, sino hasta las 16:00 horas. Por lo tanto, la entrada en la columna 5 es 16:00 horas.
Para manejar el hecho de que cada reparador sólo trabaja un turno de 8 horas, se adopta un supuesto
adicional: cuando cada persona se sustituye por la del siguiente turno, simplemente entrega las herramien-
tas al nuevo trabajador. El siguiente reparador continúa trabajando en el mismo generador averiado hasta
que se complete el trabajo. No hay tiempo perdido ni superposición de los trabajadores. Por lo tanto, los
costos de mano de obra para cada día de 24 horas son exactamente 24 horas * $30 cada hora = $720.
Columna 6: Número aleatorio para tiempo de reparación. Éste es un número seleccionado de la

columna de la derecha en la tabla 13.4. Ayuda a simular los tiempos de reparación.
Columna 7: Tiempo de reparación requerido. Se genera a partir de los números aleatorios de la co-
lumna 6 y la distribución de los tiempos de reparación de la tabla 13.13. El primer número aleatorio, 07,
representa un tiempo de reparación de 1 hora, ya que cae en el intervalo de números aleatorios 01 a 28.
Columna 8: Hora de finalización de la reparación. Ésta es la suma de la entrada de la columna 5

(hora en que el reparador está libre para comenzar) más el tiempo de reparación necesario de la colum-
na 7. Como la primera reparación comienza a las 02:00 y tarda una hora para terminarse, la hora final de
la reparación se registra en la columna 8 como las 03:00.
Columna 9: Número de horas de máquina descompuesta. Ésta es la diferencia entre la columna

4 (hora de la avería) y la columna 8 (final del tiempo de reparación). En el caso de la primera avería, la
diferencia es de 1 hora (03:00 menos 2:00). En el caso de la décima avería, la diferencia es de 23:00 horas
menos 19:30 horas, o 3.5 horas.
Análisis de costos de la simulación

La simulación de 15 de averías de generador en la tabla 13.14 se extiende por un tiempo de 34 horas de
operación. El reloj comenzó a las 00:00 horas del día 1 y se prolongó hasta el final de la reparación de las
10:00 horas en el día 2.

490
TABLA 13.14 Simulación de averías y reparaciones de generador
(6)
(5) NÚMERO (7) (8) (9)
(1) (2) (3) HORA EN QUE ALEATORIO TIEMPO HORA DE NÚMERO DE
NÚMERO NÚMERO TIEMPO (4) EL REPARADOR ESTÁ PARA EL DE FINALIZACIÓN HORAS DE
DE ALEATORIO ENTRE HORA DE LIBRE PARA EMPEZAR TIEMPO DE REPARACIÓN DE LA MÁQUINA
CAPÍTULO 13 • MODELOS DE SIMULACIÓN
AVERÍA PARA AVERÍAS AVERÍAS LA AVERÍA ESTA REPARACIÓN REPARACIÓN REQUERIDO REPARACIÓN DESCOMPUESTA
1 57 2 02:00 02:00 07 1 03:00 1

2 17 1.5 03:30 03:30 60 2 05:30 2
3 36 2 05:30 05:30 77 2 07:30 2
M13_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_C13_469-508_3761-1.indd 490
4 72 2.5 08:00 08:00 49 2 10:00 2
5 85 3 11:00 11:00 76 2 13:00 2
6 31 2 13:00 13:00 95 3 16:00 3
7 44 2 15:00 16:00 51 2 18:00 3
8 30 2 17:00 18:00 16 1 19:00 2
9 26 1.5 18:30 19:00 14 1 20:00 1.5
10 09 1 19:30 20:00 85 3 23:00 3.5
11 49 2 21:30 23:00 59 2 01:00 3.5
12 13 1.5 23:00 01:00 85 3 04:00 5
13 33 2 01:00 04:00 40 2 06:00 5
14 89 3 04:00 06:00 42 2 08:00 4
15 13 1.5 05:30 08:00 52 2 10:00 4.5
Total 44
4/14/16 9:49 AM
Simulación de quirófanos en el Hospital

EN ACCIÓN Jackson Memorial
3. el horario del personal, 4. la disponibilidad de habitaciones y 5. la

E l Hospital Jackson Memorial de Miami, el más grande de Florida,
con 1,576 camas de hospitalización, es también uno de los mejores
hora del día.
El primer obstáculo que el equipo de investigación tuvo que en-
nosocomios en Estados Unidos. En junio de 1996, recibió la acredi- frentar en el Hospital Jackson fue el gran número de registros de donde
tación con la puntuación más alta para cualquier hospital del sec- debían extraerse los datos para el modelo de simulación probabilístico.
tor público en el país. El Departamento de Ingeniería de Sistemas El segundo obstáculo fue la calidad de los datos. Un análisis exhaustivo
de Gestión de Jackson está buscando constantemente maneras de de los registros determinaba cuáles eran buenos y cuáles debían des-
aumentar la eficiencia del hospital, y la construcción de nuevos qui- cartarse. Al final, el cuidadoso filtrado de las bases de datos de Jackson
rófanos impulsó el desarrollo de una simulación de los 31 quirófanos condujo a un buen conjunto de parámetros. Después, el modelo de
existentes. simulación desarrolló con éxito cinco medidas del desempeño de los
La frontera de los quirófanos incluye el área de espera y el área de quirófanos: 1. el número de procedimientos en un día, 2. el tiempo
recuperación, los cuales estaban experimentando problemas debido a del caso promedio, 3. la utilización del personal, 4. la utilización de los
la programación ineficiente de sus servicios. Un estudio de simulación, cuartos y 5. el tiempo de espera promedio para una operación.
modelado mediante el uso del software ARENA, trató de maximizar el
uso actual de los quirófanos y de su personal. Las entradas al modelo Fuente: Basado en M. A. Centeno et al. “Challenges of Simulating Hospital
incluyeron 1. la cantidad de tiempo que un paciente espera por una Facilities”, Proceedings of the 12th Annual Conference of the Production and
operación, 2. el proceso específico al que es sometido el paciente, Operations Management Society, Orlando, FL (marzo de 2001): 50.
El factor crítico que interesa a Robbins es el número total de horas que los generadores están fuera
de servicio (columna 9). Éste se calcula en 44 horas. También observa que hacia el final del periodo de
simulación, un atraso está comenzando a aparecer. La avería número 13 se produce a las 01:00 horas, pero
no pudo ser atendida sino hasta las 04:00 horas. Las averías 14 y 15 experimentaron retrasos similares. Ro-
bbins está decidida a escribir un programa de computadora que simule unos pocos cientos más de averías
adicionales pero primero quiere analizar los datos que ha recopilado hasta el momento.
Ella mide sus objetivos de la siguiente manera:
Costos del servicio de mantenimiento = 34 horas del tiempo de servicio del trabajador
* $30 cada hora
= $1,020
Costo simulado de máquina averiada = 44 horas totales de avería
* $75 perdidos por hora de inactividad
= $3,300
Costo de mantenimiento simulado
total del sistema actual = Costo del servicio + Costo de averías
= $1,020 + $3,300
= $4,320
Un costo total de $4,320 sólo es razonable si se compara con otras opciones de mantenimiento más
atractivas o menos atractivas. Por ejemplo, ¿la compañía Three Hills Power debería añadir un segundo repa-
rador de tiempo completo en cada turno? ¿Debería agregar un trabajador más y dejarlo como respaldo cada
cuarto turno para ayudar a recuperar los posibles retrasos? Éstas son dos alternativas que Robbins conside-
raría a través de la simulación. Usted puede ayudarle resolviendo el problema 13-25 al final del capítulo.
Como se mencionó al inicio de esta sección, la simulación se utiliza también en otros problemas
de mantenimiento, incluyendo el análisis del mantenimiento preventivo. Tal vez la compañía Three Hills
Power debe considerar estrategias para sustituir motores, válvulas, cableado, interruptores y otros compo-
nentes diversos de los generadores que suelen fallar. Podría 1. reemplazar todas las piezas de cierto tipo
después de que una falle en cualquier generador, o 2. reparar o reemplazar todas las piezas después de un
cierto tiempo de servicio con base en una vida promedio útil estimada. De nuevo, esto se llevaría a cabo
mediante el establecimiento de distribuciones de probabilidad de las tasas de falla, la selección de números
aleatorios y la simulación de las fallas históricas con sus costos asociados.
También es posible simular políticas CONSTRUCCIÓN DE UN MODELO DE SIMULACIÓN EN EXCEL PARA LA COMPAÑÍA THREE HILLS
de mantenimiento preventivo. POWER El programa 13.6 proporciona un enfoque en hoja de cálculo de Excel para simular el problema
de mantenimiento en la compañía Three Hills Power.

PROGRAMA 13.6
Modelo en Excel
para el problema de
mantenimiento de la
compañía Three Hills
Power
Fórmulas clave
Copiar B5:H5 a B6:H13
13.7 Otros aspectos de la simulación

La simulación es una de las herramientas más utilizadas en los negocios. Como hemos visto en las partes
anteriores de este capítulo, las aplicaciones abundan debido a que no estamos restringidos por los supues-
tos de algunos modelos matemáticos analizados en los capítulos anteriores. En esta sección, se hará énfasis
en algunos otros aspectos relacionados con la simulación, incluyendo algunas de las herramientas de sof-
tware disponibles.
Dos tipos distintos de modelos de simulación

Los modelos de simulación suelen dividirse en tres categorías. La primera se refiere al método de Monte
Carlo que se acaba de exponer, el cual utiliza los conceptos de distribución de probabilidad y de los núme-
ros aleatorios para evaluar las respuestas del sistema a diferentes políticas. Las otras dos categorías son los
juegos operativos y la simulación de sistemas. Aunque en teoría los tres métodos son claramente diferen-
tes, el crecimiento de la simulación computarizada ha tendido a crear una base común en los procedimien-
tos y difuminar tales diferencias.*
JUEGOS OPERATIVOS Los juegos operativos se refieren a la simulación que implica dos o más jugado-
res que compiten. Los mejores ejemplos son los juegos militares y los juegos de negocios. Ambos permiten
a los participantes utilizar sus capacidades de gestión y de toma de decisiones en situaciones hipotéticas de
conflicto.
Los juegos militares se utilizan en todo el mundo para formar a los altos oficiales militares de una
nación, para poner a prueba las estrategias ofensivas y defensivas, así como para examinar la eficacia de
los equipos y los ejércitos. Los juegos de negocios, desarrollados inicialmente por la empresa Booz, Allen
y Hamilton en la década de 1950, son populares entre los ejecutivos y los estudiantes de negocios. Brindan
una oportunidad para poner a prueba las habilidades de negocios y la capacidad de tomar decisiones en un
* En teoría, los números aleatorios se utilizan solamente en la simulación de Monte Carlo. Sin embargo, en algunos problemas
de simulación de juegos o de sistemas complejos donde no todas las relaciones están definidas exactamente, puede ser nece-
sario el uso de los conceptos de probabilidad del método de Monte Carlo.

13.7 OTROS ASPECTOS DE LA SIMULACIÓN 493
entorno competitivo. La persona o el equipo que funcione mejor en el entorno simulado es recompensado
al saber que su empresa tuvo éxito en la obtención de la mayor utilidad, obtuvo una elevada participación
de mercado o tal vez aumentó su valor comercial en la bolsa de valores.
Durante cada periodo de la competencia, ya sea semanal, mensual o trimestral, los equipos responden
a las condiciones de mercado mediante la codificación de sus últimas decisiones de gestión con respecto al
inventario, la producción, el financiamiento, la inversión, la comercialización y la investigación. El entorno
empresarial competitivo se simula mediante una computadora, y los competidores reciben una nueva copia
impresa que resume las condiciones actuales del mercado. Esto permite que los equipos simulen años de
las condiciones operativas en cuestión de días, semanas o un semestre.
SIMULACIÓN DE SISTEMAS La simulación de sistemas es similar a los juegos de negocios, ya que per-
mite a los usuarios probar diferentes políticas y decisiones de gestión para evaluar su efecto sobre el entorno
operativo. Esta variación de la simulación modela la dinámica de los sistemas grandes, los cuales inclu-
yen operaciones corporativas,* la economía nacional, un hospital o el sistema de gobierno de una ciudad.
Los modelos econométricos son En un sistema operacional corporativo, las ventas, los niveles de producción, las políticas de marke-
enormes simulaciones que implican ting, las inversiones, los contratos sindicales, las tasas de utilidad, el financiamiento y otros factores están
miles de ecuaciones de regresión relacionados entre sí mediante una serie de ecuaciones matemáticas que se examinan mediante la simu-
unidas entre sí por factores lación. En la simulación de un gobierno urbano, la simulación de sistemas puede emplearse para evaluar
económicos. Utilizan preguntas del el impacto de la subida de impuestos, las inversiones en carreteras y edificios, la disponibilidad de vivien-
tipo ¿qué pasaría si? para poner a
das, las nuevas rutas de basura, la inmigración y la emigración, la ubicación de nuevas escuelas o centros
prueba diversas políticas.
de la tercera edad, las tasas de natalidad y mortalidad, y muchos más temas relevantes. Las simulacio-
nes de sistemas económicos, con frecuencia llamados modelos econométricos, son utilizadas por las agen-
cias gubernamentales, los banqueros y las grandes organizaciones para predecir las tasas de inflación, la
disponibilidad de dinero nacional y extranjero, y los niveles de desempleo. Las entradas y salidas de un
sistema de simulación económica típico se ilustran en la figura 13.5.
El valor de la simulación de sistemas radica en su asignación de peguntas del tipo ¿qué pasaría si?
para poner a prueba los efectos de las distintas políticas. Un grupo de planeación corporativa, por ejemplo,
puede cambiar el valor de cualquier entrada, como un presupuesto de publicidad, y examinar el impacto
en las ventas, la participación de mercado o los costos a corto plazo. La simulación también se utiliza para
evaluar diferentes proyectos de investigación y desarrollo, o bien, para determinar los horizontes de la
planeación a largo plazo.
Verificación y validación
En el desarrollo de un modelo de simulación, es importante que el modelo se compruebe para saber si está
funcionando correctamente y si proporciona una buena representación de la situación del mundo real. El
proceso de verificación consiste en determinar si el modelo de computadora es internamente consistente y
sigue la lógica del modelo conceptual.
La validación es el proceso en el que se compara un modelo con el sistema real que representa para
asegurarse de que es exacto. Los supuestos del modelo deben ser evaluados para saber si se está utilizando
La verificación se refiere a la la distribución de probabilidad adecuada. Es necesario hacer un análisis de las entradas y salidas para com-
construcción correcta del modelo. probar que los resultados sean razonables. Si sabemos cuáles son las salidas reales para un conjunto espe-
La validación se refiere a la cífico de entradas, podríamos utilizar esas entradas en el modelo por computadora para ver si los resultados
construcción del modelo correcto. de la simulación son compatibles con el sistema del mundo real.
Se ha dicho que la verificación responde a la pregunta “¿Hemos construido el modelo correcta-
mente?” Por otro lado, la validación responde a la pregunta “¿Hemos construido el modelo correcto?” Sólo
después de que estamos convencidos de que el modelo está bien, deberíamos sentirnos cómodos con el uso
de los resultados.
FIGURA 13.5 Entradas Modelo Salidas

Entradas y salidas de
Niveles de ingresos fiscales Producto nacional bruto
una simulación típica Modelo econométrico
Tasas impositivas a empresas Tasas de inflación
de un sistema económico (en una serie de
Tasas de interés ecuaciones Tasas de desempleo
Gasto gubernamental matemáticas) Reservas monetarias
Política de comercio exterior Tasas de crecimiento demográficas
*
Esto se conoce en ocasiones como la dinámica industrial, un término acuñado por Jay Forrester. El objetivo de Forrester era
encontrar una forma “de mostrar cómo se interrelacionan las políticas, las decisiones, la estructura y los retrasos para influir
en el crecimiento y la estabilidad” en los sistemas industriales. Vea J. W. Forrester. Industrial Dynamics (Cambridge, MA:
MIT Press, 1961).

EN ACCIÓN Simulación de un tigre
¿Q ué se necesita para vencer a Tiger Woods en el campo de

Esta diferencia sugirió que Tiger Woods no sólo tenía suerte, sino
que era significativamente mejor que todos los demás en el campo.
golf? Los analistas cuantitativos estudiaron esta pregunta precisa utili- De hecho, desde el momento en que se convirtió en un jugador de
zando un modelo de simulación. golf profesional en 1996 ganó 71 de los 239 siguientes eventos
El modelo de simulación fue bastante amplio. Fue esencialmente del PGA TOUR en los que participó. ¡Esto representa un porcentaje
una estimación basada en la simulación de la dificultad relativa del de victorias de 29.7!
torneo. Se incluyen variables como la habilidad individual del jugador,
la fuerza del campo (qué tan buenos son los jugadores en cualquier Fuente: Basado en R. A. Connolly y R. J. Rendleman, Jr. “What It Takes to
torneo en particular), la profundidad del campo (el número de juga- Win on the PGA TOUR (If Your Name Is “Tiger” or If It Isn’t)”. Interfaces, 42,
dores que hay en cualquier torneo específico), junto con la variación 6 (noviembre-diciembre de 2012): 554-576.
aleatoria en la puntuación individual. El modelo señaló que cuando Ti-
ger Woods gana, lo hace por un promedio de 2.84 golpes por torneo.
Papel de las computadoras en la simulación

Es claro que las computadoras son esenciales para la simulación de tareas complejas. Pueden generar nú-
meros aleatorios, simular miles de periodos de tiempo en cuestión de segundos o minutos, y proporcionar a
la administración informes que facilitan la toma de decisiones. De hecho, un enfoque en las computadoras
es casi una necesidad para llegar a conclusiones válidas a partir de una simulación. Debido a que se re-
quiere un gran número de simulaciones, sería una verdadera molestia confiar sólo en un lápiz y un papel.
Aunque los lenguajes de programación de propósito general pueden usarse en la simulación, se han
desarrollado algunas herramientas de software de simulación especiales que facilitan en gran medida el
proceso de simulación. Algunas de estas herramientas son Arena, ProModel, SIMUL8, ExtendSim, Proof
5 y muchos otros.* Además de estas herramientas independientes, hay varios complementos de Excel,
como @Risk, Crystal Ball, RiskSim y XLSim, que pueden ayudar a que la simulación con Excel sea muy
sencilla.
Resumen
El propósito de este capítulo es analizar el concepto y el enfoque resultados para cada variable probabilística en el modelo. En seguida,
de la simulación como herramienta para la resolución de problemas. los números aleatorios se pueden seleccionar de una tabla de núme-
La simulación implica construir un modelo matemático que intenta ros aleatorios o generarse por computadora para simular resultados
describir una situación del mundo real. El objetivo del modelo es la variables. El procedimiento de simulación se ejecuta durante muchos
incorporación de las variables importantes y sus interrelaciones, de periodos de tiempo para evaluar el impacto a largo plazo de cada valor
modo que sea posible estudiar el impacto de los cambios de gestión en de la política en estudio. La simulación de Monte Carlo realizada en
el sistema total. El enfoque tiene muchas ventajas sobre otras técnicas forma manual se ilustra mediante problemas de control de inventarios,
de análisis cuantitativo y es especialmente útil cuando un problema gestión de colas y mantenimiento de máquinas.
resulta demasiado complejo o difícil de resolver por otros medios. En este capítulo, también se presentan los juegos operativos y
El método de simulación de Monte Carlo se desarrolla mediante la simulación de sistemas, otras dos categorías de la simulación. El
el uso de distribuciones de probabilidad y números aleatorios. Se esta- capítulo concluye con un análisis de la importancia del papel de las
blecen intervalos de números aleatorios para representar los posibles computadoras en el proceso de simulación.
Glosario
Diagrama de flujo Un medio gráfico para presentar la lógica de un Juegos operativos Uso de la simulación en situaciones competi-
modelo de simulación. Es una herramienta que ayuda a escribir tivas, como los juegos militares y los juegos de negocios o de
un programa computacional de simulación. gestión.
Herramientas de software para simulación Lenguajes de progra- Número aleatorio Un número cuyos dígitos se seleccionan
mación diseñados especialmente para ser eficientes en el manejo completamente al azar.
de problemas de simulación. Programas de simulación preelaborados Programas gráficos
Intervalo de números aleatorios Un rango de números aleatorios que están estructurados previamente para manejar una variedad
asignados en el cual está un posible resultado de simulación. de situaciones.
* Si desea obtener una lista de productos de software para simulación, vea James J. Swain. “To Boldly Go”, OR/MS Today 36,
5 (octubre de 2009): 50-61.

Simulación Una técnica de análisis cuantitativo que implica la Simulación de sistemas Modelos de simulación relacionados
construcción de un modelo matemático que representa una con la dinámica de grandes sistemas organizacionales o
situación del mundo real. Después, se experimenta con el modelo gubernamentales.
para estimar los efectos de las diversas acciones y decisiones. Validación El proceso de comparación entre un modelo y el sistema
Simulación de Monte Carlo Simulaciones que experimentan real que representa para asegurar su exactitud.
con los elementos probabilísticos de un sistema mediante la Verificación El proceso para determinar si el modelo de compu-
generación de números aleatorios, con la finalidad de crear tadora es internamente consistente y sigue la lógica del modelo
valores para esos elementos. conceptual.
Problemas resueltos

Higgins Plumbing and Heating mantiene un inventario de calentadores de agua de 30 galones que vende e instala a
propietarios de viviendas. Al dueño, Jerry Higgins, le gusta la idea de tener una gran cantidad disponible para satis-
facer la demanda de los clientes, pero también reconoce que es caro hacerlo. Examina las ventas de calentadores de
agua en las últimas 50 semanas y observa lo siguiente:
VENTAS DE CALENTADORES NÚMERO DE SEMANAS EN LAS

DE AGUA POR SEMANA QUE SE VENDIÓ ESTA CANTIDAD
4 6
5 5
6 9
7 12
8 8
9 7
10 3
Total 50
a. Si Higgins mantiene una oferta constante de 8 calentadores de agua en cualquier semana, ¿cuántas veces en-
frentará un desabasto durante una simulación de 20 semanas? Utilizamos los números aleatorios de la séptima
columna de la tabla 13.4, comenzando con los dígitos aleatorios 10.
b. ¿Cuál es el número promedio de ventas por semana (incluyendo desabastos) durante el periodo de 20 semanas?
c. Usando una técnica analítica distinta de la simulación, ¿cuál es el número esperado de ventas por semana?
¿Cómo se compara esto con la respuesta al inciso (b)?
Solución
La variable de interés es el número de ventas por semana.
VENTAS DE INTERVALOS DE NÚMEROS

CALENTADORES PROBABILIDAD ALEATORIOS
4 0.12 01 a 12
5 0.10 13 a 22
6 0.18 23 a 40
7 0.24 41 a 64
8 0.16 65 a 80
9 0.14 81 a 94
10 0.06 95 a 00
1.00

a.
NÚMERO VENTAS NÚMERO VENTAS
SEMANA ALEATORIO SIMULADAS SEMANA ALEATORIO SIMULADAS
1 10 4 11 08 4
2 24 6 12 48 7
3 03 4 13 66 8
4 32 6 14 97 10
5 23 6 15 03 4
6 59 7 16 96 10
7 95 10 17 46 7
8 34 6 18 74 8
9 34 6 19 77 8
10 51 7 20 44 7
Con una oferta de 8 calentadores, Higgins enfrentará desabasto tres veces durante el periodo de 20 semanas
(en las semanas 7, 14 y 16).
Ventas totales 135
b. Ventas promedio por simulación = = = 6.75 por semana
20 semanas 20
c. Si se usa el valor esperado,
E(ventas) = 0.12 14 calentadores2 + 0.10 152 + 0.18 162 + 0.24 172

+ 0.16 182 + 0.14 192 + 0.06 1102
= 6.88 calentadores
Con una simulación más larga, estos dos enfoques darán lugar a valores aún más cercanos.

El gerente de un banco en Greensboro, Carolina del Norte, está tratando de determinar el número de cajeros
necesarios en las ventanillas de atención en automóvil durante las horas pico. Como política general, el gerente
quiere ofrecer un servicio al cliente tal que en promedio no exceda 2 minutos de espera. Dado el nivel de servicio
existente, como se muestra en los siguientes datos, ¿cumplen las ventanillas de atención en automóvil con este
criterio?
DATOS PARA EL TIEMPO DE SERVICIO
TIEMPO INTERVALO
DE SERVICIO PROBABILIDAD PROBABILIDAD DE NÚMEROS
(MINUTOS) (FRECUENCIA) ACUMULADA ALEATORIOS
0 0.00 0.00 (imposible)

1.0 0.25 0.25 01 a 25
2.0 0.20 0.45 26 a 45
3.0 0.40 0.85 46 a 85
4.0 0.15 1.00 86 a 00

DATOS PARA LLEGADAS DE LOS CLIENTES
TIEMPO ENTRE
LLEGADAS INTERVALO
SUCESIVAS PROBABILIDAD PROBABILIDAD DE NÚMEROS
DE CLIENTES (FRECUENCIA) ACUMULADA ALEATORIOS
0 0.10 0.10 01 a 10
1.0 0.35 0.45 11 a 45
2.0 0.25 0.70 46 a 70
3.0 0.15 0.85 71 a 85
4.0 0.10 0.95 86 a 95
5.0 0.05 1.00 96 a 00
Solución
El tiempo de espera promedio es una variable de interés.
(1) (3) (4) (6) (7) (9)

NÚMERO (2) INTERVALO HORA (5) TIEMPO INICIO (8) TIEMPO (10)
DE NÚMERO HASTA LA DE NÚMERO DE DEL FIN DEL DE TIEMPO
CLIENTE ALEATORIO LLEGADA LLEGADA ALEATORIO SERVICIO SERVICIO SERVICIO ESPERA INACTIVO
1 50 2 9:02 52 3 9:02 9:05 0 2
2 28 1 9:03 37 2 9:05 9:07 2 0
3 68 2 9:05 82 3 9:07 9:10 2 0
4 36 1 9:06 69 3 9:10 9:13 4 0
5 90 4 9:10 98 4 9:13 9:17 3 0
6 62 2 9:12 96 4 9:17 9:21 5 0
7 27 1 9:13 33 2 9:21 9:23 8 0
8 50 2 9:15 50 3 9:23 9:26 8 0
9 18 1 9:16 88 4 9:26 9:30 10 0
10 36 1 9:17 90 4 9:30 9:34 13 0
11 61 2 9:19 50 3 9:34 9:37 15 0
12 21 1 9:20 27 2 9:37 9:39 17 0
13 46 2 9:22 45 2 9:39 9:41 17 0
14 01 0 9:22 81 3 9:41 9:44 19 0
15 14 1 9:23 66 3 9:44 9:47 21 0
Lea los datos como en el siguiente ejemplo para el primer renglón:
Columna 1: Número de cliente.
Columna 2: A partir de la tercera columna de la tabla de números aleatorios 13.4.
Columna 3: Intervalo de tiempo correspondiente al número aleatorio (el número aleatorio 50 implica un intervalo de 2 minutos).
Columna 4: Si se inicia a las 9 a.m. la primera llegada es a las 9:02.
Columna 5: A partir de la primera columna de la tabla de números aleatorios 13.4.
Columna 6: El tiempo del cajero correspondiente al número aleatorio 52 es de 3 minutos.
Columna 7: El cajero está disponible y puede empezar a las 9:02.
Columna 8: El cajero completa el trabajo a las 9:05 (9:02 + 0:03).
Columna 9: El tiempo de espera para el cliente es 0 puesto que el cajero estaba disponible.
Columna 10: El tiempo de inactividad para el cajero fue de 2 minutos (de 9:00 a 09:02).
Es claro que las ventanillas para atención en automóvil no cumplen con los criterios del gerente de un tiempo de
espera promedio de 2 minutos. De hecho, podemos observar un aumento en el tamaño de la cola después de sólo
unas pocas simulaciones de clientes. Esta observación puede ser confirmada mediante cálculos del valor esperado,
en las tasas tanto de llegada como de servicio.

Autoevaluación
1. La simulación es una técnica que generalmente se reserva para 10. Al simular el experimento de Monte Carlo, la demanda
estudiar solamente los problemas más sencillos y directos. simulada promedio a largo plazo debería aproximarse a
a. Verdadero a. la demanda real.
b. Falso b. la demanda esperada.
2. Un modelo de simulación está diseñado para llegar a una sola c. la demanda muestral.
respuesta numérica específica para un problema dado. d. la demanda diaria.
a. Verdadero 11. La idea detrás de la simulación es
b. Falso a. imitar a una situación del mundo real.
3. Por lo general, la simulación requiere una familiaridad con la b. estudiar las propiedades y características de funcionamiento
estadística para evaluar los resultados. de una situación del mundo real.
a. Verdadero c. obtener conclusiones y tomar decisiones de acción con base
b. Falso en los resultados de la simulación.
4. El proceso de verificación consiste en asegurarse de que d. todo lo anterior.
a. el modelo represente adecuadamente el sistema del mundo 12. El uso de la simulación para un problema de colas sería
real. adecuado si
b. el modelo sea internamente coherente y lógico. a. la tasa de llegadas sigue una distribución de Poisson.
c. se utilicen los números aleatorios correctos. b. la tasa de servicio es constante.
d. se hayan simulado las corridas suficientes de prueba. c. se supone que la disciplina de la cola es FIFO.
5. El proceso de validación consiste en asegurarse de que d. existe una probabilidad de 10% de que una llegada se vaya
a. el modelo represente adecuadamente el sistema del mundo antes de recibir el servicio.
real. 13. Se ha desarrollado una distribución de probabilidad, y la
b. el modelo sea internamente coherente y lógico. probabilidad de 2 llegadas en la próxima hora es 0.20. Se desea
c. se utilicen los números aleatorios correctos. asignar un intervalo de números aleatorios a esto. ¿Cuál de los
d. se hayan simulado las corridas suficientes de prueba. siguientes no sería un intervalo apropiado?
6. ¿Cuál de las siguientes es una ventaja de la simulación? a. 01-20
a. Permite la compresión de tiempo. b. 21-40
b. Siempre es relativamente simple y barata. c. 00-20
c. Los resultados suelen ser transferibles a otros problemas. d. 00-19
d. Siempre encontrará la solución óptima a un problema. e. Todos los anteriores serían apropiados.
7. ¿Cuál de las siguientes es una desventaja de la simulación? 14. En una simulación de Monte Carlo, una variable que
a. Es barata incluso para los problemas más complejos. querríamos simular es
b. Siempre genera la solución óptima a un problema. a. tiempos de espera hasta que lleguen los pedidos de
c. Los resultados suelen ser transferibles a otros problemas. inventario.
d. Los administradores deben determinar todas las condiciones b. tiempos entre averías de una máquina.
y restricciones para las soluciones que desean examinar. c. tiempos entre llegadas a una instalación de servicio.
8. Un meteorólogo simulaba el número de días que podría haber d. número de empleados ausentes del trabajo cada día.
lluvia en un mes. Se usó el intervalo de números aleatorios de e. todo lo anterior.
01 a 30 para indicar que habría lluvia en un día determinado, y 15. Use los siguientes números aleatorios para simular respuestas
el intervalo de 31 a 00 indicaba que no habría lluvia. ¿Cuál es del tipo sí o no a 10 preguntas, comenzando en el primer
la probabilidad de que llueva en un día específico? renglón y considerando que
a. 0.30 a. los números de dos dígitos de 00 a 49 representan sí, y de
b. 0.31 50 a 99 representan no.
c. 1.00 b. los números pares de doble dígito representan sí, y los
d. 0.70 números impares representan no.
9. La simulación debe considerarse una técnica para Números aleatorios: 52 06 50 88 53 30 10 47 99 37 66 91 35
a. dar respuestas numéricas concretas. 32 00 84 57 00
b. aumentar la comprensión de un problema.
c. proporcionar soluciones rápidas a problemas relativamente
simples.
d. dar soluciones óptimas a problemas complejos.


Preguntas para análisis complejo de apartamentos en el lado este de Nueva Or-
13-1 ¿Cuáles son las ventajas y las limitaciones de los modelos leans. George Clark está especialmente preocupado por
de simulación? las proyecciones de costos para la sustitución de com-
presores de aire acondicionado. A él le gustaría simular
13-2 ¿Por qué un administrador puede verse obligado a utilizar
el número de fallas de compresor cada año, durante los
la simulación en vez de un modelo analítico para abordar
próximos 20 años. Utilizando datos de un edificio de apar-
un problema de
tamentos similar que administra en un suburbio de Nueva
(a) políticas de pedidos de inventario?
Orleans, Clark establece una tabla de frecuencia relativa
(b) buques que atracan en un puerto para descargar?
de fallas durante un año, como se muestra en la siguiente
(c) ventanillas de atención al público en un banco?
tabla:
(d) la economía de Estados Unidos?
13-3 ¿Qué tipos de problemas de gestión se pueden resolver
NÚMERO DE FALLAS PROBABILIDAD
más fácilmente con técnicas de análisis cuantitativo distin-
EN COMPRESOR DE A.A. (FRECUENCIA RELATIVA)
tas de la simulación?
13-4 ¿Cuáles son los principales pasos en el proceso de 0 0.06
simulación? 1 0.13
13-5 ¿Qué es la simulación de Monte Carlo? ¿Qué princi- 2 0.25
pios fundamentales utiliza, y qué pasos se siguen en su
aplicación? 3 0.28
13-6 Liste tres maneras en las que es posible generar números 4 0.20
aleatorios para su uso en una simulación. 5 0.07
13-7 Comente los conceptos de verificación y validación en la 6 0.01
simulación.
13-8 Dé dos ejemplos de variables aleatorias que serían conti- Él decide simular el periodo de 20 años mediante la se-
nuas y dé dos ejemplos de variables aleatorias que serían lección de números aleatorios de dos dígitos en la tercera
discretas. columna de la tabla 13.4, comenzando con el número
13-9 En la simulación de una política de pedidos de taladros aleatorio 50.
en la ferretería Simkin, ¿cambiarían significativamente Realice la simulación de Clark. ¿Es común que tenga
los resultados (tabla 13.8) si se simulara un periodo más tres o más años consecutivos de operación con dos o me-
largo? ¿Por qué la simulación de 10 días es válida o nos fallas de compresor por año?
inválida? 13-15 Se observa que el número de automóviles que llegan cada
13-10 ¿Por qué es necesaria una computadora para realizar una hora al Lundberg’s Car Wash durante las últimas 200 ho-
simulación del mundo real? ras de operación es:
13-11 ¿Qué son los juegos operativos? ¿Qué es la simulación de
sistemas? Dé ejemplos de cómo se puede aplicar cada uno NÚMERO DE AUTOS QUE LLEGAN FRECUENCIA
de ellos. 3 o menos 0
13-12 ¿Cree usted que la aplicación de la simulación aumentará
4 20
considerablemente en los próximos 10 años? ¿Por qué?
13-13 Liste cinco herramientas de software de simulación que 5 30
estén disponibles en la actualidad. 6 50
7 60
Problemas*
8 40
Los siguientes problemas implican simulaciones que deben realizarse
9 o más 0
manualmente. Como usted sabe, para obtener resultados precisos y
significativos, es necesario simular periodos largos. Esto suele mane- Total 200
jarse en una computadora. Si usted es capaz de programar algunos de
los problemas usando una hoja de cálculo, o QM para Windows, le (a) Establezca una distribución de probabilidad y de pro-
sugerimos intentarlo. Si no es así, incluso las simulaciones manuales babilidad acumulada para la variable de las llegadas
le ayudarán a comprender el proceso de simulación. de automóviles.
13-14 Clark Property Management es responsable del man- (b) Establezca intervalos de números aleatorios para la
tenimiento, el alquiler y la operación diaria de un gran variable.
*

(c) Simule 15 horas de llegadas de automóviles y calcule izquierda de la fila inferior de la tabla 13.4, para gene-
el número promedio de llegadas por hora. Seleccione rar las llegadas del día y, a partir de la penúltima fila
los números aleatorios necesarios de la primera co- de esa misma tabla, para generar las tasas de descarga
lumna de la tabla 13.4, comenzando con los dígitos 52. diarias.
13-16 Calcule el número esperado de vehículos que llegan en (b) ¿Cómo son estos resultados simulados en compara-
el problema 13-15, usando la fórmula del valor espe- ción con los obtenidos en el desarrollo del capítulo?
rado. Compare esto con los resultados obtenidos en la 13-19 Cada partido de fútbol americano jugado como local, du-
simulación. rante los últimos ocho años, en la Eastern State University
13-17 En relación con los datos del problema resuelto 13-1, que ha tenido las tribunas completamente llenas. Los ingre-
trata sobre Higgins Plumbing and Heating, Higgins ahora sos procedentes de la venta de boletos son significativos,
ha recabado 100 semanas de datos y encuentra la siguiente pero la venta de alimentos, bebidas y artículos alusivos ha
distribución de ventas: contribuido en gran medida a la rentabilidad general del
programa de fútbol. Un artículo especial es el programa
VENTAS DE NÚMERO DE de fútbol para cada partido. El número de programas ven-
CALENTADORES SEMANAS QUE didos en cada partido se describe mediante la siguiente
DE AGUA POR SE VENDIÓ ESTA distribución de probabilidad:
SEMANA CANTIDAD
CIENTOS DE PROGRAMAS
3 2 VENDIDOS PROBABILIDAD
4 9
23 0.15
5 10
24 0.22
6 15
25 0.24
7 25
26 0.21
8 12
27 0.18
9 12
10 10 Históricamente, Eastern nunca ha vendido menos de 2,300
programas o más de 2,700 programas en un solo partido.
11 5
La producción de cada programa cuesta $0.80 y se vende
(a) Vuelva a simular el número de desabastos ocurri- a $2.00. Los programas que no se venden son donados a
dos durante un periodo de 20 semanas (suponiendo un centro de reciclaje y no generan ningún ingreso.
que Higgins mantiene una oferta constante de 8 (a) Simule las ventas de programas en 10 partidos de fút-
calentadores). bol. Utilice la última columna de la tabla de números
(b) Realice esta simulación de 20 semanas dos veces aleatorios (tabla 13.4) y comience en la parte superior
más y compare sus respuestas con las del inciso (a). de la columna.
¿Cambiaron de manera significativa? ¿Por qué? (b) Si la Universidad decide imprimir 2,500 programas
(c) ¿Cuál es el nuevo número de ventas esperado por para cada partido, ¿cuáles serían las utilidades prome-
semana? dio para los 10 partidos simulados en el inciso (a)?
(c) Si la universidad decide imprimir 2,600 programas
13-18 Un aumento en el tamaño del personal para descargar bar-
para cada partido, ¿cuáles serían las utilidades prome-
cazas en el puerto de Nueva Orleans (vea la sección 13.5)
dio para los 10 partidos simulados en el inciso (a)?
ha dado lugar a una nueva distribución de probabilidad de
las tasas de descarga diarias. En particular, la tabla 13.10 13-20 Consulte el problema 13-19. Suponga que la venta de pro-
se ha modificado de la manera mostrada aquí: gramas de fútbol descrita por la distribución de probabi-
lidad en ese problema sólo se aplica a los días en que el
TASA DE DESACARGA DIARIA PROBABILIDAD clima es bueno. Cuando se presenta mal tiempo en el día
de un partido de fútbol americano, las tribunas se llenan
1 0.03 sólo a la mitad de su capacidad. Cuando esto ocurre, las
2 0.12 ventas de programas disminuyen, y las ventas totales son
como se muestra en la siguiente tabla:
3 0.40
4 0.28 CIENTOS DE PROGRAMAS
5 0.12 VENDIDOS PROBABILIDAD
6 0.05 12 0.25
13 0.24
(a) Simule de nuevo 15 días de descargas de barcazas
y calcule el número promedio de barcazas retrasa- 14 0.19
das, el número promedio de llegadas nocturnas y el 15 0.17
número promedio de barcazas descargadas cada día. 16 0.15
Extraiga números aleatorios a partir del valor más a la

Los programas deben imprimirse dos días antes del día del con una en la que ordena 12 taladros, con un punto de re-
partido. La universidad intenta establecer una política para orden de 6. Realice una simulación de 10 días para esta
determinar el número de programas a imprimir de acuerdo estrategia y analice sus implicaciones en los costos.
con el pronóstico del clima. 13-24 Dibuje un diagrama de flujo para representar la lógica
(a) Si el pronóstico es de 20% de posibilidades de mal y los pasos de simulación de las llegadas de barcazas y
tiempo, simule el clima durante 10 partidos con esta descargas en el puerto de Nueva Orleans (vea la sección
previsión. Use la columna 4 de la tabla 13.4. 13.5). Para repasar el tema de los diagramas de flujo, con-
(b) Simule la demanda de programas en 10 partidos en sulte la figura 13.3.
los que el clima sea malo. Use la columna 5 de la 13-25 Stephanie Robbins es la analista de gestión asignada por
tabla de números aleatorios (tabla 13.4) y comience la compañía Three Hills Power para simular los costos de
con el primer número de la columna.
mantenimiento. En la sección 13.6 se describe la simu-
(c) Con base en 20% de posibilidades de mal tiempo y
lación de averías de 15 generadores y los tiempos de repa-
80% de posibilidades de buen tiempo, desarrolle un
ración requeridos cuando hay un reparador en servicio por
diagrama de flujo que pueda usarse para preparar una
turno. El costo total de mantenimiento simulado para el
simulación de la demanda de programas de fútbol
sistema actual es de $4,320.
americano durante 10 partidos.
(d) Suponga que hay 20% de posibilidades de mal tiempo, Ahora, Robbins desea examinar la relación costo-efi-
y que la universidad ha decidido imprimir 2,500 pro- cacia al agregar un trabajador más por turno. Cada nuevo
gramas. Simule las utilidades totales que se lograrían reparador recibiría $30 por hora, la misma tarifa que se le
durante 10 partidos de fútbol americano. paga al primero. El costo por hora de avería sigue siendo
de $75. Robbins hace un supuesto fundamental al iniciar:
13-21 Dumoor Appliance Center vende y da servicio a varias
que los tiempos de reparación con dos trabajadores serán
marcas de electrodomésticos grandes. Las ventas pasa-
exactamente la mitad de los tiempos requeridos con sólo
das para un determinado modelo de refrigerador han dado
un reparador de guardia por turno. De este modo, la tabla
como resultado la siguiente distribución de probabilidad
13.13 se puede reformular de la siguiente manera:
de la demanda:
DEMANDA POR SEMANA 0 1 2 3 4 TIEMPO DE REPARACIÓN REQUERIDO

(HORAS) PROBABILIDAD
Probabilidad 0.20 0.40 0.20 0.15 0.05
0.5 0.28
El tiempo de entrega, en semanas, se describe mediante la 1 0.52
siguiente distribución: 1.5 0.20
1.00
PLAZO DE ENTREGA (SEMANAS) 1 2 3
Probabilidad 0.15 0.35 0.50 (a) Simule este cambio propuesto al sistema de mante-
nimiento durante un periodo de descompostura de 15
Con base en las consideraciones de costo, así como del generadores. Seleccione los números aleatorios ne-
espacio de almacenamiento, la compañía ha decidido or- cesarios para el tiempo entre averías, a partir del pe-
denar 10 refrigeradores cada vez que hace un pedido. El núltimo renglón de la tabla 13.4 (comenzando con los
costo por conservar inventario es de $1 por semana por dígitos 69). Seleccione los números aleatorios para
cada unidad que se deja en inventario al final de la se- los tiempos de reparación de los generadores a partir
mana. El costo de desabasto se ha fijado en $40 por falta del último renglón de la tabla (comenzando en 37).
de existencias. La compañía ha decidido realizar un pe- (b) ¿Debería Three Hills añadir un segundo reparador
dido cada vez que haya sólo dos refrigeradores al final de cada turno?
la semana. Simule 10 semanas de operación para Dumoor 13-26 La División de Aviones Brennan de TLN Enterprises
Appliance suponiendo que en la actualidad hay 5 unidades opera un gran número de máquinas de plotter compu-
en inventario. Determine cuál sería el costo de desabasto tarizado. En su mayor parte, los dispositivos de trazado
semanal y el costo de almacenamiento por semana para se utilizan para crear dibujos lineales complejos de las di-
este problema. mensiones de fuselajes y las superficies de sustentación de
13-22 Repita la simulación del problema 13-21, suponiendo que las alas. Los ingenieros que operan los plotter automatiza-
el punto de reorden es de 4 unidades en vez de 2. Compare dos se denominan ingenieros de ploteo.
los costos de estas dos situaciones. Los plotter computarizados consisten en un sistema
13-23 La ferretería Simkin simuló una política de pedidos para en minicomputadora conectado a una mesa plana de 4
el inventario de taladros eléctricos Ace que implicaba una por 5 pies, con una serie de plumas de tinta suspendi-
cantidad de pedido de 10 taladros con un punto de reorden das encima de ésta. Cuando se coloca correctamente una
de 5. El primer intento por desarrollar una estrategia de hoja de plástico transparente o de papel en la tabla, la
pedidos rentable se ilustra en la tabla 13.8. La breve simu- computadora dirige una serie de movimientos horizonta-
lación resultó en un costo total de inventario diario de les y verticales de las plumas hasta que se traza la figura
$4.72. A Simkin le gustaría ahora comparar esta estrategia deseada.

Las máquinas de plotter son muy confiables, con de su hora programada. En la siguiente tabla, se muestra
excepción de las cuatro sofisticadas plumas de tinta que su agenda para el 20 de octubre.
incluyen. Éstas se obstruyen y atascan constantemente
en una posición elevada o inferior. Cuando ello ocurre, el PACIENTE PROGRAMADO TIEMPO NECESARIO
plotter queda inutilizable. Y HORA ESPERADO
En la actualidad, Brennan reemplaza cada pluma en Adams 9:30 a.m. 15
cuanto falla. Sin embargo, el gerente de servicio ha pro-
puesto sustituir las cuatro plumas cada vez que una falle. Brown 9:45 a.m. 20
Esto debería reducir la frecuencia de fallas del plotter. Crawford 10:15 a.m. 15
Actualmente, se requiere una hora para reemplazar una Dannon 10:30 a.m. 10
pluma. Las cuatro plumas podrían sustituirse en dos horas.
El costo total de un plotter inutilizable es de $50 por hora. Erving 10:45 a.m. 30
Cada pluma cuesta $8. Fink 11:15 a.m. 15
Si sólo se sustituye una pluma cada vez que ocurre Graham 11:30 a.m. 20
una obstrucción o un atasco, se considera que los siguien-
Hinkel 11:45 a.m. 15
tes datos son válidos:
Por desgracia, no todos los pacientes llegan a la hora pre-
HORAS ENTRE FALLAS DEL PLOTTER SI vista, y los tiempos esperados para examinar a los pacientes
SE SUSTITUYE UNA PLUMA DURANTE son sólo eso: esperados. Algunos exámenes requieren más
UNA REPARACIÓN PROBABILIDAD tiempo de lo esperado, y algunos toman menos tiempo.
10 0.05 La experiencia de Greenberg dicta la siguiente:
20 0.15 (a) 20% de los pacientes llegarán con 20 minutos de
30 0.15 antelación.
(b) 10% de los pacientes llegarán con 10 minutos de
40 0.20
antelación.
50 0.20 (c) 40% de los pacientes llegarán a tiempo.
60 0.15 (d) 25% de los pacientes llegarán con 10 minutos de
retraso.
70 0.10
(e) 5% de los pacientes llegarán con 20 minutos de
retraso.
Con base en las estimaciones del gerente de servicio, si Además estima que
se reemplazan las cuatro plumas cada vez que falla una
(a) 15% de las veces terminará en 20% menos tiempo de
de ellas, la distribución de probabilidad entre fallas es la
lo esperado.
siguiente:
(b) 50% de las veces terminará en el tiempo esperado.
(c) 25% de las veces terminará en 20% más tiempo de lo
HORAS ENTRE FALLAS DEL PLOTTER esperado.
SI SE SUSTITUYEN LAS CUATRO (d) 10% de las veces terminará en 40% más de tiempo de
PLUMAS DURANTE UNA REPARACIÓN PROBABILIDAD lo esperado.
100 0.15 El Dr. Greenberg debe salir a las 12:15 p.m. el 20 de oc-
tubre para tomar un vuelo hacia una convención dental en
110 0.25
Nueva York. Suponiendo que está listo para iniciar su jor-
120 0.35 nada laboral a las 9:30 a.m. y que los pacientes son aten-
130 0.20 didos en el orden de su examen programado (incluso si
140 0.00 un paciente retrasado llega después que uno adelantado),
¿será capaz de tomar el vuelo? Comente esta simulación.
13-28 La corporación Pelnor es el fabricante de lavadoras de
(a) Simule problema de los aviones Brennan y determine
tamaño industrial más grande en el país. Un componente
la mejor política. ¿Debería la empresa sustituir una
principal en el proceso de producción son hojas de acero
pluma o las cuatro plumas del plotter cada vez que se
inoxidable de 8 por 10 pies. El acero se utiliza en los tam-
produce una falla?
bores interiores de lavado y en las cubiertas exteriores.
(b) Desarrolle un segundo enfoque para resolver este pro-
blema, ahora sin simulación. Compare los resultados. El acero se compra semanalmente de acuerdo con un
¿Cómo se afecta la decisión de la política de Brennan contrato con la fundidora Smith-Layton que, debido a la
usando simulación? disponibilidad limitada y a los tamaños de lote, puede en-
viar 8,000 o bien 11,000 pies cuadrados de acero inoxidable
13-27 El Dr. Mark Greenberg practica la odontología en Topeka, cada semana. Cuando Pelnor hace su pedido semanal, hay
Kansas. Greenberg se esfuerza en programar sus citas 45% de probabilidad de que lleguen 8,000 pies cuadrados
de modo que los pacientes no tengan que esperar después y 55% de posibilidades de recibir el pedido de mayor tamaño.

Pelnor utiliza el acero inoxidable sobre una base es- Las probabilidades de que un paciente vaya de un de-
tocástica (no constante). Las probabilidades de demanda partamento a otro se presentan en la siguiente tabla:
cada semana son las siguientes: (a) Simule la trayectoria seguida por 10 pacientes de la
sala de emergencias. Proceda con un paciente a la vez,
ACERO NECESARIO POR SEMANA (PIE2) PROBABILIDAD desde su entrada a la estación de examen inicial hasta
su salida a través del departamento de altas. Tenga en
6,000 0.05 cuenta que un paciente puede entrar al mismo depar-
7,000 0.15 tamento más de una vez.
8,000 0.20 (b) Uso sus datos de simulación, ¿cuáles son las posibili-
dades de que un paciente entre en el departamento de
9,000 0.30
rayos x dos veces?
10,000 0.20 13-30 La gerencia del First Syracuse Bank está preocupada por
11,000 0.10 la pérdida de clientes en su oficina matriz del centro de la
ciudad. Una solución que se ha propuesto es agregar una
Pelnor tiene la capacidad de almacenar no más de 25,000 o más estaciones de servicio en automóvil para que sea
pies cuadrados de acero en cualquier momento. Debido al más fácil para los clientes obtener un servicio rápido y sin
contrato, los pedidos tienen que realizarse cada semana, necesidad de estacionarse. Chris Carlson, el presidente del
independientemente del suministro disponible. banco, cree que sólo debería arriesgar el costo de instalar
una estación de servicio en automóvil. Su personal le in-
(a) Simule las llegadas de los pedidos de acero inoxidable y
forma que el costo (amortizado durante un periodo de 20
su uso durante 20 semanas. (Comience la primera se-
años) por la construcción de una estación de este tipo es
mana con un inventario inicial de 0 acero inoxidable). Si
de $12,000 al año. Cada nueva ventanilla también cuesta
algún inventario de fin de semana es negativo, supon-
$16,000 anuales por los salarios y las prestaciones del
ga que pueden hacerse pedidos de respaldo y satisfaga
personal.
la demanda con el siguiente pedido que llegue.
(b) ¿Debería Pelnor añadir más área de almacenamiento? Por otro lado, el director de análisis de gestión,
Si es así, ¿cuánta? Si no es así, comente la situación Beth Shader, cree que los siguientes dos factores estimu-
del sistema. lan la construcción inmediata de dos estaciones de servi-
cio en automóvil. De acuerdo con un reciente artículo en
13-29 El Hospital General de Milwaukee dispone de una sala de la revista Banking Research, los clientes que esperan en
emergencias que se divide en seis departamentos: 1. la es- largas filas por el servicio de cajero en automóvil costa-
tación de evaluación inicial, para tratar problemas meno- rán a los bancos un promedio de $1 por minuto debido
res o hacer diagnósticos; 2. un departamento de rayos X; a la pérdida de la buena imagen. Además, la adición de
3. una sala de operaciones; 4. una sala postoperatoria; 5. una segunda estación de servicio en automóvil costará
una sala de recuperación y observación general antes de los $16,000 en la dotación de personal, pero los costos de
diagnósticos finales o el alta médica, y 6. un departamento construcción amortizados se pueden reducir hasta un to-
procesamiento de altas, donde los empleados revisan a los tal de $20,000 anuales, si se instalan dos estaciones en
pacientes y procesan las formas de pago o de los seguros. lugar una. Para completar su análisis, Shader recopiló las
Tabla para el DE A PROBABILIDAD

problema 13-29
Examen inicial a la entrada de la sala de emergencias Departamento de rayos X 0.45
Sala de operaciones 0.15
Sala de observación 0.10
Departamento de altas 0.30
Departamento de rayos X Sala de operaciones 0.10
Sala postoperatoria 0.25
Sala de operaciones Sala postoperatoria 0.25
Sala postoperatoria Sala de observación 0.55
Departamento de rayos X 0.05
Sala de observación Sala de operaciones 0.15
Departamento de rayos X 0.15

tasas de llegada y de servicio durante un mes en las esta-

ANÁLISIS DE OBSERVACIONES 2: TIEMPOS DE SERVICIO
ciones de servicio en automóvil, de un banco competidor
AL CLIENTE PARA 1,000 CLIENTES
ubicado en el centro de la ciudad. Los datos se muestran
como los análisis de observaciones 1 y 2 en las tablas TIEMPO DE SERVICIO
siguientes. (MINUTOS) NÚMERO DE OCURRENCIAS
(a) Simule un periodo de tiempo de 1 hora, de 1 a 2 p.m., 1 100
para una sola estación de servicio en automóvil. 2 150
(b) Simule un periodo de tiempo de 1 hora, de 1 a 2 p.m.,
para una sola fila de gente esperando al próximo 3 350
cajero disponible en un sistema de dos estaciones 4 150
de servicio en automóvil. 5 150
(c) Realice un análisis de costos de las dos opciones.
Suponga que el banco está abierto 7 horas al día y 6 100
200 días al año.
ANÁLISIS DE OBSERVACIONES 1: TIEMPOS ENTRE

LLEGADAS PARA 1,000 OBSERVACIONES
TIEMPO ENTRE
LLEGADAS (MINUTOS) NÚMERO DE OCURRENCIAS
1 200
2 250
3 300
4 150
5 100
Estudio de caso
Alabama Airlines
Alabama Airlines abrió sus puertas en junio de 1995 como un ser- tiempo necesario para procesar las solicitudes de los pasajeros se dis-
vicio de viajes cortos, con su sede principal y único centro situado tribuye como se muestra en la tabla 13.16.
en Birmingham. Como un producto de la desregulación de las aerolí- Todos los clientes que llaman a Alabama Air esperan y son aten-
neas, Alabama Air se unió al creciente número de aerolíneas exitosas didos en el orden en que llegan las llamadas, a menos que el agente
de corto recorrido, incluidas Lone Star, Comair, Atlantic Southeast,
Skywest y Business Express. TABLA 13.15 Distribución de llamadas entrantes
Alabama Air fue fundada y es administrada por dos antiguos pi-
lotos, David Douglas (que perteneció a la desaparecida Eastern Air- TIEMPO ENTRE
lines) y Savas Ozatalay (anteriormente con Pan Am). Adquirió una LLAMADAS (MINUTOS) PROBABILIDAD
flota de 12 aviones usados de propulsión a chorro y las puertas de
aeropuerto desocupadas por la reducción del tamaño de Delta Air Li- 1 0.11
nes en 1994. 2 0.21
Con el negocio creciendo rápidamente, Douglas volvió su aten- 3 0.22
ción al sistema de reservaciones gratuitas de Alabama Air. Entre la
medianoche y las 6:00 a.m. sólo había disponible un agente de reser- 4 0.20
vaciones por teléfono. El tiempo entre las llamadas entrantes durante 5 0.16
este periodo se distribuía como se indica en la tabla 13.15. Douglas
6 0.10
observó y cronometró cuidadosamente al agente y estimó que el

ESTUDIO DE CASO 505
TABLA 13.16 Distribución del tiempo de servicio TABLA 13.17 Distribución de lamadas entrantes
TIEMPO PARA PROCESAR TIEMPO ENTRE LLAMADAS

LA SOLICITUD DEL CLIENTE (MINUTOS) PROBABILIDAD
(MINUTOS) PROBABILIDAD
1 0.22
1 0.20
2 0.25
2 0.19
3 0.19
3 0.18
4 0.15
4 0.17
5 0.12
5 0.13
6 0.07
6 0.10
7 0.03
de reservaciones esté disponible para dar un servicio inmediato. Dou- Preguntas para análisis
glas está decidiendo si debe contratar a un segundo agente para hacer
1. ¿Qué acción le aconsejaría a Alabama Air con el sistema actual
frente a la demanda de los clientes. Con el propósito de mantener la
de reservaciones basado en la distribución original de llamadas?
satisfacción del cliente, Alabama Air no quiere que un cliente espere
Cree un modelo de simulación para investigar el escenario. Des-
más de 3 a 4 minutos y también quiere mantener una “alta” utilización
de los agentes. criba el modelo cuidadosamente y justifique la duración de la
Asimismo, la aerolínea planea una nueva campaña de publicidad simulación, los supuestos y las medidas de desempeño.
en televisión. Como resultado, se espera un incremento en las consul- 2. ¿Cuáles son sus recomendaciones con respecto a la utilización
tas gratuitas por teléfono. Con base en campañas similares realizadas del operador y la satisfacción del cliente, si la aerolínea procede
en el pasado, se espera que la entrada de llamadas desde medianoche con la campaña de publicidad?
hasta las 6 a.m. sea como se muestra en la tabla 13.17. (Se aplicará la
misma distribución del tiempo de servicio). Fuente: Profesor Zbigniew H. Przasnyski, Loyola Marymount University.
Estudio de caso
Corporación Statewide Development
La corporación Statewide Development ha construido un gran com-
TIEMPO ENTRE LLAMADAS
plejo de apartamentos en Gainesville, Florida. Como parte de la es-
trategia de marketing que ha desarrollado, centrada en los estudiantes,
hace constar que si se experimentan problemas con la fontanería o el 30 0.15
aire acondicionado, una persona de mantenimiento comenzará a tra- 60 0.30
bajar en el problema en un periodo de una hora. Si el inquilino tiene
que esperar más de una hora para que el reparador llegue, se hará 90 0.30
una deducción de $10 de la renta mensual por cada hora adicional de 120 0.25
tiempo en espera. Un contestador automático tomará las llamadas y
registrará la hora de la llamada, si la persona de mantenimiento está El tiempo necesario para completar una llamada de servicio varía se-
ocupada. La experiencia del pasado en otros complejos ha demostrado gún la dificultad del problema. Las piezas necesarias para la mayoría
que los días entre semana cuando la mayoría de los ocupantes están de las reparaciones se mantienen en un cuarto de almacenamiento en
en la escuela, hay poca dificultad para cumplir con la garantía de una el complejo. Sin embargo, para ciertos tipos de problemas inusuales,
hora. Sin embargo, se observa que los fines de semana han sido pares necesario hacer un viaje a una tienda de materiales local. Si una
ticularmente problemáticos durante los meses de verano. pieza está disponible en el complejo, la persona de mantenimiento ter-
Un estudio del número de llamadas a la oficina los fines de se- mina un trabajo antes de verificar la siguiente queja. Si la pieza no se
mana, en relación con problemas del aire acondicionado y la fontane- encuentra disponible en el complejo y se ha recibido otra llamada, la
ría, ha dado como resultado la siguiente distribución: persona de mantenimiento se detendrá en el otro apartamento(s) antes

de ir a la tienda de materiales. Se requiere aproximadamente una hora aproximadamente una hora para instalar la nueva pieza. Si se registra
en llegar al establecimiento, recoger la pieza y volver al complejo de alguna llamada nueva mientras la persona de mantenimiento se en-
apartamentos. Los registros anteriores indican que, aproximadamente cuentra recogiendo una nueva pieza, estas nuevas llamadas esperarán
en el 10% de todas las llamadas, es necesario hacer un viaje a la tienda hasta que la pieza nueva haya sido instalada.
de materiales. El costo del salario y las prestaciones de una persona de mante-
El tiempo necesario para resolver un problema si la pieza se en- nimiento es de $20 por hora. La administración desea determinar si
cuentra disponible en el complejo varía de acuerdo con lo siguiente: es necesario que los fines de semana trabajen dos personas de mante-
nimiento en lugar de sólo una. Se puede suponer que cada una de las
TIEMPO DE REPARACIÓN personas trabaja a la misma velocidad.
30 0.45 Preguntas para análisis

60 0.30 1. Use la simulación para ayudarse a analizar este problema. Indi-
que cualquier supuesto que usted haga sobre esta situación para
90 0.20
ayudar a aclarar el problema.
120 0.05 2. En un día típico de fin de semana, ¿cuántos inquilinos tendrían
que esperar más de una hora, y qué cantidad de dinero tendría la
Se requieren aproximadamente 30 minutos para diagnosticar pro- empresa que descontar a estos inquilinos?
blemas difíciles para los que no hay piezas en el complejo. Una vez
que se ha obtenido la pieza en una tienda de materiales, se necesita
Estudio de caso
FB Badpoore Aerospace
FB Badpoore Aeroespace fabrica discos de freno de carbono para los Se dice que la cubierta del horno está totalmente cargada cuando los
aviones más grandes, con una propiedad “de tejido en cruz” de las 12 hornos están procesando discos.
fibras de carbono. Los discos de freno tienen 4 pies de diámetro, pero La carga y descarga de discos es un proceso laborioso que re-
pesan mucho menos que los discos de freno convencionales hechos de quiere una coordinación de alto nivel de las tres grúas de puente. La
cerámica, lo que los hace atractivos para los fabricantes de aviones, grúa de puente Alfa (BC-A) da servicio al área de entrada, hornos A,
así como para las aerolíneas comerciales. B, K, L, así como al área de salida donde se almacenan los discos
El procesamiento de los discos en FB Badpoore requiere el trata- cuando han terminado de procesarse en los 12 hornos. La grúa de
miento térmico de los discos en una secuencia de 12 hornos eléctricos puente Beta (BC-B) da servicio a los hornos C, D, I y J, mientras
de alta presión, de grado industrial (simplemente llamados horno A, que la grúa de puente Gamma (BC-G) da servicio a los hornos E, F,
horno B, horno C, ..., horno L). Cada uno de estos hornos se alimenta G y H. Cuando los discos viajan dentro de un área de servicio, son
con una mezcla patentada de productos químicos. Todos los discos de movidos por la grúa asignada a esa área. Cuando los discos tienen que
freno visitan cada uno de los 12 hornos en el mismo orden, del horno viajar entre las áreas de servicio, se depositan primero en una zona
A al horno L. Esta docena de hornos sigue su propio conjunto muy de espera antes de ser trasladados a la siguiente área de servicio. Por
específico de perfiles de temperatura y de presión simultáneos. Un ejemplo, los discos que se movilizan del horno D al horno E son des-
ejemplo de uno de estos perfiles se representa en la figura 13.6. Todos cargados del horno D por BC-B, que los deposita en la zona de espera.
los perfiles tienen 12 horas de duración. Después BC-G los recoge y los carga en el horno E (ya vacío).
Los 12 hornos se cargan hasta su límite. Además, cada uno de Debido a las restricciones de energía de la empresa local de ser-
ellos tiene una forma cilíndrica, de 15 pies de diámetro y 10 pies vicios públicos de electricidad, todo el procesamiento en los hornos
de profundidad. Están dispuestos en un arreglo parecido a un “car- debe ser realizado por la noche, de 8:00 p.m. a 10:00 a.m. diariamente.
tón de huevos” (seis de un lado y seis del otro), cargados y descar- Esto, a su vez, requiere que todas las operaciones de carga y descarga
gados a través de su parte superior redonda mediante tres grúas de se deban realizar durante el día. De hecho, el turno principal es de
puente con 10 toneladas de capacidad, las cuales se ubican en una 1:00 p.m. (lo cual permite que los discos se enfríen después del pro-
parte de la fábrica conocida como la cubierta del horno. cesamiento y antes de la descarga) a 9:00 p.m. (lo cual permite que
Cada horno puede procesar siete pilas de 20 discos a la vez. Esto el turno termine poniendo en marcha los 12 hornos después de las
equivale a un tamaño de lote de 140 discos. Cada lote se carga en un 8:00 p.m.).
estante cerámico que es robusto, redondo y tiene 14 pies de diámetro.

ESTUDIO DE CASO 507
FIGURA 13.6
Ejemplo del perfil de
temperatura y presión
Presión (kPa)
Temperatura (C°)
12 horas
Cada horno tiene una tasa de producción conocida sin variación notable de acuerdo con lo siguiente:
HORNO A B C D E F G H I J K L
Producción 0.95 0.975 0.975 0.975 0.975 0.975 0.975 0.995 0.995 0.995 0.995 0.999
Es decir, uno de cada 20 lotes falla en el horno A y debe ser incorporando la función generadora de números aleatorios, RAND().
desechado, mientras que sólo uno de cada 1,000 falla en el horno L. Comience su simulación con una cubierta del horno a plena carga.
Como era de esperarse, las fallas del proceso por lotes en las pri-
meras estaciones son muy perjudiciales para las operaciones poste- Preguntas para análisis
riores. Con la actual política de trabajo “cero en cola”, la eliminación 1. Determine y comente la producción total (el número de lotes
de lotes hace que los hornos al final del proceso estén fuera de uso, que recorren todo el camino hasta el horno L, dividido entre el
mientras esperan la llegada de lotes buenos provenientes de las pri- número de lotes que inician en el horno A) de frenos de disco en
meras operaciones. FB Badpoore.
Diseñe, construya y ejecute un modelo de simulación de 1,000 2. Determine la utilización del horno L.
días del sistema descrito anteriormente. Para ello, utilice Excel 3. Sugiera mejoras al sistema.
Visite nuestra página en Internet, www.pearsonenespañol.com/render y consulte estos estudios de caso

adicionales:
(1) Compañía Abjar Transport: Este caso se refiere a una compañía de camiones en Arabia Saudita.
(2) Biales Waste Disposal: Se utiliza la simulación para ayudar a una empresa alemana a evaluar la ren-
tabilidad de un cliente en Italia.
(3) Buffalo Alkali and Plastics: Este caso se refiere a la determinación de una buena política de mante-
nimiento en una planta de sosa comercial.

Bibliografía
Banks, Jerry, John S. Carson, Barry L. Nelson y David M. Nicol. Discrete-Event Melão, N. y M. Pidd. “Use of Business Process Simulation: A Survey of Practitio-
System Simulation, 4a. ed. Upper Saddle River, NJ: Prentice Hall, 2005. ners”, Journal of the Operational Research Society 54, 1 (2003): 2-10.
Evans, J. R. y D. L. Olson. Introduction to Simulation and Risk Analysis, 2a. ed. Metropolis, N. y S. Ulam. “The Monte Carlo Method”, Journal of American
Upper Saddle River, NJ: Prentice Hall, 2002. Statistical Association 44, 247 (1949): 335-341.
Fishman, G. S. y V. G. Kulkarni. “Improving Monte Carlo Efficiency by Increas- Pegden, C. D., R. E. Shannon y R. P. Sadowski. Introduction to Simulation Using
ing Variance”, Management Science 38, 10 (octubre de 1992): 1432-1444. SIMAN. Nueva York: McGraw-Hill, 1995.
Fu, Michael C. “Optimization for Simulation: Theory vs. Practice”, INFORMS Sabuncuoglu, Ihsan y Ahmet Hatip. “The Turkish Army Uses Simulation to
Journal on Computing 14, 3 (verano de 2002): 192-215. Model and Optimize Its Fuel-Supply System”, Interfaces 35, 6 (noviembre-
Gass, Saul I. y Arjang A. Assad. “Model World: Tales from the Time Line—The diciembre de 2005): 474-482.
Definition of OR and the Origins of Monte Carlo Simulation”, Interfaces 35, Smith, Jeffrey S. “Survey on the Use of Simulation for Manufacturing System
5 (septiembre-octubre de 2005): 429-435. Design and Operation”, Journal of Manufacturing Systems 22, 2 (2003):
Gavirneni, Srinagesh, Douglas J. Morrice y Peter Mullarkey. “Simulation Helps 157-171.
Maxager Shorten Its Sales Cycle”, Interfaces 34, 2 (marzo-abril de 2004): Terzi, Sergio y Sergio Cavalieri. “Simulation in the Supply Chain Context:
87-96. A Survey”, Computers in Industry 53, 1 (2004): 3-16.
Hartvigsen, David. SimQuick: Process Simulation with Excel, 2a. ed. Upper Winston, Wayne L. Simulation Modeling Using @Risk. Pacific Grove, CA:
Saddle River, NJ: Prentice Hall, 2004. Duxbury, 2001.
Lee, Dong-Eun. “Probability of Project Completion Using Stochastic Project Zhang, H., C. M. Tam y Jonathan J. Shi. “Simulation-Based Methodology for
Scheduling Simulation”, Journal of Construction Engineering & Management Project Scheduling”, Construction Management & Economics 20, 8 (2002):
131, 3 (2005): 310-318. 667-668.

CAPÍTULO 14
Análisis de Markov
1. Determinar las condiciones o los estados futuros 3. Entender el uso del análisis del estado absorbente
mediante el uso del análisis de Markov. en la predicción de condiciones futuras.
2. Calcular las condiciones a largo plazo o de
estado estacionario, utilizando sólo la matriz
de probabilidades de transición.

14.1 Introducción 14.5 Análisis de Markov en operaciones de maquinaria
14.2 Estados y probabilidades de estado 14.6 Condiciones de equilibrio
14.3 Matriz de probabilidades de transición 14.7 Estados absorbentes y la matriz fundamental:
14.4 Predicción de las participaciones de mercado aplicación a cuentas por cobrar
futuras
problemas • Estudio de caso: Rental Trucks • Estudios de caso en Internet • Bibliografía
Apéndice 14.1: Análisis de Markov con QM para Windows
Apéndice 14.2: Análisis de Markov con Excel
509

510 CAPÍTULO 14 • ANÁLISIS DE MARKOV
14.1 Introducción
El análisis de Markov es una técnica que se ocupa de las probabilidades de ocurrencias futuras me-
diante el análisis de probabilidades conocidas en la actualidad.* La técnica tiene numerosas aplicaciones
en los negocios, incluyendo el análisis de la participación en el mercado, la predicción de deudas inco-
brables, la predicción de la matrícula universitaria y la determinación de si una máquina se averiará en
el futuro.
El análisis de Markov considera el supuesto de que el sistema comienza en un estado o condición
inicial. Por ejemplo, dos fabricantes competidores podrían tener 40 y 60% de las ventas en el mercado,
respectivamente, como estados iniciales. Tal vez en dos meses las participaciones en el mercado de las
dos empresas cambiarán a 45 y 55%, respectivamente. La predicción de los estados futuros implica
conocer la posibilidad o probabilidad de que un sistema cambie de un estado a otro. Para un problema
La matriz de probabilidades de específico, tales probabilidades pueden recopilarse y colocarse en una matriz o tabla. Esta matriz de
transición muestra la posibilidad probabilidades de transición muestra la posibilidad de que el sistema cambie de un periodo de tiempo
de cambio. al siguiente. Éste es el proceso de Markov, y nos permite predecir estados o condiciones futuras.
Al igual que muchas otras técnicas cuantitativas, el análisis de Markov se puede estudiar a cualquier
nivel de profundidad y sofisticación. Por fortuna, los principales requisitos matemáticos consisten sólo en
saber cómo manipular en forma básica las matrices, y cómo resolver un conjunto de ecuaciones con varias
incógnitas. Si usted no está familiarizado con esas técnicas, es posible que desee revisar el módulo 5 (en el
sitio web que complementa este libro), antes de comenzar este capítulo. El módulo 5 cubre las matrices y
otras herramientas matemáticas útiles.
Existen cuatro supuestos del análisis Debido a que el nivel de este curso impide un estudio detallado de las matemáticas de Markov, limita-
de Markov. mos nuestro análisis a los procesos de Markov que siguen cuatro supuestos:
1. Hay un número limitado o finito de estados posibles.

2. La probabilidad de que los estados cambien permanece igual a través del tiempo.
3. Podemos predecir cualquier estado futuro con base en el estado anterior y en la matriz de probabili-
dades de transición.
4. El tamaño y la composición del sistema (por ejemplo, el número total de fabricantes y clientes)
no cambian durante el análisis.
14.2 Estados y probabilidades de estado

Los estados se utilizan para identificar todas las posibles condiciones de un proceso o un sistema. Por
ejemplo, una máquina está en uno de dos estados en cualquier punto en el tiempo, y puede ser que fun-
cione correctamente o que no funcione en forma adecuada. El correcto funcionamiento de la máquina
se denominaría primer estado; y el funcionamiento incorrecto, segundo estado. De hecho, es posible
identificar estados específicos para muchos procesos o sistemas. Si sólo hay tres tiendas de comestibles
en una pequeña ciudad, un residente puede ser cliente de alguna de las tres en cualquier momento. Por
lo tanto, hay tres estados que corresponden a las tres tiendas de comestibles. Si los estudiantes pueden
tomar una de tres especialidades en el área de administración (digamos, ciencias de la administración,
sistemas de información gerencial o administración general), cada una de dichas áreas puede conside-
rarse un estado.
Dos supuestos adicionales del En el análisis de Markov también suponemos que los estados son colectivamente exhaustivos y
análisis de Markov son que mutuamente excluyentes. Colectivamente exhaustivos significa que podemos listar todos los posibles
los estados son colectivamente estados de un sistema o proceso. Nuestro estudio del análisis de Markov supone que hay un número
exhaustivos y mutuamente finito de estados para cualquier sistema. Mutuamente excluyentes significa que un sistema puede estar
excluyentes. sólo en un estado en cualquier momento. Un estudiante puede estar sólo en una de las tres áreas de
especialización en administración y no en dos o más áreas al mismo tiempo. También significa que una
persona únicamente puede ser cliente de una de las tres tiendas de comestibles en cualquier punto en
el tiempo.
* El fundador del concepto fue A. A. Markov, cuyos estudios en 1905 sobre la secuencia de experimentos conectados en una
cadena se utilizaron para describir el principio del movimiento browniano.

14.2 ESTADOS Y PROBABILIDADES DE ESTADO 511
Después de haber identificado los estados, el siguiente paso es determinar la probabilidad de que el
sistema se encuentre en cada estado. Dicha información se coloca entonces en un vector de probabilida-
des de estado.
p 1i2 = vector de probabilidades de estado para el periodo i (14-1)

= 1p1, p2, p3, …, pn 2
donde
n = número de estados
p1, p2, …, pn = probabilidad de encontrarse en el estado 1, el estado 2, …, el estado n
En algunos casos, en los cuales únicamente estamos tratando con un solo elemento, como una máquina, es
posible saber con total certeza en qué estado se encuentra ese elemento. Por ejemplo, si investigamos una
sola máquina, sabríamos que en este punto en el tiempo la máquina funciona correctamente. Entonces, el
vector de estado puede representarse de la manera siguiente:
p 112 = 11, 02
donde
p 112 = vector de estado para la máquina en el periodo 1

p1 = 1 = probabilidad de encontrarse en el primer estado
p2 = 0 = probabilidad de encontrarse en el segundo estado
Esto muestra que la probabilidad de que la máquina está funcionando correctamente, el estado 1, es 1; y
la probabilidad de que la máquina esté funcionando de forma incorrecta, el estado 2, es 0 para el primer
periodo. Sin embargo, en la mayoría de los casos tratamos con más de un elemento.
Vector de probabilidades de estado para el ejemplo

de las tres tiendas de comestibles
Analicemos el vector de estado para las personas de la pequeña ciudad que tiene tres tiendas de comesti-
bles. Podría haber un total de 100,000 personas que compran en las tres tiendas de comestibles durante un
mes determinado. Cuarenta mil personas pueden ir de compras a American Food Store, que se llamará el
estado 1. Treinta mil personas pueden ir de compras a Food Mart, que se llamará el estado 2, y 30,000 per-
sonas pueden ir de compras a Atlas Foods, que se llamará el estado 3. La probabilidad de que una persona
vaya de compras a una de estas tres tiendas de comestibles es la siguiente:
Estado 1, American Food Store: 40,000>100,000 = 0.40 = 40%

Estado 2, Food Mart: 30,000>100,000 = 0.30 = 30%
Estado 3, Atlas Foods: 30,000>100,000 = 0.30 = 30%
Estas probabilidades se pueden colocar en el vector de probabilidades de estado de la siguiente manera:
p 112 = 10.4, 0.3, 0.32
donde
p 112 = vector de probabilidades de estado para las tres tiendas de comestibles en el periodo 1
p1 = 0.4 = probabilidad de que una persona vaya de compras a American Food, estado 1
p2 = 0.3 = probabilidad de que una persona vaya de compras a Food Mart, estado 2
p3 = 0.3 = probabilidad de que una persona vaya de compras a Atlas Foods, estado 3
El vector de probabilidades de Usted también debería notar que las probabilidades en el vector de estado para las tres tiendas de co-
estado representa la participación mestibles representan la participación en el mercado de esas tiendas durante el primer periodo. Por
en el mercado. consiguiente, American Food tiene 40%, Food Mart tiene 30% y Atlas Foods tiene 30% del mercado en el
periodo 1. Cuando tratamos con participaciones en el mercado, éstas se utilizan en lugar de los valores de
probabilidad.
Las gerencias de las tres tiendas de comestibles deben estar interesadas en cómo cambian sus partici-
paciones en el mercado con el paso del tiempo. Los clientes no siempre se mantienen con una tienda, sino

FIGURA 14.1
Diagrama de árbol para 0.8 #1 0.32 = 0.4(0.8)
el ejemplo de las tres American Food #1 0.1
tiendas de comestibles #2 0.04 = 0.4(0.1)
0.4
0.1
#3 0.04 = 0.4(0.1)
0.1 #1 0.03
Food Mart #2 0.7

#2 0.21
0.3
0.2
#3 0.06
0.2 #1 0.06
Atlas Foods #3 0.2

#2 0.06
0.3
0.6
#3 0.18
que pueden ir a una tienda diferente en su próxima compra. En este ejemplo, se ha realizado un estudio
para determinar qué tan leales han sido los clientes. Se determinó que 80% de los clientes que compran en
American Food Store en un mes volverán a la tienda el mes siguiente. Por otro lado, del restante 20% de
los clientes de American, 10% pasará a Food Mart y el otro 10% pasará a Atlas Foods en su próxima com-
pra. De los clientes que compren este mes en Food Mart, 70% regresarán, 10% pasará a American Food
Store y 20% pasará a Atlas Foods. De los clientes que compren este mes en Atlas Foods, 60% volverá, 20%
se dirigirá a American Food Store y 20% cambiará a Food Mart.
En la figura 14.1 se muestra un diagrama de árbol para ilustrar esta situación. Observe que de la
participación en el mercado de 40% para American Food Store este mes, 32% 10.40 * 0.80 = 0.322 vol-
verá, 4% comprarán en Food Mart y 4% comprarán en Atlas Foods. Para encontrar la participación en el
mercado del próximo mes para American, agregamos este 32% de los clientes que regresan al 3% que de-
jan Food Mart para venir a American y al 6% que dejan Atlas Foods para venir a American. Por lo tanto,
American Food Store tendrá una participación de mercado de 41% en el mes siguiente.
Aunque un diagrama de árbol y los cálculos que se acaban de ilustrar podrían utilizarse para encon-
trar las probabilidades de estado del próximo mes y del mes posterior, el árbol no tardaría en ser muy
grande. En vez de utilizar un diagrama de árbol, es más fácil emplear una matriz de probabilidades de
transición. Esta matriz se utiliza junto con las probabilidades de estado actuales para predecir las condi-
ciones futuras.
14.3 Matriz de probabilidades de transición

El concepto que nos permite ir de un estado actual, como la participación en el mercado, a un estado futuro
es la matriz de probabilidades de transición. Se trata de una matriz de probabilidades condicionales de en-
La matriz de probabilidades de contrarse en un estado futuro dado el estado actual. La siguiente definición es útil:
transición nos permite ir de un
estado actual a un estado futuro. Sea Pij = probabilidad condicional de encontrarse en el estado j en el futuro, dado el estado actual i
Por ejemplo, P12 es la probabilidad de encontrarse en el estado 2 en el futuro, dado que el evento se encon-
traba en el estado 1 en el periodo anterior:
Sea P = matriz de probabilidades de transición
P11 P12 P13 g P1n

P P22 P23 g P2n
P = D 21 T (14-2)
f f
Pm1 g Pmn
Los valores individuales Pij se determinan normalmente de forma empírica. Por ejemplo, si a través del
tiempo hemos observado que 10% de las personas que actualmente compran en la tienda 1 (o estado 1) irán
de compras a la tienda 2 (estado 2) el próximo periodo, entonces sabemos que P12 = 0.1 o 10 por ciento.

14.4 PREDICCIÓN DE LAS PARTICIPACIONES DE MERCADO FUTURAS 513
Probabilidades de transición para las tres tiendas de comestibles

Hemos utilizado datos históricos de las tres tiendas de comestibles para determinar qué porcentaje de los
clientes cambiarían cada mes. Estas probabilidades de transición se muestran en la matriz siguiente:
0.8 0.1 0.1
P = C 0.1 0.7 0.2 S
0.2 0.2 0.6
Recuerde que American Food representa el estado 1, Food Mart es el estado 2 y Atlas Foods es el es-
tado 3. El significado de tales probabilidades se expresa en términos de los diversos estados de la
siguiente manera:
Fila 1
0.8 = P11 = probabilidad de estar en el estado 1 después de estar en el estado 1 el periodo precedente
Fila 2
Fila 3
Los valores de probabilidad para Observe que las tres probabilidades en la fila superior suman 1. Las probabilidades de cualquier fila en una
cualquier fila deben sumar 1. matriz de probabilidades de transición también deben sumar 1.
Después de haber determinado las probabilidades de estado, junto con la matriz de probabilidades de
transición, es posible encontrar las probabilidades de los estados futuros.
14.4 Predicción de las participaciones de mercado futuras

Uno de los propósitos del análisis de Markov es predecir el futuro. Dados el vector de probabilidades de
estado y la matriz de probabilidades de transición, no es muy difícil determinar las probabilidades de es-
tado en una fecha futura. Con este tipo de análisis, podemos calcular la probabilidad de que una persona
vaya de compras a una de las tiendas de comestibles en el futuro. Debido a que esta probabilidad es equi-
valente a la participación en el mercado, es posible determinar la participación futura en el mercado de
American Food, Food Mart y Atlas Foods. Cuando el periodo actual es 0, el cálculo de las probabilidades
de estado para el siguiente periodo (periodo 1) puede llevarse a cabo de la manera siguiente:
Cálculo de la participación futura en p 112 = p 102 P (14-3)

el mercado.
Por otro lado, si estamos en un periodo n, calculamos las probabilidades de estado para el periodo n + 1
como se muestra a continuación:
p 1n + 12 = p 1n2 P (14-4)
La ecuación 14-3 se puede utilizar para responder a la pregunta de la participación en el mercado de las
tiendas de comestibles en el próximo periodo. Los cálculos son
p112 = p102P
0.8 0.1 0.1
= 10.4, 0.3, 0.32 C 0.1 0.7 0.2 S
0.2 0.2 0.6
= 3 1 0.42 10.82 + 10.32 10.12 + 10.32 10.22, 10.42 10.12
+ 10.32 10.72 + 10.32 10.22, 10.42 10.12 + 10.32 1 0.22 + 10.32 1 0.62 4
= 10.41, 0.31, 0.282

Como se observa, la participación en el mercado de American Food y Food Mart ha aumentado, mien-
tras que la participación en el mercado de Atlas Foods ha disminuido. ¿Continuará esta tendencia en el
próximo periodo y en el que le sigue? A partir de la ecuación 14-4, deducimos un modelo que nos dirá
cuáles serán las probabilidades de estado en cualquier periodo de tiempo futuro. Considere dos periodos de
tiempo a partir de ahora:
p 122 = p 112 P
Dado que sabemos que
p 112 = p 102 P
tenemos
p 122 = 3 p 112 4 P = 3 p 102 P 4 P = p 102 PP = p 102 P 2
En general,
p 1n2 = p 102 P n (14-5)
Por consiguiente, las probabilidades de estado para n periodos en el futuro se pueden obtener a partir de
las probabilidades de estado actuales y la matriz de probabilidades de transición.
En el ejemplo de las tres tiendas de comestibles, vimos que American Food y Food Mart habían
aumentado su participación en el mercado en el siguiente periodo, mientras que Atlas Foods perdió parti-
cipación en el mercado. ¿Llegará Atlas a perder la totalidad de su participación en el mercado? ¿O las tres
tiendas de comestibles alcanzarán una condición estable? Aunque la ecuación 14-5 proporciona un poco
de ayuda para determinarlo, es mejor analizarlo en términos de las condiciones de equilibrio o de estado
estacionario. Como una ayuda para entender el concepto de equilibrio, se presenta una segunda aplicación
del análisis de Markov: las averías en las máquinas.
14.5 Análisis de Markov en operaciones de maquinaria

Paul Tolsky, propietario de Tolsky Works, ha registrado la operación de su máquina de fresado por varios
años. Durante los últimos dos años, 80% de las veces la fresadora funcionó correctamente durante el mes en
curso, si había funcionado correctamente el mes anterior. Esto también significa que sólo 20% de las veces
la máquina no funcionó correctamente en un mes determinado, cuando había funcionado correctamente el
mes anterior. Además, se ha observado que 90% de las veces la máquina permaneció ajustada incorrecta-
mente durante cualquier mes, si estuvo ajustada incorrectamente el mes anterior. Únicamente 10% de las
veces la máquina funcionó correctamente un mes dado cuando no funcionó correctamente durante el mes
anterior. En otras palabras, esta máquina puede corregirse a sí misma aunque no haya estado funcionando
correctamente en el pasado, y esto ocurre 10% de las veces. Los valores anteriores se pueden utilizar ahora
para construir la matriz de probabilidades de transición. Una vez más, el estado 1 es una situación donde la
máquina funciona correctamente y el estado 2 es una situación en la cual la máquina no funciona correcta-
mente. La matriz de probabilidades de transición para esta máquina es
0.8 0.2
P = J R
0.1 0.9
donde
P11 = 0.8 = probabilidad de que la máquina funcione correctamente este mes,
dado que estaba funcionando correctamente el mes pasado
P12 = 0.2 = probabilidad de que la máquina no funcione correctamente este mes,
dado que estaba funcionando correctamente el mes pasado
P21 = 0.1 = probabilidad de que la máquina funcione correctamente este mes dado,
que no estaba funcionando correctamente el mes pasado
P22 = 0.9 = probabilidad de que la máquina no funcione correctamente este mes,
dado que no estaba funcionando correctamente el mes pasado
Las probabilidades de una fila deben Observe esta matriz para la máquina. Las dos probabilidades de la fila superior son las probabilidades de
sumar 1 debido a que los eventos que funcione correctamente y no funcione correctamente, dado que la máquina estaba funcionando correc-
son mutuamente excluyentes y tamente en el último periodo. Debido a que estos eventos son mutuamente excluyentes y colectivamente
colectivamente exhaustivos. exhaustivos, las probabilidades de la fila nuevamente suman 1.

14.6 CONDICIONES DE EQUILIBRIO 515
¿Cuál es la probabilidad de que la máquina de Tolsky esté funcionando correctamente dentro de un

mes? ¿Cuál es la probabilidad de que la máquina esté funcionando correctamente en dos meses? Para res-
ponder a tales preguntas, volvemos a aplicar la ecuación 14-3:
p112 = p102P
0.8 0.2
= 11, 02 J R
0.1 0.9
= 3 112 10.82 + 102 10.12, 112 10.22 + 102 1 0.92 4
= 10.8, 0.22
Por lo tanto, la probabilidad de que la máquina esté funcionando correctamente dentro de un mes, dado que
ahora funciona correctamente, es de 0.80. La probabilidad de que no esté funcionando correctamente den-
tro de un mes es de 0.20. Ahora usamos estos resultados para determinar la probabilidad de que la máquina
esté funcionando correctamente dentro de dos meses. El análisis es exactamente el mismo:
p122 = p112P
0.8 0.2
= 10.8, 0.22 J R
0.1 0.9
= 3 10.82 10.82 + 10.22 10.12, 10.82 10.22 + 1 0.22 1 0.92 4
= 10.66, 0.342
Esto significa que en dos meses a partir de ahora, hay una probabilidad de 0.66 de que la máquina todavía
esté funcionando correctamente. La probabilidad de que la máquina no funcione correctamente es de 0.34.
Desde luego, podríamos continuar con este análisis tantas veces como quisiéramos calculando las probabi-
lidades de estado para los meses siguientes.
14.6 Condiciones de equilibrio

Si se observa el ejemplo de la máquina de Tolsky, es fácil pensar que con el tiempo todas las participa-
ciones en el mercado o probabilidades de estado serán 0 o 1, lo cual no suele ocurrir. Por lo general, se
encuentran el porcentaje de equilibrio de los valores o las probabilidades de mercado. Las probabilidades
se llaman probabilidades de estado estacionario o probabilidades de equilibrio.
Una forma de calcular la participación de equilibrio en el mercado es el uso del análisis de Markov
para un gran número de periodos. De esta manera, es posible saber si los valores futuros se están acercando
a un valor estacionario. Por ejemplo, es posible repetir el análisis de Markov durante 15 periodos de la
máquina de Tolsky. Esto puede hacerse manualmente sin demasiada dificultad y los resultados del cálculo
se muestran en la tabla 14.1.
La máquina comienza funcionando correctamente (estado 1) en el primer periodo. En el periodo 5,
sólo hay una probabilidad de 0.4934 de que la máquina siga funcionando correctamente y, para el periodo
10, esta probabilidad es solamente de 0.360235. En el periodo 15, la probabilidad de que la máquina siga
funcionando correctamente es de aproximadamente 0.34. La probabilidad de que la máquina funcione co-
rrectamente en un periodo futuro va disminuyendo, pero lo hace a un ritmo decreciente. ¿Qué se esperaría
a largo plazo? Si hiciéramos estos cálculos para 100 periodos, ¿qué sucedería? ¿Habría un equilibrio en
este caso? Si la respuesta es sí, ¿cuál sería? Si se observa la tabla 14.1, parece que habrá un equilibrio
en 0.333333, o 1>3. Pero, ¿cómo podemos estar seguros?
Las condiciones de equilibrio existen Por definición, una condición de equilibrio existe si las probabilidades de estado o la participación
si las probabilidades de estado no en el mercado no cambian después de un gran número de periodos. Por lo tanto, en el equilibrio, las proba-
cambian después de un gran número bilidades de estado para un periodo futuro deben ser iguales a las probabilidades de estado para el periodo
de periodos. actual. Este hecho es la clave para encontrar las probabilidades de estado estacionario. Esta relación se
expresa como sigue:
A partir de la ecuación 14-4, siempre es cierto que
p 1próximo periodo2 = p 1este periodo2 P
o bien,
p 1n + 12 = p 1n2 P

TABLA 14.1
PERIODO ESTADO 1 ESTADO 2
Probabilidades de
estado para el ejemplo 1 1.000000 0.000000
de la máquina durante 2 0.800000 0.200000
15 periodos 3 0.660000 0.340000
4 0.562000 0.438000
5 0.493400 0.506600
6 0.445380 0.554620
7 0.411766 0.588234
8 0.388236 0.611763
9 0.371765 0.628234
10 0.360235 0.639754
11 0.352165 0.647834
12 0.346515 0.653484
13 0.342560 0.657439
14 0.339792 0.660207
15 0.337854 0.662145
En el equilibrio, sabemos que
p 1n + 12 = p 1n2
Por lo tanto, en el equilibrio,
p 1n + 12 = p 1n2 P = p 1n2
Así que
p 1n2 = p 1n2 P
o, al descartar el término n,
p = pP (14-6)
En el equilibrio, las probabilidades La ecuación 14-6 establece que, en el equilibrio, las probabilidades de estado para el próximo periodo son
de estado para el próximo periodo iguales a las probabilidades de estado para el periodo actual. Para la máquina de Tolsky, esto se expresa de
son iguales a las probabilidades la manera siguiente:
de estado para este periodo.
p = pP
0.8 0.2
1p1, p2 2 = 1p1, p2 2 J R
0.1 0.9
Si utilizamos la multiplicación de matrices, entonces
1p1, p22 = 3 1p12 10.82 + 1p22 10.12, 1p12 10.22 + 1p22 10.92 4
El primer término del lado izquierdo, p1, es igual al primer término del lado derecho 1p12 10.82 + 1p22 10.12.
Asimismo, el segundo término del lado izquierdo, p 2, es igual al segundo término del lado derecho
1p12 10.22 + 1p22 10.92. De aquí resulta:
p1 = 0.8p1 + 0.1p2 (a)

p2 = 0.2p1 + 0.9p2 (b)
También sabemos que, en este caso, las probabilidades de estado p1 y p2 deben sumar 1. (Al observar
la tabla 14.1, note que p1 y p2 suman 1 para los 15 periodos). Esta propiedad se expresa de la siguiente
manera:
p1 + p2 + c + p n = 1 (c)

14.6 CONDICIONES DE EQUILIBRIO 517
Para la máquina de Tolsky, tenemos
p1 + p 2 = 1 (d)
Para despejar las condiciones Ahora tenemos tres ecuaciones para la máquina (a, b y d). Sabemos que la ecuación d debe mantenerse.
de equilibrio, descartamos una Por lo tanto, podemos descartar cualquiera de las ecuaciones a o b y despejar p1 y p2 a partir de las dos
ecuación. ecuaciones restantes. Es necesario descartar una de las ecuaciones, de manera que tengamos dos incóg-
nitas y dos ecuaciones. Si estuviéramos tratando de encontrar condiciones de equilibrio que involucraran
tres estados, acabaríamos con cuatro ecuaciones. De nuevo, sería necesario descartar una de las ecuacio-
nes, para quedarnos con tres ecuaciones y tres incógnitas. En general, cuando se buscan las condiciones
de equilibrio, siempre será necesario descartar una de las ecuaciones, de modo que el número total de
ecuaciones sea igual que el número total de variables que tratamos de determinar. La razón por la que
podemos descartar una de las ecuaciones es que matemáticamente están relacionadas entre sí. En otras
palabras, una de las ecuaciones es redundante al especificar las relaciones entre las diversas ecuaciones
de equilibrio.
De manera arbitraria descartaremos la ecuación a. Por lo tanto, resolveremos las dos ecuaciones
siguientes:
p2 = 0.2p1 + 0.9p2
p1 + p2 = 1
Al reordenar la primera ecuación, obtenemos
0.1p2 = 0.2p1
o bien,
p2 = 2p1
Si se sustituye esto en la ecuación d, resulta
p1 + p 2 = 1
o bien,
p1 + 2p1 = 1
o bien,
3p1 = 1
p1 = 1>3 = 0.33333333
Así,
p2 = 2>3 = 0.66666667
Compare estos resultados con la tabla 14.1. Como se observa, la probabilidad de estado estacionario para
Los valores de probabilidad del el estado 1 es 0.33333333, y la probabilidad de estado de equilibrio para el estado 2 es 0.66666667. Estos
estado inicial no influyen en las valores son lo que se esperarían al observar los resultados presentados. El análisis anterior indica que sólo
condiciones de equilibrio. es necesario conocer la matriz de probabilidades de transición para determinar las participaciones de mer-
cado en equilibrio. Los valores iniciales de las probabilidades de estado o de la participación en el mercado
no influyen en las probabilidades de estado de equilibrio. El análisis para determinar las probabilidades
de estado o las participaciones de mercado en equilibrio es el mismo cuando hay más estados. Si hay tres
estados (como en el ejemplo de la tienda de comestibles), es necesario resolver tres ecuaciones para los
tres estados de equilibrio; si hay cuatro estados, tendremos que resolver cuatro ecuaciones simultá-
neas para los cuatro valores de equilibrio desconocidos, y así sucesivamente.
Es posible que desee comprobar por sí mismo que los estados de equilibrio que acabamos de calcular
son, de hecho, estados de equilibrio, lo cual se puede hacer mediante la multiplicación de los estados de
equilibrio por la matriz original de probabilidades de transición. Los resultados serán los mismos estados
de equilibrio. Realizar este análisis es también una excelente manera de comprobar sus respuestas a los
problemas al final del capítulo o a las preguntas de sus exámenes.

Una aerolínea utiliza el análisis de Markov

MODELADO EN EL MUNDO REAL para reducir sus costos de marketing
Definición
del problema Finnair, una importante aerolínea europea, estaba experimentando muy baja lealtad de sus clientes. Las cifras
de la compañía con respecto a los clientes que repiten eran muy inferiores a los promedios del sector.

un modelo Los analistas de IBM abordaron el problema usando el análisis de Markov para modelar el comportamiento
del cliente. Se identificaron tres estados del sistema, y cada cliente se clasificó como 1. viajero ocasional (VO),
2. comprador repetitivo (CR) o (3) cliente leal (CL).

datos de entrada Se recopilaron los datos de cada cliente, de modo que pudieran desarrollarse las probabilidades de transición.
Estas probabilidades indican la probabilidad de que un cliente pase de un estado a otro. Las probabilidades
más importantes eran las de pasar de VO a CR y de CR a CL.

a la solución Los analistas construyeron una herramienta llamada Customer Equity Loyalty Management (CELM) para
dar seguimiento a las respuestas de los clientes según su tipo (VO, CR y CL) y los esfuerzos de marketing
asociados.

de resultados Los resultados fueron poco menos que asombrosos. Al dirigir sus esfuerzos de marketing con base en el tipo
de cliente, Finnair fue capaz de reducir en 20% sus costos totales de marketing, al mismo tiempo que aumen-
taba su tasa de respuesta del cliente en más de 10 por ciento.

de resultados Finnair utiliza la CELM como una parte integral de su programa interno de viajeros frecuentes.
Fuente: Basado en A. Labbi y C. Berrospi. “Optimizing Marketing Planning and Budgeting Using Markov Decision Processes:
An Airline Case Study”, IBM Journal of Research and Development 51, 3 (2007): 421-431.
14.7 Estados absorbentes y la matriz fundamental: aplicación a cuentas por cobrar

En los ejemplos analizados hasta ahora, hemos supuesto que es posible que el proceso o el sistema pasen
de un estado a cualquier otro estado entre dos periodos. En algunos casos, sin embargo, si se encuentra
en un estado, no puede pasar a otro estado en el futuro. En otras palabras, cuando se encuentra en un
estado determinado, es “absorbido” por éste y permanecerá en él. Cualquier estado que tiene esta pro-
Si usted se encuentra en un estado piedad se denomina estado absorbente. Un ejemplo de esto es la aplicación a cuentas por cobrar.
absorbente, no podrá pasar a otro Por lo general, un sistema de cuentas por cobrar coloca las deudas o cuentas por cobrar de sus
estado en el futuro. clientes en una de varias categorías o estados en función de cuál es la factura vencida sin pagar más
antigua. Desde luego, las categorías específicas o los estados dependen de la política establecida por
cada empresa. Los cuatro estados o categorías típicas para el seguimiento de una aplicación a cuentas
por cobrar son:
Estado 1 1p12 : pagada, todas las facturas

Estado 2 1p22 : deuda incobrable, vencida por más de tres meses
Estado 3 1p32 : vencida menos de un mes
Estado 4 1p42 : vencida entre uno y tres meses

14.7 ESTADOS ABSORBENTES Y LA MATRIZ FUNDAMENTAL: APLICACIÓN A CUENTAS POR COBRAR 519
En cualquier periodo dado, en este caso un mes, un cliente puede estar en uno de estos cuatro es-
tados.* Para este ejemplo, se supondrá que si la cuenta sin pagar más antigua tiene más de tres meses
de vencida, se coloca automáticamente en la categoría de deuda incobrable. Por consiguiente, un cliente
puede haber pagado en su totalidad (estado 1), tener la factura vencida sin pagar más antigua por menos de
un mes (estado 3), tener la cuenta vencida sin pagar más antigua entre uno y tres meses inclusive (estado
4), o tener la cuenta vencida sin pagar más antigua por más de tres meses, lo cual la convierte en deuda
incobrable (estado 2).
Al igual que en cualquier otro proceso de Markov, podemos establecer una matriz de probabilidades
de transición para estos cuatro estados. Esta matriz reflejará la proclividad de los clientes a moverse entre
las cuatro categorías de cuentas por cobrar de un mes a otro. La probabilidad de estar en la categoría pa-
gada para cualquier elemento o factura en un mes futuro, dado que un cliente está en la categoría pagada
por un elemento comprado este mes, es 100% o 1. Es imposible que un cliente pague por completo un
Si una persona está en un estado producto un mes y que deba dinero por él en un mes futuro. Otro estado absorbente es el estado de deuda
absorbente ahora, la probabilidad incobrable. Si una factura no se paga en tres meses, estamos suponiendo que la empresa la descartará y no
de estar en un estado absorbente intentará cobrarla en el futuro. Por lo tanto, cuando una persona está en la categoría de deuda incobrable,
en el futuro es 100 por ciento. permanecerá en esa categoría por siempre. Para cualquier estado absorbente, la probabilidad de que un
cliente se encuentre en ese estado en el futuro es 1, y la probabilidad de que un cliente pase a cualquier otro
estado es 0.
Estos valores se colocarán en la matriz de probabilidades de transición. Pero antes de construir esa
matriz, necesitamos conocer las probabilidades futuras de los otros dos estados, para una deuda de menos
de un mes y para una deuda de entre uno y tres meses de antigüedad. Para una persona en la categoría de
menos de un mes, hay una probabilidad de 0.60 de estar en la categoría pagada, una probabilidad 0 de estar
en la categoría de deuda incobrable, una probabilidad de 0.20 de permanecer en la categoría de menos de
un mes y una probabilidad de 0.20 de estar en la categoría de uno a tres meses en el próximo mes. Observe
que hay una probabilidad 0 de estar en la categoría de deuda incobrable el próximo mes, porque es imposi-
ble pasar del estado 3, menos de un mes, al estado 2, más de tres meses de retraso, en sólo un mes. Para una
persona en la categoría de uno a tres meses, hay una probabilidad de 0.40 de estar en la categoría pagada,
una probabilidad de 0.10 de estar en la categoría de deuda incobrable, una probabilidad de 0.30 de estar en
la categoría de menos de un mes y una probabilidad de 0.20 de permanecer en la categoría de uno a tres
meses en el próximo mes.
¿Cómo podemos tener una probabilidad de 0.30 de estar en la categoría de uno a tres meses durante
un mes, y en la categoría de un mes o menos en el próximo mes? Debido a que estas categorías son deter-
minadas por la cuenta sin pagar más antigua, es posible pagar una factura que tenga entre uno y tres meses
de antigüedad y aun así tener otra factura con una antigüedad de un mes o menos. En otras palabras, cual-
quier cliente puede tener más de una cuenta atrasada en cualquier momento dado. Con tal información, es
posible construir la matriz de probabilidades de transición del problema.
PRÓXIMO MES
DEUDA 61 DE 1 A 3
ESTE MES PAGADA INCOBRABLE MES MESES
Pagada 1 0 0 0
Deuda incobrable 0 1 0 0
Menos de 1 mes 0.6 0 0.2 0.2
De 1 a 3 meses 0.4 0.1 0.3 0.2
* También debería tener en cuenta que los cuatro estados se pueden colocar en cualquier orden deseado. Por ejemplo, parecería
más natural ordenar este problema con los estados:
1. Pagada
2. Vencida menos de un mes
3. Vencida de uno a tres meses
4. Vencida más de tres meses, deuda incobrable
Esto es perfectamente legítimo, y la única razón por la que no se utiliza este ordenamiento es facilitar algunas manipulaciones
matriciales que se estudiarán en breve.

Así,
1 0 0 0
0 1 0 0
P = ≥ ¥
0.6 0 0.2 0.2
0.4 0.1 0.3 0.2
Si conocemos la fracción de personas en cada una de las cuatro categorías o estados para un periodo de-
terminado, es posible determinar la fracción de personas en los cuatro estados o categorías para cualquier
periodo futuro. Estas fracciones se colocan en un vector de probabilidades de estado y se multiplican por
la matriz de probabilidades de transición. El procedimiento mencionado se describió en la sección 14.5.
A largo plazo, todos estarán en la Aún más interesantes son las condiciones de equilibrio. Por supuesto, a largo plazo, todos estarán en
categoría de deuda pagada o de la categoría de deuda pagada o de deuda incobrable. Lo anterior se debe a que estas categorías son estados
deuda incobrable. absorbentes. Pero, ¿cuántas personas, o qué cantidad de dinero, habrá en cada una de esas categorías? Co-
nocer la cantidad total de dinero que estará en las categorías de deuda pagada o deuda incobrable ayudará a
una empresa en la gestión de sus deudas incobrables y de su flujo de efectivo. Este análisis requiere el uso
de la matriz fundamental.
Para obtener la matriz fundamental, es necesario realizar una partición de la matriz de probabilidades
de transición, P. Esto puede hacerse de la manera siguiente:
I 0
T T
1 0 0 0
0 1 0 0
P = ≥ ¥ (14-7)
0.6 0 0.2 0.2
0.4 0.1 0.3 0.2
c c
A B
1 0 0 0
I = J R 0 = J R
0 1 0 0
0.6 0 0.2 0.2
A = J R B = J R
0.4 0.1 0.3 0.2
donde
I = una matriz identidad (es decir, una matriz con unos en la diagonal y ceros en todos los demás sitios)
0 = una matriz que sólo contiene ceros
La matriz fundamental se calcula como sigue:
F = 1I - B2 -1 (14-8)
F es la matriz fundamental. En la ecuación 14-8, 1I - B2 significa que restamos la matriz B de la matriz I. El superíndice -1 significa
que tomamos la inversa del resultado de 1I - B 2. A continuación se muestra cómo calculamos la matriz
fundamental para la aplicación de cuentas por cobrar:
F = 1I - B2 -1
o bien,
1 0 0.2 0.2 -1
F = ac d - c db
0 1 0.3 0.2
Al restar B de I, obtenemos
0.8 -0.2 -1
F = c d
-0.3 0.8
La obtención de la inversa de una matriz grande implica varios pasos, como se describe en el módulo 5 del
sitio web complementario de este libro. El apéndice 14.2 muestra cómo se puede encontrar esta inversa

14.7 ESTADOS ABSORBENTES Y LA MATRIZ FUNDAMENTAL: APLICACIÓN A CUENTAS POR COBRAR 521
utilizando Excel. Sin embargo, para una matriz de dos filas y dos columnas, los cálculos son relativamente
simples, como se indica a continuación:
a b
La inversa de la matriz c d es
c d
d -b
a b -1 r r
c d = ≥ ¥ (14-9)
c d -c a
r r
donde
r = ad - bc
Para encontrar la matriz F en el ejemplo de las cuentas por cobrar, primero calculamos
r = ad - bc = 10.82 10.82 - 1-0.22 1-0.32 = 0.64 - 0.06 = 0.58
Con esto tenemos
0.8 - 1 -0.22
-1
0.8 -0.2 0.58 0.58 1.38 0.34
F = c d = D T = c d
-0.3 0.8 - 1 -0.32 0.8 0.52 1.38
0.58 0.58
Ahora estamos en condiciones de utilizar la matriz fundamental para calcular la cantidad de dinero de
deudas incobrables que se esperaría en el largo plazo. En primer lugar, debemos multiplicar la matriz fun-
damental, F, por la matriz A. Esto se logra de la siguiente manera:
1.38 0.34 0.6 0

FA = c d * c d
0.52 1.38 0.4 0.1
o bien,
0.97 0.03
FA = c d
0.86 0.14
La matriz FA indica la probabilidad La nueva matriz FA tiene un significado importante, pues indica la probabilidad de que una cantidad en uno
de que una cantidad termine en un de los estados no absorbentes termine en uno de los estados absorbentes. La fila superior de esta matriz
estado absorbente. indica las probabilidades de que una cantidad en la categoría de menos de un mes vaya a terminar en la ca-
tegoría de pagada o de deuda incobrable. La probabilidad de que una cantidad con un retraso inferior a un
mes sea pagada es de 0.97 y la probabilidad de que una cantidad con un retraso inferior a un mes termine
como deuda incobrable es de 0.03. La segunda fila tiene una interpretación similar para el otro estado no
absorbente, que es la categoría de uno a tres meses. Por consiguiente, 0.86 es la probabilidad de que una
cantidad que tiene de uno a tres meses de retraso sea pagada, y 0.14 es la probabilidad de que una cantidad
que tiene de uno a tres meses de retraso no sea pagada, sino que se convierta en deuda incobrable.
La matriz M representa el dinero Esta matriz se puede utilizar de varias maneras. Si conocemos la cantidad en la categoría de menos de
en los estados absorbentes —deuda un mes y en la categoría de uno a tres meses, es posible determinar la cantidad de dinero que será pagado y
pagada o deuda incobrable. la cantidad de dinero que se convertirá en deuda incobrable. Considere que la matriz M representa la canti-
dad de dinero que está en cada uno de los estados no absorbentes, de la siguiente manera:
M = 1M1, M2, M3, …, Mn 2
donde
n = número de estados no absorbentes

M1 = cantidad en el primer estado o categoría
M2 = cantidad en el segundo estado o categoría
Mn = cantidad en el enésimo estado o categoría

EN ACCIÓN ¡Voleibol markoviano!
Se desarrolló una matriz de transición bastante grande de

L os entrenadores de voleibol pensaron en utilizar el análisis de
Markov para clasificar cinco habilidades básicas en ese deporte (pase,
36 * 36 y se empleó una combinación de métodos empíricos y baye-
sianos (vea el capítulo 2) para llegar a las probabilidades de transición
colocación, bloqueo, servicio o remate) al más alto nivel. En otras pa- individuales, las Pij. A las transiciones de estado que eran imposibles
labras, los entrenadores querían saber qué habilidad tenía la mayor (por ejemplo, un servicio perfectamente colocado seguido de un error
probabilidad de producir un punto en cualquier jugada, qué habilidad en el servicio) se les asignó una probabilidad de cero.
tenía la segunda mayor probabilidad de conducir a un punto en cual- El análisis de Markov subsiguiente condujo a los analistas a una
quier jugada, y así sucesivamente. conclusión general: Mientras que las habilidades más importantes en
Durante toda la temporada, se recogieron datos en todos los par- el voleibol masculino son (por un amplio margen sobre las demás) el
tidos y cada desempeño individual (por ejemplo, un servicio) en cada servicio y el ataque, las habilidades más importantes en el voleibol
partido se clasificó con base en una rúbrica simple. Por ejemplo, un femenino son (de nuevo por amplio margen sobre las demás) el pase,
servicio colocado en la posición perfecta (de 3 a 5 pies de distancia la colocación y el bloqueo. ¿Puede usted creerlo?
desde la red) recibió 3 puntos de desempeño mientras que un servicio
colocado de 5 a 8 pies de distancia desde la red recibió sólo 1 punto Fuente: M. A. Miskin, G. W. Fellingham y L. W. Florence. “Skill Importance
de desempeño. También se registró el resultado final de cada habili- in Women’s Volleyball”, Journal of Quantitative Analysis in Sport 6 (2010):
dad desplegada (un punto para el equipo visitante, continuación de la artículo 5.
jugada o un punto para el equipo local).
Suponga que hay $2,000 en la categoría de menos de un mes y $5,000 en la categoría de uno a tres meses.
Entonces M se representaría como:
M = 12,000, 5,0002
La cantidad de dinero que terminará siendo pagada y la cantidad que terminará como deuda inco-
brable se calcula multiplicando la matriz M por la matriz FA calculada previamente. A continuación se
presentan los cálculos:
Cantidad pagada y cantidad de deuda incobrable = MFA
0.97 0.03
= 12,000, 5,0002 c d
0.86 0.14
= 16,240, 7602
Por lo tanto, de un total de $7,000 ($2,000 en la categoría de menos de un mes y $5,000 en la categoría de
uno a tres meses), $6,240 se pagarán en algún momento y $760 terminarán como deuda incobrable.
Resumen
El análisis de Markov puede ser muy útil para predecir estados futu- nuevas que entran al mercado y esto también cambia la dinámica (y
ros. Las condiciones de equilibrio se determinan para indicar cómo las probabilidades).
será el futuro si las cosas siguen como en el pasado. En este capítulo, En el ejemplo sobre estados absorbentes, referente a cuentas
se presentó la existencia de estados absorbentes, y se determinaron las por cobrar, los ingresos futuros se predijeron con base en las proba-
condiciones de equilibrio cuando había uno o más de estos estados. bilidades existentes. Sin embargo, las cosas pueden cambiar debido
Sin embargo, es importante recordar que las condiciones futuras a factores que son controlables, así como a factores que no lo son.
encontradas mediante el análisis de Markov se basan en el supuesto La crisis financiera en Estados Unidos en el periodo 2007-2009 es
de que las probabilidades de transición no cambian. Cuando se uti- un buen ejemplo de ello. Algunos bancos y otras instituciones de cré-
liza el análisis de Markov para predecir la participación en el mer- dito habían estado haciendo préstamos que eran menos seguros que
cado, como en el ejemplo de las tres tiendas de comestibles, cabe los que realizaban en el pasado. Muchas hipotecas, que eran fuentes
señalar que las empresas están constantemente tratando de cambiar confiables de ingresos para los bancos cuando los precios de la vi-
estas probabilidades, de modo que su participación en el mercado au- vienda aumentaban rápidamente, se estaban volviendo problemáticos
mente. Lo anterior se ilustra en el recuadro Modelado en el mundo cuando los precios de la vivienda comenzaron a caer. La economía
real acerca de Finnair, que utilizó el análisis de Markov para ayu- en su conjunto estaba en declive, y las personas que perdieron su em-
darse a medir su éxito en la retención de clientes. Cuando una empleo enfrentaban problemas para pagar sus préstamos. Por lo tanto,
presa tiene éxito al cambiar las probabilidades de transición, otras las condiciones futuras y los ingresos esperados si las probabilidades
compañías responderán y tratarán de mover las probabilidades en no cambiaban nunca ocurrieron. Es importante recordar los supuestos
una dirección más favorable para ellas. En ocasiones, hay empresas detrás de todos estos modelos.

Glosario
Análisis de Markov Un tipo de análisis que nos permite predecir el una fracción, la participación en el mercado puede utilizarse en
futuro mediante el uso de las probabilidades de estado y la matriz vez de las probabilidades de estado.
de probabilidades de transición. Probabilidad de transición La probabilidad condicional de que es-
Condición de equilibrio Una condición que existe cuando las pro- temos en un estado futuro dado un estado actual o existente.
babilidades de estado para un periodo futuro son iguales que las Probabilidades de estado La probabilidad de que un evento ocurra
probabilidades de estado para un periodo anterior. en un punto en el tiempo. Los ejemplos incluyen la probabilidad
Estado absorbente Un estado en el que, después de ingresar, no es de que una persona vaya de compras a una tienda de comestibles
posible salir. La probabilidad de pasar de un estado absorbente a dada durante un mes determinado.
cualquier otro estado es 0. Probabilidades de estado estacionario Una probabilidad de estado
Matriz de probabilidades de transición Una matriz que contiene cuando se ha alcanzado la condición de equilibrio. También se
todas las probabilidades de transición para un determinado pro- llama probabilidad de equilibrio.
ceso o sistema. Vector de probabilidades de estado Una colección o vector de to-
Matriz fundamental Una matriz que es la inversa de la matriz I das las probabilidades de estado para un sistema o proceso dado.
menos B. Es necesaria para calcular las condiciones de equilibrio El vector de probabilidades de estado podría ser el estado inicial
cuando hay estados absorbentes involucrados. o el estado futuro.
Participación en el mercado La fracción de la población que com-
pra en una tienda o mercado específico. Cuando se expresa como
Ecuaciones clave
(14-1) p 1i2 = 1p1, p2, p3, …, pn 2 (14-6) p = pP
Vector de probabilidades de estado para el periodo i. Ecuación del estado de equilibrio usada para obtener las pro-
babilidades de equilibrio.
P11 P12 P13 g P1n
P P22 P23 g P2n I O
(14-2) P = D 21 T (14-7) P = c d
f f A B
Pm1 Á Pmn Partición de la matriz de transición para el análisis del estado
absorbente.
Matriz de probabilidades de transición; es decir, la probabili-
dad de pasar de un estado a otro. (14-8) F = 1I - B2 -1
(14-3) p 112 = p 102 P Matriz fundamental usada para calcular las probabilidades de
terminar en un estado absorbente.
Fórmula para calcular las probabilidades del estado 1, dados
los datos del estado 0. d -b
(14-4) p 1n + 12 = p 1n2 P a b -1 r r
(14-9) c d = ≥ ¥ donde r = ad - bc
Fórmula para calcular las probabilidades de estado para el c d -c a
periodo n + 1 si estamos en el periodo n. r r
(14-5) p 1n2 = p 102 P n Inversa de una matriz con 2 filas y 2 columnas.
Fórmula para calcular las probabilidades de estado para el
periodo n si estamos en el periodo 0.
Problemas resueltos

George Walls, presidente de la Bradley School, expresa su preocupación por la disminución en la matrícula. Brad-
ley School es una universidad técnica especializada en la formación de programadores y operadores de computado-
ras. Con los años, ha habido mucha competencia entre la Bradley School, la International Technology y la Career
Academy. Las tres escuelas compiten por ofrecer educación en las áreas de programación, operación de compu-
tadoras y habilidades secretariales básicas.
Para obtener un mejor entendimiento de cuál de estas escuelas está emergiendo como líder, George decidió
llevar a cabo una encuesta. Su encuesta consideró el número de estudiantes que se trasladaron de una escuela a otra
durante sus carreras académicas. En promedio, la Bradley School fue capaz de retener a 65% de los estudiantes
inscritos originalmente. Veinte por ciento de los estudiantes matriculados originalmente se trasladaron la Career

Academy, y 15% se transfirieron a la International Technology. La Career Academy tuvo la más alta tasa de re-
tención: 90% de sus estudiantes permanecieron ahí hasta completar su programa académico. George estima que
alrededor de la mitad de los estudiantes que dejaron la Career Academy se trasladaron a la Bradley School y la otra
mitad cambió a la International Technology, la cual pudo retener a 80% de sus alumnos después de haberse inscrito
ahí. Diez por ciento de los alumnos matriculados inicialmente se trasladaron a la Career Academy y el otro 10% se
inscribió en la Bradley School.
Actualmente, la Bradley School tiene 40% del mercado. La Career Academy, una escuela mucho más nueva,
tiene 35% del mercado. La participación en el mercado restante, 25%, consiste en estudiantes que asisten a la Inter-
national Technology. A George le gustaría determinar la participación en el mercado de la Bradley para el próximo
año. ¿Cuáles son las participaciones en el mercado de equilibrio para la Bradley School, la International Techno-
logy y la Career Academy?
Solución
Los datos para este problema se resumen de la manera siguiente:
Estado 1 participación inicial = 0.40, Bradley School
Estado 2 participación inicial = 0.35, Career Academy
Estado 3 participación inicial = 0.25, Internacional Technology
Los valores de la matriz de transición son
1 2 3
DE BRADLEY CAREER INTERNATIONAL
1 BRADLEY 0.65 0.20 0.15

2 CAREER 0.05 0.90 0.05
3 INTERNATIONAL 0.10 0.10 0.80
Para determinar la participación en el mercado de la Bradley School el próximo año, George debe multiplicar
las participaciones en el mercado actuales por la matriz de probabilidad de transición. A continuación se muestra la
estructura general de estos cálculos:
0.65 0.20 0.15

10.40 0.35 0.252 C 0.05 0.90 0.05 S
0.10 0.10 0.80
Por lo tanto, la participación en el mercado de la Bradley School, la International Technology y la Career Academy
se calculan multiplicando las participaciones en el mercado actuales por la matriz de probabilidades de transición
de la forma indicada. El resultado será una nueva matriz con tres números, donde cada uno representa la participa-
ción en el mercado de cada una de las escuelas. Los cálculos matriciales detallados son:
Participación en el mercado para la Bradley School = 10.402 10.652 + 10.352 10.052 + 10.252 10.102
= 0.303
Participación en el mercado para la Career Academy = 10.402 10.202 + 10.352 10.902 + 1 0.252 10.102
= 0.420
Participación en el mercado para la International Technology = 10.402 10.152 + 10.352 10.052 + 10.252 10.802
= 0.278
Ahora George desearía calcular las participaciones en el mercado de equilibrio para las tres escuelas. En con-
diciones de equilibrio, la participación en el mercado futura es igual a la participación en el mercado actual o
existente por la matriz de probabilidades de transición. Si la variable X representa las diferentes participaciones
en el mercado de estas tres escuelas, es posible desarrollar una relación general que nos permita calcular las par-
ticipaciones de mercado en equilibrio.

Sean
X1 = participación en el mercado de la Bradley School
X2 = participación en el mercado de la Career Academy
X3 = participación en el mercado de la International Technology
En el equilibrio,
0.65 0.20 0.15
1X1, X2, X3 2 = 1X1, X2, X3 2 C 0.05 0.90 0.05 S
0.10 0.10 0.80
El siguiente paso es realizar las multiplicaciones correspondientes en el lado derecho de la ecuación. Lo anterior
le permitirá obtener tres ecuaciones con tres valores de X desconocidos. Asimismo, sabemos que la suma de las
participaciones en el mercado para cualquier periodo determinado debe ser igual a 1. Por lo tanto, podemos generar
cuatro ecuaciones que se resumen como sigue:
X1 = 0.65X1 + 0.05X2 + 0.10X3
X2 = 0.20X1 + 0.90X2 + 0.10X3
X3 = 0.15X1 + 0.05X2 + 0.80X3
X1 + X2 + X3 = 1
Debido a que tenemos cuatro ecuaciones y sólo tres incógnitas, podemos eliminar una de las tres primeras ecua-
ciones, con lo que quedarán tres ecuaciones y tres incógnitas. Estas ecuaciones se pueden resolver usando proce-
dimientos algebraicos estándar para obtener los valores de las participaciones en el mercado de equilibrio para la
Bradley School, la International Technology y la Career Academy. Los resultados de estos cálculos se muestran en
la siguiente tabla:
PARTICIPACIÓN
ESCUELA EN EL MERCADO
X1 (Bradley) 0.158
X2 (Career) 0.579
X3 (International) 0.263

La Central State University aplica anualmente exámenes sobre competencias en computación, los cuales permiten
a los estudiantes “aprobar” la clase de introducción a la computación que se imparte en la universidad. Los resulta-
dos de los exámenes pueden colocarse en uno de los cuatro estados siguientes:
Estado 1: pasar todos los exámenes de computación y estar exento del curso
Estado 2: no pasar todos los exámenes de computación en el tercer intento y estar obligado a tomar el curso
Estado 3: no pasar los exámenes de computación en el primer intento
Estado 4: no pasar los exámenes de computación en el segundo intento
El coordinador del curso para los exámenes ha descubierto la siguiente matriz de probabilidades de transición:
1 0 0 0
0 1 0 0
P = D T
0.8 0 0.1 0.1
0.2 0.2 0.4 0.2
En la actualidad, hay 200 estudiantes que no pasaron todos los exámenes en el primer intento. Además, hay 50
estudiantes que no pasaron en el segundo intento. A largo plazo, ¿cuántos estudiantes estarán exentos del curso
aprobando los exámenes? ¿Cuántos de los 250 estudiantes estarán obligados a tomar el curso de computación?

Solución
Los valores de la matriz de transición se resumen de la siguiente manera:
DE 1 2 3 4
1 1 0 0 0
2 0 1 0 0
3 0.8 0 0.1 0.1
4 0.2 0.2 0.4 0.2
El primer paso para determinar el número de estudiantes que deberán tomar el curso y cuántos estarán exentos
de hacerlo es dividir la matriz de transición en cuatro matrices. Éstas son las matrices I, 0, A y B:
1 0
I = c d
0 1
0 0
0 = c d
0 0
0.8 0
A = c d
0.2 0.2
0.1 0.1
B = c d
0.4 0.2
El siguiente paso es calcular la matriz fundamental, representada por la letra F. Esta matriz se determina al restar
la matriz B de la matriz I para, después, obtener la inversa del resultado:
0.9 -0.1 -1
F = 1I - B2 -1 = c d
-0.4 0.8
Primero encontramos
r = ad - bc = 10.92 10.82 - 1 -0.12 1 -0.42 = 0.72 - 0.04 = 0.68

0.8 - 1 -0.12
-1
0.9 -0.1 0.68 0.68 1.176 0.147
F = c d = D T = c d
-0.4 0.8 - 1 -0.42 0.9 0.588 1.324
0.68 0.68
Ahora multiplique la matriz F por la matriz A. Este paso es necesario para determinar cuántos estudiantes estarán
exentos del curso y cuántos estarán obligados a tomarlo. La multiplicación de la matriz F por la matriz A es bas-
tante sencilla:
1.176 0.147 0.8 0
FA = c dc d
0.588 1.324 0.2 0.2
0.971 0.029
= c d
0.735 0.265
El paso final consiste en multiplicar los resultados de la matriz FA por la matriz M, como se muestra a continuación:
0.971 0.029
MFA = 1200 502 c d
0.735 0.265
= 1231 192
Como se observa, la matriz MFA se compone de dos números. El número de estudiantes que estarán exentos del
curso es de 231. El número de alumnos que en algún momento deberá tomar el curso es 19.

Autoevaluación
1. Si los estados de un sistema o proceso son tales que el sistema 6. En el análisis de Markov, las probabilidades de estado deben
sólo puede estar en un estado a la vez, entonces los estados a. sumar 1.
a. son colectivamente exhaustivos. b. ser menores que 0.
b. son mutuamente excluyentes. c. ser menores que 0.01.
c. son absorbentes. d. ser mayores que 1.
d. tienden a desaparecer. e. ser mayores que 0.01.
2. El producto de un vector de probabilidades de estado por la 7. Si las probabilidades de estado no cambian de un periodo a
matriz de probabilidades de transición producirá otro, entonces,
a. otro vector de probabilidades de estado. a. el sistema está en equilibrio.
b. un desastre sin sentido. b. cada probabilidad de estado debe ser igual a 0.
c. la inversa de la matriz del estado de equilibrio. c. cada probabilidad de estado debe ser igual a 1.
d. todo lo anterior. d. el sistema está en su estado fundamental.
e. ninguna de las anteriores. 8. En la matriz de probabilidades de transición,
3. A largo plazo, las probabilidades de estado serán 0 y 1 a. la suma de las probabilidades de cada fila será igual a 1.
a. en ningún caso. b. la suma de las probabilidades de cada columna será igual a 1.
b. en todos los casos. c. debe haber al menos un 0 en cada fila.
c. en algunos casos. d. debe haber al menos un 0 en cada columna.
4. Para encontrar las condiciones de equilibrio, 9. Es necesario usar la matriz fundamental
a. es necesario conocer el primer vector de probabilidades de a. para encontrar las condiciones de equilibrio cuando no hay
estado. estados absorbentes.
b. la matriz de probabilidades de transición es innecesaria. b. para encontrar las condiciones de equilibrio cuando hay uno
c. los términos generales en el vector de probabilidades de o más estados absorbentes.
estado se utilizan en dos ocasiones. c. para encontrar la matriz de probabilidades de transición.
d. la matriz de probabilidades de transición debe elevarse al d. para encontrar la inversa de una matriz.
cuadrado antes de invertirla. 10. En el análisis de Markov, nos permite ir de
e. ninguna de las anteriores. un estado actual a un estado futuro.
5. ¿Cuál de los siguientes no es uno de los supuestos del análisis 11. En el análisis de Markov, suponemos que las probabilidades de
de Markov? estado son y .
a. Hay un número limitado de estados posibles. 12. es la probabilidad de que el sistema se
b. Hay un número limitado de posibles periodos futuros. encuentre en un estado particular.
c. Un estado futuro puede predecirse a partir del estado anterior
y de la matriz de probabilidades de transición.
d. El tamaño y la composición del sistema no cambian durante
el análisis.
e. Todos los anteriores son supuestos del análisis de Markov.

Preguntas para análisis 14-4 ¿Qué es una condición de equilibrio? ¿Cómo sabemos
que tenemos una condición de equilibrio y cómo pode-
14-1 Mencione los supuestos que se adoptan en el análisis de
mos calcular las condiciones de equilibrio dada la matriz
Markov.
de probabilidades de transición?
14-2 ¿Qué son el vector de probabilidades de estado y la ma-
14-5 ¿Qué es un estado absorbente? Dé varios ejemplos de es-
triz de probabilidades de transición, y cómo se pueden
tados absorbentes.
determinar?
14-6 ¿Qué es la matriz fundamental, y cómo se utiliza para de-
14-3 Describa cómo se utiliza el análisis de Markov para hacer
terminar las condiciones de equilibrio?
predicciones del futuro.

Problemas* desgracia, debido a que la máquina es vieja, de cuando en

cuando sobrellena o llena insuficientemente las bolsas.
14-7 Encuentre la inversa de cada una de las siguientes
Cuando la máquina está colocando correctamente 50 li-
matrices:
bras de alimento para perro en cada bolsa, hay una pro-
0.9 -0.1 babilidad de 0.10 de que la máquina ponga solamente 49
(a) c d libras en cada bolsa el día siguiente, y hay una probabili-
-0.2 0.7
0.8 -0.1 dad de 0.20 de que coloque 51 libras en cada bolsa el día
(b) c d siguiente. Si la máquina está colocando 49 libras de ali-
-0.3 0.9 mento para perro en cada bolsa, hay una probabilidad de
0.7 -0.2 0.30 de que ponga 50 libras en cada bolsa mañana y una
(c) c d
-0.2 0.9 probabilidad de 0.20 de que ponga 51 libras en cada bolsa
0.8 -0.2 mañana. Además, si la máquina está colocando 51 libras
(d) c d
-0.1 0.7 en cada bolsa de hoy, hay una probabilidad de 0.40 de que
coloque 50 libras en cada bolsa mañana y una probabili-
14-8 Ray Cahnman es el orgulloso propietario de un automóvil dad de 0.10 de que ponga 49 libras en cada bolsa mañana.
deportivo 1955. En un día cualquiera, Ray nunca sabe si
su auto encenderá. El 90% de las veces enciende si encen- (a) Si la máquina está cargando 50 libras en cada bolsa
dió la mañana anterior, y 70% de las veces no enciende si hoy, ¿cuál es la probabilidad de que coloque 50 libras
no encendió la mañana anterior. en cada bolsa mañana?
(b) Resuelva el inciso (a) cuando la máquina está ponien-
(a) Construya la matriz de probabilidades de transición. do sólo 49 libras en cada bolsa hoy.
(b) ¿Cuál es la probabilidad de que encienda mañana si (c) Resuelva el inciso (a) cuando la máquina está po-
encendió el día de hoy? niendo 51 libras en cada bolsa hoy.
(c) ¿Cuál es la probabilidad de que encienda mañana si 14-13 Resuelva el problema 14-12 (Goodeating Dog Chow) para
no encendió el día de hoy? cinco periodos.
14-9 Alan Resnik, un amigo de Ray Cahnman, apuesta $5 a 14-14 La University of South Wisconsin ha tenido una matrícula
Ray que su automóvil no encendería cinco días consecu- estable durante los últimos cinco años. La escuela tiene su
tivos a partir de mañana (vea el problema 14-8). propia librería, llamada University Book Store, pero también
hay tres librerías privadas en la ciudad: Bill’s Book Store,
(a) ¿Cuál es la probabilidad de que no encienda cinco College Book Store y Battle’s Book Store. La universidad
días a partir de mañana si hoy encendió? está preocupada por el gran número de estudiantes que
(b) ¿Cuál es la probabilidad de que no encienda cinco se están cambiando a una de las librerías privadas. Como re-
días a partir de mañana si hoy no encendió? sultado de ello, el presidente de la South Wisconsin, Andy
(c) ¿Cuál es la probabilidad de que encienda en el largo Lange, ha decidido dar a un estudiante tres horas de crédito
plazo, si la matriz de probabilidades de transición no universitario para investigar el problema. Se obtuvo la si-
cambia? guiente matriz de probabilidades de transición:
14-10 A lo largo de un mes dado, Dress-Rite pierde 10% de sus
clientes con Fashion, Inc., y 20% de su mercado con Lu- UNIVERSITY BILL’S COLLEGE BATTLE’S
xury Living. Pero Fashion, Inc., pierde 5% de su mercado UNIVERSITY 0.6 0.2 0.1 0.1
con Dress-Rite y 10% de su mercado con Luxury Living
BILL’S 0 0.7 0.2 0.1
cada mes; y Luxury Living pierde 5% de su mercado con
Fashion, Inc., y 5% de su mercado con Dress-Rite. En COLLEGE 0.1 0.1 0.8 0
la actualidad, cada una de estas tiendas de ropa tiene BATTLE’S 0.05 0.05 0.1 0.8
una parte igual del mercado. ¿Cuáles cree usted que
serán las participaciones en el mercado el próximo mes? En la actualidad, cada una de las cuatro librerías tiene una
¿Cuáles serán dentro de tres meses? participación igual en el mercado. ¿Cuáles serán las parti-
14-11 Dibuje un diagrama de árbol para ilustrar cuáles serán las cipaciones en el mercado para el próximo periodo?
participaciones en el mercado el próximo mes en el pro- 14-15 Andy Lange, presidente de la University of South Wis-
blema 14-10. consin, está preocupado por el declive del negocio en la
14-12 La compañía Goodeating Dog Chow produce una varie- University Book Store. (Vea el problema 14-14 para más
dad de marcas de alimento para perros. Uno de sus me- detalles). Los estudiantes le dicen que los precios son de-
jores productos es la bolsa de 50 libras de Goodeating masiado altos. Andy, sin embargo, ha decidido no bajar
Dog Chow. George Hamilton, presidente de Goodeating, los precios. Si se dan las mismas condiciones, ¿qué parti-
utiliza una máquina muy antigua para empacar 50 libras cipación en el mercado a largo plazo esperaría Andy para
de Goodeating Chow automáticamente en cada bolsa. Por las cuatro librerías?
*

14-16 Hervis Rent-A-Car tiene tres oficinas de alquiler de au- otra computadora de la misma marca en su próxima com-
tomóviles en el área conurbada de Houston: las sucur- pra 80% de las veces; mientras que el resto cambiará a
sales de Northside, West End y Suburban. Los clientes las otras marcas en proporciones iguales. Los propie-
pueden alquilar un auto en cualquiera de estos lugares tarios de equipos Bell comprarán de nuevo esta marca
y devolverlo a cualquiera de los otros sin ningún cargo 90% de las veces, mientras que 5% comprará Doorway
adicional. Sin embargo, eso puede crear un problema y 5% comprará Kumpaq. Aproximadamente 70% de
para Hervis, si hay demasiados autos que se hayan entre- los propietarios de Kumpaq comprará la misma mar-
gado en la popular sucursal Northside. Con la finalidad ca la próxima vez, mientras que 20% comprará Doorway
de planear, a Hervis le gustaría predecir dónde estarán y el resto comprará Bell. Si cada marca tiene actualmente
los autos en cualquier momento. Los datos históricos 200,000 clientes que planean comprar una computadora
indican que 80% de los autos alquilados en la sucursal nueva el próximo año, ¿cuántas computadoras de cada
Northside serán devueltos ahí mismo, y que el resto se tipo comprarán?
distribuirá en partes iguales entre las otras dos sucursa- 14-20 En la sección 14.7, investigamos un problema de cuentas
les. Para la sucursal de West End, alrededor de 70% de por cobrar. ¿Cómo cambiarían las categorías de pagada
los autos alquilados serán devueltos ahí, 20% será de- y deuda incobrable con la siguiente matriz de probabili-
vuelto a la sucursal de Northside y el resto se dirigirá a la dades de transición?
sucursal Suburban. De los autos alquilados en la sucursal
Suburban, 60% serán devueltos ahí, 25% se devolverán 1 0 0 0
en la sucursal Northside y el otro 15% se regresará en 0 1 0 0
West End. Si en la actualidad hay 100 autos alquilados P = D T
en Northside, 80 en West End y 60 en la sucursal Subur- 0.7 0 0.2 0.1
ban, ¿cuántos de ellos serán devueltos en cada una de las 0.4 0.2 0.2 0.2
sucursales?
14-21 El profesor Green imparte cursos de programación de
14-17 Un estudio de las cuentas por cobrar en la tienda depar- computadoras de dos meses de duración en el periodo
tamental A&W indica que las facturas son actuales, tie- de verano. Los estudiantes deben pasar una serie de exá-
nen un mes de vencidas, dos meses de retraso, han sido menes para aprobar el curso, y cada estudiante recibe tres
descartadas como deuda incobrable o están pagadas en su oportunidades para realizar los exámenes. Los siguientes
totalidad. De las facturas actuales, 80% se paga ese mes y estados describen las posibles situaciones que podrían
el resto tendrán un mes de vencidas. De las cuentas atrasa- ocurrir:
das un mes, 90% se pagan y el resto tendrán dos meses de 1. Estado 1: pasar todos los exámenes y aprobar el
retraso. Las que tienen dos meses de vencidas se pagarán curso
(85%) o se convertirán en deuda incobrable. Si las ventas 2. Estado 2: no pasar todos los exámenes en el
cada mes promedian $150,000, determine la cantidad que tercer intento y reprobar el curso
la compañía espera recibir de ese monto. ¿Qué cantidad se 3. Estado 3: no pasar un examen en el primer
convertirá en deuda incobrable? intento
14-18 La industria de la telefonía celular es muy competitiva. En 4. Estado 4: no pasar un examen en el segundo
el área metropolitana de Lubbock, las empresas Horizon intento
y Local Cellular luchan constantemente entre sí en un in- Después de observar a varios grupos, el profesor Green
tento por controlar el mercado. Cada compañía tiene un logró obtener la siguiente matriz de probabilidades de
acuerdo de servicio de un año. Al final de cada año, algu- transición:
nos clientes renovarán, mientras que algunos se cambiarán
a la otra empresa. Los clientes de Horizon tienden a ser 1 0 0 0
leales y 80% de ellos renuevan, mientras que 20% cam- 0 1 0 0
P = D T
bia de compañía. Alrededor de 70% de los clientes de Lo- 0.6 0 0.1 0.3
cal Cellular renuevan con ellos y aproximadamente 30% 0.3 0.3 0.2 0.2
cambian a Horizon. Si en el presente año hay 100,000
clientes de Horizon y 80,000 clientes de Local Cellular, En la actualidad, hay 50 estudiantes que no pasaron todos
¿cuántos clientes esperaríamos que tuviera cada empresa los exámenes en el primer intento, y hay 30 estudiantes
el próximo año? que no pasaron todos los exámenes restantes en el se-
14-19 La industria de las computadoras personales se está mo- gundo intento. ¿Cuántos estudiantes en estos dos grupos
aprobarán el curso y cuántos lo reprobarán?
viendo muy rápido y la tecnología proporciona una
motivación para que los clientes se actualicen con nuevos 14-22 Hicourt Industries es una empresa de impresión comer-
equipos cada pocos años. La lealtad a la marca es muy cial en una ciudad de tamaño mediano en el centro de
importante y las empresas tratan de hacer todo lo necesa- Florida. Sus únicos competidores son Printing House y
rio para mantener a sus clientes contentos. Sin embargo, Gandy Printers. El mes pasado, Hicourt Industries tenía
algunos clientes actuales cambiarán a una empresa dife- aproximadamente 30% del mercado del negocio de im-
rente. Tres marcas particulares, Doorway, Bell y Kumpaq, presiones en el área. Printing House tenía 50% y Gandy
poseen las principales participaciones en el mercado. Las Printers 20% del mercado. La asociación de impreso-
personas que poseen computadoras Doorway adquirirán res locales había determinado recientemente cómo estos tres

impresores y otras operaciones de impresión más peque- 14-24 Configure tanto el vector de probabilidades de estado
ñas que no participaban en el mercado comercial eran como la matriz de probabilidades de transición, dada la
capaces de mantener su base de clientes. Hicourt era el siguiente información:
más exitoso en mantener a sus clientes; 80% de ellos en La tienda 1 tiene actualmente 40% del mercado; la tienda
cualquier mes se mantenían para el próximo mes. Prin- 2 tiene actualmente 60% del mercado.
ting House, por otro lado, tenía una tasa de retención En cada periodo, los clientes de la tienda 1 tienen 80% de
de 70%. Gandy Printers estaba en las peores condicio- probabilidades de regresar; 20% cambiarán a la tienda 2.
nes, pues sólo 60% de sus clientes en cualquier mes se En cada periodo, los clientes de la tiende 2 tienen 90% de
mantenían con la empresa. En un mes, la participación probabilidades de regresar; 10% cambiarán a la tienda 1.
en el mercado había cambiado significativamente. Esto 14-25 Encuentre p 122 para el problema 14-24.
era muy emocionante para George Hicourt, presidente 14-26 Encuentre las condiciones de equilibrio para el problema
de Hicourt Industries, ya que este mes su empresa logró 14-24. Explique su significado.
una participación en el mercado de 38%. Printing House, 14-27 Como resultado de una reciente encuesta a estudiantes de
por el contrario, perdió participación en el mercado. Este la University of South Wisconsin, se determinó que la li-
mes, sólo tenía 42% de participación en el mercado. brería propiedad de la universidad tiene actualmente 40%
Gandy Printers se mantuvo igual; conservó su 20% del del mercado. (Vea el problema 14-14). Las otras tres libre-
mercado. Con la sola observación de la participación en rías, Bill’s, College y Battle’s, se dividen la participación
el mercado, George llegó a la conclusión de que podía en el mercado inicial restante. Considerando que las pro-
quitar 8% mensual a Printing House, y estimó que en babilidades de estado son iguales, ¿cuál es la participación
pocos meses, básicamente podría dejar a Printing House en el mercado para el próximo periodo, dadas las partici-
fuera del negocio. Su esperanza era captar 80% del to- paciones en el mercado iniciales? ¿Qué impacto tienen las
tal del mercado, lo cual representa su original 30%, junto participaciones en el mercado iniciales en cada librería el
con la participación original de 50% de Printing House. próximo periodo? ¿Cuál es el impacto sobre las participa-
¿Será George capaz de alcanzar su meta? ¿Cuáles cree ciones en el mercado de estado estacionario?
usted que serán las participaciones en el mercado a largo 14-28 Sandy Sprunger es copropietaria de uno de los mayores ta-
plazo para las tres empresas de impresión comercial? lleres de cambio de aceite rápido en una ciudad de tamaño
¿Será Hicourt Industries capaz de dejar a Printing House medio del medio oeste. En la actualidad, la empresa tiene
completamente fuera del negocio? 60% del mercado. Hay un total de 10 talleres de lubricación
rápida en la zona. Después de realizar una investigación de
14-23 John Jones, de la lavandería Bayside ha proporcionado mercados básica, Sandy pudo obtener las probabilidades
los servicios de aseo y lavado de blancos para condomi- iniciales, o participación en el mercado, junto con la matriz
nios en alquiler de la costa del Golfo durante más de 10 de transición, que representa las probabilidades de que los
años. Actualmente, John está dando servicio a 26 desarro- clientes cambien de un taller de lubricación rápida a otro.
llos de condominios. Los dos competidores principales de Estos valores se muestran en la tabla de la página siguiente:
John son Cleanco, que en la actualidad da servicio a 15
Las probabilidades iniciales, o participación en el mer-
desarrollos de condominios, y Beach Services, que presta
cado, para los talleres 1 a 10, son 0.6, 0.1, 0.1, 0.1, 0.05,
los servicios de lavandería y limpieza en 11 desarrollos de 0.01, 0.01, 0.01, 0.01 y 0.01.
condominios (a) Con base en estos datos, determine las participaciones
Recientemente, John contactó al Bay Bank para soli- en el mercado del próximo periodo para cada uno de
citar un crédito que le ayude a ampliar las operaciones de los 10 talleres.
su negocio. Para justificar el préstamo, John ha mantenido (b) ¿Cuáles son las participaciones en el mercado de
registros detallados de sus clientes y de los clientes que re- equilibrio?
cibió de sus dos principales competidores. Durante el año (c) Sandy considera que las estimaciones originales
pasado, fue capaz de mantener a 18 de sus originales 26 de las participaciones en el mercado eran erróneas.
clientes. Durante el mismo periodo, fue capaz de obtener Considera que el taller 1 tiene 40% del mercado, y
1 nuevo cliente de Cleanco y 2 nuevos clientes de Beach el taller 2 tiene 30%. Todos los demás valores son
Services. Por desgracia, John perdió a 6 de sus clientes iguales. Si esto es cierto, ¿cuál es el impacto en las
originales con Cleanco y a 2 de sus clientes originales con participaciones en el mercado para el próximo perio-
Beach Services durante el mismo año. John también sabe do y en las participaciones de equilibrio?
que Cleanco ha mantenido 80% de sus clientes actuales. (d) Una consultora de marketing considera que el taller 1
También sabe que Beach Services mantendrá al menos a tiene un gran atractivo. Ella cree que esta tienda retendrá
50% de sus clientes. Para que John obtenga el préstamo 99% de su participación de mercado actual; 1% puede
del Bay Bank, debe demostrar al ejecutivo de crédito que cambiar al taller 2. Si la consultora está en lo correcto,
va a mantener una participación adecuada en el mercado. ¿tendrá el taller 1 el 90% del mercado a largo plazo?
Los oficiales del Bay Bank están preocupados por las re- 14-29 Durante un reciente viaje a su restaurante favorito, Sandy
cientes tendencias de las participaciones en el mercado, (propietaria del taller 1) se reunió con Chris Talley (pro-
y han decidido no dar a John un préstamo, a menos que pietario del taller 7) (vea el problema 14-28). Después de
mantenga como mínimo 35% de la participación en el una comida agradable, Sandy y Chris tuvieron una acalo-
mercado a largo plazo. ¿Qué participación en el mercado rada discusión sobre la participación en el mercado de los
de equilibrio puede esperar John? Si usted fuera un oficial talleres para el cambio de aceite rápido en su ciudad. Su
del Bay Bank, ¿le otorgaría un préstamo a John? conversación fue la siguiente:


A
DE 1 2 3 4 5 6 7 8 9 10
1 0.60 0.10 0.10 0.10 0.05 0.01 0.01 0.01 0.01 0.01
2 0.01 0.80 0.01 0.01 0.01 0.10 0.01 0.01 0.01 0.03
3 0.01 0.01 0.70 0.01 0.01 0.10 0.01 0.05 0.05 0.05
4 0.01 0.01 0.01 0.90 0.01 0.01 0.01 0.01 0.01 0.02
5 0.01 0.01 0.01 0.10 0.80 0.01 0.03 0.01 0.01 0.01
6 0.01 0.01 0.01 0.01 0.01 0.91 0.01 0.01 0.01 0.01
7 0.01 0.01 0.01 0.01 0.01 0.10 0.70 0.01 0.10 0.04
8 0.01 0.01 0.01 0.01 0.01 0.10 0.03 0.80 0.01 0.01
9 0.01 0.01 0.01 0.01 0.01 0.10 0.01 0.10 0.70 0.04
10 0.01 0.01 0.01 0.01 0.01 0.10 0.10 0.05 0.00 0.70
Sandy: Mi negocio es tan superior que después de que al- (es decir, 3% en cada uno). ¿Qué impacto tiene esto sobre
guien cambia el aceite en uno de mis talleres, nunca hará las participaciones en el mercado de estado estacionario
negocios con nadie más. Pensándolo bien, quizás 1 per- para los talleres de cambio de aceite rápido?
sona de cada 100 visitará tu taller después de haber estado 14-31 La siguiente gráfica representa los cambios en el clima de
en el mío. En un mes, tendré 99% del mercado y tú única- un día al siguiente en Erie, Pensilvania.
mente 1 por ciento.
0.6
Chris: Entiendes las cosas completamente al revés. En un
mes, tendré 99% del mercado y tú sólo tendrás 1%. De he-
0.7 Soleado Nublado 0.4
cho, te pagaré una comida en un restaurante de tu elección
si tienes razón. Pero si yo estoy en lo cierto, me invitarás
uno de esos grandes filetes de David’s Steak House. ¿Te- 0.3
nemos un trato? Determine la matriz de transición asociada y la probabili-
Sandy: ¡Sí! Ten lista tu chequera o tu tarjeta de crédito. dad de que esté nublado en tres días dado que hoy es un
Tendrás el privilegio de pagar por dos comidas muy caras día nublado.
en el restaurante de mariscos Anthony. 14-32 La siguiente gráfica representa los cambios en el clima de
(a) Suponga que Sandy está en lo cierto acerca de los un día al siguiente en Lowell, Massachusetts.
clientes que visitan uno de sus talleres para el cambio
de aceite rápido. ¿Le podrá ganar la apuesta a Chris? 0.2
(b) Suponga que Chris está en lo cierto acerca de los
clientes que visitan uno de sus talleres para el cambio 0.6 Soleado Nublado 0.4
de aceite rápido. ¿Ganará la apuesta?
(c) Describa qué ocurriría si tanto Sandy como Chris es- 0.3
tán en lo cierto acerca de los clientes que visitan sus 0.4
talleres para el cambio de aceite rápido. 0.5
0.1
14-30 El primer taller para el cambio de aceite rápido del pro- Lluvioso 0.5
blema 14-28 retiene 73% de su participación de mercado,
lo cual representa una probabilidad de 0.73 en la primera
fila y la primera columna de la matriz de probabilidades Determine la matriz de transición asociada y el porcentaje
de transición. Los otros valores de probabilidad en la pri- total de días soleados.
mera fila se distribuyen por igual entre los otros talleres

Estudio de caso
Rentall Trucks
Jim Fox, un ejecutivo de Rentall Trucks, no lo podía creer. Había con- de los clientes a cambiar de compañía. De los clientes originales de
tratado a uno de los mejores bufetes de abogados de la ciudad, Folley, Rentall, 200 se cambiaron a Rentran y 80 se cambiaron a Natio-
Smith y Christensen. Su tarifa para la elaboración de contratos legales nal. Rentran fue capaz de retener 51 de sus clientes originales. Tres
era de $50,000. Folley, Smith y Christensen había hecho una impor- clientes cambiaron a Rentall y 6 cambiaron a National. Por último,
tante omisión en los contratos y, más que probablemente, este error 14 clientes pasaron de National a Rentall y 35 clientes cambiaron de
costaría a Rentall Trucks millones de dólares. Por enésima vez, Jim National a Rentran.
reconstruyó cuidadosamente la situación y evaluó lo inevitable. La junta de consejo sería en sólo dos semanas, y habría preguntas
Rentall Trucks fue fundada por Robert (Bob) Renton hace más difíciles de responder: ¿Qué sucedió y qué se puede hacer con Ren-
de 10 años. Se especializa en el alquiler de camiones para empresas tran? En opinión de Jim Fox, nada se podía hacer con la costosa omi-
y particulares. La compañía prosperó y Bob aumentó su valor neto sión de Folley, Smith y Christensen. La única solución era tomar una
en millones de dólares. Bob era una leyenda en el negocio del al- acción correctiva inmediata que frenara la capacidad de Rentran de
quiler y era conocido en todo el mundo por sus agudas capacidades quitar clientes a Rentall.
empresariales. Después de un cuidadoso análisis de Rentran, Rentall y el nego-
Hace sólo un año y medio, algunos de los ejecutivos de Rentall cio de alquiler de camiones en general, Jim llegó a la conclusión de
y algunos de los demás inversores externos propusieron a Bob com- que serían necesarios cambios inmediatos en tres áreas: la política
prarle Rentall Trucks. Bob estaba cerca de la jubilación y la oferta era de alquiler, la publicidad y la línea de productos. En cuanto a la polí-
increíble. Sus hijos y nietos podrían tener un alto nivel de vida como tica de alquiler, se requería una serie de cambios para que la renta de
producto de la venta. Folley, Smith y Christensen desarrollaron los camiones fuera más fácil y más rápida. Rentall podría aplicar muchas
contratos para los ejecutivos de Rentall y los otros inversores, y se de las técnicas usadas por Hertz y otras agencias de alquiler de au-
realizó la venta. tomóviles. Además, se necesitaban cambios en la línea de productos.
Al ser un perfeccionista, sólo fue cuestión de tiempo para que Los camiones más pequeños de Rentall tenían que ser más cómodos
Bob se dirigiera a las oficinas centrales de Rentall, a decir a todos y fáciles de conducir, debían incluir transmisión automática, asientos
los errores que estaban cometiendo y cómo resolver algunos de sus confortables, aire acondicionado, sistemas de audio de calidad esté-
problemas. Pete Rosen, presidente de Rentall, llegó a estar extre- reo y control de crucero. Aunque eran costosos y difíciles de mante-
madamente molesto por la constante interferencia de Bob, y en una ner, estos artículos podrían hacer una diferencia significativa en las
breve reunión de 10 minutos, Pete le pidió a Bob que nunca entrara de participaciones de mercado. Por último, Jim sabía que se requería
nuevo a las oficinas de Rentall. Fue en este momento que Bob decidió publicidad adicional. La publicidad tenía que ser inmediata y diná-
volver a leer los contratos, y también fue en este momento que Bob y mica. Se debía aumentar la publicidad en televisión y en revistas, por
su abogado descubrieron que no había ninguna cláusula en los contra- lo que sería necesario contratar una buena compañía de publicidad.
tos que impidiera a Bob competir directamente con Rentall. Si los nuevos cambios se realizaban ahora, habría muchas posibili-
La breve reunión de 10 minutos con Pete Rosen fue el comienzo dades de que Rentall mantuviera cerca de su 80% del mercado. Para
de Rentran. En menos de seis meses, Bob Renton había atraído a confirmar las percepciones de Jim, se empleó la misma empresa de
algunos de los principales ejecutivos de Rentall hacia su nuevo ne- investigación de mercados para analizar el efecto de estos cambios,
gocio, Rentran, que competiría directamente con Rentall Trucks en utilizando la misma muestra de 1,000 clientes.
todos los sentidos. Después de unos meses de operaciones, Bob es- La empresa de investigación de mercados, Meyers Marketing
timaba que Rentran tenía aproximadamente 5% del mercado total Research, Inc., realizó una prueba piloto en la muestra de 1,000
nacional de alquiler de camiones. Rentall tenía aproximadamente clientes. Los resultados de los análisis revelaron que Rentall sólo per-
80% del mercado, y otra compañía, National Rentals tenía el res- dería 100 de sus clientes originales con Rentran y 20 con National si
tante 15% del mercado. se aplicaran las nuevas políticas. Además, Rentall recogería clientes
Jim Fox de Rentall se encontraba en un estado de shock total. En tanto de Rentran como de National. Se estimó que Rentall tomaría 9
unos pocos meses, Rentran ya había captado 5% del mercado total. clientes de Rentran y 28 clientes de National.
A este ritmo, Rentran dominaría por completo el mercado en unos
pocos años. Pete Rosen incluso se preguntaba si Rentall podría man-
tener 50% del mercado a largo plazo. Como resultado de sus preocu-
paciones, Pete contrató a una firma de investigación de mercados que 1. ¿Cuáles serán las participaciones en el mercado en un mes, si se
analizó una muestra aleatoria de clientes de alquiler de camiones. La realizan estos cambios? ¿Y si no se hacen los cambios?
muestra fue de 1,000 clientes existentes o potenciales. La firma de 2. ¿Cuáles serán las participaciones en el mercado dentro de tres
investigación de mercados fue muy cuidadosa para asegurarse de que meses con los cambios?
la muestra representara las verdaderas condiciones del mercado. La 3. Si las condiciones del mercado permanecieran iguales, ¿qué par-
muestra, tomada en agosto, consistió en 800 clientes de Rentall, 60 ticipación en el mercado tendría Rentall a largo plazo? ¿Cómo se
clientes de Rentran y los restantes clientes de National. Esta misma compara esto con la participación en el mercado que resultaría si
muestra se analizó el mes siguiente en relación con la propensión no se hicieran los cambios?

APÉNDICE 14.1: ANÁLISIS DE MARKOV CON QM PARA WINDOWS 533
Visite nuestra página en Internet, www.pearsonenespañol.com/render y consulte estos estudios de caso

adicionales::
(1) Compañía St. Pierre Salt: Este caso se refiere a la selección de centrifugadoras que se utilizan para
separar la sal recristalizada de una solución salina.
(2) University of Texas–Austin: Analiza a estudiantes de doctorado en diferentes etapas de sus progra-
mas de posgrado.
Bibliografía
Aviv, Yossi y Amit Pazgal. “A Partially Observed Markov Decision Process Matalycki, M. A. y A. V. Pankow. “Research of Markov Queuing Network with
for Dynamic Pricing”, Management Science 51, 9 (septiembre de 2005): Central System and Incomes”, Informatyka Teoretyczna i Stosowana 4,
1400-1416. 7 (2004): 23-32.
Çelikyurt, U. y S. Özekici. “Multiperiod Portfolio Optimization Models in Park, Yonil y John L. Spouge. “Searching for Multiple Words in a Markov
Stochastic Markets Using the Mean-Variance Approach”, European Journal Sequence”, INFORMS Journal on Computing 16, 4 (otoño de 2004):
of Operational Research 179, 1 (2007): 186-202. 341-347.
Deslauriers, Alexandre et al. “Markov Chain Models of a Telephone Call Center Renault, Jérôme. “The Value of Markov Chain Games with Lack of Information
with Call Blending”, Computers & Operations Research 34, 6 (2007): on One Side”, Mathematics of Operations Research 31, 3 (agosto de 2006):
1616-1645. 490-512.
Freedman, D. Markov Chains. San Francisco: Holden-Day, Inc., 1971. Tsao, H.-Y., P.-C. Lin, L. Pitt y C. Campbell. “The Impact of Loyalty and
Juneja, Sandeep y Perwez Shahabuddin. “Fast Simulation of Markov Chains with Promotion Effects on Retention Rate”, Journal of the Operational Research
Small Transition Probabilities”, Management Science 47, 4 (abril de 2001): Society (2009) 60, 5: 646-651.
547-562. Zhu, Quanxin y Xianping Guo, “Markov Decision Processes with Variance
Lim, Gino J. y Sumeet S. Desai. “Markov Decision Process Approach for Multiple Minimization: A New Condition and Approach”, Stochastic Analysis
Objective Hazardous Material Transportation Route Selection Problem”, and Applications 25, 3 (2007): 577-592.
International Journal of Operational Research 7, 4 (2010): 506-529.
Apéndice 14.1: Análisis de Markov con QM para Windows

El análisis de Markov se puede utilizar para una variedad de problemas prácticos, incluyendo la participa-
ción en el mercado, las condiciones de equilibrio y el seguimiento de los pacientes a través de un sistema
médico. El ejemplo de las tiendas de comestibles se utiliza para mostrar cómo se emplea el análisis de
Markov para determinar las condiciones futuras de la participación en el mercado. Los programas 14.1A y
14.1B revelan cómo se utiliza QM para Windows para calcular la participación en el mercado y las condi-
ciones de equilibrio. Observe que también se muestran las condiciones iniciales y las participaciones en el
mercado finales (probabilidades).
PROGRAMA 14.1A
Pantalla de entrada
en QM para Windows
para un ejemplo
de participación transiciones que desee.
en el mercado Introduzca las probabilidades
de estado iniciales aquí.
Ésta es una matriz de
probabilidades de transición.

PROGRAMA 14.1B
Pantalla de salida en QM Éstas son las participaciones en el
para Windows para un mercado después de tres periodos.
ejemplo de participación
en el mercado
Éstas son las probabilidades
de estado estacionario.
En este capítulo también se estudia el análisis de los estados absorbentes mediante un ejemplo de pago
de facturas. Los programas 14.2A y 14.2B muestran cómo se utiliza QM para Windows para calcular el
monto pagado y el valor de la deuda incobrable, empleando el análisis de estados absorbentes.
PROGRAMA 14.2A Haga clic en Solve para

Pantalla de entrada en encontrar la solución.
un ejemplo de estados
absorbentes Ingrese el número
de transiciones aquí.
Introduzca aquí las
probabilidades iniciales,
si son conocidas.
Introduzca las
probabilidades de
transición aquí.
PROGRAMA 14.2B
QM para Windows para Para ver estas matrices, seleccione
Window y después Matrices.
un ejemplo de estados
absorbentes

APÉNDICE 14.2: ANÁLISIS DE MARKOV CON EXCEL 535
Apéndice 14.2: Análisis de Markov con Excel

La realización de las operaciones matriciales en el análisis de Markov es muy fácil con Excel, aunque el
proceso de entrada es diferente de la mayoría de las operaciones en Excel. Las dos funciones de Excel que
son más útiles con matrices son MMULT para la multiplicación matricial y MINVERSE para encontrar la
inversa de una matriz. Sin embargo, se utilizan procedimientos especiales para introducirlas en la hoja de
cálculo. La suma y resta de matrices también es sencilla en Excel usando procedimientos especiales.
Uso de Excel para predecir participación futura en el mercado

Cuando se usa el análisis de Markov para predecir la participación futura en el mercado o los estados
futuros, es necesario multiplicar matrices. Para multiplicar matrices en Excel, utilizamos MMULT de
la manera siguiente:
1. Resalte todas las celdas que contendrán la matriz resultante.
2. Escriba = MMULT(matrix1, matrix2), donde matrix 1 y matrix 2 son los rangos de celdas para las dos
matrices a multiplicar.
3. En lugar de simplemente presionar Enter, mantenga pulsada las teclas Ctrl y Shift y, después, presione
Enter.
Al presionar Ctrl + Shift + Enter se indica la realización de una operación matricial, de manera que todas
las celdas de la matriz cambian en consecuencia.
El programa 14.3A muestra las fórmulas para el ejemplo de las tres tiendas de comestibles de la
sección 14.2. Se ha introducido el periodo de tiempo en la columna A sólo como referencia, puesto que
estaremos calculando las probabilidades de estado hasta el periodo de tiempo 6. Las probabilidades
de estado (celdas B6 a D6) y la matriz de probabilidades de transición (celdas E6 a G8) se introducen de la
manera mostrada. En seguida, utilizamos la multiplicación de matrices para encontrar las probabilidades
de estado del próximo periodo. Resalte las celdas B7, C7 y D7 (aquí es donde estará la matriz resultante) y
escriba = MMULT(B6:D6,E6:G8), como se indica en la tabla. Después, pulse Ctrl + Shift + Enter (todo
a la vez), y esta fórmula se pondrá en cada una de las tres celdas resaltadas. Cuando haya hecho esto, Excel
colocará { } alrededor de esta fórmula en el cuadro ubicado en la parte superior de la pantalla (no se mues-
tra). Después, copie las celdas B7, C7 y D7 a las filas 8 a 12 como se muestra. El programa 14.3B presenta
el resultado y las probabilidades de estado para los seis próximos periodos de tiempo.
PROGRAMA 14.3A
Ésta es la matriz de
Entrada y fórmulas en Introduzca las probabilidades de estado probabilidades
actuales en las celdas B6, C6 y D6. de transición.
Excel para el ejemplo
de las tres tiendas de
comestibles
Las probabilidades de estado

futuras se calculan en las filas
7 a 12.
PROGRAMA 14.3B
Salida de Excel para
el ejemplo de las tres
tiendas de comestibles

Uso de Excel para encontrar la matriz fundamental

y los estados absorbentes
Excel se utiliza para encontrar la matriz fundamental que sirve para predecir las condiciones futuras
cuando existen estados absorbentes. La función MINVERSE se usó en el ejemplo de las cuentas por cobrar
de la sección 14.7 de este capítulo. El programa 14.4A muestra las fórmulas y el programa 14.4B propor-
ciona los resultados. Recuerde que todo el rango de la matriz (D12 a E13) se resalta antes de introducir la
función MINVERSE. Asimismo, recuerde pulsar Ctrl + Shift + Enter (todo a la vez).
La suma y la resta de matrices pueden manejarse de una forma similar a los métodos que acaba-
mos de describir. En el programa 14.4A, la matriz I - B se calculó utilizando un método matricial. Pri-
mero resaltamos las celdas D9 a E10 (donde estará el resultado). Luego, escribimos la fórmula que se
observa en estas celdas y pulsamos Ctrl + Shift + Enter (todo a la vez), para hacer que esta fórmula
se introduzca en cada una de las celdas. En seguida, Excel calcula los valores correspondientes como se
muestra en el programa de 14.4B.
PROGRAMA 14.4A Ésta es la matriz de probabilidades de

Entrada y fórmulas en transición con particiones de la sección 14.7.
Excel para el ejemplo de
las cuentas por cobrar Así se calcula la matriz
fundamental F con la
función MINVERSE.
Así se calcula la
matriz FA con
la función MMULT.
PROGRAMA 14.4B
Salida en Excel para el
ejemplo de las cuentas
por cobrar

CAPÍTULO 15
Control estadístico
de la calidad
1. Definir la calidad de un producto o servicio. 3. Comprender los fundamentos teóricos básicos
2. Desarrollar cuatro tipos de gráficas de control: del control estadístico de la calidad, incluyendo
x, R, p y c. el teorema del límite central.
4. Saber si un proceso está bajo control.

15.1 Introducción 15.4 Gráficas de control para variables
15.2 Definición de la calidad y la TQM 15.5 Gráficas de control para atributos
15.3 Control estadístico de procesos
problemas • Estudios de caso en Internet • Bibliografía
Apéndice 15.1: Uso de QM para Windows en el SPC
537

538 CAPÍTULO 15 • CONTROL ESTADÍSTICO DE LA CALIDAD
15.1 Introducción
Para casi todos los productos o servicios, hay más de una organización tratando de hacer una venta. El
precio suele ser un aspecto importante que determina si una venta se hace o se pierde, pero otro factor tam-
bién es la calidad. De hecho, la calidad es a menudo el aspecto principal; y la mala calidad puede ser muy
costosa tanto para la empresa productora como para el cliente.
En consecuencia, las empresas utilizan tácticas de gestión de la calidad. La gestión de la calidad, o
como se le denomina más comúnmente, el control de calidad (QC, quality control), es fundamental en toda
organización. Una de las principales funciones del administrador es asegurarse de que su empresa ofrezca
un producto de calidad en el lugar correcto, en el momento adecuado y al precio apropiado. La calidad no
es sólo una preocupación referente a los productos manufacturados; de igual forma es importante en los
El control estadístico de procesos servicios, desde la banca y la atención hospitalaria hasta la educación.
utiliza herramientas estadísticas Este capítulo inicia con un intento por definir con precisión lo que es realmente la calidad. En seguida
y de probabilidad para ayudar a abordamos la metodología estadística más importante para la gestión de la calidad: el control estadístico de
controlar los procesos y producir procesos (SPC, statistical process control), que es la aplicación de las herramientas estadísticas analizadas
bienes y servicios consistentes. en el capítulo 2 al control de procesos que dan como resultado productos o servicios.
15.2 Definición de la calidad y la TQM

La calidad de un producto o servicio Para algunas personas, un producto de alta calidad es aquel que es más fuerte, durará más tiempo, tiene
es el grado en el cual el producto o mayor peso y que, en general, es más resistente que otros productos. En algunos casos, ésta es una buena
servicio cumple las especificaciones. definición de un producto de calidad, pero no siempre. Un buen disyuntor de circuitos, por ejemplo, no es
el que dura más durante periodos de tensión o corriente altas. Así que la calidad de un producto o servicio
es el grado en que el producto o servicio cumple las especificaciones. Cada vez con mayor frecuencia, las
definiciones de calidad incluyen un énfasis añadido en la satisfacción de las necesidades del cliente. Como
se observa en la tabla 15.1, la primera y la segunda definiciones son similares a la nuestra.
La gestión de la calidad total abarca La gestión de la calidad total (TQM, total quality management) se refiere a un énfasis en la calidad
a toda la organización. que abarca a toda la organización, desde el proveedor hasta el cliente. Asimismo, enfatiza un compromiso
de la gerencia para tener un impulso de toda la empresa hacia la excelencia en todos los aspectos de los
productos y servicios que son importantes para el cliente. Cumplir con las expectativas del cliente requiere
un énfasis en la TQM, si la compañía competirá como líder en los mercados globales.
Este énfasis en la calidad implica que la compañía buscará una mejora continua en todos los aspectos
de la entrega de productos y servicios.
TABLA 15.1
“La calidad es el grado en que un producto específico se ajusta a un diseño o a una
Varias definiciones especificación”.
de calidad H. L. Gilmore. “Product Conformance Cost”, Quality Progress (junio de 1974): 16.
“La calidad es el conjunto de propiedades y características de un producto o servicio que inte-
gran su capacidad para satisfacer necesidades explícitas o implícitas”.
Ross Johnson y William O. Winchell. Production and Quality. Milwaukee, WI: American Society of
Quality Control, 1989, p. 2.
“La calidad es la aptitud para el uso”.
J. M. Juran, ed. Quality Control Handbook, 3a. ed. Nueva York: McGraw-Hill, 1974, p. 2.
“La calidad la define el cliente; los clientes quieren productos y servicios que, durante toda su
vida, satisfagan sus necesidades y expectativas a un costo que represente su valor”.
Definición de Ford, según fue presentada en William W. Scherkenbach. Deming’s Road to Continual
Improvement. Knoxville, TN: SPC Press, 1991, p. 161.
“Aunque la calidad no se puede definir, ya sabes lo que es”.
R. M. Pirsig. Zen and the art of Motorcycle Maintenance. Nueva York: Bantam Books, 1974, p. 213.

15.3 CONTROL ESTADÍSTICO DE PROCESOS 539
HISTORIA ¿Cómo ha evolucionado el control de calidad?
japonés. Un segundo pionero, J. M. Juran, siguió a Deming a Japón,

A principios del siglo XIX, un solo artesano experto comenzaba y
terminaba un producto completo. Con la Revolución Industrial y el
enfatizando el apoyo y la participación de la alta gerencia en la bata-
lla por la calidad. En 1961 A. V. Feigenbaum escribió su libro clásico
sistema de fábricas, se volvió común que cada uno de muchos traba- de Total Quality Control, que comunicaba un mensaje fundamental:
jadores fabricara una pequeña parte del producto final. Con esto, la ¡Hacer las cosas bien desde la primera vez! En 1979, Philip Crosby
responsabilidad por la calidad del producto final tendió a desplazarse publicó Quality is Free, haciendo hincapié en la necesidad de un com-
a los supervisores y el orgullo por el trabajo artesanal disminuyó. promiso de la gerencia y los trabajadores en la batalla contra la cali-
A medida que las organizaciones se hicieron más grandes en el dad deficiente. En 1988 el gobierno de Estados Unidos presentó sus
siglo XX, la inspección se volvió más técnica y organizada. Con fre- primeros premios a la mejora de la calidad, conocidos como Premios
cuencia, los inspectores se agrupaban y su trabajo era asegurarse de Nacionales de Calidad Malcolm Baldrige.
no enviar lotes malos a los clientes. A partir de la década de 1920, Un método de gestión de la calidad llamado Six Sigma se de-
se desarrollaron las principales herramientas del control estadístico de sarrolló en la industria de la electrónica. El objetivo de Six Sigma es
la calidad. W. Shewhart introdujo las gráficas de control en 1924 y, la mejora continua en el desempeño para reducir y eliminar los de-
en 1930, H. F. Dodge y H. G. Romig diseñaron las tablas muestrales fectos. Técnicamente, para lograr la calidad Six Sigma, es necesario
de aceptación. También en ese momento se reconoció el importante tener menos de 3.4 defectos por millón de oportunidades. Este en-
papel del control de calidad en todas las áreas de desempeño de la foque de calidad ha recibido el crédito por la consecución de impor-
empresa. tantes ahorros de costos en un gran número de empresas. General
Durante y después de la Segunda Guerra Mundial, la importancia Electric estima un ahorro de 12 mil millones durante un periodo de
de la calidad creció; a menudo con el apoyo del gobierno de Estados 5 años, y otras empresas han informado ahorros por varios cientos
Unidos. Las empresas reconocieron que se requería algo más que ins- de millones.
pección para hacer un producto de calidad. La calidad debía incorpo- En la actualidad, las empresas se esfuerzan por tener la certifica-
rarse al proceso de producción. ción ISO 9000, que es una norma internacional de calidad reconocida
Después de la Segunda Guerra Mundial, un estadounidense, en todo el mundo y fue desarrollada por la International Organization
W. Edwards Deming, fue a Japón a enseñar los conceptos del con- for Standarization (ISO), que desarrolla y edita las normas internacio-
trol estadístico de la calidad para el devastado sector manufacturero nales más importante del mundo.
15.3 Control estadístico de procesos

El control estadístico de procesos El control estadístico de procesos implica el establecimiento de normas, el monitoreo de las normas, la
ayuda a establecer normas. También toma de mediciones y la realización de acciones correctivas mientras se está produciendo un producto o
puede monitorear, medir y corregir servicio. Se examinan muestras de las salidas del proceso; si están dentro de los límites aceptables, se per-
los problemas de calidad. mite que el proceso continúe. Si están fuera de ciertos intervalos específicos, el proceso se detiene y, por lo
general, se encuentra y se elimina la causa asignable.
Las gráficas de control muestran los límites superior e inferior del proceso que deseamos controlar.
Una gráfica de control es una forma Una gráfica de control es una representación visual de datos a través del tiempo. Las gráficas de control
visual de representar datos a través se construyen de manera que los nuevos datos se puedan comparar de forma rápida con los resultados an-
del tiempo. teriores. Los límites superior e inferior en una gráfica de control pueden estar en unidades de temperatura,
presión, peso, longitud, etcétera. Se toman muestras de la salida del proceso y se grafican los promedios de
tales muestras en una gráfica que presenta los límites inferior y superior.
La figura 15.1 revela gráficamente la información útil que se despliega en las gráficas de control.
Cuando los promedios de las muestras caen dentro de los límites de control superior e inferior y no existe
ningún patrón discernible, se dice que el proceso está bajo control; de lo contrario, el proceso está fuera de
control o fuera de ajuste.
Variabilidad en el proceso
Todos los procesos están sujetos a cierto grado de variabilidad. Walter Shewhart de los Laboratorios Bell,
mientras estudiaba los datos del proceso en la década de 1920, hizo la distinción entre las causas comunes
y especiales de variación. La clave es mantener bajo control las variaciones. Así que ahora veremos cómo
se construyen las gráficas de control que ayudan a los gerentes y a los trabajadores a desarrollar un proceso
que sea capaz de producir dentro de los límites establecidos.
CONSTRUCCIÓN DE GRÁFICAS DE CONTROL Al construir gráficas de control, se usan promedios de

muestras pequeñas (a menudo de cinco artículos o partes), en contraposición a los datos de partes indi-
viduales. Las piezas individuales tienden a ser demasiado erráticas para hacer que las tendencias sean
rápidamente visibles. El propósito de las gráficas de control es ayudar a distinguir entre las variaciones
naturales y las variaciones que se deben a causas asignables.

FIGURA 15.1
Límite de control
Patrones a buscar en las superior
gráficas de control
(Fuente: Bertrand L. Hansen, Qua- Objetivo
lity Control: Theory and Applications,
© 1963, renovado en 1991, p. 65. Re-
impreso con autorización de Prentice Límite de control
Hall, Upper Saddle River, NJ). inferior
Comportamiento normal Un punto encima del Un punto debajo del
límite superior. límite inferior.
Investigar la causa. Investigar la causa.
Límite de control
superior
Objetivo
Límite de control
inferior
Dos puntos cerca del Dos puntos cerca del Serie de 5 puntos encima
límite de control superior. límite de control inferior. de la línea central.
Investigar la causa. Investigar la causa. Investigar la causa.
Límite de control
superior
Objetivo
Límite de control
inferior
Serie de 5 puntos Tendencias de 5 puntos Comportamiento
debajo de la línea en cualquier dirección. errático. Investigar.
central. Investigar la Investigar la causa del
causa cambio progresivo.
Bank of America utiliza estadísticas para luchar

EN ACCIÓN contra la corrupción financiera
Los analistas del banco están en la búsqueda de valores atípicos,

L os bancos y las instituciones financieras similares tienen buenas
razones para ayudar a los gobiernos a combatir las irregularidades fis-
que son eventos inusuales con una probabilidad muy pequeña de
producirse. Por ejemplo, si normalmente utiliza un cajero automático
cales. Sólo los fraudes con tarjetas de débito cuestan a la industria en particular y luego utiliza un cajero automático diferente, la tran-
bancaria ¡más de 2.75 miles de millones al año! En su lucha contra el sacción en una ubicación inusual produciría una pequeña alerta, pero
fraude, los analistas del Bank of America utilizan el análisis de valores es probable que la transacción continuaría sin interferencias. Sin em-
estadísticos atípicos para ayudar a detectar actividades fiscales sospe- bargo, si se intenta cobrar un cheque muy grande de terceros en un
chosas. En su análisis, el Bank of America se enfoca específicamente lugar fuera del estado, se generarían varias alertas, debido a que éste
en el lavado de dinero y en el fraude a la banca minorista. La compa- es un comportamiento muy inusual para usted. El cajero puede re-
ñía rastrea características como dónde, cuándo y cuánto dinero está querir varias formas de identificación y, luego, obtener la aprobación
involucrado en cada transacción de cada cliente. Después, realiza aná- del gerente de la sucursal antes de completar la transacción.
lisis estadísticos para saber si la actividad cae dentro de los límites de
actividad habitual de ese cliente particular. Para usted como cliente, Fuente: Basado en A. Sudjianto, S. Nair, M. Yuan, A. Zhang, D. Ker y F. Ce-
eso significa nada más que el banco sabe cuánto dinero suele retirar la-Díaz. “Statistical Methods for Fighting Financial Crimes”, Technometrics
de un cajero automático y cuáles utiliza normalmente. 52, 1 (2010): 5-19.
Las variaciones naturales son VARIACIONES NATURALES Las variaciones naturales afectan casi todos los procesos de producción o
fuentes de variación en un proceso servicios y deben esperarse. Tales variaciones son aleatorias e incontrolables. Las variaciones naturales
que se encuentra estadísticamente son las múltiples fuentes de variación dentro de un proceso que está bajo control estadístico. Se comportan
bajo control. como un sistema constante de causas aleatorias. Aunque los valores medidos individualmente sean todos

15.4 GRÁFICAS DE CONTROL PARA VARIABLES 541
diferentes, como grupo forman un patrón que se puede describir como una distribución. Cuando las distri-
buciones son normales, se caracterizan mediante dos parámetros:
1. Media, m (la medida de tendencia central, en este caso, el valor promedio)
2. Desviación estándar, s (variación, una indicación de la cantidad promedio en la cual los valores
difieren de la media)
Mientras la distribución (precisión de salida) se mantiene dentro de límites específicos, se dice que el pro-
ceso está “bajo control” y se toleran las variaciones modestas.
VARIACIONES ASIGNABLES Cuando un proceso no está bajo control, debemos detectar y eliminar las
Las variaciones asignables en un causas especiales (asignables) de la variación. Estas variaciones no son aleatorias y pueden controlarse
proceso se pueden rastrear hasta cuando se determina la causa de la variación. Factores tales como el desgaste de las máquinas, el desajuste
un problema específico. de los equipos, los trabajadores fatigados o sin capacitación, o los nuevos lotes de materia prima son todos
fuentes potenciales de variaciones asignables. Las gráficas de control, como las ilustradas en la figura
15.1, ayudan a que el administrador determine dónde puede haber un problema.
La capacidad de un proceso para operar bajo control estadístico se determina por la variación total
que proviene de causas naturales: la variación mínima que puede alcanzarse después de haber eliminado
todas las causas asignables. Entonces, el objetivo de un sistema de control de procesos es proporcionar una
señal estadística cuando existen causas asignables de variación. Esta señal puede acelerar las acciones
adecuadas para eliminar las causas asignables.
15.4 Gráficas de control para variables

Las gráficas de x miden la tendencia Las gráficas de control para la media, x, y el rango, R, se utilizan para monitorear los procesos que se
central de un proceso. miden en unidades continuas. Ejemplos de éstas serían el peso, la altura y el volumen. La gráfica x (grá-
fica de x barra) nos indica si han ocurrido cambios en la tendencia central de un proceso. Esto puede
deberse a factores como el desgaste de una herramienta, un aumento gradual de la temperatura, un método
diferente utilizado en el segundo turno o materiales nuevos y más resistentes. Los valores de la gráfica R
Las gráficas R miden el rango entre indican que se ha producido una ganancia o una pérdida en la uniformidad. Tal cambio podría deberse
el más grande (o más pesado) y el a cojinetes gastados, una parte floja de una herramienta, un flujo errático de lubricante hacia una máquina
más pequeño (o más ligero) de los o descuido por parte de un operador de maquinaria. Los dos tipos de gráficas van de la mano en el segui-
elementos de una muestra aleatoria. miento de las variables.
Teorema del límite central

El teorema del límite central dice La base estadística para las gráficas de x es el teorema del límite central. En términos generales, el teo-
que la distribución de las medias rema establece que, sin importar la distribución de la población de todas las partes o servicios, la distribu-
muestrales será una distribución ción de las x (cada una de las cuales es una media de una muestra extraída de la población) tenderá a seguir
aproximadamente normal. una curva normal a medida que el tamaño de la muestra crece. Por fortuna, incluso si n es bastante pequeña
(por ejemplo, 4 o 5), las distribuciones de los promedios siguen aproximadamente una curva normal. El
teorema también establece que 1. la media de la distribución de las x (llamada mx) será igual a la media de
la población general (llamada m); y 2. la desviación estándar de la distribución muestral, sx, será la des-
viación de la población, sx, dividida entre la raíz cuadrada del tamaño de la muestra, n. En otras palabras,
sx
mx = m y sx =
1n
Aunque puede haber ocasiones en las cuales podemos conocer mx (y m), a menudo debemos estimarlas con
el promedio de todas las medias muestrales (que se escribe x).
En la figura 15.2 se muestran tres posibles distribuciones de población, cada una con su propia me-
dia, m, y desviación estándar, sx. Si se extrae una serie de muestras aleatorias (x1, x2, x3, x4, etcétera) cada
una de tamaño n de cualquiera de éstas, la distribución resultante de las xi aparecerá como en la gráfica
inferior de esa figura. Debido a que ésta es una distribución normal (como se explicó en el capítulo 2), se
puede afirmar que
1. 99.7% de las veces, los promedios muestrales estarán dentro de ; 3sx de la media poblacional, si
el proceso tiene solamente variaciones aleatorias.
2. 95.5% de las veces, los promedios muestrales estarán dentro de ; 2sx de la media poblacional, si el
proceso tiene solamente variaciones aleatorias.
Si un punto de la gráfica de control cae fuera de los límites de control ; 3sx, estaremos 99.7% seguros
de que el proceso ha cambiado. Ésta es la teoría detrás de las gráficas de control.

FIGURA 15.2
Población y Algunas distribuciones de población
distribuciones
muestrales
Normal Beta Uniforme
m (media) m (media) m (media

sx S.D. sx S.D. sx S.D.
Distribución muestral de las medias muestrales (siempre normal)
99.7% de todas las x

caen dentro de (3sx
95.5% de todas las x caen dentro de (2sx
3sx 2sx 1sx mx m 1sx 2sx 3sx

(media)
sx
Error estándar sx n
Determinación de los límites de la gráfica x

Si a través de los datos históricos conocemos la desviación estándar de la población del proceso, sx, pode-
mos establecer los límites de control superior e inferior mediante las siguientes fórmulas:
Límite de control superior (LCS) = x + zsx (15-1)

Límite de control inferior (LCI) = x - zsx (15-2)
donde
x = media de las medias muestrales

z = número de desviaciones estándar normales (2 para una confianza de 95.5%, 3 para 99.7%)
sx
sx = desviación estándar de la distribución muestral de las medias muestrales =
1n
EJEMPLO DE LLENADO DE CAJAS Digamos que cada hora se toman muestras de un gran lote de produc-
ción de cajas de cereal. Para establecer los límites de control que incluyan 99.7% de las medias muestrales,
se seleccionan aleatoriamente 36 cajas y se pesan. Mediante el análisis de registros históricos, se estima
que la desviación estándar de la población general de las cajas es de 2 onzas. El promedio de las medias
de todas las muestras tomadas es de 16 onzas. Por lo tanto, tenemos x = 16 onzas, sx = 2 onzas, n = 36 y
z = 3. Los límites de control son
2
LCS x = x + zsx = 16 + 3a b = 16 + 1 = 17 onzas
136
2
LCI x = x - zsx = 16 - 3a b = 16 - 1 = 15 onzas
136

Un hospital utiliza el análisis

MODELADO EN EL MUNDO REAL del control de calidad para
mejorar su proceso de negocio
Definición
del problema El proceso de facturación en un hospital de tamaño medio estaba tomando demasiado tiempo. Los largos
tiempos de ciclo desde la atención prestada hasta la recepción del pago fueron identificados como la causa
fundamental de los pagos atrasados, los pacientes molestos y los dolores de cabeza para el departamento de
cuentas por cobrar del hospital.

un modelo La gerencia del hospital consideró el análisis del control de calidad para reducir los tiempos de ciclo. En particular,
emplearon una técnica de Six Sigma conocida como Definir-Medir-Analizar-Mejorar-Controlar (DMAMC).
Adquisición de
datos de entrada Se formó un equipo de proyecto y comenzaron a trabajar en el problema. Primero modelaron el proceso de
negocio de pagos de los pacientes “tal cual es” mediante un diagrama de flujo, lo cual permitió que el equipo
viera dónde estaban los posibles cuellos de botella en el proceso. Se captaron y examinaron los tiempos pro-
medio para cada tarea en el diagrama de flujo.

una solución Los miembros del equipo desarrollaron procedimientos alternativos para algunos de los ya existentes (por
ejemplo, correo electrónico en vez de una copia impresa), eliminaron algunos procedimientos existentes
(por ejemplo, prescindieron de las firmas de aprobación innecesarias en los formularios) y rediseñaron todo
el proceso desde la atención prestada hasta el pago recibido.

a la solución Se realizó un análisis de ruta crítica en el proceso de facturación “tal cual es”, así como en el nuevo proceso
de facturación diseñado “como debe ser”. Esto permitió que el equipo pusiera a prueba su solución junto con
la ya existente.

de resultados El análisis de la ruta crítica también condujo al equipo a identificar una tarea dentro del proceso (esto es, la
adquisición de precios) que no tenía predecesores inmediatos, pero era la causa de muchos ciclos de factura-
ción largos. El equipo fue capaz de “trasladar” esta tarea al inicio del proceso.

de resultados La gerencia del hospital instaló el nuevo proceso de negocio y el resultado fue un proceso de facturación que
era un mes más corto y que ahorraba al hospital unos 390,000 euros al año.
Fuente: Basado en M. Schoonhoven, C. Lubbers y R. J. M. M. Does. “Quality Quandaries: Shortening the Throughput Time
of a Hospital’s Billing Process”, Quality Engineering 25 (2013), 188-193.
Si la desviación estándar del proceso no está disponible o es difícil de calcular, que suele ser el caso, es-
tas ecuaciones se vuelven poco prácticas. En la realidad, el cálculo de los límites de control se basa en el
rango promedio y no en desviaciones estándar. Podemos utilizar las ecuaciones
Los límites de la gráfica de control LCS x = x + A2R (15-3)

se determinan utilizando el rango LCI x = x - A2R (15-4)
en vez de la desviación estándar.
donde
R = promedio de las muestras
A2 = valor encontrado en la tabla 15.2 (que supone z = 3)
x = media de las medias muestrales
USO DE EXCEL QM PARA EL EJEMPLO DEL LLENADO DE CAJAS Los límites superior e inferior para
este ejemplo se encuentran usando Excel QM, como se indica en el programa 15.1. En el menú de Excel
QM, seleccione Quality Control y especifique X-Bar y la opción R Charts. Introduzca el número de mues-
tras (1) y elija Standard Deviation en la ventana de inicialización. Cuando abra la hoja de cálculo, ingrese
el tamaño de la muestra (36), la desviación estándar (2) y la media de la muestra (16). De manera inme-
diata se despliegan los límites superior e inferior.

TABLA 15.2
TAMAÑO FACTOR DE RANGO RANGO
Factores para calcular los MUESTRAL, n LA MEDIA, A2 SUPERIOR, D4 INFERIOR, D3
límites de la gráfica de
control cuando z = 3 2 1.880 3.268 0
3 1.023 2.574 0
4 0.729 2.282 0
5 0.577 2.114 0
6 0.483 2.004 0
7 0.419 1.924 0.076
8 0.373 1.864 0.136
9 0.337 1.816 0.184
10 0.308 1.777 0.223
12 0.266 1.716 0.284
14 0.235 1.671 0.329
16 0.212 1.636 0.364
18 0.194 1.608 0.392
20 0.180 1.586 0.414
25 0.153 1.541 0.459
Fuente: Reproducido con autorización de la American Society of Testing and Materials, derechos reservados 1951.
Tomado de Special Technical Publication 15-C, “Quality Control of Materials”, pp. 63 y 72.
PROGRAMA 15.1
Introduzca el tamaño de la muestra,
Solución en Excel QM la desviación estándar y la media.
para el ejemplo del
llenado de cajas
El LCS y el LCI se
incluyen aquí.
EJEMPLO DE SUPER COLA Las botellas de la bebida gaseosa Super Cola se etiquetan con un “peso neto
de 16 onzas”. Se ha encontrado un promedio general del proceso de 16.01 onzas mediante la toma de va-
rios lotes de muestra, en los que cada muestra contenía cinco botellas. El rango promedio del proceso es
de 0.25 onzas. Queremos determinar los límites de control superior e inferior para los promedios de este
proceso.
Si buscamos en la tabla 15.2 un tamaño de muestra de 5, en la columna del factor de la media A2,
encontramos el número 0.577. Por lo tanto, los límites superior e inferior de la gráfica de control son
LCS x = x + A2R
= 16.01 + 10.5772 10.252
= 16.01 + 0.144
= 16.154
LCI x = x - A2R
= 16.01 - 0.144
= 15.866
El límite de control superior es 16.154 y el límite de control inferior es 15.866.

PROGRAMA 15.2
para el ejemplo de
Super Cola
USO DE EXCEL QM PARA EL EJEMPLO DE SUPER COLA Los límites superior e inferior para este
ejemplo se pueden encontrar utilizando Excel QM, como se ilustra en el programa 15.2. En el menú
de Excel QM, seleccione Quality Control y especifique la opción X-bar y R Charts. Introduzca el número de
muestras (1) y seleccione Range en la ventana de inicialización. El tamaño de la muestra (5) se introduce
en esta ventana de inicialización o en la hoja de cálculo. Cuando abra la hoja de cálculo, ingrese el rango
(0.25) y la media de la muestra (16.01). De inmediato se desplegarán los límites superior e inferior.
Determinación de los límites de la gráfica de rangos

Acabamos de determinar los límites de control superior e inferior para el promedio del proceso. Además
La dispersión o variabilidad también de preocuparse por el promedio del proceso, los administradores están interesados en la dispersión o va-
es importante. La tendencia central riabilidad. Aunque el promedio del proceso esté bajo control, la variabilidad del proceso quizá no lo esté.
puede estar bajo control, pero los Por ejemplo, algo puede haber sucedido que aflojara una pieza del equipo. Como resultado, el prome-
rangos pueden estar fuera de control. dio de las muestras seguiría siendo el mismo, pero la variación dentro de las muestras podría ser dema-
siado grande y las gráficas de x barra podrían ser poco confiables. Por tal razón, es necesario encontrar
una gráfica de control para los rangos que controle la variabilidad del proceso. La teoría detrás de las
gráficas de control de rangos es igual a la del promedio del proceso. Se establecen límites que contienen
; 3 desviaciones estándar de la distribución desde el rango medio R. Con algunos supuestos sencillos,
podemos establecer los límites de control superior e inferior de los rangos:
LCSR = D4R (15-5)

LCIR = D3R (15-6)
donde
LCSR = límite de control superior de la gráfica para el rango

LCIR = límite de control inferior de la gráfica para el rango
D4 y D3 = valores de la tabla 15.2
EJEMPLO DE RANGO A manera de ejemplo, considere un proceso donde el rango promedio es de 53

libras. Si el tamaño de la muestra es de 5, queremos determinar los límites superior e inferior de la gráfica
de control.
Si buscamos en la tabla 15.2 un tamaño de muestra de 5, encontramos que D4 = 2.114 y D3 = 0.
Los límites de la gráfica de control del rango son
LCSR = D4R
= 12.1142 153 libras2
= 112.042 libras
LCI R = D3R
= 102 153 libras2
= 0
A continuación se presenta un resumen de los pasos utilizados para crear y usar las gráficas de control
para la media y el rango.

Cinco pasos a seguir para usar las gráficas x y R

1. Recabar de 20 a 25 muestras, típicamente de n = 4 o n = 5 cada una de un proceso estable, y calcu-
lar la media y el rango de cada una.
2. Calcular las medias generales (x y R), establecer los límites de control adecuados, por lo general en
el nivel de 99.7%, y calcular los límites de control superior e inferior preliminares. Si el proceso no
es estable, utilizar la media deseada, m, en vez de x para calcular los límites.
3. Graficar las medias y los rangos muestrales en sus respectivas gráficas de control, y determinar si
caen fuera de los límites aceptables.
4. Investigar los puntos o patrones que indiquen que el proceso está fuera de control. Tratar de encontrar
una causa asignable para la condición de falta de control, abordarla en consecuencia y, después, retomar
el proceso.
5. Recopilar muestras adicionales y, si es necesario, revalidar los límites de control utilizando los nue-
vos datos.
15.5 Gráficas de control para atributos

El muestreo de atributos es diferente Las gráficas de control para x y R no son aplicables cuando estamos muestreando atributos, los cuales nor-
al muestreo de variables. malmente se clasifican como defectuoso o no defectuoso. La medición de defectuosos implica contarlos
(por ejemplo, el número de bombillas malas en un determinado lote o el número de letras o de registros
de entrada de datos con errores de tecleo). Hay dos tipos de gráficas de control para atributos: 1. las que
miden el porcentaje de unidades defectuosas en una muestra, llamadas gráficas p; y 2. las que cuentan el
número de defectos, llamadas gráficas c.
Gráficas p
Los límites de la gráfica p se basan Las gráficas p son el principal medio para controlar los atributos. Aunque los atributos que son buenos o
en la distribución binomial y son malos siguen la distribución binomial, es posible usar la distribución normal para calcular los límites de
fáciles de calcular. una gráfica p cuando los tamaños de la muestra son grandes. El procedimiento es similar al enfoque de la
gráfica x, que también se basa en el teorema del límite central.
Las fórmulas para los límites de control superior e inferior de la gráfica p son las siguientes:
LCSp = p + zsp (15-7)

LCIp = p - zsp (15-8)
donde
p = significa la proporción o fracción de unidades defectuosas en la muestra
z = número de desviaciones estándar (z = 2 para los límites de 95.5%;
z = 3 para los límites de 99.7%)
sp = desviación estándar de la distribución muestral
sp se estima mediante sp, que es
p 11 - p 2
np =
s (15-9)
B n
donde n es el tamaño de cada muestra.
EJEMPLO DE UNA GRÁFICA p EN ARCO Mediante el uso de un popular paquete de software para bases
de datos, los capturistas en ARCO introducen miles de registros de seguros cada día. Las muestras del
trabajo de 20 empleados se muestran en la siguiente tabla. Se examinó cuidadosamente un centenar de re-
gistros ingresados por cada uno para determinar si contenían algún error; en seguida, se calculó la fracción
de defectos en cada muestra.

15.5 GRÁFICAS DE CONTROL PARA ATRIBUTOS 547
EN ACCIÓN Agua potable más segura con SPC
Después de recabar los datos de varios acuíferos diferentes, los

L os niveles de contaminación por nitrato (NO3-) en el agua subte-
rránea han aumentado de manera alarmante en los últimos años. La
investigadores construyeron gráficas de control estadístico de proce-
sos y las analizaron para determinar si las condiciones estaban fuera
Agencia de Protección Ambiental de Estados Unidos limita los niveles de control. El equipo de investigación del medio ambiente prestó la
de contaminación por nitrato a 45 mg por litro. La detección tem- debida atención a las tendencias crecientes de cinco puntos (una de
prana del aumento del nivel de contaminación es crucial en el sumi- las condiciones fuera de control especificadas en la figura 15.1) en la
nistro de agua potable. gráfica de control. Por fortuna, no se identificaron condiciones fuera
Un equipo de investigación del medio ambiente utiliza una grá- de control. Sin embargo, el equipo tenía ahora una herramienta que
fica de control estadístico de procesos (SPC) para monitorear los ni- mejoraba la detección temprana del aumento en los niveles de nitrato
veles de nitratos en las aguas subterráneas. En particular, el equipo durante varios días. ¡Eso es mucha agua!
utilizó una gráfica especial del SPC conocida como “promedio móvil
integrado autorregresivo” (ARIMA, autoregressive integrated moving Fuente: Basado en J. C. García-Díaz, “Monitoring and Forecasting Nitrate
average), la cual integra elementos de la gráfica de x barra analizada Concentration in the Ground Water Using Statistical Process Control and Time
en este capítulo, así como los promedios móviles que se estudiaron en Series Analysis: A Case Study”, Stochastic Environmental Research and Risk
el capítulo 5 de este libro. Assessment 25 (2011), 331-339.
NÚMERO DE NÚMERO FRACCIÓN NÚMERO DE NÚMERO FRACCIÓN

MUESTRA DE ERRORES DEFECTUOSA MUESTRA DE ERRORES DEFECTUOSA
1 6 0.06 11 6 0.06
2 5 0.05 12 1 0.01
3 0 0.00 13 8 0.08
4 1 0.01 14 7 0.07
5 4 0.04 15 5 0.05
6 2 0.02 16 4 0.04
7 5 0.05 17 11 0.11
8 3 0.03 18 3 0.03
9 3 0.03 19 0 0.00
10 2 0.02 20 4 0.04
80
Queremos establecer límites de control que incluyan 99.7% de la variación aleatoria en el proceso de en-
trada cuando está bajo control. Por lo tanto, z = 3.
Número total de errores 80

p = = = 0.04
Número total de registros examinados 11002 1202
10.042 11 - 0.042
np =
s = 0.02
B 100
(Nota: 100 es el tamaño de cada muestra = n)

LCSp = p + zsnp = 0.04 + 3(0.02) = 0.10
np = 0.04 - 3(0.02) = 0
LCI p = p - zs
(dado que no podemos tener un porcentaje negativo de defectos)
Cuando graficamos los límites de control y la fracción defectuosa de la muestra, encontramos que
sólo un capturista (el número 17) está fuera de control. Es posible que la compañía desee examinar el
trabajo de esa persona un poco más de cerca, para saber si existe un problema grave (vea la figura 15.3).

FIGURA 15.3
Gráfica p para la
introducción de
datos en ARCO 0.12
0.11
0.10 LCSp 0.10
Fracción defectuosa
0.09
0.08
0.07
0.06
0.05
0.04 p 0.04
0.03
0.02
0.01
LCIp 0.00
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Número de muestra
USO DE EXCEL QM PARA GRÁFICAS p Excel QM se usa para desarrollar los límites de una gráfica p,
determina qué muestras exceden los límites y desarrolla la gráfica. El programa 15.3 presenta la salida para
el ejemplo de ARCO, con la gráfica correspondiente. Para utilizar Excel QM, de la pestaña Add-Ins selec-
cione Excel QM. Del menú desplegable, elija Quality Control y especifique la opción p Charts. Introduzca
el número de muestras (20), ingrese un título, si lo desea, y seleccione Graph si quiere ver la gráfica p.
Cuando se inicializa la hoja de cálculo, ingrese el tamaño de cada muestra (100) y el número de defectos
en cada una de las 20 muestras. Una de las 20 muestras (la número 17) se identifica como una muestra que
excede los límites.
Gráficas c
Las gráficas c cuentan el número de En el ejemplo de ARCO analizado antes, contamos el número de registros defectuosos introducidos a la
defectos, mientras que las gráficas p base de datos. Un registro defectuoso es aquel que no es exactamente correcto. Sin embargo, un mal regis-
rastrean el porcentaje defectuoso. tro puede contener más de un defecto. Para controlar el número de defectos por unidad de producto (o por
registro de seguros en este caso) utilizamos las gráficas c.
PROGRAMA 15.3
Solución de Excel QM
gráfica p de ARCO

15.5 GRÁFICAS DE CONTROL PARA ATRIBUTOS 549
Las gráficas de control para la detección defectos son útiles al dar seguimiento a los procesos donde
es posible un gran número de errores potenciales, pero el número real que ocurre es relativamente pequeño.
Los defectos pueden ser palabras mal escritas en un periódico, manchas sobre una mesa o los pepinillos
faltantes en una hamburguesa de comida rápida.
La distribución de probabilidad de Poisson, que tiene una varianza igual a su media, es la base para
las gráficas c. Como c es el número medio de defectos por unidad, la desviación estándar es igual a 2c.
Para calcular los límites de control de 99.7% para c, usamos la fórmula
c ± 32c (15-10)
A continuación se presenta un ejemplo.
EJEMPLO DE GRÁFICA c PARA LA COMPAÑÍA RED TOP CAB La compañía Red Top Cab recibe varias
quejas diarias sobre el comportamiento de sus conductores. Durante un periodo de nueve días (donde los
días son las unidades de medida), el propietario recibió el siguiente número de llamadas de pasajeros ira-
cundos: 3, 0, 8, 9, 6, 7, 4, 9, 8, para un total de 54 quejas.
Con la finalidad de calcular los límites de control de 99.7%, tomamos
54
c = = 6 quejas por día
9
Así,
LCSc = c + 32c = 6 + 316 = 6 + 312.452 = 13.35

LCI c = c - 32c = 6 - 316 = 6 - 312.452 = 0
(Porque no podemos tener un límite de control negativo)
Después de que el propietario trazó una gráfica de control que resume esos datos y la colocó en un lugar
destacado en el vestidor de los conductores, el número de llamadas recibidas se redujo a un promedio de 3
por día. ¿Puede explicar por qué pudo haber ocurrido esto?
USO DE EXCEL QM PARA GRÁFICAS c Excel QM puede utilizarse para desarrollar los límites de una
gráfica c, determinar qué muestras exceden los límites y desarrollar la gráfica. El programa 15.4 presenta
la salida para el ejemplo de la compañía Red Top Cab, con la gráfica correspondiente. Para utilizar Excel
QM, en la pestaña Add Ins seleccione Excel QM. En el menú desplegable, elija Quality Control y especi-
fique la opción c Charts. Introduzca el número de muestras (9 días, en este ejemplo), ingrese un título si
lo desea y seleccione Graph si quiere visualizar la gráfica c. Cuando se inicialice la hoja de cálculo, intro-
duzca el número de quejas (es decir, de defectos) en cada una de las 9 muestras.
PROGRAMA 15.4
para el ejemplo de
gráfica c de la compañía
Red Top Cab

Resumen
Para el gerente de una empresa que produce bienes o servicios, la ca- gestión de la calidad total (TQM), que pone énfasis en toda la organi-
lidad es el grado en que el producto cumple con las especificaciones. zación, desde el proveedor hasta el cliente.
El control de calidad se ha convertido en uno de los preceptos más Los aspectos estadísticos del control de calidad datan de la dé-
importantes en los negocios. cada de 1920, pero son de especial interés en los mercados globales
La expresión “la calidad no puede ser inspeccionada en un pro- de este nuevo siglo. Las herramientas del control estadístico de proce-
ducto” es un tema fundamental de las organizaciones en la actualidad. sos descritas en este capítulo incluyen las gráficas x y R para el mues-
Cada vez más empresas de clase mundial están siguiendo las ideas de treo de variables, y las gráficas p y c para el muestreo de atributos.
Glosario
Calidad El grado en el cual un producto o servicio cumple con Gráfica x Una gráfica de control de calidad para variables que
sus especificaciones establecidas. indica cuándo se producen cambios en la tendencia central de
Gestión de la calidad total (TQM) Un énfasis en la calidad que un proceso de producción.
abarca a toda la organización. Teorema del límite central El fundamento teórico para las
Gráfica c Una gráfica de control de calidad que se utiliza para gráficas x que afirma que, independientemente de la distribución
controlar el número de defectos por unidad de producto. de la población de todas las partes o servicios, la distribución de
Gráfica de control Una presentación gráfica de los datos del las x tenderá a seguir una curva normal a medida que crece el
proceso a través del tiempo. tamaño de la muestra.
Gráfica p Una gráfica de control de calidad que se utiliza para Variaciones asignables Variaciones en el proceso de producción
controlar los atributos. que se puede rastrear hasta sus causas específicas.
Gráfica R Una gráfica de control de procesos que da seguimiento Variaciones naturales Variabilidades que afectan a casi todos los
al “rango” dentro de una muestra; indica que se ha producido una procesos de producción hasta cierto grado y que deben esperarse;
ganancia o pérdida de uniformidad en un proceso de producción. también se conocen como causas comunes.
Ecuaciones clave
(15-1) Límite de control superior (LCS) = x + zsx (15-6) LCIR = D3R
Límite superior para una gráfica x usando desviaciones Límite de control inferior para una gráfica de rangos.
estándar.
(15-7) LCSp = p + zsp
(15-2) Límite de control inferior (LCI) = x + zsx Unidad de control superior para una gráfica p.
Límite de control inferior para una gráfica x usando desvia-
(15-8) LCIp = p - zsp
ciones estándar.
Límite de control inferior para una gráfica p.
(15-3) LCSx = x + A2R
Límite de control superior de una gráfica x usando valores p 11 - p 2
np =
(15-9) s
y rangos tabulados. B n
(15-4) LCI x = x - A2R Desviación estándar estimada de una distribución binomial.
Límite de control inferior para una gráfica x usando valores
(15-10) c ± 32c
y rangos tabulados.
Límites superior e inferior para una gráfica c.
(15-5) LCSR = D4R
Límite de control superior para una gráfica de rangos.

Problemas resueltos

El fabricante de piezas de precisión para taladros produce ejes circulares para éstos. El diámetro medio de un eje es
de 0.56 pulgadas. Las muestras de inspección contienen seis ejes cada una. El rango promedio de estas muestras
es de 0.006 pulgadas. Determine los límites superior e inferior de la gráfica de control.
Solución
Se observa que, en la tabla 15.2, donde el tamaño de la muestra es 6, el factor de la media A2 es 0.483. Con este
factor, es posible obtener los límites de control superior e inferior:
LCS x = 0.56 + 10.4832 10.0062

= 0.56 + 0.0029 = 0.5629
LCI x = 0.56 - 0.0029
= 0.5571

Nocaf Drinks, Inc., un productor de café descafeinado, embotella Nocaf. Cada botella debería tener un peso neto
de 4 onzas. La máquina que llena las botellas con el café es nueva, y el gerente de operaciones quiere asegu-
rarse de que esté bien ajustada. El gerente de operaciones toma una muestra de n = 8 botellas y registra el prome-
dio y el rango en onzas para cada muestra. Los datos para varias muestras se dan en la siguiente tabla. Observe que
cada muestra se compone de 8 botellas.
RANGO PROMEDIO RANGO PROMEDIO

MUESTRA MUESTRAL MUESTRAL MUESTRA MUESTRAL MUESTRAL
A 0.41 4.00 E 0.56 4.17

B 0.55 4.16 F 0.62 3.93
C 0.44 3.99 G 0.54 3.98
D 0.48 4.00 H 0.44 4.01
¿La máquina está correctamente ajustada y bajo control?

Solución
Primero, encontramos que x = 4.03 y R = 0.51. Luego, mediante el uso de la tabla 15.2, encontramos
LCS x = x + A2R = 4.03 + 10.3732 10.512 = 4.22

LCI x = x - A2R = 4.03 - 10.3732 10.512 = 3.84
LCSR = D4R = 11.8642 10.512 = 0.95
LCI R = D3R = 10.1362 10.512 = 0.07
Parece que tanto el promedio como el rango del proceso están bajo control.

Crabill Electronics, Inc. hace resistores, y entre los últimos 100 resistores inspeccionados, el porcentaje de defec-
tuosos ha sido de 0.05. Determine los límites superior e inferior de este proceso para una confianza de 99.7 por
ciento.
Solución
p 11 - p 2 10.05 2 11 - 0.05 2
LCSp = p + 3 = 0.05 + 3
B n B 100
= 0.05 + 31 0.02182 = 0.1154
p 11 - p 2
LCI p = p - 3 = 0.05 - 31 0.02182
B n
= 0.05 - 0.0654 = 0 (dado que el porcentaje de defectuosos no puede ser negativo)

Autoevaluación
● Use la clave de respuestas en la parte final del libro para corregir sus respuestas.
1. El grado en el que un producto o servicio cumple con las 7. Una compañía está implementando un nuevo programa
especificaciones es una definición de de control de calidad. Los productos se muestrean y clasifican
a. sigma. como defectuosos o no defectuosos. El tipo de gráfica
b. calidad. de control que se debería utilizar es
c. rango. a. una gráfica R.
d. variabilidad del proceso. b. una gráfica de control para variables.
2. Una gráfica de control para monitorear el proceso en el cual los c. una gráfica de control para atributos.
valores se miden en unidades continuas, como peso o volumen, d. una gráfica de límite de control.
se llama gráfica de control para 8. Después de desarrollar una gráfica de control (para las medias),
a. atributos. se toman muestras y se calcula el promedio para cada muestra.
b. mediciones. El proceso podría considerarse fuera de control si
c. variables. a. una de las medias muestrales está por encima del límite
d. calidad. de control superior.
3. El tipo de gráfica utilizada para controlar el número de defectos b. una de las medias muestrales está por debajo del límite de
por unidad de producción es control inferior.
a. la gráfica x. c. cinco medias muestrales consecutivas presentan una ten-
b. la gráfica R. dencia constante (ya sea un aumento o una disminución).
c. la gráfica p. d. todo lo anterior fuera cierto.
d. la gráfica c. 9. Se supone que una máquina llena latas de bebidas refrescantes
4. Las gráficas de control para atributos son de 12 onzas. Parece que a pesar de la cantidad promedio en
a. la gráfica p. las latas es de alrededor de 12 onzas (con base en las medias
b. la gráfica m. muestrales), hay una gran cantidad de variabilidad en cada una
c. la gráfica R. de las latas individuales. El tipo de gráfica que pudiera detectar
d. la gráfica x. mejor este problema sería
5. La distribución de Poisson se utiliza a menudo con a. una gráfica p.
a. la gráfica R. b. una gráfica R.
b. la gráfica p. c. una gráfica c.
c. la gráfica c. d. una gráfica de atributos.
d. la gráfica x. 10. Si un proceso sólo tiene variaciones aleatorias (está bajo
6. Un tipo de variabilidad que indica que un proceso está fuera de control), entonces 95.5% de las veces los promedios muestrales
control se llama caerán dentro de
a. variación natural. a. 1 desviación estándar desde la media poblacional.
b. variación asignable. b. 2 desviaciones estándar desde la media poblacional.
c. variación aleatoria. c. 3 desviaciones estándar desde la media poblacional.
d. variación promedio. d. 4 desviaciones estándar desde la media poblacional.

Preguntas para análisis 15-5 Cuando se utiliza una gráfica de control, ¿cuáles son al-
gunos patrones que indicarían que el proceso está fuera
15-1 ¿Por qué el teorema del límite central es tan importante en
de control?
el control de calidad?
15-6 ¿Qué podría causar que un proceso estuviera fuera de
15-2 ¿Por qué las gráficas x y R suelen utilizarse juntas? control?
15-3 Explique la diferencia entre las gráficas de control para 15-7 Explique por qué un proceso puede estar fuera de control
variables y las gráficas de control para atributos. aunque todas las muestras estén dentro de los límites de
15-4 Explique la diferencia entre las gráficas c y las gráficas p. control superior e inferior.

Problemas* HORA x R HORA x R

15-8 Shader Storage Technologies produce unidades de refri-
geración para productores y vendedores de alimentos. 1 3.25– 0.71– 13 3.11– 0.85–
La temperatura promedio general que mantienen estas 2 3.10 1.18 14 2.83 1.31
unidades es de 46°F. El rango promedio es de 2°F. Se
toman muestras de 6 unidades para controlar el proceso. 3 3.22 1.43 15 3.12 1.06
Determine los límites superior e inferior de la gráfica de 4 3.39 1.26 16 2.84 0.50
control para los promedios y rangos de estas unidades
5 3.07 1.17 17 2.86 1.43
de refrigeración.
15-9 Cuando se fija en la posición estándar, una máquina lla- 6 2.86 0.32 18 2.74 1.29
mada Autopitch puede lanzar bolas a un bateador con una 7 3.05 0.53 19 3.41 1.61
velocidad promedio de 60 mph. Los dispositivos de Auto-
8 2.65 1.13 20 2.89 1.09
pitch se hacen para los equipos de ligas menores y mayo-
res, con la finalidad de ayudarles a mejorar sus promedios 9 3.02 0.71 21 2.65 1.08
de bateo. Los ejecutivos de Autopitch toman muestras de
10 2.85 1.33 22 3.28 0.46
10 dispositivos a la vez, para monitorearlos y mantener la
más alta calidad posible. El rango promedio es de 3 mph. 11 2.83 1.17 23 2.94 1.58
Utilizando técnicas de gráficas de control, determine los 12 2.97 0.40 24 2.64 0.97
límites de control en las gráficas de promedios y rangos
para Autopitch.
Desarrolle los límites de control apropiados y determine
15-10 Zipper Products, Inc., produce cereales de granola, barras si existe algún motivo de preocupación en el proceso de
de granola y otros productos alimenticios naturales. Su corte.
cereal de granola natural es muestreado para asegurar el
peso adecuado. Cada muestra contiene ocho cajas de ce- 15-13 Debido a la mala calidad de diversos productos semicon-
reales. El promedio general para las muestras es de 17 on- ductores que se utilizan en su proceso de fabricación, Mi-
zas. El rango es de sólo 0.5 onzas. Determine los límites crolaboratories ha decidido desarrollar un programa de
de control superior e inferior en la gráfica de promedios control de calidad. Como las piezas de semiconductores
para las cajas de cereales. que reciben de los proveedores son buenos o defectuosos,
15-11 Las cajas pequeñas de cereales NutraFlakes tienen la Milton Fisher ha decidido desarrollar gráficas de control
etiqueta “peso neto de 10 onzas”. Cada hora, se toman para atributos. El número total de semiconductores en
muestras aleatorias de tamaño n = 4 cajas y se pesan para cada muestra es de 200. Por otro lado, a Milton le gus-
comprobar el control del proceso. Cinco horas de observa- taría determinar los límites de control superior e inferior
ciones arrojaron lo siguiente: de la gráfica de control, para diversos valores de la frac-
ción defectuosa (p) en la muestra tomada. Para permitir
PESO una mayor flexibilidad, ha decidido desarrollar una tabla
que muestre los valores de p, LCS y LCI. Los valores para
HORA CAJA 1 CAJA 2 CAJA 3 CAJA 4 p deberían oscilar entre 0.01 y 0.10, con incrementos de
9 a.m. 9.8 10.4 9.9 10.3 0.01 cada vez. ¿Cuáles son los 10 LCS y LCI para una
confianza del 99.7 por ciento?
10 a.m. 10.1 10.2 9.9 9.8
11 a.m. 9.9 10.5 10.3 10.1 15-14 Durante los últimos dos meses, Suzan Shader se ha preo-
Mediodía 9.7 9.8 10.3 10.2 cupado por la máquina número 5 en la West Factory. Para
asegurarse de que la máquina esté funcionando correcta-
1 p.m. 9.7 10.1 9.9 9.9 mente, se toman muestras y se calculan el promedio y el
rango de cada muestra. Las muestras se componen de 12
Con estos datos, construya límites para las gráficas x y R. artículos producidos en la máquina. Recientemente, se to-
¿Está el proceso bajo control? ¿Qué otros pasos debería se- maron 12 muestras, y para cada una, se calcularon el rango
guir el departamento de control de calidad en este punto? y la media muestrales. Los rangos y promedios muestrales
15-12 Al muestrear cuatro piezas de alambre cortado a precisión fueron 1.1 y 46 para la primera muestra, 1.31 y 45 para la
(que se usará en el ensamble de computadoras), cada hora segunda muestra, 0.91 y 46 para la tercera muestra y 1.1
durante las últimas 24 horas, se han producido los siguien- y 47 para la cuarta muestra. Después de la cuarta muestra,
tes resultados: los promedios muestrales se incrementaron. Para la quinta
*

muestra, el rango fue de 1.21 y el promedio de 48; para la (b) ¿Cuáles son los límites de control superior e inferior
sexta muestra, fueron 0.82 y 47; para la séptima muestra, de una gráfica de control de 99.7% para la media?
fueron 0.86 y 50, y para la octava muestra, fueron 1.11 y (c) ¿Este proceso parece estar bajo control? Explique su
49. Después de la octava muestra, los promedios muestra- respuesta.
les siguieron aumentando y nunca estuvieron por debajo
15-17 Para el problema 15-16, desarrolle los límites de control
de 50. Para la muestra 9, el rango y el promedio fueron
superior e inferior para el rango. ¿Estas muestras indican
1.12 y 51; para la muestra número 10, fueron 0.99 y 52;
que el proceso está bajo control?
para la muestra número 11, fueron 0.86 y 50, y para la
muestra número 12, fueron 1.2 y 52. 15-18 Kate Drew ha estado pintando a mano adornos de Navidad
Aunque el jefe de Suzan no estaba demasiado pre- hechos de madera, desde hace varios años. Recientemente,
ocupado por el proceso, Suzan sí lo estaba. Durante la contrató a algunos amigos para ayudarla a aumentar el vo-
instalación, el proveedor estableció un valor de 47 para el lumen de su negocio. En el control de la calidad del tra-
promedio del proceso con un rango promedio de 1.0. Su- bajo, se dio cuenta de que algunos ligeros defectos son
zan tenía la sensación de que algo estaba definitivamente evidentes de vez en cuando. Una muestra de 20 piezas de
mal con la máquina número 5. ¿Usted está de acuerdo? trabajo dio como resultado el siguiente número de man-
15-15 Kitty Products abastece el creciente mercado de suminis- chas en cada pieza: 0, 2, 1, 0, 0, 3, 2, 0, 4, 1, 2, 0, 0, 1, 2,
tros para gatos con una línea completa de artículos, que va 1, 0, 0, 0, 1. Desarrolle los límites de control superior e
desde cojines hasta juguetes, pasando por polvo antipul- inferior para el número de manchas en cada pieza.
gas. Uno de sus productos más nuevos, un tubo de fluido 15-19 Un nuevo presidente en la Big State University ha hecho
que evita nudos en el pelo de los felinos con pelo largo, se de la satisfacción de los estudiantes con el proceso de ins-
produce mediante una máquina automática que está confi- cripción y registro una de sus más altas prioridades. Los
gurada para llenar cada tubo con 63.5 gramos de pasta. estudiantes deben ver a un asesor, inscribirse para las
Para mantener este proceso de llenado bajo control, clases, obtener un permiso de estacionamiento, pagar la
se toman cuatro tubos al azar de la línea de montaje cada matrícula y las cuotas, y comprar libros de texto y otros
4 horas. Después de varios días, se obtuvieron los datos materiales. Durante un periodo de inscripción, se mues-
mostrados en la siguiente tabla. Establezca límites de con- trearon 10 estudiantes cada hora y se les preguntó sobre
trol para este proceso y grafique los datos muestrales, la satisfacción con cada una de estas áreas. Se tomaron
considerando las gráficas x y R. muestras de 12 diferentes grupos de estudiantes, y las can-
15-16 Colonel Electric es una gran empresa que produce bombi- tidades en cada grupo que tenían al menos una queja son
llas y otros productos eléctricos. Se supone que una bom- las siguientes: 0, 2, 1, 0, 0, 1, 3, 0, 1, 2, 2, 0.
billa particular tiene una vida promedio de alrededor de Desarrolle los límites de control superior e inferior
1,000 horas antes de fundirse. Periódicamente la empresa (99.7%) para la proporción de estudiantes con quejas.
probará 5 bombillas y medirá el tiempo promedio antes de 15-20 La seguridad cibernética es una área de creciente preocu-
que se fundan. La siguiente tabla presenta los resultados pación. La Agencia Nacional de Seguridad (ANS) super-
de 10 muestras de este tipo: visa el número de accesos a sitios Web sensibles. Cuando
el número de visitas es mucho más grande de lo normal,
NÚMERO NÚMERO NÚMERO se justifica la causa de preocupación e investigación. Du-
DE DE DE rante los últimos 12 meses el número de ingresos en
MUESTRA x R MUESTRA x R MUESTRA x R uno de estos sitios Web ha sido: 181, 162, 172, 169, 185,
1 63.5 2.0 10 63.5 1.3 18 63.6 1.8 212, 190, 168, 190, 191, 197 y 204. Determine los lími-
2 63.6 1.0 11 63.3 1.8 19 63.8 1.3 tes de control superior e inferior (99.7%) para la gráfica
c asociada. Utilizando el límite de control superior como
3 63.7 1.7 12 63.2 1.0 20 63.5 1.6 referencia, ¿en qué momento debería la agencia tomar
4 63.9 0.9 13 63.6 1.8 21 63.9 1.0 acciones?
5 63.4 1.2 14 63.3 1.5 22 63.2 1.8 15-21 V. S. Industries en Parkersburg, West Virginia, es un pe-
6 63.0 1.6 15 63.4 1.7 23 63.3 1.7 queño fabricante de microcircuitos híbridos de grado mili-
7 63.2 1.8 16 63.4 1.4 24 64.0 2.0 tar. Uno de los muchos procedimientos de aseguramiento
de la calidad que exige la norma militar 883J (MIL-STD-
8 63.3 1.3 17 63.5 1.1 25 63.4 1.5
883J) para los microcircuitos híbridos se conoce como
9 63.7 1.6 tirón no destructivo (número de método en 2023.7 MIL-
STD-883J). El procedimiento consiste en tirar de una
MUESTRA 1 2 3 4 5 6 7 8 9 10 muestra aleatoria de cables dentro del microcircuito hí-
brido con un nivel predeterminado de fuerza. Si el cable se
Media 979 1087 1080 934 1072 1007 952 986 1063 958 rasga, se rompe o se separa de alguna manera del circuito
Rango 50 94 57 65 135 134 101 98 145 84 no pasa la prueba, se considera defectuoso y se desecha.
En un reciente lote de 1,000 dispositivos, 13 no pasaron la
(a) ¿Cuál es el promedio general de estas medias? ¿Cuál prueba de tirón. Determine los límites de control superior
es el rango promedio? e inferior para la gráfica p asociada.

APÉNDICE 15.1: USO DE QM PARA WINDOWS EN EL SPC 555
Visite nuestra página en Internet, www.pearsonenespañol.com/render y consulte este caso de estudio

adicional: Compañía Bayfield Mud, el cual trata de bolsas con agentes de tratamiento para fango, utiliza-
dos para la extracción de petróleo y gas natural.
Bibliografía
Crosby, P. B. Quality Is Free. Nueva York: McGraw-Hill, 1979. Smith, Gerald. Statistical Process Control and Quality Improvement, 5a. ed. Upper
Deming, W. E. Out of the Crisis. Cambridge, MA: MIT Center for Advanced Saddle River, NJ: Prentice Hall, 2004.
Engineering Study, 1986. Summers, Donna. Quality, 4a. ed. Upper Saddle River, NJ: Prentice Hall, 2006.
Foster, S. Thomas. Managing Quality, 2a. ed. Upper Saddle River, NJ: Prentice Tarí, Juan José, José Francisco Molina y Juan Luis Castejón. “The Relationship
Hall, 2004. between Quality Management Practices and Their Effects on Quality
Foster, S. Thomas. Managing Quality: Integrating the Supply Chain, 3a. ed. Upper Outcomes”, European Journal of Operational Research 183, 2 (diciembre
Saddle River, NJ: Prentice Hall, 2007. de 2007): 483-501.
Goetsch, David y Stanley Davis. Quality Management, 5a. ed. Upper Saddle River, Wilson, Darryl D. y David A. Collier. “An Empirical Investigation of the Malcolm
NJ: Prentice Hall, 2006. Baldrige National Quality Award Casual Model”, Decision Sciences 31, 2
(primavera de 2000): 361-390.
Juran, Joseph M. y A. Blanton Godfrey. Juran’s Quality Handbook, 5a. ed. Nueva
York: McGraw-Hill, 1999. Witte, Robert D. “Quality Control Defined”, Contract Management 47, 5 (mayo
de 2007): 51-53.
Naveh, Eitan y Miriam Erez. “Innovation and Attention to Detail in the Quality
Improvement Paradigm”, Management Science 50, 11 (noviembre de 2004): Zhu, Kaijie, Rachel Q. Zhang y Fugee Tsung. “Pushing Quality Improvement
1576-1586. Along Supply Chains”, Management Science 53, 3 (marzo de 2007):
421-436.
Ravichandran, T. “Swiftness and Intensity of Administrative Innovation Adoption:
An Empirical Study of TQM in Information Systems”, Decision Sciences
31, 3 (verano de 2000): 691-724.
Apéndice 15.1: Uso de QM para Windows en el SPC

El módulo de control de calidad en QM para Windows puede calcular la mayoría de las gráficas de
control del SPC y los límites descritos en este capítulo. Una vez que se selecciona el módulo, elegimos
New e indicamos el tipo de gráfica (p, de x barra o c). El programa 15.5A indica las diferentes opciones
posibles en QM para Windows. Cuando se selecciona la gráfica p para el ejemplo de ARCO, se abre
la ventana de inicialización, como se ilustra en el programa 15.5B. Introducimos un título y el número
de muestras (20 en este ejemplo) y, después, hacemos clic en OK. Se abre una ventana de entrada e
introducimos los 20 valores muestrales (número de errores o defectos en la muestra) y especificamos
el tamaño de la muestra (100). Hacemos clic en Solve, y se abre la ventana de salida, como se ilustra
en el programa 15.5C. Se presentan los datos de entrada y el tamaño de la muestra originales, así como
los resultados. Si bien este problema se ha configurado para utilizar límites de 3 desviaciones estándar
(sigma), también se pueden especificar otros valores. QM para Windows calcula la proporción promedio
(p), la desviación estándar y los límites de control superior e inferior. Desde esta pantalla, podemos se-
leccionar Window y después Control Chart para ver realmente la tabla y buscar patrones que indicarían
que el proceso está fuera de control.

PROGRAMA 15.5A
Uso de gráficas p del
módulo de control de
calidad en QM para
Windows
En el módulo Quality Control,

seleccione New y después p-charts.
PROGRAMA 15.5B
Ventana de inicialización
en QM para Windows
para la gráfica p de
ARCO
Introduzca un título y especifique

el número de muestras.
PROGRAMA 15.5C
Windows del ejemplo
de registros de ARCO
Una vez que los datos se han introducido, ponga el

número de defectos en esta columna y especifique
el tamaño de cada una de las 20 muestras. Después,
haga clic en Solve y aparecerá la pantalla final.

Apéndices
A. Área bajo la curva normal estándar
B. Probabilidades binomiales
C. Valores de e-l para su uso en la distribución de Poisson
D. Valores de la distribución F
E. Uso de POM-QM para Windows
F. Uso de Excel QM y complementos de Excel
G. Soluciones a problemas seleccionados
H. Soluciones a las autoevaluaciones
Z01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_APENDICES_557-578_3761-1.indd 557 4/14/16 10:26 AM

558 APÉNDICES
Apéndice A: Área bajo la curva normal estándar

1.55 Ejemplo: Para encontrar el área bajo la curva normal, usted debe saber a cuántas desviaciones estándar
Desviaciones estándar a la derecha de la media está ese punto. Después, el área bajo la curva normal se puede leer directamente de
la tabla normal. Por ejemplo, el área total bajo la curva normal para un punto que está a 1.55 desviaciones
estándar a la derecha de la media es 0.93943.
El área es
0.93943
0 1.55
Media de Z
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.50000 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586
0.1 0.53983 0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0.3 0.61791 0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.4 0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0.5 0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
0.6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0.7 0.75804 0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78524
0.8 0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
0.9 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891
1.0 0.84134 0.84375 0.84614 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
1.1 0.86433 0.86650 0.86864 0.87076 0.87286 0.87493 0.87698 0.87900 0.88100 0.88298
1.2 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1.3 0.90320 0.90490 0.90658 0.90824 0.90988 0.91149 0.91309 0.91466 0.91621 0.91774
1.4 0.91924 0.92073 0.92220 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189
1.5 0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408
1.6 0.94520 0.94630 0.94738 0.94845 0.94950 0.95053 0.95154 0.95254 0.95352 0.95449
1.7 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.96080 0.96164 0.96246 0.96327
1.8 0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
1.9 0.97128 0.97193 0.97257 0.97320 0.97381 0.97441 0.97500 0.97558 0.97615 0.97670
2.0 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169
2.1 0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2.2 0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899
2.3 0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.4 0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2.5 0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520
2.6 0.99534 0.99547 0.99560 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
2.7 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736
2.8 0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
2.9 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861
3.0 0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99889 0.99893 0.99896 0.99900
3.1 0.99903 0.99906 0.99910 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929
3.2 0.99931 0.99934 0.99936 0.99938 0.99940 0.99942 0.99944 0.99946 0.99948 0.99950

APÉNDICE A: ÁREA BAJO LA CURVA NORMAL ESTÁNDAR 559
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
3.3 0.99952 0.99953 0.99955 0.99957 0.99958 0.99960 0.99961 0.99962 0.99964 0.99965
3.4 0.99966 0.99968 0.99969 0.99970 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976
3.5 0.99977 0.99978 0.99978 0.99979 0.99980 0.99981 0.99981 0.99982 0.99983 0.99983
3.6 0.99984 0.99985 0.99985 0.99986 0.99986 0.99987 0.99987 0.99998 0.99988 0.99989
3.7 0.99989 0.99990 0.99990 0.99990 0.99991 0.99991 0.99992 0.99992 0.99992 0.99992
3.8 0.99993 0.99993 0.99993 0.99994 0.99994 0.99994 0.99994 0.99995 0.99995 0.99995
3.9 0.99995 0.99995 0.99996 0.99996 0.99996 0.99996 0.99996 0.99996 0.99997 0.99997

560 APÉNDICES
Apéndice B: Probabilidades binomiales

Probabilidad de exactamente r éxitos en n ensayos
P
n r 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
1 0 0.9500 0.9000 0.8500 0.8000 0.7500 0.7000 0.6500 0.6000 0.5500 0.5000
1 0.0500 0.1000 0.1500 0.2000 0.2500 0.3000 0.3500 0.4000 0.4500 0.5000
2 0 0.9025 0.8100 0.7225 0.6400 0.5625 0.4900 0.4225 0.3600 0.3025 0.2500
1 0.0950 0.1800 0.2550 0.3200 0.3750 0.4200 0.4550 0.4800 0.4950 0.5000
2 0.0025 0.0100 0.0225 0.0400 0.0625 0.0900 0.1225 0.1600 0.2025 0.2500
3 0 0.8574 0.7290 0.6141 0.5120 0.4219 0.3430 0.2746 0.2160 0.1664 0.1250
1 0.1354 0.2430 0.3251 0.3840 0.4219 0.4410 0.4436 0.4320 0.4084 0.3750
2 0.0071 0.0270 0.0574 0.0960 0.1406 0.1890 0.2389 0.2880 0.3341 0.3750
3 0.0001 0.0010 0.0034 0.0080 0.0156 0.0270 0.0429 0.0640 0.0911 0.1250
4 0 0.8145 0.6561 0.5220 0.4096 0.3164 0.2401 0.1785 0.1296 0.0915 0.0625
1 0.1715 0.2916 0.3685 0.4096 0.4219 0.4116 0.3845 0.3456 0.2995 0.2500
2 0.0135 0.0486 0.0975 0.1536 0.2109 0.2646 0.3105 0.3456 0.3675 0.3750
3 0.0005 0.0036 0.0115 0.0256 0.0469 0.0756 0.1115 0.1536 0.2005 0.2500
4 0.0000 0.0001 0.0005 0.0016 0.0039 0.0081 0.0150 0.0256 0.0410 0.0625
5 0 0.7738 0.5905 0.4437 0.3277 0.2373 0.1681 0.1160 0.0778 0.0503 0.0313
1 0.2036 0.3281 0.3915 0.4096 0.3955 0.3602 0.3124 0.2592 0.2059 0.1563
2 0.0214 0.0729 0.1382 0.2048 0.2637 0.3087 0.3364 0.3456 0.3369 0.3125
3 0.0011 0.0081 0.0244 0.0512 0.0879 0.1323 0.1811 0.2304 0.2757 0.3125
4 0.0000 0.0005 0.0022 0.0064 0.0146 0.0284 0.0488 0.0768 0.1128 0.1563
5 0.0000 0.0000 0.0001 0.0003 0.0010 0.0024 0.0053 0.0102 0.0185 0.0313
6 0 0.7351 0.5314 0.3771 0.2621 0.1780 0.1176 0.0754 0.0467 0.0277 0.0156
1 0.2321 0.3543 0.3993 0.3932 0.3560 0.3025 0.2437 0.1866 0.1359 0.0938
2 0.0305 0.0984 0.1762 0.2458 0.2966 0.3241 0.3280 0.3110 0.2780 0.2344
3 0.0021 0.0146 0.0415 0.0819 0.1318 0.1852 0.2355 0.2765 0.3032 0.3125
4 0.0001 0.0012 0.0055 0.0154 0.0330 0.0595 0.0951 0.1382 0.1861 0.2344
5 0.0000 0.0001 0.0004 0.0015 0.0044 0.0102 0.0205 0.0369 0.0609 0.0938
6 0.0000 0.0000 0.0000 0.0001 0.0002 0.0007 0.0018 0.0041 0.0083 0.0156
7 0 0.6983 0.4783 0.3206 0.2097 0.1335 0.0824 0.0490 0.0280 0.0152 0.0078
1 0.2573 0.3720 0.3960 0.3670 0.3115 0.2471 0.1848 0.1306 0.0872 0.0547
2 0.0406 0.1240 0.2097 0.2753 0.3115 0.3177 0.2985 0.2613 0.2140 0.1641
3 0.0036 0.0230 0.0617 0.1147 0.1730 0.2269 0.2679 0.2903 0.2918 0.2734
4 0.0002 0.0026 0.0109 0.0287 0.0577 0.0972 0.1442 0.1935 0.2388 0.2734
5 0.0000 0.0002 0.0012 0.0043 0.0115 0.0250 0.0466 0.0774 0.1172 0.1641
6 0.0000 0.0000 0.0001 0.0004 0.0013 0.0036 0.0084 0.0172 0.0320 0.0547
7 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002 0.0006 0.0016 0.0037 0.0078
8 0 0.6634 0.4305 0.2725 0.1678 0.1001 0.0576 0.0319 0.0168 0.0084 0.0039
1 0.2793 0.3826 0.3847 0.3355 0.2670 0.1977 0.1373 0.0896 0.0548 0.0313
2 0.0515 0.1488 0.2376 0.2936 0.3115 0.2965 0.2587 0.2090 0.1569 0.1094

APÉNDICE B: PROBABILIDADES BINOMIALES 561
P
n r 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
3 0.0054 0.0331 0.0839 0.1468 0.2076 0.2541 0.2786 0.2787 0.2568 0.2188
4 0.0004 0.0046 0.0185 0.0459 0.0865 0.1361 0.1875 0.2322 0.2627 0.2734
5 0.0000 0.0004 0.0026 0.0092 0.0231 0.0467 0.0808 0.1239 0.1719 0.2188
6 0.0000 0.0000 0.0002 0.0011 0.0038 0.0100 0.0217 0.0413 0.0703 0.1094
7 0.0000 0.0000 0.0000 0.0001 0.0004 0.0012 0.0033 0.0079 0.0164 0.0313
8 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002 0.0007 0.0017 0.0039
9 0 0.6302 0.3874 0.2316 0.1342 0.0751 0.0404 0.0207 0.0101 0.0046 0.0020
1 0.2985 0.3874 0.3679 0.3020 0.2253 0.1556 0.1004 0.0605 0.0339 0.0176
2 0.0629 0.1722 0.2597 0.3020 0.3003 0.2668 0.2162 0.1612 0.1110 0.0703
3 0.0077 0.0446 0.1069 0.1762 0.2336 0.2668 0.2716 0.2508 0.2119 0.1641
4 0.0006 0.0074 0.0283 0.0661 0.1168 0.1715 0.2194 0.2508 0.2600 0.2461
5 0.0000 0.0008 0.0050 0.0165 0.0389 0.0735 0.1181 0.1672 0.2128 0.2461
6 0.0000 0.0001 0.0006 0.0028 0.0087 0.0210 0.0424 0.0743 0.1160 0.1641
7 0.0000 0.0000 0.0000 0.0003 0.0012 0.0039 0.0098 0.0212 0.0407 0.0703
8 0.0000 0.0000 0.0000 0.0000 0.0001 0.0004 0.0013 0.0035 0.0083 0.0176
9 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0008 0.0020
10 0 0.5987 0.3487 0.1969 0.1074 0.0563 0.0282 0.0135 0.0060 0.0025 0.0010
1 0.3151 0.3874 0.3474 0.2684 0.1877 0.1211 0.0725 0.0403 0.0207 0.0098
2 0.0746 0.1937 0.2759 0.3020 0.2816 0.2335 0.1757 0.1209 0.0763 0.0439
3 0.0105 0.0574 0.1298 0.2013 0.2503 0.2668 0.2522 0.2150 0.1665 0.1172
4 0.0010 0.0112 0.0401 0.0881 0.1460 0.2001 0.2377 0.2508 0.2384 0.2051
5 0.0001 0.0015 0.0085 0.0264 0.0584 0.1029 0.1536 0.2007 0.2340 0.2461
6 0.0000 0.0001 0.0012 0.0055 0.0162 0.0368 0.0689 0.1115 0.1596 0.2051
7 0.0000 0.0000 0.0001 0.0008 0.0031 0.0090 0.0212 0.0425 0.0746 0.1172
8 0.0000 0.0000 0.0000 0.0001 0.0004 0.0014 0.0043 0.0106 0.0229 0.0439
9 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0005 0.0016 0.0042 0.0098
10 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0010
15 0 0.4633 0.2059 0.0874 0.0352 0.0134 0.0047 0.0016 0.0005 0.0001 0.0000
1 0.3658 0.3432 0.2312 0.1319 0.0668 0.0305 0.0126 0.0047 0.0016 0.0005
2 0.1348 0.2669 0.2856 0.2309 0.1559 0.0916 0.0476 0.0219 0.0090 0.0032
3 0.0307 0.1285 0.2184 0.2501 0.2252 0.1700 0.1110 0.0634 0.0318 0.0139
4 0.0049 0.0428 0.1156 0.1876 0.2252 0.2186 0.1792 0.1268 0.0780 0.0417
5 0.0006 0.0105 0.0449 0.1032 0.1651 0.2061 0.2123 0.1859 0.1404 0.0916
6 0.0000 0.0019 0.0132 0.0430 0.0917 0.1472 0.1906 0.2066 0.1914 0.1527
7 0.0000 0.0003 0.0030 0.0138 0.0393 0.0811 0.1319 0.1771 0.2013 0.1964
8 0.0000 0.0000 0.0005 0.0035 0.0131 0.0348 0.0710 0.1181 0.1647 0.1964
9 0.0000 0.0000 0.0001 0.0007 0.0034 0.0116 0.0298 0.0612 0.1048 0.1527
10 0.0000 0.0000 0.0000 0.0001 0.0007 0.0030 0.0096 0.0245 0.0515 0.0916
11 0.0000 0.0000 0.0000 0.0000 0.0001 0.0006 0.0024 0.0074 0.0191 0.0417
12 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0004 0.0016 0.0052 0.0139
13 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0010 0.0032
14 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0005
15 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000

562 APÉNDICES
P
n r 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
20 0 0.3585 0.1216 0.0388 0.0115 0.0032 0.0008 0.0002 0.0000 0.0000 0.0000
1 0.3774 0.2702 0.1368 0.0576 0.0211 0.0068 0.0020 0.0005 0.0001 0.0000
2 0.1887 0.2852 0.2293 0.1369 0.0669 0.0278 0.0100 0.0031 0.0008 0.0002
3 0.0596 0.1901 0.2428 0.2054 0.1339 0.0716 0.0323 0.0123 0.0040 0.0011
4 0.0133 0.0898 0.1821 0.2182 0.1897 0.1304 0.0738 0.0350 0.0139 0.0046
5 0.0022 0.0319 0.1028 0.1746 0.2023 0.1789 0.1272 0.0746 0.0365 0.0148
6 0.0003 0.0089 0.0454 0.1091 0.1686 0.1916 0.1712 0.1244 0.0746 0.0370
7 0.0000 0.0020 0.0160 0.0545 0.1124 0.1643 0.1844 0.1659 0.1221 0.0739
8 0.0000 0.0004 0.0046 0.0222 0.0609 0.1144 0.1614 0.1797 0.1623 0.1201
9 0.0000 0.0001 0.0011 0.0074 0.0271 0.0654 0.1158 0.1597 0.1771 0.1602
10 0.0000 0.0000 0.0002 0.0020 0.0099 0.0308 0.0686 0.1171 0.1593 0.1762
11 0.0000 0.0000 0.0000 0.0005 0.0030 0.0120 0.0336 0.0710 0.1185 0.1602
12 0.0000 0.0000 0.0000 0.0001 0.0008 0.0039 0.0136 0.0355 0.0727 0.1201
13 0.0000 0.0000 0.0000 0.0000 0.0002 0.0010 0.0045 0.0146 0.0366 0.0739
14 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0012 0.0049 0.0150 0.0370
15 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0003 0.0013 0.0049 0.0148
16 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0003 0.0013 0.0046
17 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0011
18 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002
19 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
20 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
P
n r 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95
1 0 0.4500 0.4000 0.3500 0.3000 0.2500 0.2000 0.1500 0.1000 0.0500
1 0.5500 0.6000 0.6500 0.7000 0.7500 0.8000 0.8500 0.9000 0.9500
2 0 0.2025 0.1600 0.1225 0.0900 0.0625 0.0400 0.0225 0.0100 0.0025
1 0.4950 0.4800 0.4550 0.4200 0.3750 0.3200 0.2550 0.1800 0.0950
2 0.3025 0.3600 0.4225 0.4900 0.5625 0.6400 0.7225 0.8100 0.9025
3 0 0.0911 0.0640 0.0429 0.0270 0.0156 0.0080 0.0034 0.0010 0.0001
1 0.3341 0.2880 0.2389 0.1890 0.1406 0.0960 0.0574 0.0270 0.0071
2 0.4084 0.4320 0.4436 0.4410 0.4219 0.3840 0.3251 0.2430 0.1354
3 0.1664 0.2160 0.2746 0.3430 0.4219 0.5120 0.6141 0.7290 0.8574
4 0 0.0410 0.0256 0.0150 0.0081 0.0039 0.0016 0.0005 0.0001 0.0000
1 0.2005 0.1536 0.1115 0.0756 0.0469 0.0256 0.0115 0.0036 0.0005
2 0.3675 0.3456 0.3105 0.2646 0.2109 0.1536 0.0975 0.0486 0.0135
3 0.2995 0.3456 0.3845 0.4116 0.4219 0.4096 0.3685 0.2916 0.1715
4 0.0915 0.1296 0.1785 0.2401 0.3164 0.4096 0.5220 0.6561 0.8145
5 0 0.0185 0.0102 0.0053 0.0024 0.0010 0.0003 0.0001 0.0000 0.0000
1 0.1128 0.0768 0.0488 0.0283 0.0146 0.0064 0.0022 0.0004 0.0000
2 0.2757 0.2304 0.1811 0.1323 0.0879 0.0512 0.0244 0.0081 0.0011
3 0.3369 0.3456 0.3364 0.3087 0.2637 0.2048 0.1382 0.0729 0.0214
4 0.2059 0.2592 0.3124 0.3602 0.3955 0.4096 0.3915 0.3280 0.2036
5 0.0503 0.0778 0.1160 0.1681 0.2373 0.3277 0.4437 0.5905 0.7738

APÉNDICE B: PROBABILIDADES BINOMIALES 563
P
n r 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95
6 0 0.0083 0.0041 0.0018 0.0007 0.0002 0.0001 0.0000 0.0000 0.0000
1 0.0609 0.0369 0.0205 0.0102 0.0044 0.0015 0.0004 0.0001 0.0000
2 0.1861 0.1382 0.0951 0.0595 0.0330 0.0154 0.0055 0.0012 0.0001
3 0.3032 0.2765 0.2355 0.1852 0.1318 0.0819 0.0415 0.0146 0.0021
4 0.2780 0.3110 0.3280 0.3241 0.2966 0.2458 0.1762 0.0984 0.0305
5 0.1359 0.1866 0.2437 0.3025 0.3560 0.3932 0.3993 0.3543 0.2321
6 0.0277 0.0467 0.0754 0.1176 0.1780 0.2621 0.3771 0.5314 0.7351
7 0 0.0037 0.0016 0.0006 0.0002 0.0001 0.0000 0.0000 0.0000 0.0000
1 0.0320 0.0172 0.0084 0.0036 0.0013 0.0004 0.0001 0.0000 0.0000
2 0.1172 0.0774 0.0466 0.0250 0.0115 0.0043 0.0012 0.0002 0.0000
3 0.2388 0.1935 0.1442 0.0972 0.0577 0.0287 0.0109 0.0026 0.0002
4 0.2918 0.2903 0.2679 0.2269 0.1730 0.1147 0.0617 0.0230 0.0036
5 0.2140 0.2613 0.2985 0.3177 0.3115 0.2753 0.2097 0.1240 0.0406
6 0.0872 0.1306 0.1848 0.2471 0.3115 0.3670 0.3960 0.3720 0.2573
7 0.0152 0.0280 0.0490 0.0824 0.1335 0.2097 0.3206 0.4783 0.6983
8 0 0.0017 0.0007 0.0002 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000
1 0.0164 0.0079 0.0033 0.0012 0.0004 0.0001 0.0000 0.0000 0.0000
2 0.0703 0.0413 0.0217 0.0100 0.0038 0.0011 0.0002 0.0000 0.0000
3 0.1719 0.1239 0.0808 0.0467 0.0231 0.0092 0.0026 0.0004 0.0000
4 0.2627 0.2322 0.1875 0.1361 0.0865 0.0459 0.0185 0.0046 0.0004
5 0.2568 0.2787 0.2786 0.2541 0.2076 0.1468 0.0839 0.0331 0.0054
6 0.1569 0.2090 0.2587 0.2965 0.3115 0.2936 0.2376 0.1488 0.0515
7 0.0548 0.0896 0.1373 0.1977 0.2670 0.3355 0.3847 0.3826 0.2793
8 0.0084 0.0168 0.0319 0.0576 0.1001 0.1678 0.2725 0.4305 0.6634
9 0 0.0008 0.0003 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
1 0.0083 0.0035 0.0013 0.0004 0.0001 0.0000 0.0000 0.0000 0.0000
2 0.0407 0.0212 0.0098 0.0039 0.0012 0.0003 0.0000 0.0000 0.0000
3 0.1160 0.0743 0.0424 0.0210 0.0087 0.0028 0.0006 0.0001 0.0000
4 0.2128 0.1672 0.1181 0.0735 0.0389 0.0165 0.0050 0.0008 0.0000
5 0.2600 0.2508 0.2194 0.1715 0.1168 0.0661 0.0283 0.0074 0.0006
6 0.2119 0.2508 0.2716 0.2668 0.2336 0.1762 0.1069 0.0446 0.0077
7 0.1110 0.1612 0.2162 0.2668 0.3003 0.3020 0.2597 0.1722 0.0629
8 0.0339 0.0605 0.1004 0.1556 0.2253 0.3020 0.3679 0.3874 0.2985
9 0.0046 0.0101 0.0207 0.0404 0.0751 0.1342 0.2316 0.3874 0.6302
10 0 0.0003 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
1 0.0042 0.0016 0.0005 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000
2 0.0229 0.0106 0.0043 0.0014 0.0004 0.0001 0.0000 0.0000 0.0000
3 0.0746 0.0425 0.0212 0.0090 0.0031 0.0008 0.0001 0.0000 0.0000
4 0.1596 0.1115 0.0689 0.0368 0.0162 0.0055 0.0012 0.0001 0.0000
5 0.2340 0.2007 0.1536 0.1029 0.0584 0.0264 0.0085 0.0015 0.0001
6 0.2384 0.2508 0.2377 0.2001 0.1460 0.0881 0.0401 0.0112 0.0010
7 0.1665 0.2150 0.2522 0.2668 0.2503 0.2013 0.1298 0.0574 0.0105
8 0.0763 0.1209 0.1757 0.2335 0.2816 0.3020 0.2759 0.1937 0.0746
9 0.0207 0.0403 0.0725 0.1211 0.1877 0.2684 0.3474 0.3874 0.3151
10 0.0025 0.0060 0.0135 0.0282 0.0563 0.1074 0.1969 0.3487 0.5987

564 APÉNDICES
P
n r 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95
15 0 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
1 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
2 0.0010 0.0003 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
3 0.0052 0.0016 0.0004 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000
4 0.0191 0.0074 0.0024 0.0006 0.0001 0.0000 0.0000 0.0000 0.0000
5 0.0515 0.0245 0.0096 0.0030 0.0007 0.0001 0.0000 0.0000 0.0000
6 0.1048 0.0612 0.0298 0.0116 0.0034 0.0007 0.0001 0.0000 0.0000
7 0.1647 0.1181 0.0710 0.0348 0.0131 0.0035 0.0005 0.0000 0.0000
8 0.2013 0.1771 0.1319 0.0811 0.0393 0.0138 0.0030 0.0003 0.0000
9 0.1914 0.2066 0.1906 0.1472 0.0917 0.0430 0.0132 0.0019 0.0000
10 0.1404 0.1859 0.2123 0.2061 0.1651 0.1032 0.0449 0.0105 0.0006
11 0.0780 0.1268 0.1792 0.2186 0.2252 0.1876 0.1156 0.0428 0.0049
12 0.0318 0.0634 0.1110 0.1700 0.2252 0.2501 0.2184 0.1285 0.0307
13 0.0090 0.0219 0.0476 0.0916 0.1559 0.2309 0.2856 0.2669 0.1348
14 0.0016 0.0047 0.0126 0.0305 0.0668 0.1319 0.2312 0.3432 0.3658
15 0.0001 0.0005 0.0016 0.0047 0.0134 0.0352 0.0874 0.2059 0.4633
20 0 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
2 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
3 0.0002 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
4 0.0013 0.0003 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
5 0.0049 0.0013 0.0003 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
6 0.0150 0.0049 0.0012 0.0002 0.0000 0.0000 0.0000 0.0000 0.0000
7 0.0366 0.0146 0.0045 0.0010 0.0002 0.0000 0.0000 0.0000 0.0000
8 0.0727 0.0355 0.0136 0.0039 0.0008 0.0001 0.0000 0.0000 0.0000
9 0.1185 0.0710 0.0336 0.0120 0.0030 0.0005 0.0000 0.0000 0.0000
10 0.1593 0.1171 0.0686 0.0308 0.0099 0.0020 0.0002 0.0000 0.0000
11 0.1771 0.1597 0.1158 0.0654 0.0271 0.0074 0.0011 0.0001 0.0000
12 0.1623 0.1797 0.1614 0.1144 0.0609 0.0222 0.0046 0.0004 0.0000
13 0.1221 0.1659 0.1844 0.1643 0.1124 0.0545 0.0160 0.0020 0.0000
14 0.0746 0.1244 0.1712 0.1916 0.1686 0.1091 0.0454 0.0089 0.0003
15 0.0365 0.0746 0.1272 0.1789 0.2023 0.1746 0.1028 0.0319 0.0022
16 0.0139 0.0350 0.0738 0.1304 0.1897 0.2182 0.1821 0.0898 0.0133
17 0.0040 0.0123 0.0323 0.0716 0.1339 0.2054 0.2428 0.1901 0.0596
18 0.0008 0.0031 0.0100 0.0278 0.0669 0.1369 0.2293 0.2852 0.1887
19 0.0001 0.0005 0.0020 0.0068 0.0211 0.0576 0.1368 0.2702 0.3774
20 0.0000 0.0000 0.0002 0.0008 0.0032 0.0115 0.0388 0.1216 0.3585

APÉNDICE C: VALORES DE e-l PARA SU USO EN LA DISTRIBUCIÓN DE POISSON 565
Apéndice C: Valores de e-l para su uso en la distribución de Poisson
l e-l l e-l
0.0 1.0000 3.1 0.0450
0.1 0.9048 3.2 0.0408
0.2 0.8187 3.3 0.0369
0.3 0.7408 3.4 0.0334
0.4 0.6703 3.5 0.0302
0.5 0.6065 3.6 0.0273
0.6 0.5488 3.7 0.0247
0.7 0.4966 3.8 0.0224
0.8 0.4493 3.9 0.0202
0.9 0.4066 4.0 0.0183
1.0 0.3679 4.1 0.0166
1.1 0.3329 4.2 0.0150
1.2 0.3012 4.3 0.0136
1.3 0.2725 4.4 0.0123
1.4 0.2466 4.5 0.0111
1.5 0.2231 4.6 0.0101
1.6 0.2019 4.7 0.0091
1.7 0.1827 4.8 0.0082
1.8 0.1653 4.9 0.0074
1.9 0.1496 5.0 0.0067
2.0 0.1353 5.1 0.0061
2.1 0.1225 5.2 0.0055
2.2 0.1108 5.3 0.0050
2.3 0.1003 5.4 0.0045
2.4 0.0907 5.5 0.0041
2.5 0.0821 5.6 0.0037
2.6 0.0743 5.7 0.0033
2.7 0.0672 5.8 0.0030
2.8 0.0608 5.9 0.0027
2.9 0.0550 6.0 0.0025
3.0 0.0498

Apéndice D: Valores de la distribución F 566
Tabla de la distribución F para el 5% superior de probabilidad 1a = 0.052.
APÉNDICES
0.05
F
df1
df2 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 120 q
1 161.4 199.5 215.7 224.6 230.2 234.0 236.8 238.9 240.5 241.9 243.9 245.9 248.0 249.0 250.1 253.3 254.3
2 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40 19.41 19.43 19.45 19.45 19.46 19.49 19.50
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.74 8.70 8.66 8.64 8.62 8.55 8.53
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.91 5.86 5.80 5.77 5.75 5.66 5.63
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.68 4.62 4.56 4.53 4.50 4.40 4.36
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.00 3.94 3.87 3.84 3.81 3.70 3.67
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.57 3.51 3.44 3.41 3.38 3.27 3.23
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.28 3.22 3.15 3.12 3.08 2.97 2.93
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.07 3.01 2.94 2.90 2.86 2.75 2.71
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.91 2.85 2.77 2.74 2.70 2.58 2.54
Z01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_APENDICES_557-578_3761-1.indd 566
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.79 2.72 2.65 2.61 2.57 2.45 2.40
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.69 2.62 2.54 2.51 2.47 2.34 2.30
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67 2.60 2.53 2.46 2.42 2.38 2.25 2.21
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60 2.53 2.46 2.39 2.35 2.31 2.18 2.13
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.48 2.40 2.33 2.29 2.25 2.11 2.07
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.42 2.35 2.28 2.24 2.19 2.06 2.01
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45 2.38 2.31 2.23 2.19 2.15 2.01 1.96
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.34 2.27 2.19 2.15 2.11 1.97 1.92
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38 2.31 2.23 2.16 2.11 2.07 1.93 1.88
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.28 2.20 2.12 2.08 2.04 1.90 1.84
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25 2.18 2.11 2.03 1.98 1.94 1.79 1.73
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 2.09 2.01 1.93 1.89 1.84 1.68 1.62
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08 2.00 1.92 1.84 1.79 1.74 1.58 1.51
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.92 1.84 1.75 1.70 1.65 1.47 1.39
120 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96 1.91 1.83 1.75 1.66 1.61 1.55 1.35 1.25
q 3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88 1.83 1.75 1.67 1.57 1.52 1.46 1.22 1.00
4/14/16 10:26 AM
Tabla de la distribución F para el 1% superior de probabilidad 1a = 0.012.
0.01
df1
df2 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 120 q
1 4052 5000 5403 5625 5764 5859 5928 5982 6022.5 6056 6106 6157 6209 6235 6261 6339 6366
2 98.50 99.00 99.17 99.25 99.30 99.33 99.36 99.37 99.39 99.40 99.42 99.43 99.45 99.46 99.47 99.49 99.50
3 34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49 27.35 27.23 27.05 26.87 26.69 26.60 26.50 26.22 26.13
4 21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80 14.66 14.55 14.37 14.20 14.02 13.93 13.84 13.56 13.46
5 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29 10.16 10.05 9.89 9.72 9.55 9.47 9.38 9.11 9.02
6 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.72 7.56 7.40 7.31 7.23 6.97 6.88
7 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62 6.47 6.31 6.16 6.07 5.99 5.74 5.65
8 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91 5.81 5.67 5.52 5.36 5.28 5.20 4.95 4.86
9 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.26 5.11 4.96 4.81 4.73 4.65 4.40 4.31
10 10.04 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94 4.85 4.71 4.56 4.41 4.33 4.25 4.00 3.91
Z01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_APENDICES_557-578_3761-1.indd 567
11 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63 4.54 4.40 4.25 4.10 4.02 3.94 3.69 3.60
12 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39 4.30 4.16 4.01 3.86 3.78 3.70 3.45 3.36
13 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 4.19 4.10 3.96 3.82 3.66 3.59 3.51 3.25 3.17
14 8.86 6.51 5.56 5.04 4.69 4.46 4.28 4.14 4.03 3.94 3.80 3.66 3.51 3.43 3.35 3.09 3.00
15 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80 3.67 3.52 3.37 3.29 3.21 2.96 2.87
16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3.69 3.55 3.41 3.26 3.18 3.10 2.84 2.75
17 8.40 6.11 5.18 4.67 4.34 4.10 3.93 3.79 3.68 3.59 3.46 3.31 3.16 3.08 3.00 2.75 2.65
18 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71 3.60 3.51 3.37 3.23 3.08 3.00 2.92 2.66 2.57
19 8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.43 3.30 3.15 3.00 2.92 2.84 2.58 2.49
20 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46 3.37 3.23 3.09 2.94 2.86 2.78 2.52 2.42
24 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26 3.17 3.03 2.89 2.74 2.66 2.58 2.31 2.21
30 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98 2.84 2.70 2.55 2.47 2.39 2.11 2.01
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.80 2.66 2.52 2.37 2.29 2.20 1.92 1.80
APÉNDICE D: VALORES DE LA DISTRIBUCIÓN F
60 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63 2.50 2.35 2.20 2.12 2.03 1.73 1.60
120 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56 2.47 2.34 2.19 2.03 1.95 1.86 1.53 1.38
q 6.63 4.61 3.78 3.32 3.02 2.80 2.64 2.51 2.41 2.32 2.18 2.04 1.88 1.79 1.70 1.32 1.00
567
4/14/16 10:26 AM
568 APÉNDICES
Apéndice E: Uso de POM-QM para Windows

Bienvenido a POM-QM para Windows que, junto con su acompañante Excel QM (vea el apéndice F), pone a
su disposición el software más fácil de usar disponible para el campo del análisis cuantitativo/métodos cuanti-
tativos (QA/QM), el cual también se utiliza en el campo de producción/administración de operaciones (POM).
Es posible visualizar todos los módulos, sólo los módulos de QM o sólo los módulos de POM. Debido a que
este libro trata de los métodos cuantitativos, únicamente se muestran los módulos de QM a lo largo del libro de
texto, y se hace referencia a este software como QM para Windows, que es un paquete diseñado para ayudarle
a aprender y entender mejor este campo. El software se puede utilizar para resolver problemas o para compro-
bar respuestas que se hayan obtenido en forma manual. Usted encontrará que este software es muy amigable
debido a las siguientes características:
● Cualquier persona familiarizada con las hojas de cálculo o los procesadores de texto estándar en
Windows podrá fácilmente utilizar QM para Windows. Todos los módulos tienen pantallas de ayuda
a las cuales es posible acceder en cualquier momento.
● Las pantallas para cada módulo son consistentes, de modo que cuando un usuario se acostumbra a utilizar
un módulo, le será más fácil el uso de los demás módulos.
● El editor de datos tipo hoja de cálculo permite la edición en pantalla completa.
● Los archivos se abren y se guardan en la forma habitual de Windows y, además, los archivos se nombran
por módulo, lo que facilita la localización de archivos guardados previamente.
● Es fácil cambiar de un método de solución a otro para comparar los métodos y las respuestas.
● Las gráficas se muestran e imprimen con facilidad.
Instalación de POM-QM para Windows

Visite el sitio web que complementa a este libro para descargar e instalar el software POM-QM para Windows.
Se presentan instrucciones sobre cómo descargar, instalar y registrar el software.
Después de haber completado la instalación y el registro, usted tendrá un grupo de programas agregado
a su administrador de programas. El grupo se llamará POM-QM para Windows 3. Asimismo, se colocará en
el escritorio un acceso directo al programa. Para utilizar el programa QM para Windows, haga doble clic en el
acceso directo en el escritorio o utilice Inicio, POM-QM para Windows 3, POM-QM para Windows.
Cuando utilice por primera vez QM para Windows, debería seleccionar Help en la barra del menú y, a
continuación, PDF Manual o Word Manual para obtener instrucciones completas sobre cómo utilizar el soft-
ware. En este apéndice se incluyen algunas instrucciones breves.
La primera pantalla que se muestra en QM para Windows (vea el programa 1.1 en el capítulo 1) contiene
los diversos componentes que están disponibles en la mayoría de las pantallas. La parte superior de esa pan-
talla es la barra de título estándar de Windows. Debajo de la barra de título hay una barra de menú estándar
Resolución de un problema de Windows. Los detalles de las ocho opciones de menú, File, Edit, View, Module, Format, Tools, Window y
Hay varias maneras de resolver Help, se explican en este apéndice. Al iniciar QM para Windows, algunas de las opciones del menú como Edit
un problema. La forma más y Format quizá no estén disponibles. Solamente estarán disponibles cuando se seleccione un módulo o cuando
sencilla consiste en pulsar se introduzca un problema.
el botón Solve en la barra Debajo del menú se encuentran dos barras de herramientas: una barra de herramientas estándar y una
de herramientas estándar. De
barra de herramientas de formato. Las barras de herramientas contienen accesos directos estándar para varios
manera alternativa, se puede
usar la tecla de función F9.
de los comandos del menú. Si se coloca el puntero del mouse sobre el botón durante unos dos segundos, en la
Por último, si se presiona la pantalla se visualizará una explicación del botón.
tecla Enter después de introducir La siguiente barra contiene una instrucción. Siempre hay una instrucción aquí tratando de ayudarle a
el último dato, el problema se averiguar qué hacer o qué debe introducir. En este momento, la instrucción indica que seleccione un módulo
resolverá. Después de resolver o abra un archivo. Cuando se van a introducir datos en la tabla de datos, esta instrucción explicará qué tipo de
un problema, para seguir datos (números enteros, reales, positivos, etcétera) deben introducirse.
editando los datos pulse el botón En el programa 1.1 del capítulo 1, se muestra la lista de módulos después de hacer clic en Module. Aquí
Edit, que ha sustituido al se ha optado por mostrar únicamente los módulos de QM.
botón Solve en la barra de
herramientas estándar,
o bien utilice F9.
Creación de un nuevo problema
Para introducir un nuevo problema, seleccione Module para ver la lista de técnicas disponibles. Haga clic en el
módulo que desee utilizar de acuerdo con el tipo de problema a resolver. En seguida, haga clic en el icono para
introducir un nuevo problema o abrir un problema guardado previamente, o elija File y luego New u Open. En
algunos módulos, cuando se selecciona New, habrá un menú de submódulos. Cuando esto ocurra, es necesario
seleccionar uno de ellos antes de introducir el problema.
La línea superior de la pantalla de creación contiene un cuadro de texto donde se puede introducir el título
del problema. Para muchos módulos, es necesario introducir el número de filas en el problema. Las filas tienen

APÉNDICE E: USO DE POM-QM PARA WINDOWS 569
diferentes nombres dependiendo de los módulos. Por ejemplo, en programación lineal, las filas son restriccio-
nes, mientras que en pronósticos, las filas son periodos anteriores. El número de filas puede elegirse con la
barra de desplazamiento, o bien, desde el cuadro de texto.
POM-QM para Windows tiene la capacidad de permitir diferentes opciones para los nombres por defecto
de las filas y columnas. Seleccione uno de los botones de radio para indicar qué estilo de nomenclatura pre-
determinada debería utilizarse. En la mayoría de los módulos, los nombres de las filas no se utilizan para los
cálculos, aunque se debe tener cuidado porque en algunos módulos (especialmente, la gestión de proyectos)
los nombres podrían relacionarse con las precedencias.
Muchos módulos requieren que usted ingrese el número de columnas, lo cual se da en la misma forma
que el número de filas. Todos los nombres de fila y columna se pueden modificar en la tabla de datos.
Algunos módulos tendrán un cuadro de opción adicional, por ejemplo, para elegir minimización o maxi-
mización, o bien, para seleccionar si las distancias son simétricas. Elija una de estas opciones. En la mayoría
de los casos, esta opción se puede cambiar más adelante en la pantalla de datos.
Enter (Intro) Cuando esté satisfecho con sus elecciones, haga clic en el botón OK o pulse la tecla Enter. En este punto,
Esta tecla se mueve de una se mostrará una pantalla de datos en blanco. Las pantallas diferirán de un módulo a otro.
celda a otra en el orden de
izquierda a derecha, de arriba Introducción y edición de datos
hacia abajo, pasando por alto
la primera columna (que por lo Después de haber creado un nuevo conjunto de datos o cargado un conjunto de datos existente, los datos
general contiene los nombres). pueden editarse. Cada entrada está en una posición de fila y columna. Navegue a través de la hoja de cálculo
Por lo tanto, al introducir una utilizando las teclas de movimiento del cursor, las cuales funcionan de manera regular con una excepción: la
tabla de datos, si inicia en tecla Enter.
la parte superior izquierda La barra de instrucciones en la pantalla contendrá una breve instrucción que describe lo que se debe hacer.
y trabaja fila por fila hasta la Hay básicamente tres tipos de celdas en la tabla de datos. Un tipo es una celda de datos regular donde se intro-
parte inferior derecha, esta tecla duce un nombre o un número. Un segundo tipo es una celda que no se puede cambiar. Un tercer tipo es una
es excepcionalmente útil.
celda que contiene un cuadro desplegable. Por ejemplo, los signos en una restricción de programación lineal se
eligen de este tipo de cuadro. Para ver todas las opciones, pulse el cuadro con la flecha.
Hay un aspecto más de la pantalla de datos que debe considerarse. Algunos módulos necesitan datos
adicionales por encima de los que hay en la tabla. En la mayoría de estos casos, los datos están contenidos en
combinaciones de texto/barra de desplazamiento que aparecen en la parte superior de la tabla de datos.
Despliegue de la solución
En este punto, usted puede pulsar el botón Solve para iniciar el proceso de solución. Aparecerá una nueva
Formato numérico pantalla.
El formato es manejado
Algo importante que tiene que destacarse es que hay más información disponible relativa a la solución.
automáticamente por el
Ésta se puede observar mediante los iconos indicados en la parte inferior. Haga clic en ellos para ver la infor-
programa. Por ejemplo, en la
mayoría de los casos, el número mación. Como alternativa, note que la opción Window en el menú principal está ahora habilitada. Siempre
1000 tendrá automáticamente estará activada en el momento de la solución. Incluso si los iconos están cubiertos por una ventana, la opción
el formato 1,000. No escriba la Window siempre le permitirá ver las otras ventanas de solución.
coma. ¡El programa le impedirá Ahora que hemos examinado cómo crear y resolver un problema, explicamos todas las opciones dispo-
hacerlo! nibles del menú.
File
File contiene las opciones habituales que se encuentran en Windows:
New Como se mostró antes, ésta se elige para comenzar un nuevo problema/archivo.
Open Se utiliza para abrir/cargar un archivo guardado previamente. La selección de archivos es con el tipo
común de diálogo estándar en Windows. Observe que la extensión de los archivos en el sistema de QM para
Windows está dada por las tres primeras letras del nombre del módulo. Por ejemplo, todos los archivos de pro-
gramación lineal tienen la extensión *.lin. Cuando vaya al cuadro de diálogo abierto, el valor por defecto es el
que el programa debe buscar en los archivos de este tipo de módulo. Lo anterior se puede cambiar en la parte
inferior izquierda donde dice “Files of Type”.
Eliminación de archivos Los nombres legales son los nombres de archivo estándar. Las mayúsculas o minúsculas no importan.
No es posible borrar un archivo Usted los puede escribir con mayúsculas, minúsculas o en forma mixta. En todos los casos, QM para Windows
utilizando QM para Windows. agregará la extensión de tres letras al final del nombre del archivo. Por ejemplo, un problema de programación
Use el administrador de archivos lineal se convertiría en problema de programación lineal.lin (suponiendo que, de hecho, se trata de un pro-
de Windows para hacerlo. blema de programación lineal).
Save Esta instrucción reemplazará el archivo sin preguntar si usted desea sobrescribir la versión anterior
del archivo. Si intenta guardar un archivo que no haya nombrado previamente, se le pedirá un nombre para
dicho archivo.

570 APÉNDICES
Save as Aquí se le pedirá un nombre de archivo antes de guardarlo. Esta opción es muy similar a la de cargar un
archivo de datos. Cuando se elige esta opción, se mostrará el cuadro de diálogo Save as para los archivos.
Save as Excel File Guarda un archivo como un archivo de Excel que contiene los datos y las fórmulas
adecuadas para obtener las soluciones; se encuentra disponible para algunos, pero no para todos los módulos.
Save as HTML Guarda las tablas como un archivo con formato HTML que de inmediato se puede colocar
en Internet.
Print Mostrará una pantalla del menú de impresión con cuatro pestañas. La pestaña Information le permite
seleccionar cuál de las tablas de salida debería imprimirse. La pestaña Page Header le permite controlar la
información que aparece en la parte superior de la página. La pestaña Layout controla el estilo de impresión.
La información puede imprimirse como texto ASCII o como una tabla (cuadrícula) semejante a la tabla en la
pantalla. Pruebe los dos tipos de impresión y vea cuál de ellos prefiere. La pestaña de impresión permite reali-
zar cambios en ciertas características de la impresión.
Exit the Program La última opción en el menú File es Exit, que cerrará el programa si está en la pantalla de
datos o, si se encuentra en la pantalla de solución, lo hará salir de esa pantalla y volverá a la pantalla de datos.
Lo anterior también se obtiene presionando el botón del comando Edit en la pantalla de solución.
Edit
Los comandos bajo Edit tienen tres propósitos. Los primeros cuatro comandos se utilizan para insertar o eli-
minar filas o columnas. El siguiente comando se utiliza para copiar una entrada de una celda a todas las celdas
que hay debajo de ella en la columna. Esto no suele ser útil pero, cuando lo es, ahorra una gran cantidad de
trabajo. Las dos últimas entradas sirven para copiar la tabla de datos a otros programas de Windows.
View
View tiene varias opciones que le permiten personalizar el aspecto de la pantalla. La barra de herramientas se
puede mostrar o no. La barra de instrucciones se muestra en su ubicación predeterminada encima o debajo de
los datos, como una ventana flotante, o no se muestra en absoluto. La barra de estado se puede visualizar o no.
Los colores cambian a monocromáticos (blanco y negro) o de este estado a sus colores originales.
Module
Module se muestra en el capítulo 1 como el programa 1.1. La selección de Module contiene una lista de los
programas disponibles con este libro.
Format
Format también tiene varias opciones para la pantalla. Es posible ajustar los colores para toda la pantalla, así
como el tipo de letra y el tamaño de la tabla. Los ceros se pueden configurar para mostrarse como espacios en
blanco en vez de ceros. Es posible cambiar el título del problema que se muestra en la tabla de datos y que se
estableció en la pantalla de creación. La tabla se comprime o se expande. Es decir, el ancho de las columnas
puede disminuirse o incrementarse. Las entradas se pueden verificar o no.
Tools
La opción de menú Tools es una área disponible para hacer anotaciones a los problemas. Si desea escribir
una nota para sí mismo sobre el problema, seleccione annotation; la nota se guardará junto con el archivo.
En la opción de menú Tools, se Hay una calculadora disponible para realizar cálculos sencillos, incluyendo raíz cuadrada, así como una
encuentra una calculadora para calculadora para la distribución normal que puede utilizarse para encontrar intervalos de confianza y efec-
la distribución normal. tuar cálculos similares.
Window
La opción de menú Window sólo se activa en la pantalla de solución. En Window se puede encontrar informa-
ción de salidas adicionales. El tipo de salida depende del módulo que se utilice.
Help
La opción de menú Help proporciona información acerca del software en general, así como sobre los módulos
individuales. La primera vez que se ejecuta POM-QM para Windows, se debería seleccionar Help y elegir
Program Update para asegurarse de que el software tiene las últimas actualizaciones.
Help también contiene un manual con información más detallada sobre el programa, un enlace a una
actualización del programa y un enlace para el soporte por correo electrónico. Si envía un correo, asegúrese
de incluir el nombre del programa (POM-QM para Windows), la versión del programa (desde Help, About), el
módulo donde se está produciendo el problema y una explicación detallada del problema; también adjunte
el archivo de datos en el cual se produce el problema.

APÉNDICE F: USO DE EXCEL QM Y COMPLEMENTOS DE EXCEL 571
Apéndice F: Uso de Excel QM y complementos de Excel

Excel QM
Excel QM fue diseñado para ayudarle a aprender y entender mejor tanto el análisis cuantitativo como Excel.
A pesar de que el software contiene muchos módulos y submódulos, las pantallas de cada módulo son consis-
tentes y fáciles de usar. Los módulos se ilustran en el programa 1.3.
Excel QM es un complemento de Excel, por lo que usted debe tener Excel instalado en su computadora.
Para instalar Excel QM, vaya al sitio web complementario para obtener instrucciones y la descarga gratuita.
Un icono de Excel QM se colocará en su escritorio.
Para ejecutar Excel QM, haga clic en el icono del escritorio y Excel se iniciará con el complemento Excel
QM disponible. Además de las pestañas habituales de Excel, aparecerá una pestaña para Excel QM. Haga
clic en ella para ver la barra de Excel QM. Hay dos elementos de esta barra que se utilizan para acceder a las
técnicas disponibles. La primera forma es seleccionar By Chapter, que mostrará las técnicas dispuestas por el
número de capítulo. La segunda forma es seleccionar Alphabetical, que mostrará las técnicas en orden alfabé-
tico. Con cualquiera de estas formas, seleccione la técnica adecuada en función del problema que desea intro-
ducir. Se abrirá una ventana para que usted ingrese información sobre el problema, por ejemplo, el número de
variables o el número de observaciones. Al hacer clic en OK, aparecerá una hoja de cálculo que se ha iniciali-
zado. Las instrucciones se incluyen en un cuadro de texto que aparece justo debajo del título que se le ha dado
a este problema. Estas instrucciones suelen indicar lo que debe introducir en la hoja de trabajo y, para ciertos
métodos, los pasos restantes que se requieren para obtener la solución final. Para muchos de los módulos, no se
requieren nuevos pasos. Para otros, como la programación lineal, Excel QM habrá proporcionado las entradas
y hecho las selecciones necesarias para el uso de Solver.
Excel QM sirve para dos propósitos en el proceso de aprendizaje. En primer lugar, puede simplemente
ayudarle a resolver problemas de tarea. Se introducen los datos apropiados, y el programa ofrece soluciones
numéricas. QM para Windows opera sobre el mismo principio. Pero Excel QM permite un segundo enfoque,
esto es, observar las fórmulas de Excel utilizadas para desarrollar soluciones y modificarlas para hacer frente
a una variedad más amplia de problemas. Este enfoque “abierto” permite observar, comprender e incluso cam-
biar las fórmulas en que se basan los cálculos de Excel, comunicando el poder de Excel como una herramienta
de análisis cuantitativo.
Soporte técnico para Excel QM

Si tiene problemas técnicos con POM-QM para Windows o Excel QM que su profesor no pueda responder,
envíe un correo electrónico, en inglés, a la dirección que se encuentra en el sitio web www.prenhall.com/weiss.
Si envía el correo electrónico, asegúrese de incluir el nombre del programa (POM-QM para Windows o Excel
QM), la versión del programa (de Help, About en POM-QM para Windows; de QM About en Excel QM),
el módulo en el que se produce el problema y una explicación detallada del problema; también adjunte el
archivo de datos en el cual se produce el problema (si es necesario).
Activación de los complementos de Excel en Excel 2013 y 2010

Dos complementos importantes de Excel son Solver y Analysis ToolPak. Ambos son una parte de Excel, pero
deben activarse o cargarse antes de poder utilizarlos por primera vez. Para cargar los complementos, siga los
siguientes pasos:
1. Para Excel 2013 y 2010, haga clic en la pestaña File, en Options y, después, en Add-Ins.
2. En el cuadro Manage, seleccione Excel Add-Ins y haga clic en Go.
3. Marque las casillas junto a Analysis ToolPak y Solver Add-In, y después haga clic en OK.
Ahora la pestaña de datos mostrará Solver y Data Analysis cada vez que inicie Excel. Las instrucciones sobre
el uso de Data Analysis para la regresión se presentan en el capítulo 4.
Z01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_APENDICES_557-578_3761-1.indd 571 4/21/16 5:18 PM

572 APÉNDICES
Apéndice G: Soluciones a problemas seleccionados

Capítulo 1 4-16 (a) $149,542 (b) El modelo predice el precio promedio
de una casa de este tamaño. (c) Antigüedad, el número de
1-16 BEP = 5 unidades habitaciones, tamaño del lote (d) 0.3969
1-18 BEP = 700 unidades 4-18 Para X = 1200, YN = 2.35 para X = 2400, YN = 3.67
1-20 BEP = 160 por semana; ingreso total = $6,400 4-22 El modelo que sólo considera la antigüedad es mejor, por-
1-22 s = 45 que tiene la mayor r 2 (0.70).
1-24 (a) BEP = 25 (b) BEP = 18.333 4-24 (a) YN = 91,446.49 + 29.86X1 + 2,116.86X2 -
1,504.77X3 = 142,465.16.
Capítulo 2 4-26 El modelo con caballos de fuerza es: YN = 53.87 - 0.269X1;
r 2 = 0.77
2-14 0.30 El modelo con el peso es: YN = 57.53 - 0.01X2;
2-16 (a) 0.10 (b) 0.04 (c) 0.25 (d) 0.40 r 2 = 0.73
2-18 (a) 0.20 (b) 0.09 (c) 0.31 (d) dependiente 4-30 YN = 77.190 + 0.047X
2-20 (a) 0.3 (b) 0.3 (c) 0.8 (d) 0.49 (e) 0.24 (f) 0.27 4-32 (a) YN = 42.43 + 0.0004X;
2-22 0.719 (b) YN = -31.54 + 0.0058X
2-24 (a) 0.08 (b) 0.84 (c) 0.44 (d) 0.92 Capítulo 5
2-26 (a) 0.995 (b) 0.885 (c) Los eventos supuestos son 5-16 MAD = 6.48 para el promedio móvil de 3 meses;
independientes MAD = 7.78 para el promedio móvil de 4 meses
2-28 0.78 5-18 Y = 2.22 + 1.05X
2-30 2.85 5-20 El pronóstico para el año 12 es 11.789; MAD = 2.437
2-32 (a) 0.1172 (b) 0.0439 (c) 0.0098 5-22 Los pronósticos para el año 6 son 565.6 y 581.4
(d) 0.0010 (e) 0.1719 5-24 El pronóstico para el año 6 es 555
2-34 0.328, 0.590 5-26 MAD = 5.6 para la línea de tendencia; MAD = 74.56 para
2-36 0.776 la suavización exponencial; MAD = 67 para el promedio
2-38 (a) 0.0548 (b) 0.6554 (c) 0.6554 (d) 0.2119 móvil
2-40 1829.27 5-28 (b) MAD = 2.60; RSFE = 5.11 en la semana 10
2-42 (a) 0.5 (b) 0.27425 (c) 48.2 5-32 MAD = 3.34
5-36 F11 = 6.26; MAD = 0.58 para a = 0.8 es la más baja.
2-44 0.7365
5-38 270, 390, 189, 351
2-46 0.162
Capítulo 6
Capítulo 3
6-20 (a) 20,000 (b) 50 (c) 50
3-18 Criterio maximin; Texan 6-22 $45 más. ROP = 4,000
3-20 (a) Bolsa de valores (b) $21,500 6-24 8 millones
3-22 (b) CD 6-26 28,284; 34,641; 40,000
3-24 (b) Mediana 6-28 (a) 10 (b) 324.92 (c) 6.5 días; 65 unidades
3-26 8 cajas (d) máximo = 259.94 promedio = 12.9.97
(e) 7.694 corridas; (f) $192.35; $37,384.71 (g) 5
3-30 (b) Muy grande (c) Pequeña (c) Muy grande
(d) Muy grande (f) Muy grande 6-30 (a) Z = 2.05 (b) 3.075 (c) 23.075 (d) $4.61
3-32 Decisión con arrepentimiento minimax: opción 2; decisión 6-32 Añadir 160 pies. $1,920
de POE mínima: opción 2 6-34 2,697
3-34 -$0.526 6-36 Tomar el descuento. Costo = $49,912.50
3-36 Construir la clínica (VME = 30,000) 6-38 $4.50; $6.00; $7.50
3-40 No recopilar información; construir cuádruplex 6-46 Artículo 4, EOQ = 45
3-42 0.533; 0.109 6-48 Ordenar 200 unidades
3-44 (c) Llevar a cabo la encuesta. Si la encuesta es favorable, Capítulo 7
producir la maquinilla para afeitar; si no es favorable,
7-14 40 aparatos de aire acondicionado, 60 ventiladores,
no producir la maquinilla para afeitar.
utilidad = $1,900
3-46 (a) 0.923, 0.077, 0.25, 0.75 (b) 0.949, 0.051, 0.341, 0.659
7-16 175 anuncios en radio, 10 anuncios en televisión
3-48 No utilizar el estudio. Aversos al riesgo. 7-18 40 estudiantes de licenciatura, 20 de posgrado, $160,000
3-50 (a) Broad (b) Autopista (c) Aversa al riesgo 7-20 $20,000, petroquímica; $30,000, organismo público;
rendimiento = $4,200; riesgo = 6
Capítulo 4 7-22 X = 18.75, Y = 18.75, utilidad = $150
4-10 (b) SCT = 29.5 SEC = 12 y SCR = 17.5 YN = 6 + 0.1X 7-24 (1358.7, 1820.6), $3,179.30
(c) YN = 10 7-26 (a) utilidad = $ 2,375 (b) 25 barriles podados, 62.5 barriles
4-12 (a) YN = 6 + 0.1X regulares (c) 25 acres podados, 125 acres regulares

APÉNDICE G: SOLUCIONES A PROBLEMAS SELECCIONADOS 573
7-28 (a) Sí (b) No cambia Capítulo 10

7-34 (a) 25 unidades del producto 1, 0 unidades del producto 2 10-10 (a) 2 anuncios en horario estelar por semana, 4.25 anuncios
(b) Se utilizan 25 unidades del recurso 1, holgura = 20; en horario normal por semana, audiencia = 38,075
se utilizan 75 unidades del recurso 2, holgura = 12; se (b) 2 anuncios en horario estelar por semana, 4 anuncios en
utilizan 50 unidades del recurso 3, holgura = 0; la restric- horario normal por semana, audiencia = 36,800
ción 3 es vinculante y las otras no lo son. (c) 0, 0 y 25 (c) 4 anuncios en horario estelar por semana, 1 anuncio
(d) Recurso 3. Hasta $25 (precio dual) (e) La utilidad total en horario normal por semana, audiencia = 37,900
se reduciría en 5 (valor del costo reducido).
10-12 3 carteles grandes y 4 carteles pequeños
7-36 24 cocos, 12 pieles; utilidad = 5,040 rupias
10-16 Construir en Mt. Auburn, Mt. Adams, Norwood, Covington
7-42 Usar 7.5 lb de C-30, 15 lb de C-92, 0 lb de D-21 y 27.5 lb y Eden Park.
de E-11; costo = $ 3.35 por lb
10-18 (a) X1 Ú X2 (b) X1 + X2 + X3 = 2
Capítulo 8 10-20 (b) 0 TV, 0.73 radio, 0 carteleras y 8.86 anuncios en
8-2 (b) $50,000 en bonos LA, $ 175,000 en Medicamentos periódicos
Palmer, $25,000 en Happy Days 10-24 X1 = 15, X2 = 20
8-4 1.33 libras de producto de avena para caballo, 0 libras de 10-28 18.3 XJ6 y 10.8 XJ8; ingresos = 70,420.
grano, 3.33 libras de producto mineral
10-30 0.333 en la acción 1 y 0.667 en la acción 2;
8-6 6.875 anuncios en televisión; 10 anuncios en radio; 9 vallas varianza = 0.102; rendimiento = 0.09
publicitarias; 10 anuncios en periódicos
8-8 Usar 30 arrendamientos a 5 meses a partir de marzo, Capítulo 11
100 arrendamientos de 5 meses a partir de abril, 170 arren-
11-18 (a) 0.50 (b) 0.50 (c) 0.97725 (d) 0.02275
damientos de 5 meses a partir de mayo, 160 arrendamien-
(e) 43.84
tos de 5 meses a partir de junio y 10 arrendamientos de
5 meses a partir de julio. 11-20 (a) 0.0228 (b) 0.3085 (c) 0.8413 (d) 0.9772
8-10 Enviar a 400 estudiantes del sector A a la escuela B, 300 11-24 14
del sector A a la escuela E, 500 del sector B a la escuela 11-28 (b) La ruta crítica A-C tarda 20 semanas; la ruta B-D
B, 100 del sector C a la escuela C, 800 del sector D a tarda 18 semanas (c) 0.222 para A-C; 5 para B-D
la escuela C y 400 del sector E a la escuela E. (d) 1.00 (e) 0.963 (f) la ruta B-D tiene más
8-12 (b) 0.499 lb de carne molida, 0.173 lb de pollo, 0.105 lb de variabilidad y tiene mayor probabilidad de exceder
espinaca y 0.762 lb de papas. Costo total = $1.75. las 22 semanas.
8-14 13.7 aprendices comienzan en agosto y 72.2 comienzan en 11-34 Sí. El costo de la aceleración es de $ 2,200.
octubre.
Capítulo 12
Capítulo 9
12-10 Los costos totales para los empleados 1, 2, 3 y 4 son de
9-8 Des Moines a Albuquerque 200, Des Moines a Boston 50, $564, $428, $392 y $406, respectivamente.
Des Moines a Cleveland 50, Evansville a Boston 150,
Ft. Lauderdale a Cleveland 250. Costo = $3,200. 12-12 (a) 4.167 autos (b) 0.4167 horas (c) 0.5 horas
(d) 0.8333 (e) 0.1667
9-10 25 unidades de Pineville a 3; 30 unidades de Oak Ridge a 2;
10 unidades de Oakville a 3; 30 unidades de Mapletown 12-14 (a) 0.512, 0.410, 0.328 (b) 0.2 (c) 0.8 minutos
a 1. Costo = $230. Múltiples soluciones óptimas. (d) 3.2 (e) 4 (f) 0.429, 0.038 minutos, 0.15, 0.95
9-12 Costo total = $14,700. 12-16 (a) 0.2687 horas (b) 3.2
(c) Sí. Ahorros = $142.50 por hora.
9-14 Costo total = $635.
12-18 (a) 0.0397 horas (b) 0.9524 (c) 0.006 horas
9-18 Los sistemas de Nueva Orleans cuestan = $20,000; los (d) 0.1524 (e) 0.4286 (f) 0.4 (g) 0.137
de Houston $19,500, por lo que se debería seleccionar
Houston. 12-20 Con una persona, L = 3, W = 1 hora, Lq = 2.25
y Wq = 0.75 horas. Con dos personas, L = 0.6,
9-20 Costo óptimo usando East St. Louis: $17,400. Costo W = 0.2 horas, Lq = 2.225 y Wq = 0.075 horas.
óptimo usando St. Louis: $17,250.
12-22 No
9-22 Trabajo A12 a la máquina W; trabajo A15 a la máquina Z;
trabajo B2 a la máquina Y; trabajo B9 a la máquina X. 12-24 (a) 0.1333 horas (b) 1.333 (c) 0.2 horas (d) 2
Tiempo = 50 horas (e) 0.333
9-24 4,580 millas 12-26 (a) 80 clientes por día (b) 10.66 horas, $266.50
(c) 0.664, $16.60 (d) 2 cajeros, $208.60
9-26 Calificación total = 335
12-30 (a) 0.576 (b) 1.24 (c) 0.344 (d) 0.217 horas
9-28 Calificación total máxima = 75.5 (e) 0.467 horas
9-30 (a) $2,591,200 (b) $2,640,400 (c) $2,610,100 y 12-32 (a) 0.27 horas (b) 3.2 (c) 4 (d) 0.33 horas
$2,572,100 (e) 0.4096
9-34 200 en la ruta 1-2-5-7-8, 200 en la ruta 1-3-6-8 y 100 en
la ruta 1-4-8. Total = 500. Esto aumenta a 700 con los Capítulo 13
cambios.
13-14 No
9-36 Flujo total = 13
13-16 Valor esperado de 6.35 (usando la fórmula). El número
9-38 La ruta más corta es 1-3-7-11-14-16. La distancia total es 74. promedio es 7 en el problema 13-15.
9-40 (a) 1,200 millas (b) 1,000 millas 13-18 (b) Número promedio retrasado = 0.40. Número promedio
9-42 Distancia total = 40 de llegadas = 2.07.

574 APÉNDICES
13-26 (a) El costo/hora suele ser más caro al reemplazar 1 pluma M3-12 (a) Usar el nuevo proceso. Nuevo VME = $283,000.
a la vez. (b) Aumentar el precio de venta.
(b) Costo esperado/hora con la política de 1 pluma = $ 1.38 Nuevo VME = $296,000.
(o $58/avería); costo esperado/hora con la política de M3-14 BEP = 4,955
4 plumas = $1.12 (o $132/avería).
M3-16 EVPI = $249.96
Capítulo 14 M3-18 EVPI = $51.24
14-8 (b) 90% (c) 30% Módulo 4
14-10 El próximo mes, 4/15, 5/15, 6/15. Tres meses, 0.1952, M4-8 Estrategia para X:X2; estrategia para Y:Y1; valor del
0.3252, 0.4796 juego = 6
14-12 (a) 70% (b) 30% (c) 40% M4-10 X1 = 35>57; X2 = 22>57; Y1 = 32>57; Y2 = 25>57; valor
14-14 25% para Battles; 18.75% para University; 26.25% para del juego = 66.70
Bill’s; 30% para College M4-12 (b) Q = 41>72, 1 - Q = 31>72; P = 55>72.
14-16 111 en Northside, 75 en West End y 54 en Suburban 1 - P = 17>72
14-18 Horizon tendrá 104,000 clientes, y Local tendrá 76,000. M4-14 Valor de juego = 9.33
14-20 Nueva MFA = (5,645.16, 1,354.84) M4-16 Existe un punto de silla. Shoe Town debería invertir
14-22 50% Hicourt, 30% Printing House y 20% Gandy $15,000 en publicidad y Fancy Foot debería inver-
tir $20,000 en publicidad.
14-26 La tienda 1 tendrá una tercera parte de los clientes, y la
tienda 2 tendrá dos tercios. M4-18 Eliminar la estrategia dominada X2. Después Y3 está
dominada y puede eliminarse. El valor del juego es 6.
Capítulo 15 M4-20 Jugar siempre con la estrategia A14. $3 millones.
15-8 De 45.034 a 46.966 para x Módulo 5
De 0 a 4.008, para R
15-10 De 16.814 a 17.187 para x. M5-8 X= >2, Y = 1>2; Z = 7>2
-3
-48
De 0.068 a 0.932 para R >60 6
>60 32
>60
M5-16 £ >60 -12
15-12 De 2.236 a 3.728 para x 6
>60 6
>60 ≥
De 0 a 2.336 para R 12
>60 6
>60 -8
>60
En control
15-16 (a) 1011.8 para x y 96.3 para R (b) De 956.23 a 1067.37 M5-18 0X1 + 4X2 + 3X3 = 28; 1X1 + 2X2 + 2X3 = 16
(c) El proceso está fuera de control. Módulo 6
15-18 LCI = 0, LCS = 4
M6-6 (a) Y– = 12X - 6 (b) Y– = 80X 3 + 12X
Módulo 1 (c) Y– = 6>X 4 (d) Y– = 500>X 6
M6-8 (a) Y– = 30X 4 - 1 (b) Y– = 60X 2 + 24
M1-4 SUN - 0,80 (c) Y– = 24>X 5 (d) Y– = 250>X 6
M1-6 Lambda = 3.0445, valor de CI = 0.0223, RI = 0.58, M6-10 X = 5 es el punto de inflexión.
CR = 0.0384
M6-12 Q = 2,400, TR = 1,440,000
M1-8 Auto 1, 0.4045
M6-14 P = 5.48
M1-10 La Universidad B tiene el mayor promedio
ponderado = 0.4995 Módulo 7
Módulo 2 M7-18 (b) 14X1 + 4X2 … 3,360; 10X1 + 12X2 … 9,600
(d) S1 = 3,360, S2 = 9,600 (e) X2 (f) S2
M2-6 1-2-6-7, con una distancia total de 10 millas. (g) 800 unidades de X2 (h) 1,200,000
M2-8 La ruta más corta es 1-2-6-7, con una distancia total de M7-20 X1 = 2, X2 = 6, S1 = 0, S2 = 0, P = $36
14 millas.
M7-22 X1 = 14, X2 = 33, C = $221
M2-10 La ruta más corta es 1-2-5-8-9. Distancia = 19 millas.
M7-24 No acotada
M2-12 4 unidades del producto 1, 1 unidad del producto 2,
M7-26 Degeneración; X1 = 27, X2 = 5, X3 = 0, P = $177
y no hay unidades de los productos 3 y 4.
M7-28 (a) Min. C = 9X1 + 15X2
M2-14 Enviar 6 unidades del producto 1, 1 unidad del producto
X1 + 2X2 Ú 30
2 y 1 unidad del producto 3.
X1 + 4X2 Ú 40
M2-16 La ruta más corta es 1-3-6-11-15-17-19-20. (b) X1 = 0, X2 = 20, C = $300
Módulo 3 M7-30 8 mesas de café, 2 estantes para libros, utilidad = 96
M7-34 (a) De 7.5 al infinito (b) Del infinito negativo a $40
M3-6 (a) OL = $8(20,000 - X) para X … 20,000; OL = 0 (c) $20 (d) $0
en otro caso (b) $0.5716 (c) $0.5716 (d) 99.99%
(e) Imprimir el libro M7-36 (a) 18 modelo 102, 4 modelo H23
(b) S1 = tiempo de holgura para soldadura
M3-8 (a) BEP = 1,500 (b) Utilidad esperada = $8,000 S2 = tiempo de holgura para inspección
M3-10 (a) OL = $10(30 - X) para X … 30; OL = 0 de otro (c) Sí, el precio sombra es de $4
modo (b) EOL = $59.34 (c) EVPI = $59.34 (d) No, el precio sombra es menor a $1.75.

APÉNDICE G: SOLUCIONES A PROBLEMAS SELECCIONADOS 575
M7-38 (a) Del infinito negativo a $6 para el fosfato; M8-22 Costo total = $28,300
De $5 al infinito para el potasio M8-24 El trabajo A12 para la máquina W; el trabajo A15 para
(b) Las bases no cambiarán; pero X1, X2 y S2 sí cambiarán. la máquina Z; el trabajo B2 para la máquina Y; el trabajo
M7-40 max P = 50U1 + 4U2 B9 para la máquina X; Tiempo = 50 horas
12U1 + 1U2 … 120 M8-26 (a) 4,580 (b) 6.040
20U1 + 3U2 … 250 M8-28 Total = 86
Módulo 8 M8-32 Total de automóviles por hora = 5
M8-34 Distancia total = 430
M8-14 El costo total se mantiene sin cambios en $1,040.
M8-38 Total = 167 por día
M8-16 El costo total es $230.
M8-40 (a) La ruta más corta es 1-3-7-11-14-16 con una distancia
M8-18 El costo total es $14,700. de 74. (b) la distancia se incrementa en 2.
M8-20 Desbalanceado, el costo total = $5,310 M8-42 (a) 1,200 millas (b) 1,000 millas

576 APÉNDICES
Apéndice H: Soluciones a las autoevaluaciones

Capítulo 1 7. b Capítulo 8
1. c 8. c 1. a
2. d 9. a 2. b
3. b 10. b 3. d
4. b 11. b 4. e
5. c 12. c 5. d
6. c 6. c
7. d Capítulo 5
Capítulo 9
8. c 1. b
9. d 2. a 1. d
10. a 3. d 2. b
11. a 4. c 3. c
12. c 5. b 4. b
6. b 5. d
Capítulo 2 6. b
7. d
1. c 8. b 7. b
2. b 9. d 8. d
3. a 10. b
4. d Capítulo 10
11. c
5. b 1. a
12. d
6. c 2. b
13. b
7. a 3. a
14. c
8. c 4. a
15. b
9. b 5. a
10. d Capítulo 6 6. b
11. b 7. b
1. e
12. a 8. b
2. e
13. a 9. d
3. c
14. b 10. b
4. c
15. a 11. e
5. a
Capítulo 3 6. b Capítulo 11
1. b 7. d 1. e
2. c 8. c 2. c
3. c 9. b 3. a
4. a 10. a 4. d
5. c 11. a 5. b
6. b 12. d 6. c
7. a 13. d 7. b
8. c 14. d 8. a
9. a 9. b
10. d Capítulo 7 10. b
11. b 1. b 11. a
12. c 2. a 12. a
13. c 3. b 13. ruta crítica (o crítica)
14. a 4. c 14. evaluación del programa y
15. c 5. a técnica de revisión
16. b 6. b 15. modelo de programación lineal
7. c 16. optimista, más probable,
Capítulo 4
8. c pesimista
1. b 9. b 17. holgura
2. c 10. c 18. monitorear y controlar
3. d 11. a
4. b 12. a Capítulo 12
5. b 13. a 1. a
6. c 14. a 2. a

APÉNDICE H: SOLUCIONES A LAS AUTOEVALUACIONES 577
3. b 3. d Módulo 5
4. e 4. a 1. c
5. c 5. c 2. a
6. b 6. b 3. b
7. c 7. c 4. c
8. d 8. d 5. b
9. b 9. b 6. a
10. d 10. b 7. e
11. c 8. d
Módulo 1
12. primero en llegar, primero
en ser atendido 1. a Módulo 6
13. distribución exponencial negativa 2. d 1. a
14. simulación 3. b 2. d
4. b 3. a
Capítulo 13 5. c 4. b
1. b 6. b 5. c
2. b 7. b 6. d
3. a 8. b 7. d
4. b
Módulo 2 Módulo 7
5. a
6. a 1. c 1. a
7. d 2. b 2. d
8. a 3. e 3. d
9. b 4. c 4. a
10. b 5. b 5. a
11. d 6. a 6. d
12. d 7. c 7. a
13. c 8. e 8. d
14. e 9. a 9. b
15. (a) no, sí, no, no, no, sí, sí, sí, 10. a 10. a
no, sí 11. c 11. a
(b) sí, sí, sí, sí, no, sí, sí, no, no, no 12. c 12. b
13. b 13. c
Capítulo 14 14. b 14. c
1. b 15. d
2. a Módulo 3
16. a
3. c 1. c 17. b
4. c 2. d
3. b Módulo 8
5. b
6. a 4. a 1. c
7. a 5. b 2. b
8. a 6. b 3. b
9. b 7. c 4. a
10. matriz de probabilidades de 5. b
Módulo 4 6. b
transición
11. colectivamente exhaustivos, 1. b 7. a
mutuamente excluyentes 2. a 8. b
12. vector de probabilidades 3. c 9. a
de estado 4. b 10. b
5. b 11. b
Capítulo 15 6. b 12. b
1. b 7. a 13. b
2. c

Índice
A papel de las computadoras y los modelos problemas de programación lineal (PL),

en hoja de cálculo, 10-13 266-274
Academia posibles problemas en el, 13-16 valores de parámetros de entrada, 266
de Optimización Global (GO), 324 resistencia al cambio, 17 de valores atípicos, 540
Nacional de Ciencias, 93 de datos, complemento de, 124 descriptivo, 3
Aceleración, 414-418 de inventario y simulación, 480-484 envolvente de datos (DEA), 312
del programa, 418 de la tendencia, 166 marginal, 211-216
del proyecto, 414-418 de Markov, 510 con la distribución normal del periódico
con programación lineal, 416-418 aplicación a las cuentas por cobrar, 518-522 Chicago Tribune, 214-215
Actividad(es) con Excel, 535-536 de Café du Donut, 213-214
costo a la fecha para, 413 con QM para Windows, 534-535 de Sun-Times con la distribución normal, 215
definición de, 396, 397-399 condiciones de equilibrio, 515-518 post-óptimo, 6, 266. Vea también Análisis de
en el arco (AOA), 399 estados, 510-512 sensibilidad
en los nodos (AON), 399 estados absorbentes, 518-522 predictivo, 3
paralela, 408 habilidades de voleibol y, 522 prescriptivo, 3
predecesora, 408 matriz de probabilidades de transición, 510, Andrew-Carter, Inc., 357-358
sucesora, 408, 409 512-513 Aplicación(es)
Aditividad, 240 matriz fundamental, 518-522 a cuentas por cobrar, 518-522
Administración operaciones de máquina, 514-515 a la manufactura
ciencias de la, 2 predicción de participaciones de mercado mezcla de producción, 296-297
Federal de Aviación (FAA), simulación en, futuras, 513-514 programación de la producción, 297-301
484 reducción de costos de marketing, 518 al marketing, 293-295
Alabama Airlines, 504-505 sistema que comienza en un estado o condición al transporte, 311
Algoritmo(s), 6 inicial, 510 de mezcla de ingredientes, 309-311
símplex, 242, 252 supuestos del, 510 de programación de empleados, 301-303
Alimentos y bebidas, 21 usos en las aerolíneas, 518 financieras, 303-308
Almacenamiento de recursos, 189 vector de probabilidades de estado, Árbol(es)
Alternativas, 66 511-512 de componentes y estructura de materiales, 217-218
Ambiente de trabajo basado en la nube, 403 de negocios, 3 de decisión, 79-85
Ambulancias en Chile, evaluación y mejora de las de optimalidad, 266. Vea también Análisis de análisis de problemas, 80
medidas de desempeño, 447 sensibilidad análisis de sensibilidad, 84-85
American de probabilidad y seguridad de vuelo, 32 billete de lotería, 88-89
Food, 513-514 de regresión, 114 de alternativas, 81
Meteorological Society (AMS), 63 precauciones e inconvenientes, 136-137 decisiones secuenciales, 81-84
Análisis de sensibilidad, 6, 14, 15, 74-75, 196 eficiencia de la información muestral, 84
ABC, 216 árboles de decisión, 84-85 nodos del estado de la naturaleza, 79, 81
cuantitativo, 2-3 cambios en los coeficientes de la función probabilidades condicionales, 82
desarrollo del modelo, 4-5 objetivo, 268-269 probabilidades posteriores, 82
en el mundo real, 8 cambios en los coeficientes tecnológicos, resultados y alternativas posibles, 81-84
enfoque, 4-8 270-271 toma de decisiones, 80
falta de compromiso, 17 cambios en los recursos o valores del lado valor esperado de la información de la muestra
implementación de resultados, 6 derecho, 271-272 (VEIM), 84-85
métodos cuantitativos (AC/MC), 568 gestión de proyectos, 407-409 valor monetario esperado (VME), 83-84
origen del, 4 preguntas del tipo “¿qué pasaría si?”, 266 de estructura de materiales, 217-218
579
Z02_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_INDICE_579-590_3761-1.indd 579 4/14/16 1:49 PM

580 ÍNDICE
Arcos, 324 Coeficiente(s) Corporación

Área de soluciones factibles, 246 de correlación, 118-119 Executive Furniture, 325
Arena, 494 de determinación, 118 Starting Right, 109-110
Armas nucleares, modelo de utilidad de atributos de los cambios tecnológicos, 270-271 Statewide Development, 505-506
múltiples sobre la eliminación de, 93 de realismo, 69, 76 Correlación, 136
Arrepentimiento minimax, 70-71 Cola(s) Costo(s)
@Risk, 494 disciplina de 438 anuales
Asesores financieros de American Express, 479 en casillas, 451 de almacenamiento y modelo de corrida de
Asignación de medicamentos contra la tuberculosis en Colineal, 133 producción, 199
Manila, 378 Comité Organizador de los Juegos Olímpicos de por mantener inventarios, calculados con
Aspen Technology, 271 Atenas (ATHOC), 16 inventario de seguridad, 209-211
ATHOC. Vea Comité Organizador de los Juegos Compañía(s) de almacenamiento (inventario), 199, 207, 210
Olímpicos de Atenas Flair Furniture de compra, 195-196, 202
Atlas Foods, 513-514 introducción de datos del problema, 255 de desabastecimiento, 207
Atributos, 546-549 método de solución gráfica, 243 de espera, 436, 444-445
problemas de programación lineal (PL), de instalación, 199
241-243 anuales, 199. Vea también Costos de pedido
B puntos de esquina factibles y utilidades para, anuales
Bagwell Chemical, compañía, 368 252 de procesos producción, 199
Banco de Comercio e Industria de Hong Kong, resolución de problemas de PL mediante de pedido, 191, 192-193, 199
302-303 comandos del Solver de Excel, anuales, 199
Basura que entra, sale basura, 5 254-257 de inventario, 190-191
Bath Iron Works, 396 resolución de problemas de PL mediante QM cantidad económica de pedido (EOQ), 192-194
Bayes, Thomas, 31 para Windows, 253-254 del proyecto, 409-412
BEP. Vea Punto de equilibrio resolución de problemas de PL utilizando Excel seguimiento y control, 412-413
Blake Electronics, 110-111 QM, 257-259 del servicio, 436, 444-445
Harrison Electric fijos, 8, 11, 18
BOM. Vea Lista de materiales
programación entera, 364-366 líneas de espera, 436
Brier, 41
modelo de colas de un solo canal, 442-447
programación por objetivos y, 376-377
normal, 414
QM para Windows y, 379
C Haynes Construction, 43-46
por mantener inventarios, 191-193, 199
total, 202, 203
Cable & Moore, 321-322 High Note Sound, 267, 269-270
esperado, 436-437
CALEB Technologies, 375 y cambio de coeficientes de la función objetivo,
variables, 8
Calidad, 538 268
CPM. Vea Método de la ruta crítica
del producto, 538 y QM para Windows y cambio de coeficientes
Criterio(s)
del servicio, 538 de la función objetivo, 268
de Hurwicz, 69, 76
Campeonato canadiense masculino de curling, 41 Midwestern Manufacturing, 164
de realismo, 69-70
Campeones de curling, evaluaciones de probabilidad y observaciones de tiempo, 168
maximax, 68
de, 39 y suavización exponencial con pronósticos de
maximin, 69, 74
Cantidad tendencia, 164
optimista, 68
de producción óptima, 200 petrolera Low Knock, 310-311, 312
pesimista, 69, 76
económica de pedido (EOQ), 192-195 Thompson Lumber, 66-67
Cronología, 419
en Sumco, 194-195 Complemento de análisis de datos, 124
Crystall Ball, 494
fórmula, 196-197 Componente
Curva(s)
sin el supuesto de recepción instantánea, aleatorio (R), de las series de tiempo, 152
de utilidad, 90
198-202 cíclico (C), de las series de tiempo, 152
de un averso al riesgo, 91
Caña de azúcar, movimientos en Cuba, 334 de tendencia (T), de las series de tiempo, 151
de un propenso al riesgo, 91
Características de operación, 442, 454 estacional (S), de las series de tiempo, 151
normal, 558-559
Carga de camiones, problema de, 306-308 Computadora(s) área bajo la, 42
Carnegie-Mellon University, 376 papel estándar, 558-559
Casillas, colas, 451 de la simulación, 494
Casino Harrah’s Cherokee, 313 del análisis cuantitativo, 10-13
Categorías de modelos matemáticos de riesgo, 9-10 simulación por, 454-455 D
Causalidad, 136-137 Condición(es) de equilibrio, 515-518, 520 Dantzig, George D., 242
CELM. Vea Gestión de la lealtad del cliente Confiabilidad de la cadena de suministro, 373 Dato(s)
Centro(s) Constante de suavización, 158-159, 161, brutos, 2
de Investigación para la Planificación Familiar 163-165 de conteo, 15
(Nigeria), 430-431 Contribución a la utilidad, 241 de costos, 410
Nacional de Huracanes (NHC), 154 Control de entrada, 5, 15
para el control y prevención de enfermedades, 441 de calidad (QC), 538 de transbordo de Frosty Machine, 333
Certificación ISO 9000, 539 historia del, 539 desestacionalizados, 168
Chase Manhattan Bank, 322 usos en un hospital, 543 DEA. Vea Análisis envolvente de datos
Ciencias de la administración, 2 de inventarios, 189 Decisiones
Clasificación de objetivos con niveles de prioridad, del proceso estadístico AVX-Kyocera, 607 buenas y malas, 66
377-378 estadístico de procesos (SPC), 538, 539-541 secuenciales, 81-84
CMA. Vea Promedios móviles centrados y el agua potable más segura, 547 toma de, 87-88, 150

ÍNDICE 581
Defectos y gráficas de control, 548-549 normal, 40-46 estadísticamente

Demanda análisis marginal, 214-216 dependientes, 30
de inventario, 191 estándar, 42-43 independientes, 29, 30
de un solo periodo de tiempo, 211-216 inventario de seguridad, 207 independientes, 28-29
dependiente, 216-221 DMEP. Vea Procedimiento de equipo en modo dual mutuamente excluyentes, 26-27, 34, 514
esperada, 476 Dos reglas de probabilidad, 24-25 unión de 27
fluctuante, 208 Drexel Corp., 297 Excedentes, 252-253
irregular, 189 DuPont, 396 Excel
simulada, 476 activación de complementos, 571
Departamento análisis de Markov con, 535-536
de Agricultura de Estados Unidos, 13
E cálculos de regresión, 124
investigación de operaciones en el, 13 Ecuaciones complemento(s), 11, 494
de Defensa de Estados Unidos, 396 de colas, 442-443 Data Analysis, 124
de Energía de Estados Unidos, 93 de flujo de Little, 454 desarrollo de un modelo de regresión, 124-125
de Salud y Servicios de Rehabilitación (HRS), de regresión, 493 distribución F, 48
479 Ejemplo(s) 2010
Dependencia estadística y probabilidad conjunta, de llenado de cajas, 542-543 complemento Solver, 571
30 Excel QM para, 543 2013, 10-11
Deportes y probabilidad, 41 de Super Cola y gráfica (gráfica x barra), activación de complementos, 571
Derrames de petróleo e investigación de operaciones, 544-545 complemento Solver, 254-257
5 del problema con carga fija, 372-374 línea de regresión, 166
Desabastecimientos, 188, 189, 206 Encuestas de opinión, 25 para desarrollar un modelo de regresión, 174
Desaceleración del telesquí para obtener líneas más Enfoque(s) y la distribución de Poisson, 52
cortas, 441 objetivo de la probabilidad, 25 y la regresión, 124-125
Descuentos por cantidad, 189, 202 subjetivo de la probabilidad, 25 y los problemas de transporte, 325-326
en costos de material, 202 Entornos de la toma de decisiones, 67-68 ecuación de regresión lineal, 133-136
Desglose del proyecto, estructura del, 396 Entradas Goal Seek, 11, 13
Destinos, 325 controlables, 480 media, varianza y desviación estándar, 36
Desviación. Vea Errores en pronóstico incontrolables, 480 modelo de programación entera, 369
absoluta media (MAD), 153-154 Entrega de paquetes, 324 para la simulación de puerto de Nueva Orleans,
estándar, 42-43, 121, 208, 405 Enumeración completa, 6 486
Diagrama(s) EOL. Vea Pérdida de oportunidad esperada problemas de programación lineal (PL), 254-259
de dispersión, 114 Error(es) pronósticos, 160-163
de flujo, 480 cuadrático medio (ECM), 121, 155, 166 QM, 11, 571
de Gantt, 396, 407 en pronósticos, 153 aceleración del programa, 418
de Venn, 26-27 estándar de la estimación, 125 análisis de tendencias, 166
Diferencia por actividad, 413 porcentual absoluto medio (MAPE), 156 cálculos de regresión, 125-126
Dinámica industrial, 493 Escasez, 189 cantidad económica de pedido (EOQ), 195
Disciplina de cola, 438 Estadísticas de corrupción financiera del Bank of ejemplo de llenado de cajas, 543-544
Dispositivo de análisis térmico de neutrones, 32 America, 540 en la cola del taller Arnold’s Muffler, 444
Distribución(es) Estado(s), 510-512 gráfica c, 549
binomial, 37-40 absorbentes, 518-522 gráfica p, 548
continua y distribución exponencial, 48-49 actual a estado futuro, 512 instalación, 571
de Poisson, 50-52, 438 aplicación a las cuentas por cobrar, 518-519 inventario de seguridad y punto de reorden,
gráficas c, 549 colectivamente exhaustivos, 510 210-211
valores para su uso en, 565-567 de equilibrio, 517 método de descomposición, 173
y Excel 2013, 52 de la naturaleza, 66 modelos de la corrida de producción, 201, 209
de probabilidad, 15, 24, 34-37, 479, 480 estacionario, 454 módulo de simulación, 479
acumulada, 473, 480 futuro a partir del estado actual, 512 para desarrollar un modelo de regresión, 174
beta, 399-400 matriz de probabilidades de transición, para el análisis del modelo de colas multicanal
discreta, 36-37. Vea también Distribución de 519-520 de Arnold, 450
Poisson mutuamente excluyentes, 510 para el ejemplo de Super Cola, 545
exponencial negativa, 439 probabilidad de estado estacionario, 517 problema del árbol de expansión mínima, 341
media, 34-35 transitorio, 454 problemas de descuentos por cantidad, 205
notación Kendall, 439 Estimaciones de tiempos de actividad, 399-400 problemas de programación lineal (PL), 257-259
simulación de Monte Carlo, 472-473 Estructura de desglose del proyecto, 396 problemas de teoría de decisiones, 77-78
tendencia central, 34 Estudio de mercado del consumidor, 151 pronósticos, 160-163
valor esperado, 34-35 Evaluación soporte técnico, 571
variable(s), 472-473 de la utilidad, 89 suavización exponencial con ajuste a la
variable aleatoria discreta, 33-34 de programas y técnica de revisión/método tendencia, 165
variables aleatorias continuas, 36-37 de la ruta crítica (PERT/CPM) en técnica de evaluación y revisión del programas/
varianza, 35-36 British Airways (BA), 398 método de la ruta crítica/(PERT/CPM),
del tiempo de servicio, 439 Eventos, 28-29 406-407
exponencial, 48-50 colectivamente exhaustivos, 26-27, 34, 514 y problemas de la tablas de pagos, 78-79
negativa, 48-49 dependientes, 28 y problemas de transporte, 325-326
F, 46-48, 121-124, 566-567 e independientes, 28-29 relación no lineal, 134

582 ÍNDICE
Solver, 11 Gráfica(s) Inventario(s), 188

y cambios en los coeficientes de la función c, 548-549 análisis
objetivo, 269-270 de la compañía Red Top Cab, 549 ABC, 216
y cambios en los valores del lado derecho, y Excel QM, 549 de costos, 483-484
272-273 y la compañía Red Top Cab, 549 cantidad
suma de errores al cuadrado, 124 de control de producción óptima, 200
SUMPRODUCT, función, 255 construcción de, 539 económica de pedido (EOQ), 191-197
ExtendSim, 494 de atributos, 546-549 costo
de defectos, 548-549 anual de instalación, 199
gráfica (gráfica x barra), 541-545 anual de pedidos, 199
F gráfica R, 541, 546, 550 de compra, 195-196
gráficas c, 548-549 cuánto ordenar, 191-197
Factor(es)
QM para Windows y, 555-556 curva de uso, 191
cualitativos, 2
variables, 541-546 de seguridad, 206-211
de utilización, 443
de dispersión. Vea Diagramas de dispersión en la compañía Hinsdale, 208-209
FB Badpoore Aerospace, 506-507
de flujo, 480 decisiones, 190-191
Fifth Avenue Industries, 296-298
de rango, 545-546 demanda, 191
Finnair, 518
del SPC, 538, 547 dependiente, 216-221
Food Mart, 513-514
p, 546-548 desabasto, 188
Ford y la teoría de decisiones, 71
de ARCO, 546-547, factores de costo, 191
Formato numérico, 569
y Excel QM, 548 justo a tiempo (JIT), 221-222
Fórmula(s)
R, 541, 546, 550 modelos
binomial y resolución de problemas, 38
(gráfica x barra), 541-545 de descuento por cantidad, 202-205,
y cálculos de regresión, 147-148
Greenberg Motors, Inc., 297 210-213
Fuentes, 325, 326
de un solo periodo, 211-216
Fuerza de ventas compuesta, 151
niveles de control, 188
Función
de densidad de probabilidad, 37
H pronóstico, 188
punto de reorden (ROP), 197
de desacoplamiento, 189 Harky, Lester, 405-406, 409, 412
tiempo de entrega, 197
de la distribución normal estandarizada, 44 Herramientas de software para simulación, 494
valor monetario promedio, 196
de probabilidad, 37 Hill Construction, 430
Investigación
FREQUENCY, 479 Hitos, 419
de mercados, 293-295
NORMINV, 479 Hojas de cálculo
de operaciones, 2, 4, 17
objetivo, 240, 376 en Excel, 10-11
de respuestas a desastres, 5
lineal, 382 problemas de programación entera, 366
no lineal, 380 simulación, 478-479
RAND, 478 introducción de datos del problema, 254-256 J
SUMPRODUCT, 255 lado izquierdo de la fórmula de las restricciones,
VLOOKUP, 478 254, 255 Juego(s)
papel del análisis cuantitativo, 10-13 de negocios, 492-493
preparación para Solver, 254-256 estándar, 88-89
G valor de la fórmula de la función objetivo, 251, 254 militares, 492
variables de decisión, 254 Olímpicos, 16
García-Golding Recycling, Inc., modelo de tiempo de operativos, 492-493
Holgura, 252-253
servicio constante, 451-452 Jurado de opinión ejecutiva, 151
Horarios de aerolíneas que maximizan las utilidades,
Gastos, 8, 9
375
General
Electric, 539 K
Foundry, 415-416
presupuesto para, 409-412
I Kanban, 221-222
Kantorovich, Leonid, 242
y Excel QM, 406-407 IBM Systems and Technology Group, 369
Karmarkar, Narendra, 242
Motors, 396, 476 ICT. Vea International City Trust
Kelley, J. E., 396
Gestión Igualmente probables, 70
Kendall, D. G., 439
de la cadena de suministro energética en la Incremento de ventas en Hewlett Packard, 248
Koopmans, Tjalling, 242
actualidad, 190 Índice(s) estacional(es), 168
de la calidad total (TQM), 538 con tendencia, 169-170
de la lealtad del cliente (CELM), 518 de series de tiempo multiplicativas, 168
de proyectos, 419 sin tendencia, 168-169
L
análisis de sensibilidad, 407-409 Información perfecta, 72 Laboratorio
en un entorno laboral sin oficina, basado en la Ingersoll Rand, 119 Científico Los Álamos, 471
nube, 403 Instalación de servicio, 439 Bell, 539
QM para Windows, 432 Intel, mejora de las operaciones de inventario, 204 Laplace, 70
y las empresas pequeñas, 414 International City Trust (ICT), 303-306 Lauderdale Construction, 339-342
y un proyecto de agua en California, International Organization for Standarization (ISO), Lenguajes de programación y simulación,
410 539 471
Goal Seek, 11 Intersección, 28-29 Ley de la suma para eventos que no son mutuamente
Goodman Shipping, 306-308 Intervalos y probabilidad acumulada, 474 excluyentes, 29-30

ÍNDICE 583
Línea(s) cualitativos, 150-151 matemáticos, 5, 8-10, 14-15, 470

de espera, 436-439 cuantitativos, 15 clasificados por riesgo, 9-10
en la compañía Three Rivers Shipping, 437 de colas, 441, 454 ventajas de los, 9
de tendencia de los datos desestacionalizados, complejos, 454-455 probabilísticos, 10
170-173 de canales múltiples, 447-450 válidos, 9
Lista de materiales (BOM), 217 de un solo canal, 442-447 Modificación de probabilidades, 31-32, 85-87
Llegadas, 438 de corrida de producción en Brown Manufacturing, Motor de planeación central (CPE), 369
aleatorias, 438, 449 200-202 Movimiento browniano, 510
de Poisson, 447-450 de descuento por cantidad, 202-205, 210-213 MSA. Vea Management Sciences Associates
Longitud en la tienda departamental Brass, 204-205 MSE. Vea Error cuadrático medio (ECM)
de cola limitada, 438 de inventario Multicolinealidad, 133, 136
promedio de la cola, 450 de un solo periodo, 211-216
deterministas, 480
de Jenny Wilson Realty, 130-131 N
M
de la corrida de producción, 198-202 NASA, 66, 392, 396
MAD. Vea Desviación absoluta media de optimización de CSX Transportation, Inc., 7
Malas decisiones, 66 National Broadcasting Company (NBC), programación
de población finita, 452-454 lineal, entera y por objetivos para la de venta de
Management Sciences Associates (MSA), 293-295 del Departamento de Comercio, 453-454
Mano de obra espacios publicitarios, 261
de programación lineal (PL) Necesidades brutas de materiales, 218-219
almacenada en inventario, 189
aplicaciones a la manufactura, 296-301 New England Foundry, Inc., 465-466
planeación de la, 302-303
aplicaciones a la programación de empleados, NHC. Vea Centro Nacional de Huracanes
MAPE. Vea Error porcentual absoluto medio
302-303 Nivel de servicio, 207
Mapka Institute of Technology, 378
aplicaciones al marketing, 292-296 Nivelación de recursos, 419
Matemáticas de probabilidad, 24
aplicaciones de mezcla de ingredientes, 308-311 No acotada, solución, 264
Matriz
aplicaciones financieras, 303-308 Nodos, 324
de probabilidades de transición, 510, 512-513,
de regresión, 137 de decisión, 79
519-520
coeficiente de correlación, 118-119 del estado de la naturaleza, 80-81
particiones de la, 520
coeficiente de determinación, 118 Northeastern Airlines, 358
fundamental, 518-522
construcción de, 132-133 North-South Airline, 146
MAU. Vea Modelo de utilidad de atributos múltiples
diagramas de dispersión, 114 Notación Kendall, 439-442
Media, 34-35, 71
errores de supuestos, 120-121 Números aleatorios, 473-474, 479, 492-493
distribución
estadísticamente significativa, 132-133 generación de, 474-475
de Poisson, 51
estimación de la varianza, 125
normal estándar, 42-43
lineal simple, 115-117
MEIO. Vea Sistema de optimización de inventarios
multinivel
modelos causales cuantitativos, 150 O
no lineal, 133-136
Mejor nivel de servicio, 436 Objetivo(s)
prueba de hipótesis estadística, 121-124
Melvin Lauderdale, 339 clasificados con niveles de prioridad, 377-378
pruebas de significancia, 121-124
Mercado cumplidos, 376
desfavorable (MD), 86 significativos, 122
supuestos de los, 120-121 jerarquía de importancia, 376
favorable (MF), 85 múltiples, 375-379
Método variable(s), 132-133
variable binaria, 131-132 ponderados, 378-379
clásico, de probabilidad objetiva, 25 y programación por objetivos, 378-379
de descomposición, 170-173 variable dependiente, 114
variable ficticia, 131-132 Oferta y demanda irregulares, 189
software para, 173
variable independiente, 114 Oficina de Proyectos Especiales de la Marina de
de distribución modificada (MODI), 330
de regresión múltiple, 128-131 Estados Unidos, 396
de ensayo y error, 5, 266
con componentes de tendencia y estacionales, OnStar, evaluación de alternativas estratégicas, 476
de la recta de isoutilidad, 247-250
174-175 Operación(es), características de, 442, 454
de la ruta crítica (CPM), 396, 413-418
ecuaciones para, 448 de máquina y análisis de Markov, 514-515
aceleración, 414-418
Optimización
inicio del, 397 evaluación del, 129-130
de la cadena de suministro (SCO), 369
de los cuadrados medios de Von Neumann, 475 multicolinealidad, 136
en UPS, 305
de los vértices, 250-252, 260-261 de series de tiempo
Óptimo
Delphi, 25, 150-151 aditivas, 153
global, 379
lógico, de probabilidad objetiva, 25 multiplicativas, 153
local, 379
Mexicana Wire Winding, Inc., 288-289 de simulación
Oracle, 222
Meyers Marketing Research, Inc., 532 de política de mantenimiento, 487-492
Organizaciones, mejor nivel de servicio, 436
Mezcla de producción, 296-297 de una política de mantenimiento, 487-492
Orígenes, 325
Microsoft Corporation, 151, 396 de tiempo de servicio constante, 450-452
Mitigación, 5 de transporte, 330
Modelado de utilidad, 8, 9
de atributos múltiples (MAU), 93
P
en el mundo real, 8
variables 0-1 (binarias), 370-375 deterministas, 9 Padres y árbol de estructura de materiales, 217
Modelo(s) econométricos, 493 Paquete(s)
a escala, 4 esquemáticos, 4 de software y gestión de proyectos, 419
causales, 151 físicos, 4, 470 de trabajo, 409
cuantitativos y análisis de regresión, 150 ingenuo, 154 Parámetros, 5, 8

584 ÍNDICE
Particiones de la matriz de probabilidades de independientes, 28-29 solución gráfica, 243-253

transición, 520 mutuamente excluyentes y, 26-27 solución no factible, 263
Participación frecuencia relativa de la demanda, 25, 27 solución óptima, 247-250
de equilibrio en valores de mercado, 515 marginal(es), 30, 32 soluciones óptimas alternas, 265-266
de mercado, 511-512 matemáticas de, 24 supuesto de divisibilidad, 240
Paso método clásico o lógico, 25 supuestos deterministas, 266
hacia adelante, 402 modificación de, 31-32, 85-87 de redes
hacia atrás, 402 modificada. Vea Probabilidades posteriores de la ruta más corta, 337-338
Pérdida objetiva(s), 25, 32 del árbol de expansión mínima, 338-342
de oportunidad, 71, 74 participación de equilibrio, 515 del flujo máximo, 335-336
esperada (EOL), 74 posteriores, 29-30, 81, 82, 85-87. Vea también de rutas para vehículos (VRP), 368
marginal (ML), 212 Probabilidades condicionales de transbordo, 312
Personas, asignación de proyectos a, 330-332 previa(s), 29, 30, 85-87 programa lineal para, 332-334
PERT/Costo, 409-412 reglas de las, 24-25 de transporte, 312, 325-330
PERTMASTER, 398 revisión de, 29, 31-32, 85-87 destinos, 325, 326
Piratas de Pittsburgh, 13 seguridad de vuelo y, 32 fuentes, 325, 326-327
Plan de requerimientos netos de material, 218-219 simple, 24 minimización de costos, 325
Planeación subjetiva(s), 25, 32 número de variables y restricciones, 326-327
de requerimientos de material (MRP), 216-221, 222 tabla de áreas bajo la curva normal, 43, 44 programación lineal (PL) general, 343-344
del inventario y sistemas de control, 188 teorema de Bayes y, 29-31, 85-88 programación lineal (PL) para, 325
Plantas piloto, 4 tipos de, 25 punto de transbordo, 332-334
Plutonio, 93 variables aleatorias, 32-33 puntos intermedios, 332
Población potencial, 438 vector de, de estado, 511-512 restricciones de demanda, 326
Política de inventarios de una compañía del Fortune Problema(s), 13-16 restricciones de oferta, 327
100, para vehículos de servicio, 200, 210 análisis cuantitativo, 4 soluciones a, 572-575
POM-QM para Windows, 10, 568-570 de árbol de expansión mínima, 338-342 Procedimiento
Precio de asignación, 312, 330-332 de equipo de modo dual (DMEP), 478
dual, 272 de dieta, 308-309 por pasos
sombra, 272 de enumeración y programación entera, 365 hacia atrás, 133
Predecesores inmediatos, 399, 407, 408 de flujo máximo, 335-336 hacia delante, 133
Predicción de participaciones de mercado futuras, de interrupción de la cadena de suministro, 342 Proceso(s)
513-514 de inventario, 480 de Bernoulli, 37
Preguntas del tipo “¿qué pasaría si?”, 292, 493 con dos componentes probabilísticos, 480 de dispersión, 545
Preparación, 5 con dos variables de decisión, 480 de presupuesto, 409-412
Presupuesto semanal, 411 de la ruta más corta, 337-338 de servicio, 449
Primero en entrar, primero en ser atendido (FIFS), 439 de mezcla de productos, 241 estados, 510
Pritsker Corp., 26 de minimización, 260-261 promedio, 545
Probabilidad(es), 24 con el método de la recta de isocosto, 262-263 variabilidad, 539-541, 545
acumulada y relación entre intervalos, 474 en el rancho Holiday Meal Turkey, 260-263 variaciones
árboles de decisión, 79-85 de programación asignables, 541
binomiales, 560-564 cuadrática, 380 naturales, 540-541
condicional(es), 28-29, 81 entera cero-uno, 364 Producción/gestión de operaciones (POM), 2-3, 10, 568
y árboles de decisión, 82, 83 entera mixta, 368-370 Programa Analítico del Corredor Carretero (HCAP), 368
conjunta(s), 27, 30 de programación entera, 308 Programación, 240
conocidas actualmente, 510 enumeración, 365 de la producción, 297-301
de equilibrio, 515 enunciado matemático, 371 entera, 364-370
de estado, 510-512 redondeo, 365 función objetivo medida en una dimensión, 375
cálculo de, 513-514 de programación lineal (PL) número limitante de alternativas, 372
de equilibrio, 515-518 análisis de sensibilidad, 266-274 problemas de programación entera cero-uno,
del periodo actual o del siguiente periodo, 515 casos especiales, 263-266 364
estacionario, 515, 517 excedente, 252-253 problemas de programación entera mixta,
vector de, 511-512 Excel, 254-259 368-370
de transición, para tres tiendas de comestibles, 513 formulación, 241-243 variables que requieren valores enteros, 364
deportes y, 41 función objetivo, 240 y compañía Harrison Electric, 364-366
distribución(es) holgura, 252-253 y el método de numeración, 365
binomial, 37-40 método de la línea de isoutilidad, 247-250 y hojas de cálculo de Excel, 366-367
de Poisson, 50-52 método del punto de esquina, 250-252 y QM para Windows, 366-367
exponencial, 48-50 no acotados, 264 y Servicio Postal de Estados Unidos (USPS), 368
F, 46-48 problema de mezcla de productos, 241 lineal (LP), 240-241
normal, 40-46 puntos de solución que satisfacen restricciones aceleración del proyecto, 416-418
dos reglas de, 24-25 simultáneamente, 246 aplicaciones, 311-312
evaluaciones de campeones de curling, 41 redundancia, 264-265 condiciones de certidumbre, 240
eventos región factible, 246 cursos de acción alternativos, 240
colectivamente exhaustivos y, 26-27 requisitos, 240-241 definición de variables de decisión, 416-418
estadísticamente dependientes, 30 resolución de problemas de minimización, función objetivo, 375, 417
estadísticamente independientes, 29 260-263 inicios de la, 242

ÍNDICE 585
problema de asignación, 330-332 Proyecciones de tendencias, 165-167 Red(es)

problema de flujo máximo, 335-336 Proyecto(s) paso
problema de la ruta más corta, 337-338 de agua, California, 410 hacia adelante, 402
problema de transbordo, 332-334 de asignación de personas, 330-332 hacia atrás, 402
problema de transporte, 325 definición de, 397-398 PERT, 399
programación entera, 364-370 del Proceso Logístico de Optimización Técnica técnica de evaluación y revisión del programa/
programación no lineal, 364 Avanzada (PLATO), 16 método de la ruta crítica (PERT/CPM),
programación por objetivos, 364 desviación estándar, 405 396, 399
propiedades de, 241 identificación de actividades, 397 unida para la donación de órganos (UNOS),
restricción de terminación del proyecto, 482 presupuesto semanal, 411 26
restricciones de tiempo acelerado, 482 probabilidad de terminación, 405-406 Redundancia, 264
restricciones que describen redes, 482 Prueba(s) Región factible, 246
y ecuaciones lineales, 240 a las soluciones, 16 Regla empírica y distribución normal, 46
y Swift & Company, 271 F, 137 Regla(s)
matemática, 240 Puente sobre el río Oakton, 393 de probabilidad, 24-25
no lineal (PNL), 364, 379-383 Punto(s) primero en entrar, primero en salir (FIFO),
paramétrica, 266. Vea también Análisis de de decisión, 79 438
sensibilidad de equilibrio (BEP), 9 Regresión
por objetivos, 364, 375-379 de reorden (ROP), 197-198, 206, 208 cálculos en fórmulas, 147-148
con objetivos ponderados, 378-379 de chips en ProComp, 198 como parte de la iniciativa de mejora en
para la asignación de fármacos contra la de transbordo, 332 Trane/Ingersoll Rand, 119
tuberculosis, 378 de vista conflictivos en la definición de problemas, con componentes de tendencia y estacionales,
y compañía Harrison Electric, 376-377 14 174-175
y líneas aéreas continentales, 375 del estado de la naturaleza, 79 lineal simple, 115-117
Promedio(s) extremo, 250 medición del ajuste de, 117-119
móvil(es), 156 vértice en la región factible, 250 mínimos cuadrados, 166
centrados (CMA), 169, 396
modelo de regresión múltiple, 128-131
de 4 meses, 156
de n periodos, 156
Q no lineal, 133-136
por mínimos cuadrados, 116, 166
ponderados, 156-158 QM para Windows
por pasos, 133
ponderado, 69, 76 aceleración del programa, 418
precauciones e inconvenientes, 136-137
ProModel, 494 cálculos de regresión, 127-128
relación entre variables, 117
Pronóstico(s) cambios en valores del lado derecho, 272
software de computadora, 124-128
combinaciones de pesos, 157 con el análisis de Markov, 533-534
tabla de varianza (ANOVA), 123-124
con variaciones de tendencia, estacionales y extensión de archivo, 569
Remington Rand, 396
aleatorias, 170-175 gestión de proyectos, 432
Rentall Trucks, 532-533
de Disney World, 175 gráficas de control, 555-556
Renuncia, 438
de la ubicación de la entrada a tierra de un método de descomposición, 173
Residuo, 124
huracán y la desviación absoluta media modelo de programación entera, 369
Resistencia al cambio, 17
(MAD), 154 módulo de programación por objetivos, 379
Resolución de problemas, 38-40
de series de tiempo, 151, 167-168 para pronosticar, 160
Respuesta, 5
de Tupperware International, 155 problema(s)
de cola, 468 Restricción(es)
desviación media absoluta (MAD), 153-154
diagramas de dispersión, 151 de flujo máximo, 336 de desigualdad, 244
error(es), 153 de minimización, 260-261 de no negatividad, 243
cuadrático medio (ECM), 155 de programación entera, 366-367 desigualdad, 244
porcentual absoluto medio (MAPE), 156 de programación lineal (PL), 253-254 lineales, 380
Excel y Excel QM, 160-163 del árbol de expansión mínima, 341 mayor o igual que, 252-253
inventario, 188 simulación de Monte Carlo, 477-478 menor o igual que, 252-253
medidas de precisión, 153-156 y cambios en los coeficientes de la función no lineales, 380-381
método de descomposición, 170-173 objetivo, 268-269 función objetivo lineal con, 382
modelo(s), 163-177 y el módulo de transporte, 360-362 no vinculante, 253
causales, 151 y los cambios en los valores del lado derecho, 272 precio dual, 272
cualitativos, 150-151 y problemas con la tabla de pagos, 77-78 puntos de solución que satisfacen las, 244
de series de tiempo, 151 redundante, 264-265
ingenuo, 154 representación gráfica, 243-247
promedios móviles, 156
R valores del lado derecho, 271-273
seguimiento y control, 175-177 Ray Design, Inc., 337 vinculantes, 253
señales de seguimiento, 175-177 Rechazo, 438 y no vinculantes, 253
series de tiempo, 151, 165-168 Recuperación, 5 Resultados, 6, 14
sesgo, 156 Recursos de la encuesta, problema en los, 87-88
suavización exponencial, 168-163 almacenamiento, 189 implementación de, 6
tipos de, 150-151 cambios en los, 271-272 RiskSim, 494
ventas mensuales, 185-186 holgura, 252-253 RSFE. Vea Suma de los errores de pronóstico
Proof 5, 494 restricciones de, 240 corrientes (RSFE)
Proporcionalidad, 240 uso más eficaz de, 240 Ruta crítica, 400-405

586 ÍNDICE
S historia de la, 471 problema(s)

lenguajes de computadora, 471 de minimización, 262
SAP, 222 mantenimiento preventivo, 492 de transbordo, 333
Satisfacción, 376 modelo(s) de transporte, 326
Schank Marketing Research, 392 econométricos, 493 uso de, 256-257
SCO. Vea Optimización de la cadena de suministro físicos, 470 Southwestern University (SWU)
Seguimiento a las soluciones, 6 matemático, 470 alimentos y bebidas en, 21
Seguridad de vuelo y análisis de probabilidad, 32 números aleatorios, 473-474 construcción de un estadio, 329-330
Seis Sigma, 539, 543 papel de las computadoras en la, 494 problemas de tránsito, 359
Selección(es) problema(s) pronóstico de asistencia a los partidos de fútbol
de cartas, 28 de colas, 484-486 americano, 184-185
de cartera, 303-306 de mantenimiento, 487-492 SPC. Vea Control estadístico de procesos
de medios, 292-293 recopilación de datos, 484 SSE. Vea Suma de los errores al cuadrado (SEC)
dependientes y variables 0-1 (binarias), 372 resultados diferentes, 476 SSR. Vea Suma de los cuadrados de regresión (SCR)
Señales de seguimiento, 175-177 validación de la, 493 SST. Vea Suma de los cuadrados totales (SCT)
Series de tiempo, 151-153 variable(s), 472-473, 480 Stigler, George, 242
Servicio(s) del tiempo de espera, 480 Suavización
de Salud Pública del Condado de Montgomery ventajas y desventajas, 471-472 adaptativa, 177
(Maryland), 441 verificación, 493 exponencial
instalación del, 439 y modelos de colas complejos, 454-455 con ajuste a la tendencia, 163-165
Meteorológico Nacional, 154 y Tiger Woods, 494 con modelo de tendencia, 163-165
Postal de Estados Unidos (USPS), 368 Sistema(s) en el Puerto de Baltimore, 159-160
Sesgo, 156 CrewSolver, 375 y Midwestern Manufacturing, 165
Shewhart, Walter, 539 de Continental Airlines, 375 Subproyectos, 419
Simon, Herbert A., 376 de canales múltiples, 439 Suma
SIMUL8, 494 de colas, 454 de cuadrados totales (SCT), 117
Simulación, 454-455, 470 características de un, 438-442 de los cuadrados de regresión (SCR), 117-118
Administración Federal de Aviación (FAA), configuraciones de un, 439 de los errores
484 de control de procesos, 541 cuadrados (SEC), 117, 124
análisis de gestión de inventarios en Zara, 193 de pronóstico corrientes (RSFE), 176
de costos, 490-492 de información geográfica (GIS), 368 de los residuos al cuadrado, 124
de inventarios, 480-484 de optimización de inventarios multinivel (MEIO), Supuesto(s)
aspectos de la, 492-494 204 de recepción instantánea de inventario, 198-202
con hojas de cálculo de Excel, 478-479 de planeación dinámica de autos (DCP), 7 deterministas, 266
de Airbus Industries, 470 de simulación, 493 simplificación de, 15
de análisis de costos, 489-491 de un solo canal, 439 Swift & Company, 271
de chips, 478 de varias fases, 439
de gobierno urbano, 493 estados, 510
de juegos operativos, 492-493 económicos y de simulación, 493
T
de la compañía Three Hills Power, 487-489 monofásico, 439 Tabla(s)
de las salas de operaciones del Jackson Memorial OptSolver, 375 binomiales y resolución de problemas, 39-40
Hospital, 491 Software de análisis de varianza (ANOVA), 123-124
de mantenimiento preventivo, 492 Abex, 398 de decisiones, 67
de Monte Carlo, 472-479, 480 de computadora y regresión, 124-128 de muestreo de aceptación, 539
números aleatorios, 492-493 Solución(es) de pagos, 67, 77-79
para Harry’s Auto Tire, 472-477 a las autoevaluaciones, 576-577 y costos, 207
QM para Windows para, 477-478 a los problemas, 572-575 de pérdida de oportunidad, 68, 70, 71, 74
de sistema(s), 493 afectación de, 4 de varianza (ANOVA), 123-124
de gestión, 470 desarrollo de, 5-6, 15-16 estándar de probabilidad normal, y el ejemplo de la
de negocios, 470 establecimiento de problemas como, 15-16 compañía Haynes Construction, 43-46
económicos, 493 factible(s), 246 normal estándar, 42-43, 45
operativo corporativo, 493 área de, 246 Taller de silenciadores de Arnold
de un problema de colas, 484-486 implicaciones de las, 6 distribución exponencial, 49-50
de un sistema de negocios, 470 matemáticas difíciles de comprender, 15 modelo de colas
definición del problema, 478 no factible, 246 con múltiples canales, 448-450
del Puerto de Nueva Orleans, 484-486 obsoletas, 14 de un solo canal, 443-447
Excel para, 486 óptimas alternas, 265-266 Técnica(s)
del sistema operativo corporativo, 493 programación entera, 366 de evaluación y revisión del programa/método de la
diagrama de flujo, 480 pruebas a las, 6, 16 ruta crítica (PERT/CPM), 396, 397-399, 406
distribución de probabilidad, 479, 480 sensibilidad de, 6 análisis de sensibilidad, 407-409
acumulada, 480 sólo una respuesta limitante, 15-16 definición de proyectos y actividades, 397-399
en la corporación Boeing, 470 Solver, complemento, 11, 254-257 distribución de probabilidad beta, 399
entradas celdas de variables, 380 ejemplo de General Foundry, 397-398
controlables, 480 función objetivo, 268-269, 380 estimaciones del tiempo de actividad, 399-400
incontrolables, 480 método de solución, 380 gestión de proyectos, 407-409
gobierno urbano, 493 preparación de la hoja de cálculo para, 254-256 historia de, 396

ÍNDICE 587
información proporcionada por, 406 Tolsky, Paul, 514 de decisión, 5, 242, 364. Vea también Variables
predecesores inmediatos, 399 Tolsky Works, 514 controlables
preguntas contestadas por, 397 Toma de decisiones, 87-88, 150 de desviación, 376
probabilidad de terminación del proyecto, árboles de decisión, 79 de respuesta, 114
405-406 bajo riesgo, 68, 71-79 de tasa de descarga diaria, 484
proyectos en actividades o tareas más pequeñas, en condiciones de tiempo de entrega, 480
397 de certidumbre, 67 dependientes, 114, 129
redes, 396 de incertidumbre, 65, 67, 68-71 distribución(es) de probabilidad, 472-473
ruta crítica, 400-404 en grupo, 150 acumulada, 472
tiempo de actividad esperado, 400 modelo, 150 explicativa, 114
tiempo más probable, 399 proceso de automatización, 2 ficticias. Vea Variables binarias
tiempo optimista, 399 seis pasos en, 66-67 gráficas de control de, 541-546
tiempo pesimista, 399 tipos de, 67-68 independientes, 114, 129-130, 133
trazado de red, 399 y minimización, 75-77 indicadoras, 131
varianza del tiempo de terminación de la TQM. Vea Gestión de la calidad total investigación de la relación entre, 114
actividad, 400 Trane U.S. Inc., 119 modelos de regresión, 132-133
de flujo máximo, 335-336 Trasplantes de hígado en Estados Unidos, 26 no negativas, 241
de la ruta más corta, 324 Tres tiendas de comestibles predictora, 114
de promedios probabilidades de transición para, 513 relación entre, 117
promedios móviles, 156 vector de probabilidades de estado, 511-512 simulación de, 472-473
suavización exponencial, 158-163 de Monte Carlo, 472-473
del árbol de expansión mínima-339 Variaciones
del destino del flujo máximo, 335 U asignables, 541
Tendencias debidas a causas asignables, 541
Ubicación de instalaciones
lineales, 170 estacionales, 167-170
análisis de, 327-329
proyecciones de, 165-167 naturales, 540-541
confiabilidad de la cadena de suministro y, 342
Teorema Varianza(s)
ULAM, 26
de Bayes de una distribución de probabilidad discreta,
Último en entrar, primero en ser atendido (LIFS), 439
calculo de probabilidades revisadas, 85-87 35-36
Unión de dos eventos, 27
estimación de valores de probabilidad, 85-88 del proyecto, cálculo de, 405
University of Maryland, College Park, 441
forma general del, 31 del tiempo de terminación de la actividad,
Utilidad, 88-93
probabilidades y, 29-31 400
marginal (MP), 212
del límite central, 541 distribución de Poisson, 51
Teoría(s) estimación de, 121
de colas, 436, 447 prueba de hipótesis sobre, 46-48
de decisiones, 66
V
Vector de probabilidades de estado, 511-512
y Ford Motor Company, 71 Validación de la simulación, 493 Ventas mensuales, pronósticos de, 185-186
de la utilidad, 88-93 Valor(es) Verificación, 493
en el análisis de decisiones, 88-93 condicionales, 67, 69 VME. Vea Valor monetario esperado (EMV)
The Glass Slipper, 186 enteros, 364 VOLCANO (optimizador de volumen, ubicación y
Tiempo(s) esperado redes de aeronaves), 305
acelerado, 414 con información perfecta (VEcIP), 72-74 Voleibol
restricciones, 417 de la distribución de probabilidad, 34-35 markoviano, 522
de actividad esperado, 400 de la información muestral (VEIM), 84 y análisis de Markov, 522
de entrega, 197, 208 de la información perfecta (VEIP), 72-74
de espera promedio, 450 monetario esperado (VME), 71-72, 74, 83
de holgura, 404, 407-409 presente, 370 W
de inicio Variabilidad en los procesos, 539-541
Walker, R. M., 396
más cercano, 400, 402, 410 Variable(s), 5
Westover Wire Works, 288
más lejano, 400, 402, 403, 411 aleatoria(s), 32-33
Whole Food Nutrition Center, 308
de terminación estándar Z, 42-43
Winter Park Hotel, 467
más cercano, 400, 402 continuas, 33-34, 36-37
Woods, Tiger, 494
más lejano, 400, 402, 403 discretas, 33, 34
WTVX, 63
más probable, 399 binarias
normal, 414 modelado, 370-375
optimista, 399 modelos de regresión, 131-132
pesimista, 399 0-1 (binarias), 402-404 X
posible más cercano, 412 de inversión financiera, 374-375 XLSim, 494
Tienda Simkin’s Hardware, 480-484 de presupuesto de capital, 370-372
TNT Express, 324 controlables, 5

Esta nueva edición de Métodos cuantitativos para los negocios proporciona las bases
conceptuales y aplicativas para el análisis de negocios, los métodos cuantitativos y las ciencias
de la administración.
En el texto se pone especial énfasis en el modelado y las aplicaciones computacionales con el

uso de ejemplos ilustrativos. Los modelos matemáticos se presentan con un lenguaje accesible
mientras que los procedimientos y ejemplos se abordan con instrucciones detalladas y paso a
paso.
Entre las novedades de esta edición sobresalen las siguientes:

• Proporciona una introducción al análisis de negocios.
• Incorpora el uso de Excel 2013 a lo largo del libro.
• Integra los modelos de transporte, asignación y redes en un capítulo que se enfoca en
el modelado con programación lineal.
• Ofrece 8 módulos que refuerzan la mayoría de los temas que se tratan a lo largo del
libro.
• Un módulo adicional que combina los algoritmos especializados para los métodos de
transporte, asignación y redes.
• Nuevos ejemplos; más de 25 problemas; 8 análisis cuantitativos; 4 modelados en el
mundo real, y 3 nuevos estudios de caso. Además, se han actualizado muchos problemas
y casos prácticos, y se incluyen problemas resueltos al final de cada capítulo, así como
preguntas de análisis.
• Un mayor número de recuadros del tipo: Modelado, Procedimiento, Historia y Análisis
Cuantitativo en acción (AC en acción).
• Notas al margen, un glosario, ecuaciones clave y estudios de caso en todos los capítulos,
proporcionan información que complementa cada uno de los temas.
Los programas Excel QM y POM-QM para Windows, así como problemas, nuevos casos y
material adicional se encuentran disponibles en el sitio web de este libro. Para más información
sobre este libro y los recursos adicionales para profesores y estudiantes visite:
www.pearsonenespañol.com/render
www.pearsonenespañol.com
ISBN 978-607-32-3761-1
90 000
9 786073 237611

Metodos Cuantitativos para Los Negocios

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Metodos Cuantitativos para Los Negocios

Cargado por

Copyright:

Formatos disponibles

Métodos cuantitativos

para los negocios Decimosegunda edición

BARRY RENDER • RALPH M. STAIR, JR.

Y PROGRAMAS MENCIONADOS EN EL LIBRO

visite el sitio web de este libro o acceda directamente a:

Seleccione la opción Registrarse e ingrese sus datos

(Utilice una moneda para descubrir el código de registro.

No use objetos filosos porque podría dañar el código).

Asegúrese que no aparezca descubierto.

RALPH M. STAIR, JR.

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd i 4/26/16 2:00 PM

RENDER, BARRY, STAIR, RALPH M.,

Métodos cuantitativos para los negocios

Esta edición en español es la única autorizada.

DECIMOSEGUNDA EDICIÓN, 2016

D.R. © 2016 por Pearson Educación de México, S.A. de C.V.

Cámara Nacional de la Industria Editorial Mexicana. Reg. núm. 1031.

ISBN VERSIÓN IMPRESA: 978-607-32-3761-1

Impreso en México. Printed in Mexico.

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd ii 4/26/16 10:04 AM

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd iii 4/21/16 3:36 PM

Michael E. Hanna es profesor de Ciencias de las decisiones en la University of Houston-Clear Lake

Trevor S. Hale es profesor asociado de Ciencias de la administración en la University of Houston-

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd iv 4/21/16 3:36 PM

CAPÍTULO 1 Introducción al análisis cuantitativo 1 CAPÍTULO 12 Modelos de líneas de espera

CAPÍTULO 3 Análisis de decisiones 65 CAPÍTULO 14 Análisis de Markov 509

CAPÍTULO 4 Modelos de regresión 113 CAPÍTULO 15 Control estadístico de la calidad 537

CAPÍTULO 5 Pronósticos 149 MÓDULOS EN EL SITIO WEB

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd v 4/21/16 3:36 PM

PREFACIO XIII CAPÍTULO 2 Conceptos de probabilidad

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd vi 4/21/16 3:36 PM

CAPÍTULO 3 Análisis de decisiones 65 4.8 Análisis de regresión múltiple 128

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd vii 4/21/16 3:36 PM

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd viii 4/21/16 3:36 PM

8.4 Aplicaciones a la programación de Limitación en el número de alternativas

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd ix 4/21/16 3:36 PM

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd x 4/21/16 3:36 PM

15.4 Gráficas de control para variables 541 M2.3 Terminología de la programación

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xi 4/21/16 3:36 PM

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xii 4/21/16 3:36 PM

NOVEDADES EN ESTA EDICIÓN

● Se presenta una introducción al análisis de negocios.

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xiii 4/21/16 3:36 PM

CAMBIOS SIGNIFICATIVOS EN LA DECIMOSEGUNDA EDICIÓN

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xiv 4/21/16 3:36 PM

Capítulo 2 Conceptos de probabilidad y aplicaciones. La presentación de los conceptos fundamentales

Capítulo 5 Pronósticos. La presentación de los modelos de pronóstico de series de tiempo se modificó

Capítulo 7 Modelos de programación lineal: métodos gráficos y computacionales. Se presenta un aná-

Capítulo 8 Aplicaciones de programación lineal. El modelo de transporte se cambió al capítulo 9 y se

Capítulo 13 Modelos de simulación. Se incorporaron una sección Modelado en el mundo real, un

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xv 4/21/16 3:36 PM

Capítulo 14 Análisis de Markov. Se agregaron un recuadro de AC en acción y dos problemas inéditos

Capítulo 15 Control estadístico de la calidad. Se incorporaron una nueva sección Modelado en el

MÓDULOS EN EL SITIO WEB

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xvi 4/21/16 3:36 PM

ARCHIVOS DE EJEMPLO EN EL SITIO WEB (EN INGLÉS)

RECURSOS ADICIONALES PARA LOS PROFESORES

Manual de soluciones para el profesor El Manual de soluciones para el profesor, actualizado

Presentaciones en PowerPoint Un amplio conjunto de diapositivas en PowerPoint que apoyan la

Banco de exámenes Un Banco de exámenes totalmente actualizado.

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xvii 4/21/16 3:36 PM

Stephen Achtenhagen, San Jose University Shahriar Mostashari, Campbell University

A01_RENDER_METODOS-CUANTITATIVOS-PARA-LOS-NEGOCIOS_SE_12ED_PRELIMINARES_i-xviii_3761-1.indd xviii 4/21/16 3:36 PM