ANTOLOGÍA DE

MÉTODOS CUANTITATIVOS PARA LA

ADMINISTRACIÓN
IISM-402

LICENCIATURA EN INGENIERÍA INDUSTRIAL DE

SISTEMAS Y LOGÍSTICA

CICLO 4

Horas
Asignatura Clave Seriación Créditos Instalaciones
Con Docente Independientes

Métodos cuantitativos para IISM- Aula de

40 56 6
adminsitración 401 clases

Página 1 de 39
INDICE
1. Introducción......................................................................................................................................................4
1.1. Teoría de la decisión.................................................................................................................................4
1.2. Naturaleza y ambientes de la decisión......................................................................................................4
1.3. Antecedentes y Clasificación de los métodos cuantitativos en la producción..........................................6
2. Modelos de programación lineal......................................................................................................................6
2.1. Construcción de modelos de programación lineal....................................................................................7
2.2. Planteamiento del problema......................................................................................................................8
2.3. Método gráfico..........................................................................................................................................8
2.4. Método Simplex......................................................................................................................................11
2.5. Transporte y asignación..........................................................................................................................12
2.6. Análisis de sensibilidad de los resultados...............................................................................................13
3. Métodos para la administración del tiempo en los proyectos........................................................................14
3.1. Gráfica de Gantt......................................................................................................................................15
3.2. Diagramas PERT/CPM...........................................................................................................................17
3.3. Cambios y efectos en la aplicación de nuevas variables.........................................................................18
4. Métodos probabilísticos.................................................................................................................................19
4.1. Arboles de decisión.................................................................................................................................20
4.2. Valor esperado........................................................................................................................................30
Ejemplos:.....................................................................................................................................................................31
4.3. Tablas de pago........................................................................................................................................31
5. Usos de los Pronósticos en producción..........................................................................................................32
5.1. Pronósticos generales de la empresa.......................................................................................................33
5.2. Pronósticos de demanda..........................................................................................................................34
5.3. Pronósticos de oferta...............................................................................................................................35
5.4. Cambio del pronóstico y causas que generan las deviaciones................................................................35
5.5. Pronostico basado en el consumo........................................................................................................36
5.6. Equilibrio optimo entre la calidad del pronóstico, la complejidad, el costo y los recursos dedicados a la
generación del pronostico..................................................................................................................................37
6. Teoría de Colas...............................................................................................................................................38
6.1. Aplicación de la teoría con uno y múltiples servidores..........................................................................39
Bibliografía 40

Página 2 de 39
Página 3 de 39
1. Introducción

1.1. Teoría de la decisión

Herbert Simon, un destacado científico estadounidense del siglo XX, contribuyó significativamente a la teoría
de la toma de decisiones. A continuación, te presento los aspectos clave de su enfoque:

1. Teoría de la Toma de Decisiones:

o Publicada como parte de su obra “Conducta Administrativa” en 1947.
o Buscaba reemplazar los modelos económicos simplistas existentes hasta ese momento.
o Propuso un enfoque más realista y completo para comprender cómo las personas toman
decisiones.

2. Racionalidad Limitada:
o Simon planteó que las decisiones humanas están influenciadas por limitaciones cognitivas, de
información y de tiempo.
o La toma de decisiones racional implica elegir la alternativa más adecuada entre las disponibles.
o La decisión se considera más correcta si tiene una alta probabilidad de lograr el efecto deseado
y es eficiente.

3. Fases del Proceso de Decisión:

o Intelección o prospección: Análisis de un problema o situación que requiere solución.
o Concepción: Creación de opciones de solución para el problema.
o Decisión: Juicio y elección de una alternativa

En resumen, Herbert Simon revolucionó la forma en que entendemos y abordamos la toma de decisiones,
considerando las limitaciones humanas y promoviendo un enfoque más realista y práctico

1.2. Naturaleza y ambientes de la decisión

Toma de Decisiones y su Importancia:
 La toma de decisiones es fundamental en cualquier actividad humana.
 Todos somos tomadores de decisiones, pero tomar decisiones acertadas requiere un proceso de
razonamiento constante y focalizado.
 Los gerentes enfrentan decisiones diarias, algunas rutinarias y otras críticas con impacto significativo en
la empresa.
Racionalidad Limitada y Complejidad:
 Herbert Simon, un destacado científico, propuso la idea de racionalidad limitada.
 Reconoció que las decisiones humanas están influenciadas por limitaciones cognitivas, de información y
de tiempo.
 Las decisiones complejas requieren un enfoque sistemático y consideración detallada

Página 4 de 39
Características del Decisor:
Los estilos y características del decisor varían:
• El pensador, el cowboy (repentino e intransigente), el maquiavélico (el fin justifica los medios), el
historiador (aprendiendo de otros), el cauteloso (incluso nervioso), entre otros.
• Las decisiones críticas son aquellas que no pueden ni deben salir mal o fracasar. Requieren confianza en
el propio juicio y asumir la responsabilidad.
Pasos para una Toma de Decisiones Efectiva:
• Definir claramente la meta que se desea alcanzar.
• Identificar el conjunto posible de cursos de acción.
• Reunir información confiable sobre cada opción.
• Desarrollar tantas alternativas como sea posible.
• Cultivar la creatividad para expandir el conjunto de opciones

Criterios para la toma de decisiones:

Se utilizan diversos criterios para evaluar y seleccionar la mejor alternativa de decisión. Algunos de los criterios
más comunes son:
• Maximizar la utilidad: Se busca la alternativa que genere el mayor beneficio o valor para la
organización.
• Minimizar el costo: Se busca la alternativa que implique el menor costo posible.
• Maximizar la eficiencia: Se busca la alternativa que utilice los recursos de la manera más eficiente
posible.
• Minimizar el riesgo: Se busca la alternativa que tenga el menor riesgo asociado.
• Satisfacer restricciones: Se deben considerar las restricciones que limitan las posibles soluciones.

Naturaleza de la decisión

Las decisiones se pueden clasificar según su naturaleza en:

 Decisiones programadas: Son decisiones repetitivas y bien definidas para las que se pueden establecer
reglas o procedimientos específicos.
 Decisiones no programadas: Son decisiones únicas y complejas que no se pueden resolver mediante
reglas o procedimientos preestablecidos.

Ambientes de la decisión

• El ambiente en el que se toma una decisión se refiere al grado de conocimiento que se tiene sobre las
posibles consecuencias de las diferentes alternativas. Se pueden distinguir tres tipos de ambientes:
o Certidumbre: Se conoce con exactitud el resultado de cada alternativa.
o Riesgo: Se conoce la probabilidad de que ocurran los diferentes resultados de cada alternativa.
o Incertidumbre: No se conoce la probabilidad de que ocurran los diferentes resultados de cada
alternativa.

Página 5 de 39
 1.3. Antecedentes y Clasificación de los métodos cuantitativos en la producción

Los métodos cuantitativos para la producción tienen una larga historia que se remonta a la Revolución
Industrial. A medida que la producción se volvió más compleja y a gran escala, surgió la necesidad de
herramientas matemáticas para optimizar los procesos y aumentar la eficiencia.
Algunos hitos importantes en el desarrollo de estos métodos incluyen:
• Siglo XVIII: El desarrollo del cálculo por Isaac Newton y Gottfried Leibniz sentó las bases para el análisis
matemático de la producción.
• Siglo XIX: La invención de la máquina de vapor y la producción en masa impulsaron el desarrollo de
técnicas de gestión científica como el estudio de tiempos y movimientos de Frederick Taylor.
• Siglo XX: El desarrollo de la teoría de la probabilidad y la estadística permitió el uso de modelos
probabilísticos para la toma de decisiones en la producción.
• Siglo XXI: La revolución digital ha dado lugar a nuevas herramientas y técnicas para la optimización de
la producción, como la inteligencia artificial y el big data.

1. Métodos deterministas:
• Se basan en la suposición de que todos los factores que influyen en la producción son conocidos y
pueden ser medidos con precisión.
• Algunos ejemplos de métodos deterministas incluyen:
• Programación lineal: Se utiliza para optimizar la asignación de recursos escasos.
• Teoría de colas: Se utiliza para analizar y optimizar los sistemas de espera.
• Técnicas de simulación: Se utilizan para modelar y analizar sistemas complejos.
2. Métodos probabilísticos:
• Reconocen que la incertidumbre es inherente a la producción y utilizan herramientas probabilísticas
para tomar decisiones bajo riesgo.
• Algunos ejemplos de métodos probabilísticos incluyen:
• Análisis de riesgo: Se utiliza para identificar y evaluar los riesgos asociados con la producción.
• Teoría de decisiones: Se utiliza para tomar decisiones óptimas en situaciones de incertidumbre.
• Modelos de pronóstico: Se utilizan para predecir la demanda futura de productos o servicios.

2. Modelos de programación lineal

La programación lineal es un método determinista de análisis para elegir la mejor entre muchas alternativas.
Cuando esta mejor alternativa incluye un conjunto coordinado de actividades, se le puede llamar plan o
programa. La palabra "programa" se usa comúnmente en el medio del entretenimiento en donde, por ejemplo,
los conciertos tienen un programa o listado de la música que se va a tocar. No obstante, no limita el término a
los aspectos de entretenimiento. Como se usa aquí, programar significa seleccionar la mejor combinación de
actividades.

Con frecuencia, seleccionar una alternativa incluye satisfacer varios criterios al mismo tiempo. Por ejemplo,
cuando se compra una pieza de pan se tiene el criterio de frescura, tamaño, tipo (blanco, de centeno u otro),
costo y rebanado o sin rebanar. Se puede ir un paso más adelante y dividir estos criterios en dos categorías:
restricciones y el objetivo. Las restricciones son las condiciones que debe satisfacer una solución que está bajo
consideración. Si más de una alternativa satisfacen todas las restricciones, el objetivo se usa para seleccionar
entre todas las alternativas factibles. Cuando se elige una pieza de pan, puede quererse una libra de pan blanco
rebanado y hecho no antes del día anterior. Si varias marcas satisfacen estas restricciones, puede aplicarse el
objetivo de un costo mínimo y escoger la más barata.
Página 6 de 39
Existen muchos problemas administrativos que se ajustan a este molde de tratar de minimizar o maximizar un
objetivo que está sujeto a una lista de restricciones. Un corredor de inversiones, por ejemplo, trata de maximizar
el rendimiento sobre los fondos invertidos pero las posibles inversiones están restringidas por las leyes y las
políticas bancarias. Un hospital debe planear que las comidas para los pacientes satisfagan ciertas restricciones
sobre sabor, propiedades nutritivas, tipo y variedad, al mismo tiempo que se trata de minimizar el costo. Un
fabricante, al planear la producción futura, busca un costo mínimo al mismo tiempo cómo cumplir restricciones
sobre la demanda del producto, la capacidad de producción, los inventarios, el nivel de empleados y la
tecnología. La programación lineal se ha aplicado con éxito a estos y otros problemas.

2.1. Construcción de modelos de programación lineal

Imagine usted que tiene un compromiso de negocios por cinco semanas entre Fayetteville (FYV) y Denver
(DEN). Vuela hacia FYV el lunes y regresa el miércoles. Un boleto normal de viaje redondo cuesta $400
dólares, pero se ofrece el 20% de descuento si las fechas del boleto abarcan un fin de semana. Un boleto de
viaje en cualquier dirección cuesta 75% del precio normal. ¿Cómo debe comprar los boletos para el periodo de
cinco semanas?

Se puede considerar que el caso es un problema de toma de decisiones, cuya solución requiere identificar tres
componentes.

1. ¿Cuáles son las alternativas de decisión?

2. ¿Bajo qué restricciones se toma la decisión?
3. ¿Cuál es el criterio objetivo adecuado para evaluar las alternativas?
Se consideran tres alternativas:
1. Comprar cinco boletos normales FYV-DEN-FYV.
2. Comprar uno FYV-DEN, cuatro DEN-FYV-DEN que abarquen fines de semana, y uno
DEN-FYV.
3. Comprar uno FYV-DEN-FYV que abarque el lunes de la primera semana y el miércoles de la última, y
cuatro
DEN-FYV-DEN que cubran los viajes restantes. Cada boleto de esta alternativa abarca un fin de semana.

La técnica más importante de investigación de operaciones es la programación lineal. Se diseña para modelos
con funciones objetivo y restricciones estrictamente lineales. Hay otras técnicas, como la programación entera,
en la que las variables toman valores enteros; la programación dinámica, en la que el modelo original se puede
descomponer en subproblemas más pequeños; la programación de red, en la que el problema se puede modelar
como una red, y la programación no lineal, en la que las funciones del modelo son no lineales.

Las técnicas mencionadas no son más que una lista parcial de la gran cantidad de herramientas disponibles en la
investigación de operaciones. Una peculiaridad de la mayor parte de las técnicas de investigación de
operaciones es que en general las soluciones no se obtienen en formas cerradas, es decir, parecidas a fórmulas.
En lugar de ello, se determinan mediante algoritmos. Un algoritmo proporciona reglas fijas de cómputo que se
aplican en forma repetitiva al problema, y cada repetición (llamada iteración) obtiene una solución cada vez
más cercana a la óptima. Como los cálculos asociados con cada iteración suelen ser tediosos y voluminosos, es
necesario ejecutar esos algoritmos en una computadora.
Página 7 de 39
Algunos modelos matemáticos pueden ser tan complicados que es imposible resolverlos con cualesquiera de los
algoritmos disponibles de optimización. En esos casos se podrá necesitar abandonar la búsqueda de la solución
óptima para sólo buscar una solución buena usando heurísticas o reglas simples.

2.2. Planteamiento del problema

Un estudio de investigación de operaciones se basa en la labor de equipo, donde los analistas de investigación
de operaciones y el cliente trabajan hombro con hombro. Los analistas, con sus conocimientos de modelado,
deben complementarse con la experiencia y la cooperación del cliente para quien hacen el estudio.

Como herramienta de toma de decisiones, la investigación de operaciones es una ciencia y un arte. Es una
ciencia por las técnicas matemáticas que presenta, y es un arte porque el éxito de todas las fases que anteceden y
siguen a la resolución del modelo matemático depende mucho de la creatividad y la experiencia del equipo de
investigación de operaciones. Willemain (1994) aconseja que “la práctica efectiva [de la investigación de
operaciones] requiere algo más que la competencia analítica.

También requiere, entre otros atributos, el juicio (por ejemplo, cuándo y cómo usar determinada técnica) y la
destreza técnica en comunicaciones y en supervivencia organizacional”.

Es difícil recetar cursos específicos de acción (parecidos a los que establece la teoría precisa de los modelos
matemáticos) para esos factores intangibles. Sólo se pueden ofrecer lineamientos generales para implementar la
investigación de operaciones en la práctica.

Las fases principales de la implementación de la investigación de operaciones en la práctica comprenden:

1. La definición del problema.

2. La construcción del modelo.
3. La solución del modelo.
4. La validación del modelo.
5. La implementación de la solución.

De las cinco fases, sólo el número tres de la solución del modelo es la que está mejor definida y es la más fácil
de implementar en un estudio de investigación de operaciones, porque maneja principalmente modelos
matemáticos precisos. La implementación de las demás fases es más un arte que una teoría.

2.3. Método gráfico

El método gráfico de programación lineal
El método gráfico es una técnica para resolver problemas de programación lineal con dos variables de decisión.
Se basa en representar gráficamente las restricciones y la función objetivo en un plano cartesiano.
Concepto:

Página 8 de 39
En la programación lineal, buscamos optimizar (maximizar o minimizar) una función objetivo Z sujeta a un
conjunto de restricciones. El método gráfico nos permite visualizar el problema y encontrar la solución óptima
de forma gráfica.

Pasos del método gráfico:

1. Plantear el problema: Definir la función objetivo Z y las restricciones.
2. Graficar las restricciones: Convertir cada restricción en una ecuación de dos variables y graficarla en un
plano cartesiano.
3. Determinar la región factible: La región factible es el área del plano que cumple con todas las
restricciones.
4. Graficar la función objetivo: La función objetivo se representa como una línea recta.
5. Encontrar el punto óptimo: El punto óptimo es la intersección de la línea de la función objetivo con la
frontera de la región factible.

Ejemplo:
Problema: Una empresa produce dos tipos de productos, A y B. El producto A genera un beneficio de $3 por
unidad y el producto B genera un beneficio de $4 por unidad. La empresa tiene dos recursos disponibles:
tiempo y mano de obra. La producción de una unidad del producto A requiere 2 horas de tiempo y 1 hora de
mano de obra, mientras que la producción de una unidad del producto B requiere 1 hora de tiempo y 2 horas
de mano de obra. La empresa tiene disponibles 10 horas de tiempo y 10 horas de mano de obra. La empresa
quiere determinar cuánto debe producir de cada producto para maximizar su beneficio total.
Solución:
1. Plantear el problema:
 Función objetivo: Z = 3x + 4y (Beneficio total)
 Restricción 1: 2x + y <= 10 (Tiempo disponible)
 Restricción 2: x + 2y <= 10 (Mano de obra disponible)
2. Graficar las restricciones:
 Restricción 1: 2x + y <= 10
y = -2x + 10
 Restricción 2: x + 2y <= 10
y = -1/2x + 5
3. Determinar la región factible:

La región factible es el área sombreada en el siguiente gráfico:

4. Graficar la función objetivo:

La función objetivo Z = 3x + 4y se puede representar como una línea recta. Para ello, seleccionamos dos
valores de Z, por ejemplo Z = 0 y Z = 12.
 Cuando Z = 0, 3x + 4y = 0. Entonces, y = -3/4x.
 Cuando Z = 12, 3x + 4y = 12. Entonces, y = -3/4x + 3.

Graficamos ambas líneas:

5. Encontrar el punto óptimo:

El punto óptimo es la intersección de la línea de la función objetivo con la frontera de la región factible. En
este caso, el punto óptimo es (4, 3).
Solución:
La empresa debe producir 4 unidades del producto A y 3 unidades del producto B para maximizar su
beneficio total, que será de $27.
Página 9 de 39
 Ventajas del método gráfico:
 Es fácil de entender y aplicar.
 Es una herramienta visual que permite comprender mejor el problema.
 Es útil para resolver problemas de programación lineal con dos variables de decisión.
Desventajas del método gráfico:
 No se puede aplicar a problemas con más de dos variables de decisión.
 Puede ser difícil de aplicar a problemas con restricciones no lineales.

2.4. Método Simplex

El método simplex de programación lineal

El método simplex es un algoritmo iterativo para resolver problemas de programación lineal. Se basa en la
idea de mejorar la solución en cada iteración hasta encontrar la solución óptima.
Concepto:
En la programación lineal, buscamos optimizar (maximizar o minimizar) una función objetivo Z sujeta a un
conjunto de restricciones. El método simplex nos permite encontrar la solución óptima de forma eficiente,
incluso para problemas con muchas variables de decisión.
Pasos del método simplex:
1. Convertir el problema a la forma estándar:
 La función objetivo debe ser una función lineal.
 Las restricciones deben ser ecuaciones o inecuaciones lineales.
2. Iniciar con una solución básica factible:
 Una solución básica factible es una solución que cumple con todas las restricciones y tiene exactamente n
variables básicas (donde n es el número de variables de decisión).
3. Iterar hasta encontrar la solución óptima:
 En cada iteración, se selecciona una variable no básica que puede mejorar la solución.
 Se aumenta el valor de la variable no básica mientras que se mantienen las demás variables básicas
factibles.
 El proceso se repite hasta que no se puedan encontrar más mejoras.
Ejemplo:
Problema: Una empresa produce dos tipos de productos, A y B. El producto A genera un beneficio de $3 por
unidad y el producto B genera un beneficio de $4 por unidad. La empresa tiene dos recursos disponibles:
tiempo y mano de obra. La producción de una unidad del producto A requiere 2 horas de tiempo y 1 hora de
mano de obra, mientras que la producción de una unidad del producto B requiere 1 hora de tiempo y 2 horas
de mano de obra. La empresa tiene disponibles 10 horas de tiempo y 10 horas de mano de obra. La empresa
quiere determinar cuánto debe producir de cada producto para maximizar su beneficio total.
Solución:
1. Convertir el problema a la forma estándar:
 Función objetivo: Z = 3x + 4y (Beneficio total)
 Restricción 1: 2x + y <= 10 (Tiempo disponible)
 Restricción 2: x + 2y <= 10 (Mano de obra disponible)
2. Iniciar con una solución básica factible:
Una posible solución básica factible es x = 0 e y = 0. Esta solución cumple con todas las restricciones, pero no
es una solución óptima.
3. Iterar hasta encontrar la solución óptima:
Página 10 de 39
 En la primera iteración, se selecciona la variable x como variable no básica.
 Se aumenta el valor de x hasta que se alcanza la restricción 2x + y = 10.
 La nueva solución básica factible es x = 5 e y = 0.
 En la segunda iteración, se selecciona la variable y como variable no básica.
 Se aumenta el valor de y hasta que se alcanza la restricción x + 2y = 10.
 La nueva solución básica factible es x = 4 e y = 3.
 En la tercera iteración, no se pueden encontrar más mejoras. La solución óptima es x = 4 e y = 3.
Solución:
La empresa debe producir 4 unidades del producto A y 3 unidades del producto B para maximizar su
beneficio total, que será de $27.
Ventajas del método simplex:
 Es un método eficiente para resolver problemas de programación lineal con muchas variables de decisión.
 Se puede aplicar a problemas con funciones objetivo y restricciones no lineales mediante técnicas de
linealización.
Desventajas del método simplex:
 Puede ser complejo de entender y aplicar.
 No es siempre el método más eficiente para resolver problemas de programación lineal.
Recursos adicionales:

2.5. Transporte y asignación

El método del transporte de programación lineal

Concepto:
El método del transporte es un caso particular de la programación lineal que se utiliza para resolver problemas
de transporte de bienes o recursos. Se busca minimizar el costo total de transportar una cantidad específica
de un producto desde un conjunto de orígenes a un conjunto de destinos, satisfaciendo las demandas de cada
destino y las disponibilidades de cada origen.
Formulación del problema:
 Variables de decisión: La cantidad de producto a transportar desde cada origen a cada destino.
 Función objetivo: Minimizar el costo total de transporte.
 Restricciones:
o Oferta: La cantidad total de producto transportada desde cada origen no puede superar la
disponibilidad de ese origen.
o Demanda: La cantidad total de producto transportada a cada destino debe satisfacer la
demanda de ese destino.
o Balance: La cantidad total de producto transportada debe ser igual a la cantidad total
demandada.
 Solución:

El método del transporte se puede resolver utilizando diferentes técnicas, como:

 Método del noroeste: Es un método simple y rápido, pero no siempre encuentra la solución óptima.
 Método del menor costo: Se asigna el producto al destino con el menor costo de transporte hasta
satisfacer la demanda de ese destino.
 Método del algoritmo húngaro: Es un método más complejo que el método del menor costo, pero
siempre encuentra la solución óptima.
Página 11 de 39
Ejemplo:
Problema: Una empresa tiene tres fábricas que producen un producto y tres almacenes que lo demandan. La
siguiente tabla muestra la disponibilidad de cada fábrica, la demanda de cada almacén y el costo de transporte
por unidad de producto desde cada fábrica a cada almacén:

Fábrica Disponibilidad Almacén 1 Almacén 2 Almacén 3

F1 100 3 5 2

F2 80 4 7 1

F3 120 6 8 3

Solución:
1. Formular el problema:
 Variables de decisión: x_ij, donde i es la fábrica y j es el almacén.
 Función objetivo: Minimizar Z = 3x_11 + 5x_12 + 2x_13 + 4x_21 + 7x_22 + x_23 + 6x_31 + 8x_32 + 3x_33.
 Restricciones:
o Oferta: x_11 + x_12 + x_13 <= 100
o Oferta: x_21 + x_22 + x_23 <= 80
o Oferta: x_31 + x_32 + x_33 <= 120
o Demanda: x_11 + x_21 + x_31 = 100
o Demanda: x_12 + x_22 + x_32 = 90
o Demanda: x_13 + x_23 + x_33 = 110
o Balance: x_11 + x_21 + x_31 + x_12 + x_22 + x_32 + x_13 + x_23 + x_33 = 300
2. Resolver el problema:

Utilizando el método del menor costo, se obtiene la siguiente solución:

Fábrica Almacén 1 Almacén 2 Almacén 3

F1 100 0 0

F2 0 90 0

F3 0 0 110

Solución:
La empresa debe transportar 100 unidades del producto desde la fábrica F1 al almacén A1, 90 unidades del
producto desde la fábrica F2 al almacén A2 y 110 unidades del producto desde la fábrica F3 al almacén A3. El
costo total de transporte será de $570.

2.6. Análisis de sensibilidad de los resultados

Página 12 de 39
Análisis de sensibilidad en programación lineal
Concepto:

El análisis de sensibilidad es una herramienta que se utiliza para evaluar cómo cambia la solución óptima de un
problema de programación lineal (PL) ante cambios en los parámetros del problema. Estos parámetros
pueden ser los coeficientes de la función objetivo, los coeficientes de las restricciones, o el lado derecho de las
restricciones.

Objetivo:

El objetivo del análisis de sensibilidad es determinar la sensibilidad de la solución óptima a cambios en los
parámetros del problema. Esto permite a los tomadores de decisiones evaluar el impacto de la incertidumbre
en los datos del problema y tomar decisiones más robustas.

Tipos de análisis de sensibilidad:

Análisis de sensibilidad post-optimal: Se realiza después de haber encontrado la solución óptima del
problema. Se utilizan los valores de la solución óptima para calcular los rangos de variación de los
parámetros que no afectan la solución óptima.
Análisis de sensibilidad paramétrico: Se realiza antes de resolver el problema. Se introducen variables
paramétricas en los coeficientes del problema y se resuelve el problema como un problema de PL
paramétrico.
Ejemplo:
Problema: Una empresa produce dos tipos de productos, A y B. El producto A genera un beneficio de $3
por unidad y el producto B genera un beneficio de $4 por unidad. La empresa tiene dos recursos
disponibles: tiempo y mano de obra. La producción de una unidad del producto A requiere 2 horas de
tiempo y 1 hora de mano de obra, mientras que la producción de una unidad del producto B requiere 1
hora de tiempo y 2 horas de mano de obra. La empresa tiene disponibles 10 horas de tiempo y 10 horas de
mano de obra. La empresa quiere determinar cuánto debe producir de cada producto para maximizar su
beneficio total.
Solución:
La solución óptima del problema es producir 4 unidades del producto A y 3 unidades del producto B, con
un beneficio total de $27.
Análisis de sensibilidad post-optimal:
¿Qué pasa si el beneficio del producto A aumenta a $4 por unidad?
La solución óptima sigue siendo producir 4 unidades del producto A y 3 unidades del producto B, pero el
beneficio total aumenta a $30.
¿Qué pasa si la disponibilidad de tiempo aumenta a 12 horas?
La solución óptima cambia a producir 5 unidades del producto A y 2 unidades del producto B, con un
beneficio total de $29.
Análisis de sensibilidad paramétrico:
¿Qué pasa si el beneficio del producto A es de $3 + p por unidad, donde p es una variable paramétrica?
La solución óptima del problema paramétrico es producir 4 unidades del producto A y 3 unidades del
producto B si p <= 1. Si p > 1, la solución óptima cambia a producir 5 unidades del producto A y 2
unidades del producto B.
Recursos adicionales:

Página 13 de 39
 3. Métodos para la administración del tiempo en los proyectos

La administración del tiempo es un factor crucial para el éxito de un proyecto. Los métodos cuantitativos para
la administración ofrecen herramientas y técnicas para optimizar la gestión del tiempo en proyectos,
asegurando la eficiencia y el cumplimiento de objetivos.

Métodos cuantitativos para la administración del tiempo:

1. Diagrama de Gantt:
 Herramienta gráfica que representa las tareas del proyecto, su duración y sus dependencias.
 Permite visualizar el cronograma del proyecto y monitorear su avance.
 Ejemplo: Un diagrama de Gantt puede usarse para planificar y controlar las tareas de construcción de una
casa.
2. Ruta crítica:
 Secuencia de tareas que determina la duración mínima del proyecto.
 Identifica las tareas que no pueden retrasarse sin afectar la fecha de finalización del proyecto.
 Ejemplo: La ruta crítica puede usarse para identificar las tareas que deben priorizarse para asegurar la
entrega a tiempo de un software.
3. Técnica PERT:
 Técnica probabilística que estima la duración del proyecto.
 Considera la incertidumbre en la duración de las tareas.
 Ejemplo: La técnica PERT puede usarse para estimar la duración de un proyecto de investigación con
tareas de duración incierta.
4. Diagrama de Precedencia:
 Representa las relaciones de precedencia entre las tareas del proyecto.
 Muestra el orden en que deben realizarse las tareas.
 Ejemplo: Un diagrama de precedencia puede usarse para planificar las tareas de ensamblaje de un
producto.
5. Métodos de estimación:
 Técnicas para estimar la duración de las tareas del proyecto.
 Consideran factores como la complejidad de la tarea, los recursos disponibles y la experiencia del equipo.
 Ejemplo: El método Delphi puede usarse para estimar la duración de una tarea compleja al consultar a un
grupo de expertos.

3.1. Gráfica de Gantt

La gráfica de Gantt es una herramienta fundamental en la administración de proyectos. Es un método

cuantitativo que permite visualizar y planificar las tareas del proyecto, su duración y sus dependencias.

Características:

 Representación gráfica: La gráfica de Gantt se compone de barras horizontales que representan las tareas del
proyecto. La longitud de cada barra indica la duración estimada de la tarea.
 Cronograma del proyecto: La gráfica de Gantt permite visualizar el cronograma del proyecto,
mostrando la fecha de inicio y fin de cada tarea.
 Dependencias entre tareas: La gráfica de Gantt puede mostrar las dependencias entre las tareas,
indicando qué tareas deben completarse antes de que otras puedan comenzar.
Página 14 de 39
  Seguimiento del avance: La gráfica de Gantt permite monitorizar el avance del proyecto, comparando
el progreso real con el planificado.

Ventajas:

 Visualización clara: La gráfica de Gantt ofrece una representación clara y comprensible del cronograma
del proyecto.
 Planificación eficaz: La gráfica de Gantt facilita la planificación y el control del tiempo en el proyecto.
 Comunicación efectiva: La gráfica de Gantt es una herramienta útil para comunicar el plan del
proyecto a las partes interesadas.
 Identificación de riesgos: La gráfica de Gantt permite identificar posibles riesgos en el proyecto, como
retrasos en las tareas.

Limitaciones:

 Estática: La gráfica de Gantt no es una herramienta dinámica, por lo que no refleja en tiempo real los
cambios en el proyecto.
 Complejidad: La creación y actualización de la gráfica de Gantt puede ser compleja para proyectos con
muchas tareas.
 Falta de flexibilidad: La gráfica de Gantt no es flexible ante cambios inesperados en el proyecto.

Ejemplo:

En la construcción de una casa, la gráfica de Gantt puede usarse para planificar las tareas como la excavación,
la cimentación, la construcción de la estructura, la instalación de la electricidad y la plomería, la pintura y la
decoración. La gráfica de Gantt mostrará la duración estimada de cada tarea, las dependencias entre las tareas
y el cronograma general del proyecto.

Software:

Existen diversos softwares para crear y gestionar gráficas de Gantt, como Microsoft Project, Primavera P6 y
OpenProj.

La gráfica de Gantt es una herramienta fundamental en la administración de proyectos. Es un método

cuantitativo que permite visualizar y planificar las tareas del proyecto, su duración y sus dependencias.

Pasos para crear una gráfica de Gantt:

1. Definir las tareas del proyecto:

 Descomponer el proyecto en tareas y subtareas específicas.

 Identificar las dependencias entre las tareas.
 Estimar la duración de cada tarea.

2. Crear la gráfica de Gantt:

 Utilizar una hoja de cálculo o un software de gestión de proyectos.

 Insertar una tabla con las siguientes columnas:
o Tarea
Página 15 de 39
 o Fecha de inicio
o Duración
o Dependencias
o Fecha de fin
 Completar la tabla con la información de cada tarea.

3. Formatear la gráfica de Gantt:

 Agregar colores a las barras para diferenciar las tareas.

 Agregar etiquetas a las fechas de inicio y fin.
 Insertar un título y leyenda a la gráfica.

4. Monitorear y actualizar la gráfica de Gantt:

 Comparar el progreso real con el planificado.

 Actualizar la gráfica de Gantt en caso de cambios en el proyecto.

3.2. Diagramas PERT/CPM

Diagramas PERT/CPM:

Los diagramas PERT (Program Evaluation and Review Technique) y CPM (Critical Path Method) son
herramientas para la planificación y gestión de proyectos. Ambos métodos se basan en la representación
gráfica de las tareas del proyecto, su duración y sus dependencias.

Origen:
 PERT: Desarrollado por la Armada de los Estados Unidos en 1958 para el proyecto Polaris.
 CPM: Desarrollado por DuPont y Remington Rand en 1957 para la planificación de proyectos de
construcción.
 Aplicaciones:
 Planificación y control de proyectos: Permite visualizar el cronograma del proyecto, identificar la ruta
crítica y estimar la duración del proyecto.
 Gestión de recursos: Ayuda a determinar la cantidad de recursos necesarios para cada tarea y el
momento en que se necesitan.
 Toma de decisiones: Facilita la identificación de riesgos y la toma de decisiones para optimizar el
proyecto.

Elaboración:

1. Definir las tareas del proyecto: Descomponer el proyecto en tareas y subtareas específicas.
2. Estimar la duración de cada tarea: Considerar la complejidad de la tarea, los recursos disponibles y la
experiencia del equipo.
3. Identificar las dependencias entre las tareas: Determinar qué tareas deben completarse antes de que otras
puedan comenzar.
4. Diagrama PERT:
1. Representar las tareas como nodos y las dependencias como flechas.
2. Asignar dos valores a cada tarea: tiempo optimista (a) y tiempo pesimista (b).
3. Calcular el tiempo probable (t) de cada tarea: t = (a + 4m + b)/6, donde m es el tiempo modal.
5. Diagrama CPM:
Página 16 de 39
  Similar al diagrama PERT, pero solo se considera un valor de tiempo para cada tarea.
 Calcular el tiempo total del proyecto sumando la duración de las tareas en la ruta crítica.
Ejemplo:
Proyecto: Construcción de una casa.
Tareas: Excavación, cimentación, estructura, albañilería, carpintería, pintura, instalaciones.
Dependencias: La excavación debe completarse antes de la cimentación, etc.
Duración: Excavación (2 días), cimentación (3 días), etc.
Ruta crítica: Excavación - cimentación - estructura - albañilería - carpintería - pintura - instalaciones.
Duración del proyecto: 20 días.
Enfoque cuantitativo:

Los diagramas PERT/CPM se basan en métodos cuantitativos para estimar la duración del proyecto y la
probabilidad de completarlo a tiempo. Se utilizan técnicas como la probabilidad y la estadística para calcular el
tiempo más probable de cada tarea y el tiempo total del proyecto.

Software:

Existen diversos softwares para crear y gestionar diagramas PERT/CPM, como Microsoft Project, Primavera P6
y OpenProj.

Los diagramas PERT/CPM son herramientas valiosas para la administración de proyectos que permiten una
mejor planificación, seguimiento y control del tiempo en el proyecto. Son especialmente útiles para proyectos
complejos con muchas tareas y dependencias.

Nota: Es importante tener en cuenta las limitaciones de los diagramas PERT/CPM y utilizarlos en conjunto con
otras herramientas de administración de proyectos para asegurar el éxito del proyecto.

3.3. Cambios y efectos en la aplicación de nuevas variables

La aplicación de nuevas variables en un sistema o proceso puede generar cambios y efectos significativos. El
enfoque de métodos cuantitativos de la administración ofrece herramientas para analizar y evaluar estos
cambios, permitiendo a los tomadores de decisiones tomar decisiones más informadas y eficientes.

Tipos de cambios:
 Cambios en la eficiencia: Las nuevas variables pueden mejorar o deteriorar la eficiencia del proceso.
 Cambios en la productividad: Las nuevas variables pueden aumentar o disminuir la productividad del
sistema.
 Cambios en los costos: Las nuevas variables pueden aumentar o disminuir los costos del proceso.
 Cambios en la calidad: Las nuevas variables pueden mejorar o deteriorar la calidad del producto o
servicio.

Efectos:
 Efectos positivos: Las nuevas variables pueden generar beneficios como mayor eficiencia,
productividad, calidad y menores costos.
 Efectos negativos: Las nuevas variables pueden generar riesgos como menor eficiencia, productividad,
calidad y mayores costos.

Enfoque cuantitativos:
Página 17 de 39
  Análisis de sensibilidad: Permite evaluar cómo cambia la solución óptima de un problema ante
cambios en los parámetros del problema.
 Modelado matemático: Permite crear modelos que simulan el comportamiento del sistema con las
nuevas variables.
 Optimización: Permite encontrar la mejor solución posible para el problema considerando las nuevas
variables.

Ejemplo:

Empresa: Una empresa de producción de alimentos está considerando implementar una nueva tecnología
para mejorar la eficiencia de su proceso de producción.
Variable: La nueva variable en este caso es la tecnología.
Cambios: La nueva tecnología puede generar cambios en la eficiencia, productividad, costos y calidad del
proceso de producción.
Efectos: Los efectos pueden ser positivos, como mayor eficiencia y productividad, o negativos, como mayores
costos de inversión.
Análisis: La empresa puede utilizar métodos cuantitativos como el análisis de sensibilidad y el modelado
matemático para evaluar los cambios y efectos de la nueva tecnología antes de implementarla.

Conclusión:

La aplicación de nuevas variables en un sistema o proceso puede generar cambios y efectos significativos. El
enfoque de métodos cuantitativos de la administración ofrece herramientas para analizar y evaluar estos
cambios, permitiendo a los tomadores de decisiones tomar decisiones más informadas y eficientes.

Es importante:

4. Métodos probabilísticos

Los métodos probabilísticos son enfoques que se basan en la teoría de la probabilidad y reconocen la
influencia de la aleatoriedad en la predicción de eventos futuros. A diferencia de los métodos deterministas,
que buscan predecir exactamente sin considerar la aleatoriedad, los métodos probabilísticos incorporan
variables aleatorias y distribuciones de probabilidad en sus modelos. Estos modelos proporcionan una
distribución de probabilidad como solución, en lugar de un único resultado posible.
A continuación, describiré dos aspectos clave relacionados con los métodos probabilísticos:
1. Modelos Probabilísticos:

 Los modelos probabilísticos son herramientas matemáticas que representan eventos o fenómenos en
términos de probabilidades. Estos modelos consideran que rara vez tenemos información completa
sobre una situación y que siempre existe un elemento de aleatoriedad.
 Por ejemplo, el seguro de vida se basa en la certeza de que todos moriremos en algún momento, pero
no sabemos cuándo. Un modelo probabilístico tendría en cuenta esta incertidumbre y proporcionaría
una distribución de probabilidad para el momento de fallecimiento.
 Las variables aleatorias y las distribuciones de probabilidad (como la distribución normal, binomial o
de Bernoulli) son componentes fundamentales de estos modelos.

2. Método Probabilístico:

Página 18 de 39
  El método probabilístico fue introducido por Paul Erdős y se utiliza para demostrar la existencia de
estructuras con ciertas propiedades en el campo de la combinatoria.
 La idea central es crear un espacio de probabilidad y, al elegir elementos al azar, demostrar que
cualquier elemento aleatorio en ese espacio tiene una probabilidad positiva de cumplir con las
propiedades buscadas.
 Este método se aplica en diversas disciplinas, como la física estadística, la mecánica cuántica y la
informática teórica.

4.1. Arboles de decisión

Los árboles de decisión son una herramienta fundamental en el campo de la toma de decisiones y se utilizan
para representar gráficamente los eventos y las opciones disponibles en un proceso de decisión. A
continuación, exploraremos en detalle este método probabilístico, incluyendo conceptos clave, aplicaciones,
historia y ejemplos concretos.

 Árbol de Decisiones: Un árbol de decisiones es una representación gráfica que facilita la comprensión y el
análisis del proceso de toma de decisiones. Fue creado por J. Ross Quinlan. Imagina un mapa que, partiendo
de una situación inicial, se ramifica en múltiples escenarios según las opciones disponibles. Cada bifurcación
representa una elección o un evento, conduciendo a resultados distintos. Inicia con un nodo de decisión
(usualmente simbolizado por un cuadrado) que plantea una pregunta o decisión. De este, emergen ramas
hacia otros nodos, que pueden ser de decisión o nodo de hoja, indicando un resultado final. Este esquema
permite visualizar claramente cada ruta posible y sus consecuencias.

Aplicaciones:

1. Toma de Decisiones Cotidianas:

 Para individuos, los árboles de decisiones son excelentes para desglosar decisiones diarias, ya sean
simples o complejas. Estos diagramas fomentan un pensamiento profundo, permitiendo visualizar
claramente cómo diferentes opciones pueden conducir a distintos resultados. Funcionan como guías
visuales para ponderar las consecuencias de cada elección.

2. Planificación Estratégica Empresarial:

 En el ámbito corporativo, los árboles de decisiones son cruciales para evaluar oportunidades de
crecimiento y formular planes estratégicos a largo plazo. Permiten a las empresas prever las
implicaciones de sus estrategias antes de comprometer recursos significativos, ayudándoles a manejar
riesgos calculados de manera más efectiva.

3. Aplicación en Aprendizaje Automático:

 En tecnología, especialmente en aprendizaje automático, los árboles de decisiones son fundamentales

para modelar algoritmos con declaraciones de control condicional. Por ejemplo, en clasificación, un
árbol de decisión puede determinar si un correo electrónico es spam o no, basándose en
características como palabras clave y remitentes.

Historia:
Página 19 de 39
  El concepto de árboles de decisión se originó en la década de 1960. J. Ross Quinlan, un científico de la
computación, desarrolló el algoritmo ID3 (Iterative Dichotomiser 3), que generaba árboles de decisión
a partir de datos etiquetados. Desde entonces, se han propuesto varias extensiones y mejoras, como
C4.5 y CART (Classification and Regression Trees).

Ejemplo:
Imaginemos que eres el director de la empresa M y te enfrentas a una decisión estratégica crucial debido a la
entrada de un nuevo competidor en tu mercado. Utilizar un árbol de decisiones es una forma sistemática de
visualizar y analizar las posibles consecuencias de distintas acciones. Puedes construir un árbol de decisiones
que evalúe opciones como expandir tu línea de productos, invertir en marketing agresivo o buscar alianzas
estratégicas. Cada rama del árbol representa una elección y sus consecuencias, lo que te ayudará a tomar una
decisión informada1

Página 20 de 39
Un árbol de decisiones (también llamados árbol de toma de decisiones, árbol de decisión o árboles de
decisiones) es un esquema que representa las alternativas disponibles para quien va a tomar la decisión,
además de las circunstancias y consecuencias de cada elección. Su nombre proviene del aspecto similar a un
árbol y sus ramificaciones que tiene este diagrama.

Los árboles de decisiones están conformados por una serie de nodos de decisiones con ramas que llegan y
salen de ellos. Estos nodos pueden ser:
 Nodos Cuadrados o de decisión: Representan los puntos de decisión donde se muestran las distintas
alternativas disponibles a elegir. Se escoge la alternativa que presenta el mayor valor esperado.
 Nodos Circulares o de probabilidad: Donde salen las diferentes ramificaciones que muestran los
hechos fortuitos que tienen una probabilidad de ocurrencia. La suma de las probabilidades de cada suceso
(rama) que sale de un nodo circular debe ser uno. El valor esperado del nodo se obtiene realizando un
promedio ponderado de las ramificaciones con sus probabilidades.
 Nodos Terminales: Representan un resultado definitivo de una ramificación.
Las ramificaciones se representan de la siguiente forma:
 Ramificaciones alternativas: Cada ramificación representa un resultado probable.
 Alternativa rechazada: Una vez desarrollado el árbol, las alternativas que no se seleccionan se marcan
con dos líneas.

Símbolos utilizados en un diagrama de árbol de decisiones

Este método se utiliza en una amplia gama de decisiones empresariales como:

 Planificación de productos.
 Análisis de procesos.
 Capacidad de planta.
 Alternativas de localización, entre otros.

Página 21 de 39
Para crear un Árbol de Decisiones realizaremos los siguientes pasos:
1. Iniciar el árbol dibujando un nodo cuadrado que representa la decisión principal del problema.
2. Agregar las ramas y nodos que se presentarán en los posibles caminos que podemos elegir a partir del
nodo de decisión inicial.
3. En los nodos de probabilidad, colocar los valores de probabilidad en cada rama.
4. Determinar los valores esperados de cada nodo terminal, teniendo en cuenta los gastos e ingresos
esperados de cada camino.
5. Calcular los valores esperados de los nodos intermedios. Para el caso de los nodos de probabilidad se
calcularán con un promedio ponderado y para los nodos de elección se elegirá la opción más conveniente
de las disponibles.
6. Para el primer nodo (el de decisión), se elegirá el valor esperado más conveniente dependiendo de la
decisión que se desea tomar.
Estos pasos para la elaboración del árbol de decisión, se explicarán detalladamente a través de 2 ejemplos:

Ejemplo 1:
El dueño de Hackers Computer Store analiza qué hará con su negocio en los próximos cinco años. El
crecimiento de las ventas en años recientes ha sido bueno, pero crecerían sustantivamente si, como se ha
propuesto, se construye una importante empresa electrónica en su zona. El dueño de Hackers ve tres
opciones:La primera es ampliar su tienda actual, la segunda es ubicarla en otro lugar y la tercera es tan solo
esperar y no hacer nada.

La expansión o la mudanza no tardaría mucho y, por lo mismo, la tienda no perdería ingresos. Si no hiciera
nada en el primer año y hubiera un crecimiento notable, entonces consideraría la decisión de expandirse. Si
espera más de un año, la competencia empezaría a llegar y provocaría que la expansión ya no fuera viable.
Los supuestos y circunstancias son:
1. Un crecimiento notable como consecuencia del incremento de la población de entusiastas de
computadoras procedentes de la nueva empresa electrónica tiene una probabilidad de 55%.
2. Si crecimiento es notable en otro lugar, produciría un rendimiento anual de 195 000 dólares al año. Si
el crecimiento es flojo en otro lugar significaría un rendimiento anual de 115 000 dólares.
3. Un crecimiento notable con una expansión produciría un rendimiento anual de 190 000 dólares al año.
Si el crecimiento es flojo con una expansión significaría un rendimiento anual de 100 000 dólares.
4. En la tienda existente, sin cambio, el rendimiento anual sería de 170 000 dólares al año con un
crecimiento notable y de 105 000 dólares con un crecimiento débil.
5. La expansión del local actual costaría 87 000 dólares.
6. Una mudanza costaría 210 000 dólares.
7. Si el crecimiento es notable y se amplía el local existente en el segundo año, el costo aún sería de 87
000 dólares.
8. Los costos de operaciones son iguales en todas las opciones.

Solución 1:
Para elaborar el árbol, se iniciará colocando un nodo cuadrado (de decisión) de donde saldrán las alternativas
disponibles a elegir; que para este problema son 3:
 Ubicarla en otro lugar (Mudanza).
 Ampliar su tienda actual (Expansión).
 Esperar y no hacer nada.

Página 22 de 39
En cada una de estas decisiones se presentan dos escenarios: un crecimiento notable y un crecimiento flojo;
cada uno con su respectiva probabilidad.

La empresa también tiene la opción de ampliar su local actual en el segundo año; si el crecimiento es notable
en el primero. Por lo tanto, se debe tomar una decisión en la rama de no hacer nada y crecimiento notable
(Nodo E):
El árbol completo se vería de la siguiente forma:

Página 23 de 39
Ahora se debe calcular los valores de cada una de las ramificaciones posibles de nuestro árbol, según el
siguiente cuadro:

La columna de Valor Neto, representa el valor final de cada uno de los nodos, los cuáles se calcularon
restando los ingresos menos los costos que nos detalla el problema.
Nuestro gráfico quedaría de la siguiente manera:

Página 24 de 39
Ahora determinaremos los valores de los nodos intermedios evaluando las ramificaciones que salen de cada
uno de ellos, de derecha a izquierda:
Nodo B:
De este nodo tenemos dos ramificaciones con valores de $765 000 y $365 000. Al ser un nodo circular; su
valor se determinará con el promedio ponderado considerando las probabilidades respectivas:
$765 000 × 0.55 + $365 000 × 0.45 = $ 585 000

Nodo C:
Al ser también un nodo circular, se calcula como el caso anterior:
$863 000 × 0.55 + $413 000 × 0.45 = $ 660 500

Nodo E:
El nodo E es de decisión (cuadrado), por lo tanto se elegirá la alternativa que tiene el mayor resultado para
determinar su valor. La opción rechazada se marca con dos líneas.
Página 25 de 39
Nodo D:
Al ser nodo circular, se realiza el promedio ponderado:
$850 000 × 0.55 + $525 000 × 0.45 = $703 750

Nodo A:
El nodo A de donde parten todas las opciones, es de decisión; por lo cuál su valor será el de la alternativa más
alta.

Finalmente nuestro árbol quedaría de la siguiente forma:

Página 26 de 39
El análisis del árbol, nos indica que la mejor decisión es no hacer nada por ahora ni el año entrante.

Ejemplo 2:
Expando, Inc., considera la posibilidad de construir una fábrica adicional para su línea de productos. En la
actualidad, la compañía considera dos opciones:

La primera es una instalación pequeña cuya edificación costaría 6 millones de dólares. Si la demanda de los
nuevos productos es floja, la compañía espera recibir 10 millones de dólares en forma de ingresos
descontados (valor presente de ingresos futuros) con la fábrica pequeña. Por otro lado, si la demanda es
mucha, espera 12 millones de dólares por concepto de ingresos descontados con la fábrica pequeña.
La segunda opción es construir una fábrica grande con un costo de 9 millones de dólares. Si la demanda fuera
poca, la compañía esperaría 10 millones de dólares de ingresos descontados con la planta grande. Si la
demanda es mucha, la compañía estima que los ingresos descontados sumarían 14 millones de dólares. En los
dos casos, la probabilidad de que la demanda sea mucha es 0.40, y la probabilidad de que sea poca, 0.60.
Si no construye una nueva fábrica no se generarían ingresos adicionales porque las fábricas existentes no
pueden producir estos nuevos productos.
Elabore un árbol de decisión que ayude a Expando a determinar la mejor opción.

Solución 2:

Elaboramos el árbol de decisión según las opciones que nos muestra el problema:

Página 27 de 39
Procedemos a calcular los extremos de los nodos de nuestro árbol:

Finalmente calculamos los valores de los nodos intermedios y marcamos con 2 líneas las alternativas
rechazadas.

Página 28 de 39
La mejor alternativa es construir una fábrica pequeña, ya que representa un mayor valor esperado.

4.2. Valor esperado

El Valor Esperado de una variable aleatoria discreta X, denotado como E(X) o μ (mu), se calcula como la suma
del producto de cada posible valor de X y su probabilidad correspondiente.

Matemáticamente: E(X) = Σ (x * P(X=x)), donde x representa los posibles valores de X y P(X=x) representa sus
probabilidades.

Historia:

 El concepto de valor esperado se remonta al siglo XVII cuando matemáticos como Blaise Pascal y
Pierre de Fermat trabajaron en problemas relacionados con el azar y los juegos de azar.
 En los siglos XVIII y XIX, matemáticos como Jacob Bernoulli, Laplace y Carl Friedrich Gauss
contribuyeron al desarrollo de la teoría de la probabilidad.
 El término “valor esperado” fue acuñado por Ronald A. Fisher en el siglo XX.

Aplicaciones:

Toma de Decisiones:

 El valor esperado se utiliza para evaluar opciones y tomar decisiones informadas.

 Ejemplo: Calcular los pagos esperados para diferentes pólizas de seguro.

Finanzas:

 Ayuda a evaluar opciones de inversión basadas en los rendimientos esperados.

Página 29 de 39
Teoría de Juegos:

 Analiza estrategias en juegos de azar y competencias.

Control de Calidad:

 Evalúa el rendimiento promedio de un proceso de fabricación.

Ejemplos:

1. Lanzamiento de un dado justo:

a. Posibles resultados: {1, 2, 3, 4, 5, 6}
b. Probabilidades: P(X=1) = P(X=2) = … = P(X=6) = 1/6
c. Valor esperado: E(X) = (1/6) * (1 + 2 + 3 + 4 + 5 + 6) = 3.5
2. Lanzamiento de una moneda justa:
a. Posibles resultados: {Cara ©, Cruz (X)}
b. Probabilidades: P(X=C) = P(X=X) = 0.5
c. Valor esperado: E(X) = (0.5) * (1 + 0) = 0.5
3. Decisión de inversión:
a. Dos opciones:
b. Opción A: Rendimiento esperado = $10,000, Probabilidad = 0.6
c. Opción B: Rendimiento esperado = $15,000, Probabilidad = 0.4
d. Valor esperado: E(X) = (0.6) * 10,000 + (0.4) * 15,000 = $12,000

4.3. Tablas de pago

Las tablas de pago son una herramienta utilizada en el ámbito de la probabilidad y la estadística para
representar información sobre pagos o recompensas asociadas a diferentes eventos o resultados. A
continuación, exploraremos este método probabilístico en detalle, incluyendo sus conceptos clave,
aplicaciones, historia y ejemplos concretos.

 Una tabla de pago es una matriz que muestra los pagos o valores asociados a diferentes
combinaciones de eventos o estados.
 Cada fila representa un evento o resultado posible, y cada columna muestra el pago correspondiente.
 Estas tablas se utilizan en situaciones donde se deben tomar decisiones basadas en probabilidades y
recompensas, como en juegos de azar, inversiones o estrategias empresariales.

Historia:

 El uso de tablas de pago se remonta a la antigüedad, cuando los comerciantes y gobernantes

evaluaban riesgos y beneficios en transacciones comerciales y decisiones políticas.
 En la teoría moderna de la probabilidad, las tablas de pago se han formalizado y aplicado en diversas
áreas, como la economía, la ingeniería y la toma de decisiones.

Aplicaciones:
Página 30 de 39
1. Juegos de Azar:
a. En juegos como la ruleta, el póker o las máquinas tragamonedas, las tablas de pago representan las
ganancias potenciales para diferentes combinaciones de resultados.
2. Inversiones y Finanzas:
a. Las tablas de pago se utilizan para evaluar inversiones, como bonos, acciones o fondos mutuos.
Ayudan a calcular los rendimientos esperados y los riesgos asociados.
3. Toma de Decisiones Empresariales:
a. En estrategias empresariales, las tablas de pago ayudan a evaluar opciones como lanzar un nuevo
producto, expandirse a un nuevo mercado o invertir en publicidad.
4. Seguros y Actuaría:
a. En seguros, las tablas de pago modelan los pagos esperados para diferentes escenarios de
siniestros y ayudan a establecer primas adecuadas.

Ejemplos:
1. Apuesta en un Juego de Dados:
a. Supongamos que apuestas $10 en un juego de dados. La tabla de pago podría verse así:

Tabla

Resultado del Dado Pago

1 $0

2 $5

3 $10

4 $15

5 $20

6 $25

b. Si el dado muestra un 3, recibirías un pago de $10.

2. Evaluación de Inversiones:
a. Al considerar invertir en acciones de una empresa, se analiza la tabla de pago que muestra los
posibles rendimientos según diferentes escenarios económicos.

5. Usos de los Pronósticos en producción

Página 31 de 39
Los pronósticos desempeñan un papel crucial en la planificación de la producción dentro de una cadena de
suministro. Estos pronósticos permiten a las organizaciones anticipar eventos futuros y tomar decisiones
informadas. A continuación, exploraremos su relevancia, aplicaciones y características clave:

1. Relevancia de los Pronósticos en Producción:

a. Los pronósticos son el primer paso en el proceso de planificación de la producción.
b. Sirven como punto de partida para la elaboración de planes estratégicos y para diseñar planes a
mediano y corto plazo.
c. Permiten visualizar de manera aproximada los acontecimientos futuros y reducir la incertidumbre.
d. Facilitan la reacción rápida ante condiciones cambiantes y la maximización de la rentabilidad.
2. Rol del Pronóstico:
a. Los pronósticos son la base de toda la planeación en la producción.
b. Los procesos de empuje se planifican según la demanda del cliente, mientras que los procesos de
tirón responden a esa demanda.
c. Para los procesos de empuje, se planifica la producción y el transporte. Para los procesos de tirón,
se planifican la capacidad disponible y los inventarios.
3. Características de los Pronósticos:
a. No son exactos, por lo que se debe incluir el error del pronóstico.
b. Los pronósticos a largo plazo son menos precisos que los de corto plazo.
c. Los pronósticos desagregados (por ejemplo, por producto o región) son más precisos.
d. La distancia entre la organización y el mercado afecta la calidad de la información recibida.
4. Componentes y Métodos de los Pronósticos:
a. Factores a considerar al realizar un pronóstico:
b. Demanda pasada.
c. Tiempo de entrega del producto.
d. Publicidad o campañas de marketing planificadas.
e. Estado de la economía.
f. Descuentos de precios previstos.
g. Acciones de los competidores.

5.1. Pronósticos generales de la empresa

Un pronóstico empresarial es la predicción de lo que sucederá con un elemento específico dentro de un

conjunto dado de condiciones. A diferencia del presupuesto, que es el resultado de decisiones encaminadas a
generar condiciones deseadas, el pronóstico se basa en la evaluación de eventos futuros. Su objetivo principal
es reducir la incertidumbre en la toma de decisiones que afectan el futuro del negocio y todas las partes
involucradas.

Importancia y Usos de los Pronósticos en la Empresa:

 Planificación Estratégica: Los pronósticos son la base para establecer objetivos a largo y corto plazo.
Ayudan a diseñar estrategias y acciones para contrarrestar, corregir o impulsar tendencias identificadas.

Áreas Funcionales:

Página 32 de 39
 Marketing: Pronostica el crecimiento del mercado, la participación de la empresa y la tendencia de
precios.
 Producción: Estima costos y disponibilidad de materia prima, mano de obra y capacidad de planta.
 Finanzas: Evalúa tasas de interés, cuentas incobrables y necesidades de capital.
 Recursos Humanos: Pronostica el número de trabajadores, rotación y ausentismo.
 Planes de Acción: Los pronósticos guían la toma de decisiones y la elaboración de planes para enfrentar
los resultados previstos.

Características del Pronóstico Empresarial:

 Consistencia: Debe estar alineado con las demás áreas del negocio.
 Ayuda en la Toma de Decisiones: No reemplaza el juicio administrativo, sino que lo complementa.
 Precisión Variable: Los pronósticos a largo plazo son menos precisos que los de corto plazo.
 Enfoque Estratégico: Se utiliza para establecer estrategias y acciones que afecten los resultados
pronosticados

5.2. Pronósticos de demanda

El pronóstico de demanda es la predicción del comportamiento futuro de la demanda de un producto o

servicio. Se basa en datos históricos de ventas y permite estimar cuántos bienes o servicios los clientes
demandarán en un período futuro. Los resultados clave incluyen estimaciones de ventas, ingresos y decisiones
informadas sobre la cadena de suministro.

Importancia y Usos del Pronóstico de Demanda:

 Planificación Estratégica: Establece objetivos a largo y corto plazo.

Áreas Funcionales:

 Marketing: Pronostica crecimiento del mercado, participación y tendencias de precios.

 Producción: Estima costos, disponibilidad de materia prima y capacidad de planta.
 Finanzas: Evalúa tasas de interés, cuentas incobrables y necesidades de capital.
 Recursos Humanos: Pronostica número de trabajadores, rotación y ausentismo.

Características:

 Consistencia: Debe alinearse con otras áreas del negocio.

 Ayuda en Decisiones: Complementa el juicio administrativo.
 Precisión Variable: Menos precisa a largo plazo.
 Enfoque Estratégico: Base para estrategias y acciones1.

Página 33 de 39
Métodos de Pronóstico de Demanda:

 Técnica Delphi: Consenso de expertos.

 Análisis Conjunto: Preferencias de los clientes.
 Encuesta de Intención: Opiniones de los consumidores.
 Proyección de Tendencias: Basada en datos históricos.
 Pronóstico Econométrico: Modelos matemáticos1.

Ejemplo de Pronóstico de Demanda:

Supongamos que una empresa de electrónica quiere pronosticar la demanda de sus televisores inteligentes
para el próximo trimestre. Utilizando datos históricos de ventas, análisis de tendencias y considerando
factores económicos, pueden estimar cuántos televisores se venderán. Esto les ayudará a planificar la
producción, gestionar inventarios y tomar decisiones informadas sobre su cadena de suministro

5.3. Pronósticos de oferta

El pronóstico de oferta es una herramienta importante para las empresas que desean anticipar la cantidad de
productos o servicios que estarán disponibles en el mercado en un período futuro. A continuación, describiré
este concepto y proporcionaré ejemplos:
El pronóstico de oferta se refiere a la estimación de la cantidad de bienes o servicios que una empresa planea
producir o poner a disposición del mercado en un período específico. Es fundamental para la planificación de
la producción, la gestión de inventarios y la toma de decisiones estratégicas.
Ejemplos de Pronóstico de Oferta:
1. Empresa de Ropa:
a. Una empresa de ropa debe pronosticar la oferta de camisetas para la próxima temporada de
verano. Utiliza datos históricos de ventas, tendencias de moda y eventos promocionales para
estimar cuántas camisetas producir. Esto afectará la capacidad de producción y la disponibilidad en
las tiendas.
2. Fabricante de Automóviles:
a. Un fabricante de automóviles pronostica la oferta de vehículos eléctricos para el próximo año.
Considera la demanda esperada, la capacidad de producción y las restricciones de suministro de
baterías. Esto les ayuda a planificar la producción y garantizar que haya suficientes vehículos
disponibles para los clientes.
3. Compañía de Alimentos:
a. Una empresa de alimentos pronostica la oferta de un nuevo producto alimenticio. Evalúa la
demanda prevista, la disponibilidad de ingredientes y la capacidad de producción. Esto les permite
ajustar la producción según las necesidades del mercado.

5.4. Cambio del pronóstico y causas que generan las deviaciones

El análisis de desviaciones es un recurso fundamental en la gestión y organización de una empresa. Se refiere
a la diferencia entre la cantidad presupuestada y la cantidad real que se ha empleado. Estas desviaciones
pueden ser positivas o negativas y resultan de la elaboración de un presupuesto al principio de un ejercicio,
Página 34 de 39
que incluye estimaciones para un período específico de tiempo. El análisis de desviaciones tiene como objetivo
ajustar al máximo los parámetros para elaborar estrategias y planificaciones acordes a la realidad.

Causas de las Desviaciones:

1. Diferencias en el Precio Unitario de los Productos:
a. Ocurre cuando el costo unitario asociado a un producto y el precio de venta son mayores o
menores que los presupuestados.
2. Desviaciones por la Actividad:
a. La empresa prevé una producción determinada que puede no cuadrar con la efectuada en la
realidad.
3. Desviaciones en el Consumo Unitario:
a. Se prevé un consumo que no se corresponde con el que se efectúa realmente.

Utilidad del Análisis de Desviaciones:

1. Cálculo de Costes:
a. Permite calcular costes según diferentes criterios.
b. Ayuda a optimizar el uso de recursos.

5.5. Pronostico basado en el consumo

El pronóstico basado en el consumo es un método que utiliza datos históricos de consumo para predecir la
demanda futura de un producto o servicio. Este método se basa en la suposición de que el consumo pasado es
un buen predictor del consumo futuro.

Tipos de pronósticos basados en el consumo:

 Pronósticos de nivel: Predicen la demanda total de un producto o servicio en un período determinado.

 Pronósticos de participación de mercado: Predicen la participación de mercado que tendrá un
producto o servicio en un período determinado.
 Pronósticos de canibalización: Predicen el impacto que tendrá un nuevo producto o servicio en la
demanda de productos o servicios existentes.

Ventajas del pronóstico basado en el consumo:

 Es un método relativamente simple y fácil de usar.

 No requiere datos sofisticados o costosos.
 Es relativamente preciso para productos o servicios con patrones de consumo estables.

Desventajas del pronóstico basado en el consumo:

 No es tan preciso para productos o servicios con patrones de consumo cambiantes.

 No tiene en cuenta factores externos que pueden afectar la demanda, como la competencia, la
economía o los cambios regulatorios.
 Puede ser sesgado si los datos históricos de consumo no son representativos del futuro.

Ejemplos de aplicaciones del pronóstico basado en el consumo:

Página 35 de 39
  Planificación de la producción: Las empresas pueden usar el pronóstico basado en el consumo para
determinar la cantidad de producto que deben producir para satisfacer la demanda futura.
 Gestión de inventario: Las empresas pueden usar el pronóstico basado en el consumo para determinar
el nivel de inventario que deben mantener para evitar stock-outs o exceso de inventario.
 Marketing: Las empresas pueden usar el pronóstico basado en el consumo para desarrollar estrategias
de marketing más efectivas al comprender las tendencias del consumo.

5.6. Equilibrio optimo entre la calidad del pronóstico, la complejidad, el costo y los recursos
dedicados a la generación del pronostico

El equilibrio óptimo entre la calidad del pronóstico, la complejidad, el costo y los recursos dedicados a su
generación es un desafío clave en la planificación empresarial. Aquí hay algunas consideraciones importantes:
1. Calidad del Pronóstico:
o La calidad del pronóstico se refiere a qué tan cerca está el pronóstico de la realidad.
o Un pronóstico preciso es fundamental para tomar decisiones informadas y evitar costos innecesarios.
o Sin embargo, la búsqueda de una calidad perfecta puede ser costosa y compleja.
2. Complejidad:
o La complejidad se relaciona con la sofisticación del modelo utilizado para generar el pronóstico.
o Modelos más complejos pueden proporcionar mejores resultados, pero también requieren más recursos y
tiempo para desarrollar y mantener.
o Es importante encontrar un equilibrio entre la complejidad y la precisión.
3. Costo:
o Generar pronósticos implica costos directos (como software, personal y recursos) e indirectos (como
oportunidad perdida debido al tiempo dedicado).
o Reducir los costos puede afectar la calidad del pronóstico.
o Evaluar si los beneficios de un pronóstico más preciso superan los costos asociados.
4. Recursos Dedicados:
o Los recursos incluyen personal, tecnología, datos y tiempo.
o Asignar recursos adecuados es esencial para lograr un equilibrio.
o Demasiados recursos pueden ser ineficientes, mientras que muy pocos pueden afectar la calidad.

Ejemplo:

Supongamos que una empresa de moda necesita pronosticar la demanda de sus productos para la próxima
temporada. Aquí está cómo podría encontrar un equilibrio:
Calidad del Pronóstico:

 Utiliza datos históricos, análisis de tendencias y modelos estadísticos para generar pronósticos
precisos.
 Evalúa la calidad mediante métricas como el error absoluto medio (MAE) o el error cuadrático medio
(MSE).

Complejidad:

 Comienza con modelos sencillos, como promedios móviles o regresión lineal.

 Si la calidad no es suficiente, considera modelos más avanzados como ARIMA o redes neuronales.

Página 36 de 39
Costo:

 Evalúa el costo de adquirir software, contratar analistas y recopilar datos.

 Compara estos costos con los beneficios de una mejor toma de decisiones.
 Recursos Dedicados:
 Asigna personal capacitado para generar pronósticos.
 Utiliza herramientas tecnológicas eficientes para procesar datos.

En última instancia, encontrar el equilibrio adecuado implica considerar todas estas variables y adaptarse
según las necesidades específicas de la empresa

6. Teoría de Colas

La teoría de las colas, también conocida como teoría de las filas de espera, es una rama de la matemática
aplicada que estudia los sistemas de espera. Se utiliza para analizar y optimizar el flujo de clientes o unidades de
trabajo en un sistema con servidores o recursos limitados.

Objetivos de la teoría de las colas:

Reducir el tiempo de espera: Minimizar el tiempo que los clientes o unidades de trabajo esperan para ser
atendidos.

Aumentar la eficiencia: Optimizar el uso de los servidores o recursos disponibles.

Mejorar la satisfacción del cliente: Disminuir la frustración y mejorar la experiencia del cliente.

Componentes de la teoría de las colas:

Llegada: El proceso por el cual los clientes o unidades de trabajo llegan al sistema.

Servicio: El proceso por el cual los servidores o recursos atienden a los clientes o unidades de trabajo.

Cola: El lugar donde los clientes o unidades de trabajo esperan para ser atendidos.

Servidor: El recurso que atiende a los clientes o unidades de trabajo.

Disciplina de la cola: La regla que determina el orden en que los clientes o unidades de trabajo son
atendidos.

Modelos de la teoría de las colas:

Modelo M/M/1: El modelo más simple, donde las llegadas y los tiempos de servicio son independientes y
siguen una distribución exponencial.

Modelo M/M/C: Similar al modelo M/M/1, pero con C servidores.

Página 37 de 39
Modelo M/G/1: Las llegadas siguen una distribución exponencial, pero los tiempos de servicio siguen una
distribución general.

Modelo G/M/1: Las llegadas y los tiempos de servicio siguen distribuciones generales.

Aplicaciones de la teoría de las colas:

Diseño de sistemas de atención al cliente: Determinar el número de servidores necesarios para minimizar
el tiempo de espera y la congestión.

Planificación de la producción: Optimizar el flujo de materiales y productos en una planta de producción.

Gestión de proyectos: Estimar el tiempo necesario para completar un proyecto con recursos limitados.

Análisis de tráfico: Estudiar el flujo de vehículos en una red de carreteras.

6.1. Aplicación de la teoría con uno y múltiples servidores

Página 38 de 39
Bibliografía

1. Charles A. Gallagher y Hugh J. Watson. (2002). Métodos Cuantitativos para la toma de decisiones. México.
Ed. McGraw Hill.

2. Davis y Mckeown. (1999) Métodos cuantitativos para administración. Ed. McGraw-Hill.

3. Handy A. Taha. (2004) Investigación de operaciones. México. Ed. Pearson.
4. Hillier y Lieberman. (2010). Introducción a la Investigación de Operaciones. México. Ed. McGraw Hill, 9ª
Edición.
5. Reinaldo O. Da Silva. (2002) Teorías de la Administración. Ed. Thomson.
6. Thierauf Robert , Grose Richard. (1997) Toma de Decisiones por medio de Investigaciones de Operaciones.
México. Ed. Limusa.

Página 39 de 39