Introducción

En el dinámico mundo de la gestión empresarial y la toma de decisiones, el

análisis cuantitativo y la modelización juegan un papel crucial. La capacidad de
predecir, planificar y optimizar recursos y operaciones es fundamental para el éxito
de cualquier organización.

Este documento aborda tres áreas clave en este ámbito: la optimización de la

asignación de recursos en proyectos a través de la programación lineal, la
comparación de diferentes métodos de pronóstico para predecir la demanda de un
producto, y la simulación de sistemas de colas en entidades bancarias. Cada una
de estas áreas representa un desafío y una oportunidad para mejorar la eficiencia
y eficacia en la gestión empresarial.
Aplicación de un modelo de programación lineal para optimizar la asignación
de recursos en un proyecto. En este trabajo, se podría plantear un problema
de asignación de recursos (tiempo, dinero, personal, etc.) para un proyecto
que tiene una serie de actividades, restricciones y objetivos. Se podría
formular un modelo de programación lineal que represente el problema, y
resolverlo mediante un método gráfico o algebraico. Se podría analizar la
solución óptima, el valor de la función objetivo, las variables de holgura y las
condiciones de optimalidad.

Este modelo contemplará variables como tiempo, dinero y personal, aplicando

restricciones y buscando cumplir con ciertos objetivos del proyecto.

Supongamos que el proyecto consta de tres actividades principales, y tenemos

que asignar recursos de tiempo, dinero y personal a cada una de ellas. Las
restricciones podrían incluir un límite en el presupuesto total, un plazo máximo
para la finalización del proyecto y una cantidad limitada de personal disponible. El
objetivo es minimizar el costo total mientras se cumplen todas las restricciones y
se finaliza el proyecto en el tiempo establecido.

Vamos a formular este problema y a resolverlo utilizando un método algebraico, ya

que el método gráfico es más adecuado para problemas de dos variables y
nuestro ejemplo tiene más de dos.
Solución del Modelo

Para resolver este modelo, podemos usar un solucionador de programación lineal

como el método Simplex. Vamos a codificar y resolver este modelo utilizando
Python con la ayuda de la biblioteca scipy. Supondremos algunos valores para los
coeficientes y restricciones para ilustrar cómo se hace.

La solución obtenida indica que la asignación óptima de recursos a las actividades

es 0 para cada una de ellas, con un costo total mínimo de 0. Este resultado podría
deberse a las restricciones impuestas o a los valores específicos utilizados en el
modelo. En un caso real, los valores y las restricciones serían diferentes y,
probablemente, más complejos.

Es importante destacar que este es un modelo simplificado para fines ilustrativos.

En la práctica, la programación lineal para la gestión de proyectos puede ser
mucho más compleja, con numerosas actividades, distintos tipos de recursos y
una variedad de restricciones.

Para implementar un modelo de este tipo en un contexto real, se deben recopilar

datos precisos sobre los costos, las restricciones y los objetivos del proyecto.
Además, es posible que se requiera un software de optimización más avanzado
para manejar la complejidad y el tamaño del problema.

Tema 2: Comparación de diferentes teorías de pronóstico para predecir la

demanda de un producto. En este trabajo, se podría utilizar una serie de
datos históricos sobre la demanda de un producto, y aplicar diferentes
métodos de pronóstico, como el promedio móvil, el alisamiento exponencial,
la regresión lineal o el análisis de series de tiempo. Se podría evaluar el
desempeño de cada método, utilizando medidas de error como el error
absoluto medio, el error cuadrático medio o el error porcentual absoluto
medio. Se podría seleccionar el método más adecuado para el caso, y
proyectar la demanda futura del producto.

La comparación de diferentes teorías de pronóstico para predecir la demanda de

un producto es un área clave en la gestión de la cadena de suministro y el análisis
de negocios. Vamos a considerar un enfoque práctico para realizar esta
comparación utilizando una serie de datos históricos. Los métodos que
consideraremos incluyen:

1. Promedio Móvil: Este método utiliza un promedio de las últimas 'n'

observaciones para predecir el próximo valor.
 2. Alisamiento Exponencial: Un enfoque que da más peso a las
observaciones más recientes, ajustando los pronósticos según la tendencia
y la estacionalidad.

3. Regresión Lineal: Un modelo estadístico que utiliza la relación entre

variables para predecir futuros valores.

4. Análisis de Series de Tiempo: Como el modelo ARIMA, que ajusta un

modelo basado en las diferencias y autocorrelaciones de los datos.

Evaluación del Desempeño

Para evaluar el desempeño de cada método, podemos utilizar las siguientes

medidas de error:

 Error Absoluto Medio (MAE): Promedio de los valores absolutos de los

errores.

 Error Cuadrático Medio (MSE): Promedio de los cuadrados de los errores.

 Error Porcentual Absoluto Medio (MAPE): Promedio de los valores

absolutos de los errores porcentuales.

Aplicación Práctica

Supongamos que tenemos una serie de datos históricos sobre la demanda de un

producto. Vamos a aplicar estos métodos en Python y comparar su desempeño
utilizando las medidas de error mencionadas. Para ello, necesitamos un conjunto
de datos. Si tienes un conjunto de datos específico, puedes proporcionarlo. De lo
contrario, utilizaré un conjunto de datos de ejemplo para ilustrar el proceso.

Los resultados de la comparación entre los diferentes métodos de pronóstico son

los siguientes:

Método Error Absoluto Error Cuadrático Error Porcentual

Medio (MAE) Medio (MSE) Absoluto Medio
 (MAPE)

Promedio Móvil 41.23 2404.43 11.07%

Alisamiento 19.59 467.52 5.50%

Exponencial

Regresión Lineal 19.61 468.24 5.50%

ARIMA 52.86 3349.72 14.23%

Basándonos en estos resultados, el método de Alisamiento Exponencial y la

Regresión Lineal tienen un rendimiento similar y son los más efectivos según las
tres métricas de error utilizadas. El Promedio Móvil y especialmente el ARIMA
presentan errores más altos en este conjunto de datos.

Es importante tener en cuenta que estos resultados dependen en gran medida del
conjunto de datos específico y de las características de la demanda del producto.
En la práctica, se recomienda realizar este tipo de análisis con datos reales del
producto y considerar aspectos como la estacionalidad, tendencias y patrones no
lineales que podrían influir en la precisión de los diferentes métodos de pronóstico.

Tema 3: Simulación de un sistema de colas en una entidad bancaria. En este

trabajo, se podría simular el comportamiento de un sistema de colas que
representa el servicio que ofrece una entidad bancaria a sus clientes. Se podría
definir el modelo de colas, los parámetros de entrada (tasa de llegada, tasa de
servicio, número de servidores, capacidad del sistema, etc.), y los parámetros de
salida (longitud media de la cola, tiempo medio de espera, tiempo medio en el
sistema, utilización del servidor, etc.).
Simular un sistema de colas en una entidad bancaria es una excelente manera de
comprender y optimizar la gestión de operaciones y la experiencia del cliente. En
la simulación de colas, utilizamos modelos matemáticos para imitar el proceso de
llegada de clientes, su tiempo de espera y servicio en el banco. Un modelo
comúnmente utilizado para esto es el modelo de colas M/M/1 o M/M/c,
dependiendo del número de servidores (cajeros) en el banco.

Definición del Modelo de Colas

1. Modelo M/M/1 (Un solo servidor):

 Llegadas de clientes: Proceso de Poisson con tasa λ (clientes por

unidad de tiempo).

 Tiempo de servicio: Distribución exponencial con tasa μ (servicios

por unidad de tiempo).

 Un solo servidor (cajero).

2. Modelo M/M/c (Múltiples servidores):

 Similar al M/M/1, pero con 'c' servidores en paralelo.

Parámetros de Entrada

 Tasa de llegada (λ): Número promedio de clientes que llegan por unidad
de tiempo.

 Tasa de servicio (μ): Número promedio de clientes atendidos por unidad

de tiempo.

 Número de servidores (c): Cantidad de cajeros disponibles para atender a

los clientes.

 Capacidad del sistema: Máximo número de clientes que pueden estar en

el sistema (opcional).

Parámetros de Salida
  Longitud media de la cola: Número promedio de clientes en la cola.

 Tiempo medio de espera en cola: Tiempo promedio que un cliente pasa

en la cola antes de ser atendido.

 Tiempo medio en el sistema: Tiempo total promedio que un cliente pasa

en el sistema (incluyendo servicio).

 Utilización del servidor: Proporción del tiempo que el servidor está

ocupado.

Simulación

Para realizar la simulación, utilizaré Python y aplicaré una de estas

configuraciones, suponiendo algunos valores para los parámetros de entrada.
Luego calcularé los parámetros de salida utilizando las fórmulas estándar del
modelo de colas seleccionado.
 Conclusiones

En la comparación de diferentes métodos de pronóstico para la demanda de un

producto, se ha identificado que tanto el alisamiento exponencial como la
regresión lineal ofrecen resultados prometedores, con errores relativamente bajos
en comparación con otros métodos. Este hallazgo subraya la importancia de
seleccionar un método de pronóstico adecuado, basado en la naturaleza y
características de los datos disponibles. Además, destaca la relevancia de
entender las limitaciones y aplicaciones específicas de cada técnica en el contexto
empresarial.

La simulación del sistema de colas en una entidad bancaria proporciona una visión
detallada de cómo diferentes configuraciones y parámetros pueden influir en la
eficiencia del servicio al cliente. A través de la simulación, es posible identificar
cuellos de botella, optimizar la asignación de recursos y mejorar la experiencia del
cliente. Los modelos de colas, como M/M/1 y M/M/c, son herramientas valiosas
para analizar y predecir el comportamiento de los sistemas de servicio y pueden
ser aplicados en una variedad de entornos empresariales.
 Bibliografía

1. Taha, H. A. (2017). Operations Research: An Introduction. Pearson

Education.

2. Box, G. E., Jenkins, G. M., & Reinsel, G. C. (2015). Time Series Analysis:
Forecasting and Control. John Wiley & Sons.

3. Gross, D., & Harris, C. M. (1998). Fundamentals of Queueing Theory. John

Wiley & Sons.

4. Heizer, J., Render, B., & Munson, C. (2017). Operations Management:

Sustainability and Supply Chain Management. Pearson Education.