Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INSTRUCCIONES
Deben instalar en su computadora el
paquete WINQSB Versin 2 que est
comprimido y que ser proporcionado a
ustedes por el maestro. El paquete no tiene
costo.
TEMARIO
1. INTRODUCCIN Y DEFINICIONES
2. PROGRAMACIN LINEAL
3. MTODO GRFICO EN PROGRAMACIN LINEAL
4. PROGRAMACIN ENTERA
5. MODELO DE TRANSPORTE
6. PROBLEMA DE ASIGNACIN
7. MODELOS DE INVENTARIOS
8. MODELOS DE LNEAS DE ESPERA
9. MODELOS DE SIMULACIN
10. CAMINO CRTICO Y PERT
11. PRONSTICOS
INTRODUCCIN
La Investigacin de Operaciones (o Ciencias de la
Administracin) son tcnicas que utilizan las matemticas y
las computadoras para tomar decisiones en la resolucin
de problemas.
El nfasis del curso ser en la construccin de modelos y
en la interpretacin de los resultados, ms que en la
resolucin de los problemas, porque existen paquetes de
computadora que los resuelven, como es el caso de
WINQSB.
CAPTULO 1. INTRODUCCIN
a) Problemas determinsticos. En donde toda la
informacin necesaria para obtener una solucin se
conoce son certeza.
b) Problemas estocsticos o probabilsticos. En
donde la informacin no se conoce con certeza, sino
ms bien se comporta de manera probabilstica.
1.2 Historia de la I de O.
Surgi en la segunda guerra mundial
cuando hubo necesidad de administrar los
recursos escasos. La Fuerza Area Britnica
form
un
grupo
de
matemticos,
ingenieros y fsicos que formaron un
departamento
de
Investigacin
de
Operaciones Militares para ayudar a ganar
la guerra con el uso de modelos
matemticos y de computadoras.
1.3 Metodologa de la I de
O.
b)
Decisiones
repetidamente.
Operacionales.
Se
toman
que
con
Ejemplo
Un inversionista quiere invertir en 2 fondos
de inversin: uno de acciones y otro de
bonos. Se determin que los rendimientos
esperados de los fondos son los siguientes:
el fondo de acciones crecer 10% anual y
el de bonos 6% anual. Para diversificar su
inversin y reducir el riesgo, se han
impuesto 2 polticas:
Planteamiento
Las variables de decisin son las siguientes:
S = porcentaje invertido en el fondo de
acciones
B = porcentaje invertido en el fondo de
bonos
La funcin objetivo es la ecuacin que
muestra el rendimiento esperado, dados
los porcentajes a invertir en cada fondo y
el rendimiento que ofrece cada uno.
S 2 B <= 0
Solucin
La solucin de acuerdo a WINQSB es:
S = 0.75
B = 0.75
Se puede ver que esta solucin no
tiene sentido, porque es imposible
invertir 75% de los recursos en ambos
fondos, ya que la suma de los recursos
necesarios es mayor al 100%.
Problema
La siguiente tabla resume los factores de los
productos A y B y los recursos Q, R y S requeridos
para producirlos.
Problema
La compaa Window Company es una
compaa con slo 3 empleados que hacen
dos tipos de ventanas: de madera y de
aluminio. Ganan $60 por cada ventana de
madera y $30 por cada ventana de aluminio.
Daniel puede hacer hasta 6 marcos de
madera, Linda puede hacer hasta 4 marcos de
aluminio y Roberto puede cortar hasta 48
piezas de vidrio para las ventanas. Cada
ventana de madera usa 6 piezas de vidrio y
cada ventana de aluminio usa 8 piezas de
vidrio. La compaa quiere determinar cuntas
ventanas de cada tipo producir para
maximizar las ganancias.
Ejemplo
Un fabricante quiere decidir sobre la
cantidad de mesas y sillas a producir. Se
cuenta con 96 tablas y con 72 horas de
mano de obra disponibles. Cada mesa
requiere 12 tablas y 6 horas de mano de
obra. Cada silla usa 8 tablas y requiere 12
horas de mano de obra. La utilidad es la
misma para las mesas que para las sillas y
es de $5 por unidad. El fabricante prometi
construir por lo menos 2 mesas.
Planteamiento
La funcin objetivo ser:
Maximizar Z = 5 X1 + 5 X2
en donde
X1 = nmero de mesas producidas
X2 = nmero de sillas producidas
Restricciones
12 X1 + 8 X2 <= 96
6 X1 + 12 X2 <= 72
X1 >= 2
Restricciones lgicas
X1 >= 0 y X2 >= 0
Solucin
Regin no-factible.
Cuando las restricciones no definen una
regin factible, por lo que no hay solucin
al problema.
Regin ilimitada.
Cuando la regin factible es ilimitada y la
solucin tambin es ilimitada.
Restricciones redundantes
Cuando una restriccin no da ms
informacin y puede ser eliminada sin
alterar el resultado.
Soluciones ptimas
alternativas
Problema
Resolver grficamente el siguiente
problema
Maximizar Z = 3 X1 + 2 X2
Sujeto a las restricciones
3 X1 + X2 <= 9
X1 + 2X2 <= 8
X1 , X2 >= 0
Problema
Maximizar Z = 20 X1 + 10 X2
Sujeto a las restricciones
X1 - X2 <= 1
3X1 + X2 <= 7
X1 , X2 >= 0
Ejemplo
Un problema en muchas empresas es aquel en donde
se requiere invertir en varios proyectos de inversin que
van a producir un rendimiento, con la restriccin de que
se tiene una cantidad mxima de presupuesto. Este
problema requiere que la solucin sea invertir o no en
algunos proyectos (solucin binaria 0 o 1).
Planteamiento
Maximizar Z = retorno de Bio-Tech + retorno de
Tele-Com + retorno de Laser-Optics + retorno de
Compu-Ware + retorno de Medi-Opti + retorno de
Sound-News
Maximizar Z = (0.15*200,000) B +
(0.165*350,000) T + (0.13*150,000) L +
(0.125*125,000) C + (0.14*375,000) M +
(0.09*70,000) S
Maximizar Z = 30,000 B + 57,750 T + 19,500 L
+ 15,625 C + 52,500 M + 6,300 S
Solucin
La solucin proporcionada por el paquete
WINQSB es la siguiente:
Problema
Resolver el problema de programacin entera
Maximizar Z = 220X + 80Y
Sujeto a las restricciones
5X + 2Y <= 16
2X Y <= 4
- X + 2Y <= 4
X, Y son enteras
Problema
Una empresa est planeando comprar copiadoras.
Existe la de alta velocidad y la de baja velocidad. El
modelo A puede manejar 20,000 copias diarias y cuesta
$6,000. El modelo B puede manejar 10,000 copias
diarias y cuesta $4,000. La empresa desea al menos 6
copiadoras y tambin desea tener al menos una
copiadora de alta velocidad. Las necesidades son de al
menos 75,000 copias diarias. El objetivo es determinar
la combinacin de copiadoras que minimicen el costo.
Ejemplo
Una empresa posee 3 plantas de
ensamblado de computadoras: la de San
Francisco
tiene
una
capacidad
de
produccin de 1,700 unidades, la de Los
ngeles produce 2,000 unidades y la de
Phoenix 1,700 unidades. Las computadoras
se venden en tiendas: la de San Diego hizo
un pedido por 1,700 unidades, la de
Barstow pidi 1,000 unidades, la de Tucson
1,500 y la de Dallas 1,200. El problema a
resolver es cuntas unidades se deben
mandar de cada planta a cada tienda con
Planteamiento
La funcin objetivo del problema representa la
minimizacin del costo total y es la siguiente:
XSS , XSB , XST , XSD , XLS , XLB , XLT , XLD , XPS , XPB , XPT , XPD
0 y enteras
Solucin
Problema
Una empresa enlata verduras y las
distribuye. Las enlatadoras estn en
Bellingham, Eugene y en Albert Lea y las
bodegas estn en Sacramento, Salt Lake
City, Rapid City y en Albuquerque.
Problema
Considrese el problema de transporte que tiene
la siguiente tabla de costos, oferta y demanda:
Solucin
Ruta ptima:
Almacn > Tienda 2 > Tienda 3 > Tienda 4 > Tienda 5 >
Tienda 1 > Almacn
55 + 55 + 50 + 70 + 50 + 40 = 320
Solucin
Secuencia ptima:
Blanco > Naranja > Rojo > Negro >
Amarillo > Blanco
120 + 80 + 90 + 210 + 170 = 670
Problema
Cole Chemicals fabrica seis compuestos
diferentes. Debido a economas de escala,
cada compuesto es producido una vez
durante un da de 24 horas. La ganancia
depende no slo del compuesto que se
produce sino tambin del siguiente
compuesto producido. Esto ocurre debido a
que cada compuesto deja algunas
impurezas que afectan la calidad del
siguiente compuesto producido. Las
ganancias se indican en la siguiente tabla:
Problema
Considere las siguientes distancias entre
nodos de un problema del agente viajero y
obtenga la mejor ruta.
Ejemplo
La tienda Liverpool en Santa Fe desea maximizar las
ventas de 4 de sus empleados mediante el reacomodo a
4 departamentos, de tal forma de obtener la mejor
combinacin.
En aos anteriores, los 4 empleados han rotado en los 4
diferentes departamentos, y las ventas fueron las
siguientes:
Planteamiento
Variables de decisin:
Solucin
Funcin Objetivo = 123
Problema
Considere un problema de asignacin con la siguiente
tabla de costos:
Problema
Se va a organizar una conferencia y se van a
contratar 4 empleados temporales que realizarn
las siguientes actividades:
a) Programacin de computadora
b) Grficas
c) Paquetes de conferencia
d) Inscripciones
Los salarios de los 4 trabajadores en cada uno de
los 4 trabajos son los siguientes:
H=C x i
R* = D x L
Condicin: P > D
D=Demanda esperada
Ejemplo
El Hospital Suburbano usa pelculas de rayos X. La
demanda es razonablemente constante de 1,500
pelculas por mes. El proveedor satisface la demanda en
1 semana. El costo de pedido es de $100. Cada pelcula
cuesta $20. La tasa de transferencia es del 30% anual
sobre el costo de compra, que refleja el costo de
almacenar la pelcula en un rea especial. Se necesita
determinar la cantidad de pedido ptima Q* y el punto
de nuevos pedidos R*.
Solucin
Sustituyendo estos datos, nos queda
Q*=
= 774.60
Problema
Una tienda de computadoras tiene el
modelo Power, del cual vende 13 por
semana. El costo de cada computadora
es de $3,000 y el tiempo que tarda el
proveedor en entregarla es de media
semana. El costo anual de mantener el
inventario es del 20% de su costo de
compra y el costo de colocar cada pedido
es de $75. Calcular el punto de reorden,
la cantidad a ordenar en cada ocasin y
el tiempo entre pedidos.
Problema
Color View es un fabricante de monitores para
computadora. La compaa espera que se vendan
6,000 anuales del modelo ms nuevo. La tasa de
produccin de este monitor es de 2,000 mensuales.
El costo de preparar la produccin es de $7,500. El
costo de mantener en inventario cada monitor es
de $120 anuales. El tiempo de entrega es de 1 mes.
Calcular el tamao del lote de produccin, el punto
de reorden y el tiempo entre pedidos.
Determinstico. Lnea de
ensamble
Probabilstico. Distribucin
exponencial
= nmero promedio de llegadas por
unidad de tiempo
c) Proceso de colas
Disciplina en la cola
e) Proceso de servicio
Canal Mltiple.
Canal sencillo.
Nmero de clientes atendidos al mismo tiempo
en una estacin
Prioridad o no.
Determinstico
Probabilstico
= nmero promedio de clientes atendidos por unidad
de tiempo
f) Proceso de salida
D. Determinstico
M. Probabilidad exponencial
G. Probabilidad no-exponencial
b) Proceso de servicio
D. Determinstico
M. Probabilidad exponencial
G. Probabilidad no-exponencial
>
Ejemplo
La Comisin de Autopistas de Ohio (CAO)
tiene un nmero de estaciones de pesado
de camiones a lo largo de la autopista de
Ohio, para verificar que el peso de los
vehculos cumple con las regulaciones
federales.
Planteamiento
= nmero promedio de llegada de camiones por
hora: 60
= nmero promedio de camiones atendidos por
hora: 66
Rendimientos
a) Probabilidad de que no haya clientes en el sistema (P 0)
b) Nmero promedio de clientes en la fila (Lq)
c) Tiempo promedio de espera en la cola (Wq)
d) Tiempo promedio de espera en el sistema (W)
e) Nmero promedio de clientes en el sistema (L)
f) Probabilidad de que un cliente que llega tenga que
esperar (Pw)
g) Probabilidad de que haya n clientes en el sistema (Pn)
h) Utilizacin (U)
Problema
Un banco tiene 2 cajeros que atienden a los
cuentahabientes. Los clientes llegan al banco a
una tasa media de 40 por hora. Cada cajero
requiere en promedio 2 minutos para atender a
un cliente. Analice el problema de la lnea de
espera (calcule todas las probabilidades y
tiempos necesarios). Cul es el tiempo promedio
de espera en la cola (minutos)?
Problema
Una tienda quiere usar 15 reparadores de productos.
Las solicitudes llegan al centro de servicio, con un
promedio de 20 solicitudes al da. El tiempo que
tarda un reparador en llegar al domicilio, reparar el
producto y regresar, tiene un promedio de 3 horas.
Suponer que el da tiene 6 horas de trabajo. Calcular
el tiempo promedio de espera en la cola (en
minutos).
se
requiere
mucho
conocimiento
9.3 Desventajas de la
simulacin
Se usan nmero aleatorios, cuyos valores
corresponden a slo uno de los resultados
posibles.
Gran nmero de ensayos o repetir toda la
simulacin un nmero grande de veces.
Cada simulacin requiere su propio diseo
para imitar el fenmeno.
Diseo de la simulacin
Generar nmero aleatorios.
Contabilizar los resultados.
despejando t
Si U = 0.1515,
1.03 y as
Ejemplo
La lotera de Nueva York acaba de disear una lotera
instantnea. Cada tarjeta contiene 3 filas. En cada
rengln hay 2 casillas, una que tiene un valor oculto de
$1 y la otra $5. El jugador raspa una casilla de cada
rengln y si todos los valores son los mismos, entonces
gana la cantidad. La pregunta es, cunto debe cobrar
por cada tarjeta para estar en el punto de equilibrio?
Solucin matemtica
La cantidad a cobrar debe ser al menos
igual a las ganancias esperadas por cada
tarjeta.
La ganancia esperada es
Simulacin fsica
La idea de la simulacin es imitar la situacin
real en la que se espera que un gran nmero de
personas juegue en la lotera.
Problema
El clima puede considerarse un
sistema estocstico, porque
evoluciona en forma probabilstica
de un da a otro. Suponga que la
probabilidad de un da sin lluvia
maana es de 80% si hoy no llueve
y la probabilidad de un da lluvioso
maana es del 60% si hoy llueve.
Use nmeros aleatorios para simular
el tiempo en los prximos 10 das.
Problema
En una tienda Liverpool se piensa que los inventarios de
estufas estn muy altos. En la siguiente tabla se
registra el nmero de estufas vendidas en los 25 das
pasados:
EJERCICIO
Aplique el Mtodo de Ruta Crtica al
proyecto de preparacin de lasaa.
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0000
0.0040
0.0080
0.0120
0.0160
0.0199
0.0239
0.0279
0.0319
0.0359
0.1
0.0398
0.0438
0.0478
0.0517
0.0557
0.0596
0.0636
0.0675
0.0714
0.0753
0.2
0.0793
0.0832
0.0871
0.0910
0.0948
0.0987
0.1026
0.1064
0.1103
0.1141
0.3
0.1179
0.1217
0.1255
0.1293
0.1331
0.1368
0.1406
0.1443
0.1480
0.1517
0.4
0.1554
0.1591
0.1628
0.1664
0.1700
0.1736
0.1772
0.1808
0.1844
0.1879
0.5
0.1915
0.1950
0.1985
0.2019
0.2054
0.2088
0.2123
0.2157
0.2190
0.2224
0.6
0.2257
0.2291
0.2324
0.2357
0.2389
0.2422
0.2454
0.2486
0.2517
0.2549
0.7
0.2580
0.2611
0.2642
0.2673
0.2704
0.2734
0.2764
0.2794
0.2823
0.2852
0.8
0.2881
0.2910
0.2939
0.2967
0.2995
0.3023
0.3051
0.3078
0.3106
0.3133
0.9
0.3159
0.3186
0.3212
0.3238
0.3264
0.3289
0.3315
0.3340
0.3365
0.3389
0.3413
0.3438
0.3461
0.3485
0.3508
0.3531
0.3554
0.3577
0.3599
0.3621
1.1
0.3643
0.3665
0.3686
0.3708
0.3729
0.3749
0.3770
0.3790
0.3810
0.3830
1.2
0.3849
0.3869
0.3888
0.3907
0.3925
0.3944
0.3962
0.3980
0.3997
0.4015
1.3
0.4032
0.4049
0.4066
0.4082
0.4099
0.4115
0.4131
0.4147
0.4162
0.4177
1.4
0.4192
0.4207
0.4222
0.4236
0.4251
0.4265
0.4279
0.4292
0.4306
0.4319
1.5
0.4332
0.4345
0.4357
0.4370
0.4382
0.4394
0.4406
0.4418
0.4429
0.4441
1.6
0.4452
0.4463
0.4474
0.4484
0.4495
0.4505
0.4515
0.4525
0.4535
0.4545
1.7
0.4554
0.4564
0.4573
0.4582
0.4591
0.4599
0.4608
0.4616
0.4625
0.4633
1.8
0.4641
0.4649
0.4656
0.4664
0.4671
0.4678
0.4686
0.4693
0.4699
0.4706
1.9
0.4713
0.4719
0.4726
0.4732
0.4738
0.4744
0.4750
0.4756
0.4761
0.4767
0.4772
0.4778
0.4783
0.4788
0.4793
0.4798
0.4803
0.4808
0.4812
0.4817
2.1
0.4821
0.4826
0.4830
0.4834
0.4838
0.4842
0.4846
0.4850
0.4854
0.4857
2.2
0.4861
0.4864
0.4868
0.4871
0.4875
0.4878
0.4881
0.4884
0.4887
0.4890
2.3
0.4893
0.4896
0.4898
0.4901
0.4904
0.4906
0.4909
0.4911
0.4913
0.4916
2.4
0.4918
0.4920
0.4922
0.4925
0.4927
0.4929
0.4931
0.4932
0.4934
0.4936
2.5
0.4938
0.4940
0.4941
0.4943
0.4945
0.4946
0.4948
0.4949
0.4951
0.4952
2.6
0.4953
0.4955
0.4956
0.4957
0.4959
0.4960
0.4961
0.4962
0.4963
0.4964
2.7
0.4965
0.4966
0.4967
0.4968
0.4969
0.4970
0.4971
0.4972
0.4973
0.4974
2.8
0.4974
0.4975
0.4976
0.4977
0.4977
0.4978
0.4979
0.4979
0.4980
0.4981
2.9
0.4981
0.4982
0.4982
0.4983
0.4984
0.4984
0.4985
0.4985
0.4986
0.4986
0.4987
0.4987
0.4987
0.4988
0.4988
0.4989
0.4989
0.4989
0.4990
0.4990
3.1
0.4990
0.4991
0.4991
0.4991
0.4992
0.4992
0.4992
0.4992
0.4993
0.4993
3.2
0.4993
0.4993
0.4994
0.4994
0.4994
0.4994
0.4994
0.4995
0.4995
0.4995
3.3
0.4995
0.4995
0.4995
0.4996
0.4996
0.4996
0.4996
0.4996
0.4996
0.4997
3.4
0.4997
0.4997
0.4997
0.4997
0.4997
0.4997
0.4997
0.4997
0.4997
0.4998
3.5
0.4998
0.4998
0.4998
0.4998
0.4998
0.4998
0.4998
0.4998
0.4998
0.4998
3.6
0.4998
0.4998
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
3.7
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
3.8
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
3.9
0.49995
0.49995
0.49996
0.49996
0.49996
0.49996
0.49996
0.49996
0.49997
0.49997
EJERCICIO
Calcular el tiempo de terminacin del proyecto
siguiente y la Ruta Crtica:
EJERCICIO
Se va a plantear un proyecto de construccin. Sern necesarias
cinco tareas para realizar el proyecto. Con la metodologa PERT,
utIlice las estimaciones de la siguiente tabla para el tiempo que
llevar cada tarea y las actividades precedentes.
La sobreestimacin de la demanda de un
producto puede ocasionar la compra de
demasiada materia prima, la contratacin
de demasiados empleados y/o tener
demasiadas mercancas terminadas ociosas
en inventario.
La subestimacin de la demanda puede ser
igualmente perjudicial, ocasionando el no
tener suficientes suministros o efectivo
disponible, no pudiendo satisfacer las
demandas de los clientes, etc.
Modelos de Nivel
El modelo de Nivel es aplicable cuando la demanda es
relativamente constante en el tiempo, alrededor de un
valor A fijo pero desconocido, segn lo muestra la lnea
horizontal de la siguiente figura.
CARACTERSTICAS CLAVE
Un
modelo de nivel de la demanda Dt en un periodo t se
Modelos de tendencia
El modelo de tendencia, es aplicable cuando la
demanda por periodo muestra un patrn creciente o
decreciente. Por ejemplo, la cantidad anual gastada en
atencin mdica por empleado en la ciudad de Maple
Heights sigue este patrn. Esos costos se han
incrementado continuamente durante los 20 aos
anteriores.
Como se muestra en las siguientes dos grficas esta
tendencia puede ser lineal o no lineal.
CARACTERSTICAS CLAVE
donde
Ms
adelante se ver cmo usar los datos histricos de
la demanda para obtener estimaciones de los valores
para los parmetros A y B.
Suponga que los datos de costos de salud que inician en
el ao base de 1980 proporcionan una estimacin de A
= 1,000 y B = 200. Esto es, el costo de salud anual
promedio por empleado en el ao base de 1980 es
$1,000 y estos costos se han ido incrementando segn
una tasa de $200 por ao.
Usando estas estimaciones, el pronstico para el costo
anual por empleado en el ao 1995 (es decir, t = 15) es:
Modelos estacionales
El modelo estacional es aplicable cuando la
demanda en un ao, tiene un patrn
estacional que se repite en cada periodo.
Por ejemplo, las ventas de gasolina
mensuales de Hexxon Oil Company siguen
un patrn estacional. Cada ao existe un
incremento reconocible en los meses de
junio, julio y agosto, cuando la gente
maneja ms en vacaciones. La demanda
real, Dt en un periodo particular t, sin
embargo, puede variar por encima o por
debajo de este patrn estacional.
Un
modelo estacional multiplicativo para predecir la
demanda Dt en un periodo t se describe en trminos de
A y S1, S2. .. .Sm y el error aleatorio et y luego
calculando:
Aquellos
ndices cuyos valores exceden en
CARACTERSTICAS CLAVE
Un
modelo estacional de tendencia para predecir la demanda
Ft = pronstico en el periodo t = A
Un
error similar se obtiene para cada uno de los
aos 1986 a 1992:
1. Usar el promedio de los 5 aos anteriores como el
pronstico F5 en el periodo t:
Error de pronstico = Dt Ft
Suavizado exponencial
El mtodo de suavizado exponencial est diseado para
usar el error de pronstico en un periodo a fin de
corregir y mejorar el pronstico del siguiente periodo.
Nuevamente, considere el modelo de series de tiempo
Good Tire. Suponga que ya ha usado estos datos
anteriores para obtener una estimacin de A = 94,000,
que entonces usa como el pronstico de la venta de
llantas en 1993. Suponga que la demanda real en ese
ao es de 94,400 llantas. Por tanto, su error de
pronstico es 94,400 94,000 = 400.
F1 = F0 + * (Do - Fo)
= 76,900 + 0.10 * (76,900 76,900)
= 76 900 llantas
Como
la demanda real en 1981 es D, = 81,200,
Error absoluto =
% error absoluto
De
manera similar, para 1982,
F2 = F1 + * (D1 F1)
= 76,900 + 0.10 * (81,200 76,900)
= 76,900 + 430 = 77,330 llantas
Error absoluto =
% error absoluto
Ft = A + Bt
donde:
FRMULAS CLAVE
Dadas
Dt = (A * Sk) + et
Ft = A*Sk
PRONSTICO UTILIZANDO
FACTORES CAUSALES
La demanda depende de otros factores medibles y
predecibles. Por ejemplo, las ventas de nuevas
viviendas depende de factores econmicos como las
tasas hipotecarias, las estadsticas de desempleo, etc.
Las ventas de carros al extranjero dependen de los tipo
de cambio, de las tasas de inters prevalecientes en
esos pases, etc. Los ingresos de impuestos por
gasolina dependen del precio de la gasolina y de
indicadores que reflejan el estado general de la
economa, como la tasa de desempleo, PIB, etc.
Los modelos causales que capturan la relacin causa y
efecto entre la demanda y estos factores que no
dependen del tiempo, pueden proporcionar pronsticos
ms exactos.
CONSIDERACIONES COMPLEMENTARIAS
En este captulo ha aprendido varios mtodos
para pronosticar demandas futuras. La
confiabilidad de estos pronsticos depende de
numerosos factores que un gerente deber
considerar.
Todos los mtodos de pronstico analizados
en este captulo se usan para hacer
predicciones sobre el futuro con base en
datos pasados. Esto implica que el
comportamiento anterior es un mecanismo de
prediccin confiable del futuro.
Eleccin de un modelo de
pronstico
Debe seleccionar el tipo de modelo de acuerdo a su conocimiento del
producto y del resultado de evaluar distintos modelos a travs del uso
de mediciones de rendimiento apropiadas.
Todos los modelos analizados en este captulo se basan en la
suposicin de una tendencia lineal. En algunos casos, esta suposicin
puede no ser vlida debido a que existe una tendencia no lineal. Por
ejemplo, la demanda de un producto puede mostrar un mayor
crecimiento en aos anteriores con un gradual decremento en aos
posteriores. Algunos paquetes de computacin permiten que usted
pronostique tal comportamiento con un modelo no lineal apropiado.
Validacin de modelos
La eleccin del modelo y sus parmetros, como las constantes
en el suavizado exponencial, generalmente se basa en la
precisin con que el modelo resultante se ajusta a los datos
pasados en trminos de cierta medicin de rendimiento.
Los pronsticos futuros, sin embargo, pueden no ser tan
exactos como aquellos para los datos pasados. Por tanto,
antes de confiar absolutamente en las predicciones futuras,
debe intentar validar el modelo. Esto es, tendra que
establecer confianza en la exactitud del modelo al pronosticar
demandas en periodos nuevos.
Resumen
En este captulo conoci dos clases de mtodos para pronosticar
demandas futuras:
Decision Analysis
Problem Formulation
A decision problem is characterized by decision
alternatives, states of nature and resulting
payoffs.
The decision alternatives are the different possible
strategies the decision maker can employ.
The states of nature refer to future events, not
under the control of the decision maker, which
may occur. States of nature should be defined so
that they are mutually exclusive and collectively
exhaustive.
Influence Diagrams
An influence diagram is a graphical device showing
the relationships among the decisions, the chance
events, and the consequences.
Squares or rectangles depict decision nodes.
Circles or ovals depict chance nodes.
Diamonds depict consequence nodes.
Lines or arcs connecting the nodes show the
direction of influence.
Influence Diagrams
Decision
Chance
Consequence
Complex
Size
Profit
Payoff Tables
The consequence resulting from a specific
combination of a decision alternative and a
state of nature is a payoff.
A table showing payoffs for all combinations of
decision alternatives and states of nature is a
payoff table.
Payoffs can be expressed in terms of profit,
cost, time, distance or any other appropriate
measure.
PAYOFF TABLE
Small complex, d1
Medium complex, d2
Large complex, d3
7
14
20
5
-9
Optimistic Approach
Maximax
d1
decision
d2
d3
8
14
20
Payoff
Maximax
payoff
Conservative Approach
Maximin
decision
Minimum
Decision
d1
d2
Maximin
payoff
Payoff
7
5
d3
-9
States of Nature
Strong Demand Weak Demand
Decision Alternative
Small complex, d1
s1
12
Medium complex, d2
Large complex, d3
s2
0
6
0
2
16
Minimax
decision
Regret
12
d2
d3
16
Minimax
regret
EV( di ) P( s j )Vij
j 1
where:
N = the number of states of nature
P(sj ) = the probability of state of nature sj
Vij = the payoff corresponding to decision
alternative di and state of nature sj
Decision Trees
Decision Tree
Payoffs
d1
1
d2
d3
s1
.8
s2
.2
s1
.8
s2
.2
$8 mil
$7 mil
$14 mil
$5 mil
s1
.8
s2
.2
$20 mil
-$9 mil
Small
d1
Medium d2
Large
d3
Risk Analysis
Risk analysis helps the decision maker recognize
the difference between:
the expected value of a decision alternative, and
the payoff that might actually occur
Risk Profile
Large Complex Decision
Alternative
Probability
1.00
.80
.60
.40
.20
-10 -5
5 10 15 20
Profit ($ millions)
Sensitivity Analysis
Sensitivity analysis can be used to
determine how changes to the following
inputs affect the recommended decision
alternative:
probabilities for the states of nature
values of the payoffs
Influence Diagram
Decision
Chance
Consequence
Market
Survey
Market
Survey
Results
Complex
Size
Demand
for the
Condominiums
Profit
Sample Information
PDC has developed the following branch
probabilities.
If the market research study is undertaken:
P(Favorable report)
= P(F) = .77
P(Unfavorable report) = P(U) = .23
If the market research report is favorable:
P(Strong demand | favorable report) = P(s1|F)
= .94
P(Weak demand | favorable report) = P(s2|F) =
.06
Sample Information
If the market research report is unfavorable:
P(Strong demand | unfavorable report) = P(s1|U)
= .35
P(Weak demand | unfavorable report) = P(s2|U)
= .65
If the market research study is not undertaken,
the prior
probabilities are applicable:
P(Favorable report)
= P(F) = .80
P(Unfavorable report) = P(U) = .20
Decision Tree
d1 6
F
(.77)
Conduct
Market
Research
Study
1
Do Not Conduct
Market Research
Study
d3
7
8
s1
s1
s1
2
U
(.23)
d2
s1
d1 9
s1
d2
10
d3
s1
11
s1
d1 12
s1
d2
13
d3
s1
14
s2
s2
s2
s2
s2
s2
s2
s2
s2
P(s1)
P(s2)
P(s1)
P(s2)
P(s1)
P(s2)
P(s1)
P(s2)
P(s1)
P(s2)
P(s1)
P(s2)
P(s1)
P(s2)
P(s1)
P(s2)
P(s1)
P(s2)
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
.94 $ 8 mil
.06 $ 7 mil
.94 $14 mil
.06 $ 5 mil
.94 $20 mil
.06 -$ 9 mil
.35 $ 8 mil
.65 $ 7 mil
.35 $14 mil
.65 $ 5 mil
.35 $20 mil
.65 -$ 9 mil
.80 $ 8 mil
.20 $ 7 mil
.80 $14 mil
.20 $ 5 mil
.80 $20 mil
.20 -$ 9 mil
Decision Strategy
Decision Tree
EV =
$18.26 mil
3
F
(.77)
EV =
$15.93 2
mil
1
EV =
$15.93
mil
d1 EV
6 = .94(8) + .06(7) = $7.94 mil
d2
d3
EV
7 = .94(14) + .06(5) = $13.46 mil
8 = .94(20) + .06(-9) = $18.26 mil
EV
d1 EV
9 = .35(8) + .65(7) = $7.35 mil
U
d2
(.23)
EV = .35(14) + .65(5) = $8.15 mil
10
4
d3
EV =
11
EV = .35(20) + .65(-9) = $1.15 mil
$8.15 mil
5
EV = $14.20 mil
Decision Strategy
Risk Profile
PDCs Risk Profile
1.00
Probability
.80
.72
.60
.40
.20
.15
.05
-10 -5
.08
5 10 15 20
Profit ($ millions)
Step 1:
For each state of nature, multiply the
prior probability by its conditional probability
for the indicator -- this gives the joint
probabilities for the states and indicator.
Step 2:
Sum these joint probabilities over all
states -- this gives the marginal probability
for the indicator.
Step 3:
For each state, divide its joint
probability by the marginal probability for the
indicator -- this gives the posterior probability
distribution.
Posterior Probabilities
Favorable
State of
Prior
Conditional
Joint
Posterior
Nature Probability Probability Probability
Probability
sj
P(sj)
P(F|sj)
P(F I sj)
P(sj |F)
s1
0.94
s2
0.06
0.8
0.90
0.72
0.2
0.25
0.05
Posterior Probabilities
Unfavorable
State of
Prior
Conditional
Joint
Posterior
Nature Probability Probability Probability
Probability
sj
P(sj)
P(U|sj)
P(U I sj)
P(sj |U)
s1
0.35
s2
0.65
0.8
0.10
0.08
0.2
0.75
0.15
30,000
20,000
50,000
-20,000
) + .5(
) + .2(
) = $0
considerations:
Swoffords current financial position is weak.
9.5
9.0
10.0
7.5
.3
5.5
7.5
.5
Expected
Utility
7.50
Expected
Value
0
7.35
9,000
6.55
-1,000
Utility Example 1
Consider the following three-state, three-decision
problem with the following payoff table in dollars:
s1
s2
s3
d3
Utility Example 1
Risk-Neutral Decision Maker
If the decision maker is risk neutral the
expected value approach is applicable.
EV(d1) = .1(100,000) + .3(40,000) + .6(-60,000) = $14,000
EV(d2) = .1( 50,000) + .3(20,000) + .6(-30,000) = -$
7,000
EV(d3) = .1( 20,000) + .3(20,000) + .6(-10,000) = +$
2,000
Utility Example 1
Decision Makers with Different Utilities
Suppose two decision makers have the following
utility values:
Utility
Utility
Utility Example 1
Graph of the Two Decision Makers Utility Curves
Utility
100
Decision Maker I
80
60
40
Decision Maker II
20
-60
-40
-20
20
40
60
80
100
Utility Example 1
Decision Maker I
Decision Maker I has a concave utility function.
He/she is a risk avoider.
Decision Maker II
Decision Maker II has convex utility function.
He/she is a risk taker.
Utility Example 1
Expected Utility: Decision Maker I
Expected
Optimal
s1 s2 s3
Utility
decision
d1 100 90
0 37.0
is d3
d2 94 80
40 57.4
d3 80 80
60 68.0
Probability
.1
.3
.6
Largest
expecte
d
utility
Utility Example 1
Expected Utility: Decision Maker II
Expected
Optimal
s1 s2 s3
decision
d1 100 50
is d1
d2 58 35
10 22.3
d3 35 35
18 24.8
Probability
Utility
0 25.0
.1
.3
.6
Largest
expecte
d
utility
Utility Example 2
Suppose the probabilities for the three states
of nature in Example 1 were changed to:
P(s1) = .5, P(s2) = .3, and P(s3) = .2.
What is the optimal decision for a risk-neutral
decision maker?
What is the optimal decision for Decision Maker I?
. . . for Decision Maker II?
What is the value of this decision problem to
Decision Maker I? . . . to Decision Maker II?
What conclusion can you draw?
Utility Example 2
Risk-Neutral Decision Maker
EV(d1) = .5(100,000) + .3(40,000) + .2(-60,000) = 50,000
EV(d2) = .5( 50,000) + .3(20,000) + .2(-30,000) = 25,000
EV(d3) = .5( 20,000) + .3(20,000) + .2(-10,000) = 14,000
The risk-neutral optimal decision is d1.
Utility Expected
Example
2
Utility: Decision Maker I
EU(d1) = .5(100) + .3(90) + .2( 0) = 77.0
EU(d2) = .5( 94) + .3(80) + .2(40) = 79.0
EU(d3) = .5( 80) + .3(80) + .2(60) = 76.0
Decision Maker Is optimal decision is
d2 .
Utility Expected
Example
2
Utility: Decision Maker II
EU(d1) = .5(100) + .3(50) + .2( 0) = 65.0
EU(d2) = .5( 58) + .3(35) + .2(10) = 41.5
EU(d3) = .5( 35) + .3(35) + .2(18) = 31.6
Decision Maker IIs optimal decision is d1.
Utility Example 2
Value of the Decision Problem: Decision
Maker I
Decision Maker Is optimal expected utility is 79.
He assigned a utility of 80 to +$20,000, and a
utility of 60 to -$10,000.
Linearly interpolating in this range 1 point is
worth $30,000/20 = $1,500.
Thus a utility of 79 is worth about $20,000 1,500 = $18,500.
Utility Example 2
Value of the Decision Problem: Decision Maker II
Decision Maker IIs optimal expected utility is 65.
He assigned a utility of 100 to $100,000, and a utility
of 58 to $50,000.
In this range, 1 point is worth $50,000/42 = $1190.
Thus a utility of 65 is worth about $50,000 + 7(1190)
= $58,330.
Strategy Choices
Strategy 1: Offer a cash rebate on a new
vehicle.
Strategy 2: Offer free optional equipment
on a
new vehicle.
Strategy 3: Offer a 0% loan on a new
vehicle.
Dealership A
Cash Rebate
Free Options
0% Loan
a1
a2
a3
2
-3
3
1
-1
0
2
3
-2
Dealership A
Cash Rebate
Free Options
0% Loan
a1
2
-3
3
1
-1
a3
Best Strategy 0
a2
For Player A
1
-3
-2
2
3
-2
Maximin
Payoff
Dealership A
Cash Rebate
a1
a3
2
-3
3
Column Maximum
Free Options
0% Loan
a2
1
-1
0
1
2
3
-2
3
Best Strategy
For Player B
Minimax
Payoff
Pure Strategy
Cash Free
0%
Rebate Options Loan Row
b1
b2
b3
Minimum
Dealership A
Cash Rebate
Free Options
Value of the
game is 1
a1
a2
0% Loan
Column Maximum
a3
2
-3
3
3
1
-1
0
1
2
3
-2
3
1
-3
-2
Saddle
Point
Mixed Strategy
b1
4
11 8
5
11
8
b2
Row
Minimum
4
5
Minimax
Maximin
Expected
gain
per game
for Player A
For Player A:
EV = 4p + 11(1 p) = 4(.6) + 11(.4) = 6.8
For Player B:
EV = 4q + 8(1 q) = 4(.3) + 8(.7) =
Expected loss
per game
6.8for Player B
6
1
3
6
-2
3
-3
3
5
0
4
5
-2
0
-3
Maximin
Minimax
b1
6
1
3
b2
b3
5
0
4
-2
3
a3
-3
Player As Strategy a3 is dominated by
Strategy a1, so Strategy a3 can be eliminated.
a2
b1
6
1
b2
b3
5
0
-2
3
Player Bs Strategy b2 is dominated by
Strategy b1, so Strategy b2 can be eliminated.
a2
b1
6
1 -2
3
b3
Bibliografa
1. MTODOS CUANTITATIVOS PARA ADMINISTRACIN.
Hillier, Hillier y Lieberman. Mc Graw Hill. 1a Edicin 2002.
2. INVESTIGACIN DE OPERACIONES. EL ARTE DE LA
TOMA DE DECISIONES. Kamlesh Mathur, Daniel Solow.
Prentice Hall Hispanoamericana. 1 Edicin 1996.
3. MTODOS CUANTITATIVOS PARA NEGOCIOS.
Anderson, Sweeney, Williams, Camm, Cochran, Fry,
Ohlman. Cengage Learning. 12. Edicin 2013.