TEORA DE DECISIONES

Act. Jess Almazn Barquet

Agosto 2015

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.

Se debe descomprimir el archivo, con el

programa WINRAR, que tampoco tiene
costo. Ya descomprimido, se ejecuta el
paquete (SETUP.EXE). Despus de este
procedimiento, ya debe estar instalado
WINQSB.

OBJETIVOS GENERALES DE LA ASIGNATURA

Al trmino del curso el alumno:
Interpretar los modelos matemticos
propios de la Investigacin de Operaciones
(I de O), para generar informacin que
soporte decisiones ptimas para la
productividad en las empresas.

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.

a) Definicin del problema. Identificar,

comprender y describir el problema de la
empresa.
b) Desarrollo de modelo matemtico y
recoleccin de datos.
- Definir variables de decisin.
- Definir funcin objetivo.
- Definir restricciones o limitantes.

c) Resolucin del modelo

-Mtodos ptimos.
-Mtodos heursticos.
d)
Validacin,
instrumentacin
control de la solucin.

e) En su caso, modificacin del modelo

y volver a resolverlo.

1.4 Usos de los modelos de I de O.

Los modelos matemticos ayudan a los administradores
a tomar 2 tipos de decisiones:
a) Decisiones estratgicas. Se toman una sola vez.

b)
Decisiones
repetidamente.

Operacionales.

Se

toman

CAPTULO 2. PROGRAMACIN LINEAL

Un problema de Programacin Lineal es aquel en donde
la funcin objetivo y las restricciones son lineales y las
variables pueden tomar valores con decimales.
Restricciones lineales son aquellas que pueden
graficarse como una lnea, esto es, en donde las
variables no estn elevadas a alguna potencia diferente
de uno.

Existen funciones objetivo lineales.

Variables continuas son aquellas
pueden
tomar
cualquier
valor
decimales.

que
con

Normalmente existe la restriccin de que

todas las variables de decisin son
positivas, las cuales se llama restriccines
lgicas.

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:

Ninguno de los 2 fondos debe tener ms

del 75% de la inversin total.
La cantidad invertida en el fondo de
acciones no debe exceder del doble
invertido en el fondo de bonos.
El problema es maximizar el rendimiento
de la inversin, pero sujeto a las
restricciones impuestas.

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.

La primera poltica define 2 restricciones

que son
S <= 0.75 (lmite superior en el fondo de
acciones)
B <= 0.75 (lmite superior en el fondo de
bonos)

La segunda poltica define otra restriccin

S <= 2 B (limitacin de mezcla de cartera)
que puede expresarse como

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%.

Por esta incongruencia, es necesario

adicionar la siguiente restriccin al
problema:
S + B <= 1
Esta limitacin significa que el porcentaje
invertido en acciones ms el porcentaje
invertido en bonos debe ser menor o igual
a la cantidad disponible (100%).

La solucin al problema modificado es la

siguiente:
S = 0.67
B = 0.33
lo que significa que se deben invertir 67% de
los recursos en el fondo de acciones y 33% en
el fondo de bonos, lo que lleva a un
rendimiento de
Z = 0.10 (0.67) + 0.06 (0.33)= 0.0867

Problema
La siguiente tabla resume los factores de los
productos A y B y los recursos Q, R y S requeridos
para producirlos.

Encuentre la solucin que maximice las ganancias.

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.

CAPTULO 3. MTODO GRFICO EN

PROGRAMACIN LINEAL
El mtodo grfico slo se puede usar cuando se
desean resolver problemas con 2 variables. El
procedimiento que se usa es graficar las restricciones
y la funcin objetivo.
Se deben trazar los ejes coordenados, graficar las
desigualdades, encontrar el rea de soluciones
factibles y graficar la funcin objetivo para conocer el
valor ptimo, que ser la solucin del problema.

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

Cuando hay ms de una solucin ptima,

debido a que la funcin objetivo es paralela
a la Regin factible. Hay un nmero infinito
de soluciones a lo largo de ese extremo de
la Regin factible.

3.4 Mtodo Simplex

El mtodo simplex es un mtodo para
resolver problemas de programacin lineal
en un nmero finito de pasos en una
computadora. La solucin ptima de
cualquier problema de programacin lineal
se presenta en una de las esquinas. La
ventaja de esto, es que las esquinas son
finitas, por lo que no es necesario analizar
todas las soluciones infinitas que estn en
la Regin Factible.

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

CAPTULOS 4. PROGRAMACIN ENTERA

Algunos problemas al ser formulados como modelos
matemticos, tienen una funcin objetivo lineal y
restricciones lineales, pero algunas o todas las variables
estn restringidas a tener valores enteros.
La restriccin de que las variables de decisin deben ser
enteras, implica que el problema no puede ser resuelto
por los algoritmos de la programacin lineal.

Una forma de obtener una solucin entera ptima es

redondear los valores en la solucin de programacin
lineal. Sin embargo, al hacer esto, puede dar como
resultado una solucin con un valor significativamente
diferente a la solucin ptima.

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).

Dado que el presupuesto es de 1 milln de

dlares, seleccionar los mejores proyectos.

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

Una nica restriccin es la de no exceder el presupuesto

de 1 milln de dlares, que puede escribirse como sigue:
200,000 B + 350,000 T + 150,000 L + 125,000 C +
375,000 M + 70,000 S <= 1,000,000

Las restricciones lgicas son que cada variable puede

tener un valor de 0 o 1.

Solucin
La solucin proporcionada por el paquete
WINQSB es la siguiente:

Funcin objetivo = 146,550

Sobrante = 5,000

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.

CAPTULO 5. MODELO DE TRANSPORTE

Existen unos problemas de distribucin comunes a
muchas empresas, como enviar bienes de ciertas
plantas hacia determinadas tiendas, de la manera
menos costosa posible.

Este algoritmo requiere que la cantidad de oferta

sea exactamente igual a la cantidad de demanda,
lo que se llama un problema de transporte
equilibrado.

En la mayora de la prctica, la oferta no es igual a la

demanda, lo que trae como resultado un problema no
equilibrado. Para resolverlo, se introduce un nuevo
punto de demanda llamado cliente figurado, para recibir
el exceso de suministro. Tambin se puede definir un
punto de oferta figurado, quien producir la demanda
en exceso.

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

El costo de envo de una computadora desde cada

planta a cada tienda es el siguiente:

Planteamiento
La funcin objetivo del problema representa la
minimizacin del costo total y es la siguiente:

Minimizar Z = 5 XSS + 3 XSB + 2 XST + 6 XSD +

4 XLS + 7 XLB + 8 XLT + 10 XLD +
6 XPS + 5 XPB + 3 XPT + 8 XPD

Las restricciones de capacidad son las siguientes:

XSS + XSB + XST + XSD = 1,700 (San Francis)

XLS + XLB + XLT + XLD = 2,000 (Los ngeles)
XPS + XPB + XPT + XPD = 1,700 (Phoenix)

Las restricciones de demanda son las siguientes:

XSS + XLS + XPS 1,700 (San Diego)

XSB + XLB + XPB 1,000 (Barstow)
XST + XLT + XPT 1,500 (Tucson)
XSD + XLD + XPD 1,200 (Dallas)

La restriccin lgica es que todas las variables son

positivas y enteras.

XSS , XSB , XST , XSD , XLS , XLB , XLT , XLD , XPS , XPB , XPT , XPD
0 y enteras

Solucin

Funcin Objetivo = 23,100

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.

Los costos unitarios de transporte de cada origen

a cada destino se presentan a continuacin:

Encontrar cuntas latas se deben enviar de cada

origen a cada destino para minimizar el costo
total de transporte.

Problema
Considrese el problema de transporte que tiene
la siguiente tabla de costos, oferta y demanda:

Se pregunta la ruta que minimice los costos.

Note que la oferta es diferente a la demanda.

PROBLEMA DEL AGENTE VIAJERO

En muchas aplicaciones de problemas de
redes, es necesario elegir una secuencia de
nodos por visitar para lograr un objetivo
especfico.
Es necesario iniciar desde un nodo de
origen especfico, visitar todos y cada uno
de los otros nodos exactamente una vez y
regresar al nodo de inicio con el costo
mnimo.

 Por ejemplo, un autobs que sale del patio

escolar debe detenerse en varios lugares
para recoger estudiantes y finalmente
regresar al patio en el menor tiempo
posible.

Good Tire, Inc

Considere el problema de entrega semanal enfrentado
por Good Tire, Inc. que fabrica llantas en su planta de
Akron y tiene almacenes a lo largo del pas, uno de los
cuales est ubicado en St. Louis. De este almacn
regional, se hacen entregas semanales a cinco tiendas
locales detallistas mediante un camin. Los tiempos de
manejo en minutos entre cualesquiera dos tiendas y
entre el almacn regional y cualquier tienda se dan en
la siguiente tabla:

 Como gerente del departamento de

distribucin, debe determinar si el conductor
del camin puede hacer todas las entregas y
regresar al almacn en 8 horas, permitiendo
30 minutos para descarga en cada tienda.
Para formular este problema como una red,
identifique un nodo para el almacn regional
y cinco nodos adicionales para cada una de
las tiendas detallistas. Un arco entre dos
nodos representa la conexin de caminos
entre los sitios asociados. Esta red se ilustra
en la siguiente figura.

 Observe que cada arco tiene flechas en

ambos extremos que indican que el viaje
es posible en ambas direcciones. El nmero
que est junto a cada arco es el tiempo de
viaje entre los nodos asociados en
cualquier direccin. Si los tiempos de viaje
fueran diferentes en cada direccin, usara
dos arcos, uno en cada direccin, junto con
los tiempos de viaje asociados.

 El objetivo global es determinar si el

conductor puede visitar cada tienda
exactamente una vez, descargar las llantas
y regresar al almacn en 8 horas. De estas
8 horas (480 minutos), slo se dispone de
330 minutos para manejar porque el
tiempo de descarga total en las cinco
tiendas es 5 * 30 = 150 minutos Son 330
minutos suficientes como tiempo de
manejo?

Una forma de saberlo es determinar el calendario de

entregas que requiere el tiempo total mnimo de
manejo y ver si esta secuencia toma menos de los
330 minutos disponibles. El objetivo es determinar
una secuencia de nodos por visitar de tal forma que:
El almacn sea el nodo de inicio y fin.
Todos y cada uno de los nodos sean visitados
exactamente una vez.

El tiempo total de manejo sea lo ms pequeo

posible.

Por ejemplo, considere el siguiente

recorrido:
Almacn > Tienda 1 > Tienda 2 > Tienda 3
> Tienda 4 > Tienda 5 > Almacn

con un tiempo de manejo total de:

Tiempo de manejo total = 40 + 60 + 55 +

50 + 70 + 65 = 340

 Observe que un recorrido es un "ciclo" que

contiene cada nodo exactamente una vez.
Desafortunadamente, este ciclo particular
no permite que el conductor haga todas las
entregas y regrese al almacn en los 330
minutos de tiempo de manejo disponible.
Podra intentar otros ciclos con la
esperanza de encontrar uno que cumpla
con el tiempo de manejo total.

Solucin
Ruta ptima:
Almacn > Tienda 2 > Tienda 3 > Tienda 4 > Tienda 5 >
Tienda 1 > Almacn
55 + 55 + 50 + 70 + 50 + 40 = 320

EL PROBLEMA DEL AGENTE VIAJERO APLICADO A

PHILADELPHIA PAINT COMPANY

La empresa produce cinco colores de pinturas cada mes.

Al cambiar de uno a otro color, la mquina mezcladora
debe limpiarse y prepararse para el siguiente color. Este
tiempo de disposicin depende del color que acaba de
producirse y del color que se producir a continuacin.
Los tiempos de disposicin al cambiar entre todas las
parejas de colores se muestran en la siguiente tabla.

Como gerente del departamento de

produccin, debe determinar la secuencia en
la cual producir los cinco colores con el fin de
minimizar el tiempo de disposicin total.
El primer paso es identificar los nodos y
arcos. En este caso, establezca cinco nodos,
uno para cada uno de los cinco colores. Un
arco que conecta un nodo con otro indica el
cambio de la produccin de un color
(correspondiente al primer nodo) a otro color
(el del otro nodo).

El siguiente paso es identificar datos

asociados con los nodos y/o arcos. Ahora es
necesario describir el problema y objetivo en
trminos de la red.
Como se estableci, el objetivo es
determinar la secuencia en la cual producir
los cinco colores cada mes, para que el
tiempo de disposicin total sea lo ms
pequeo posible.

Por ejemplo, el tiempo de disposicin para la

siguiente secuencia es 730 minutos.
150 + 110 + 80 + 90 + 300 = 730

Blanco -> Amarillo -> Naranja -> Rojo

-> Negro -> Blanco

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.

CAPTULO 6. PROBLEMA DE ASIGNACIN

En algunos problemas de decisin, es necesario asignar
un grupo de elementos con otro; un ejemplo, es asignar
empleados a departamentos, con la condicin de que
cada empleado est relacionado con un departamento
particular. Debido a que cada pareja asignada
representa un costo o una ganancia, el objetivo es
elegir la combinacin ptima.

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:

Max Z = 25 X11 + 20 X12 + 28 X13 + 30 X14 +

24 X21 + 22 X22 + 25 X23 + 23 X24 +
30 X31 + 30 X32 + 28 X33 + 25 X34 +
38 X41 + 32 X42 + 30 X43 + 30 X44

Las restricciones de empleados son las siguientes

X11 + X12 + X13 + X14 = 1

X21 + X22 + X23 + X24 = 1
X31 + X32 + X33 + X34 = 1
X41 + X42 + X43 + X44 = 1

Las restricciones de departamento son:

X11 + X21 + X31 + X41 = 1

X12 + X22 + X32 + X42 = 1
X13 + X23 + X33 + X43 = 1
X14 + X24 + X34 + X44 = 1

Las restricciones lgicas son:

X11 , X12 , X13 , X14 , X21 ,X22 ,X23 ,X24 , X31 ,X32 ,X33
,X34 , X41 ,X42 ,X43 ,X44 = 0 o 1

Solucin
Funcin Objetivo = 123

Problema
Considere un problema de asignacin con la siguiente
tabla de costos:

Encuentre la asignacin ptima para minimizar los

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:

Cmo asignar las tareas para cada persona de tal forma

de minimizar los costos?

CAPTULO 7. MODELOS DE INVENTARIOS

Los inventarios son aquellos artculos que un
cliente usar o comprar.
Las razones para tener inventarios son las
siguientes:
a) Evitar escasez.
b) Aprovechar economas de escala.
c) Trabajo continuo.
d) Productos perecederos.

7.2 Caractersticas de los modelos de

inventarios
Demanda independiente y dependiente.
Demanda determinstica y probabilstica.
Dficit o faltantes.
Tiempo Lder.
Descuentos cuantitativos.
Polticas de pedidos.

7.3 Componentes del costo de un

sistema de inventarios
Costo de pedido u organizacin (K).
Costo de compra (C).
Costo de conservacin (H).
Costo de dficit (B).

7.4 Modelo de inventarios de cantidad

econmica de pedidos (EOQ)
Q* =

H=C x i

Tiempo entre pedidos = Q*/D

Punto de reorden (R*) = Demanda durante

tiempo lder
=DxL

7.5 Modelo de inventario de cantidad de

pedidos de produccin (POQ).
El inventario se reabastece continuamente en el tiempo,
segn proceda la produccin. En estos problemas, el
administrador necesita determinar los siguientes
puntos:
a) Cundo emitir un pedido de produccin.
b) Cuntas unidades del artculo producir.

Para encontrar la cantidad de pedidos de produccin

que logra el costo mnimo y el punto de nuevos pedidos,
se aplican las siguientes ecuaciones:
Q* =

R* = D x L

Condicin: P > D

7.6 Sistema de inventario con demanda

probabilstica y revisin continua.
Un modelo de revisin continua es aquel en donde el
nivel del inventario se comprueba continuamente, y
cuando se alcanza el punto de reorden, se ordenan Q*
unidades. Las frmulas bsicas de este modelo son las
siguientes:
Q*=

D=Demanda esperada

R* = D x L L = Tiempo lder esperado

Para analizar un problema que involucra

una demanda probabilstica, se debe
conocer la distribucin asociada, esto es, la
demanda promedio y la desviacin
estndar. Tambin el tiempo entre pedidos
vara en forma probabilstica, debido a que
la cantidad de tiempo que le toma al
inventario alcanzar el punto de nuevos
pedidos R, depende de la demanda
probabilstica desconocida. Si la demanda
durante el tiempo lder excede el nivel de
inventario del punto de nuevos pedidos,
ocurrir un dficit.

Un enfoque para controlar los dficits

cuando la demanda es probabilstica, es
especificar un nivel de servicio, en la forma
de una probabilidad deseada mnima de
satisfaccin de la demanda. Una forma de
alcanzar la meta de un nivel de servicio
especfico es teniendo existencias de
seguridad (S), que es el inventario
adicional disponible para cubrir las
fluctuaciones en la demanda durante el
tiempo lder. En la prctica, se ha
demostrado que es confiable el uso de la
distribucin normal para la demanda.

7.7 Sistema de inventario con

demanda probabilstica y revisin
peridica.
En la revisin peridica, los inventarios se revisan slo
en ciertos puntos fijos en el tiempo, por ejemplo, una
vez al mes, y los pedidos se colocan en ese tiempo. En
este tipo de revisin, aparece la nueva variable T, que
se define como:
T = Tiempo de la revisin peridica

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*.

El primer problema es igualar las unidades

de los datos, ya que hay datos semanales,
mensuales y anuales. Se van a transformar
todos los datos a aos, por lo que los datos
definitivos son:
Demanda anual (D) = 1,500 x 12 =
18,000
Tiempo lder (L) = 1/52 anual
Tasa de transferencia anual (i) = 30%
Costo de pedidos (K) = $100
Costo de compra (C) = $20
Costo de conservacin anual (H) = C x i

Solucin
Sustituyendo estos datos, nos queda
Q*=

= 774.60

R* = D x L = 18000 x 1/52 = 346

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.

CAPTULO 8. MODELOS DE LNEAS DE

ESPERA
Muchas industrias de productos y de servicios tienen un
sistema de colas, en el que los productos o clientes
llegan a una estacin, esperan en una fila o lnea de
espera, obtienen un servicio y luego salen del sistema.
Los problemas relacionados con tales sistemas de colas
se clasifican en problemas de anlisis y problemas de
diseo.

8.2 Problemas de anlisis

Se desea saber si un sistema est funcionando
satisfactoriamente, por lo que se deben responder estas
preguntas:
Cul es el tiempo promedio de espera en la fila?
Cul es el tiempo promedio de servicio?
Cules son el nmero promedio de clientes y el
mximo de clientes que espera en la fila?

8.3 Problemas de diseo

Si se desean disear las caractersticas de
un sistema que logre objetivos generales, las
preguntas a responder son:
Cuntas personas o estaciones usar?
Una sola fila o varias filas?
Se debe tener una estacin para
situaciones especiales?
Cul es el espacio necesario para los
clientes?

8.4 Caractersticas de los sistemas de colas

a) Poblacin de clientes. Finita o infinita
b) Proceso de llegada. Tiempo entre
llegadas

Determinstico. Lnea de
ensamble
Probabilstico. Distribucin
exponencial
= nmero promedio de llegadas por
unidad de tiempo

c) Proceso de colas

Una sola fila como en el banco

Varias filas como en el supermercado

Nmero de clientes que pueden esperar

Disciplina en la cola

PEPS. Clientes de un banco

UEPS. Expedientes en el trabajo
PRIORIDAD. Urgencias en hospital

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

8.5 Clasificacin de los modelos de

colas
a) Proceso de llegada

D. Determinstico
M. Probabilidad exponencial
G. Probabilidad no-exponencial
b) Proceso de servicio

D. Determinstico
M. Probabilidad exponencial
G. Probabilidad no-exponencial

c) Proceso de colas. Nmero de estaciones

paralelas en el sistema.
Cuando el tamao de la poblacin es finito.

K. Nmero mximo de clientes que pueden estar

en el sistema (en la fila o en espera). Nmero de
clientes en la cola ms el nmero de estaciones
de servicio
L. Nmero total de clientes en la poblacin

8.6 Medidas de rendimiento para

evaluar un sistema
Fase transitoria. Cuando abre una sucursal bancaria
Fase estable. Cuando la sucursal est operando en
tiempo normal

8.7 Anlisis del sistema de colas M/M/1

Poblacin infinita
Proceso de llegada se distribuye como Poisson (

Proceso de colas con una sola lnea de espera infinita

con disciplina PEPS
Un solo servidor se distribuye como Poisson
(

Condicin para que no haya cola:

>

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).

CAPTULO 9. MODELOS DE SIMULACIN

Al tratar algunos problemas del mundo real, el modelo
resultante puede ser tan complejo o grande que no es
posible desarrollar una metodologa de solucin basada
en un anlisis matemtico. Con la simulacin, se puede
disear y construir un modelo que imite el
comportamiento real del problema.

9.2 Ventajas de la simulacin

Permite analizar problemas complejos.

Se pueden experimentar algunas polticas
sin cambiar en la realidad.
Comprimir el tiempo, ya que en una
simulacin de un momento se puede hacer
durante todo un ao.
No

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.

9.4 Metodologa de la simulacin

El diseo y la implantacin de una simulacin dependen
del sistema que se est modelando y tambin del
lenguaje o paquete que se est utilizando.

Clasificacin del sistema

Eventos discretos. El estado del sistema cambia slo en
ciertos puntos en el tiempo.
Eventos continuos. El sistema cambia continuamente en el
tiempo.
Sistema de terminacin. Existen puntos de inicio y
terminacin precisos y conocidos. Se necesita determinar la
longitud de la simulacin.
Sistema de no-terminacin. Aquel que est en curso y
que carece de puntos de inicio y terminacin precisos y
conocidos. Se necesita determinar la longitud de la
simulacin.

Identificacin de los componentes de una

simulacin
Se necesitan disear las entradas y salidas
numricas de la simulacin.
Condiciones iniciales. Estado del sistema
al principio de la simulacin.
Datos determinsticos. Valores conocidos
que son necesarios para realizar los
clculos que producen las salidas.
Datos probabilsticos.

Diseo de la simulacin
Generar nmero aleatorios.
Contabilizar los resultados.

9.5 Generacin de nmero aleatorios

Nmero aleatorios 0-1 uniformes. Uno de los
mtodos ms comnmente utilizados para generar
nmeros aleatorios que siguen una distribucin
conocida, se basa en usar nmero aleatorios
uniformemente distribuidos entre 0 y 1. Las funciones
de densidad y la acumulativa son las siguientes:
f(x) = 1
F(x) = x

Uso de nmero aleatorios 0 - 1 para generar

una distribucin continua
Para generar un nmero aleatorio
que siga una distribucin distinta
de la distribucin uniforme, se
inicia con un nmero aleatorio
uniforme entre 0 y 1 y transforme
ese nmero en el valor deseado.

Generacin de nmero aleatorios

normales

Suponga que necesita generar la demanda D de

leche que sigue una distribucin normal con una
media de 750 galones al da y una desviacin
estndar de 100 galones. Para hacer eso con una
variable aleatoria normalmente distribuida, una
media de y una desviacin estndar de , se hace
lo siguiente:

Generar un nmero aleatorio 0-1 uniforme (U)

Use este valor de U para encontrar un valor de t
para que F(t) = P(D <= t) = U

Encontrar el valor de t para el que el rea bajo la distribucin

normal a la izquierda de t es U. Para encontrarla, se puede
encontrar en las tablas para encontrar el valor de z asociado.
Z=

despejando t

Si U = 0.1515,
1.03 y as

t = 750 + ((-1.03)*100)= 647

, el valor z de las tablas es -

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.

Ganancia esperada = $1 * (Prob de ganar

$1) + $5 * (Prob de ganar $5)

La probabilidad de ganar $1 es la siguiente:

Prob de ganar $1 = Prob de que las casillas

raspadas sean todas de $1
= Prob de que la primera casilla sea $1*
Prob de que segunda casilla sea $1 * Prob
de que tercera casilla sea $1
= (1/2) * (1/2) * (1/2) = (1/8)

De la misma manera, la probabilidad de

ganar $5 es:

Prob de ganar $5 = Prob de que las casillas

raspadas sean todas de $5
= Prob de que la primera casilla sea $5*
Prob de que segunda casilla sea $5 * Prob
de que tercera casilla sea $5
= (1/2) * (1/2) * (1/2) = (1/8)

La ganancia esperada es

Ganancia esperada = $1 * (Prob de ganar

$1) +
$5 * (Prob de ganar $5)

Ganancia esperada = $1 * (1/8) + $5 *

(1/8) = $0.75

Es decir, la comisin debe cobrar $0.75 por

boleto para estar en el punto de equilibrio.

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.

Se puede simular fsicamente imprimiendo un

gran nmero de tarjetas (digamos 100), raspar
las casillas y contar aquellas tarjetas que
ganaron $1 y $5, lo que nos darn las
probabilidades muy cercanas a las calculadas
(1/8). Realizar este experimento es costoso y
lleva tiempo.

Simulacin por analoga

Se puede lograr la analoga lanzando una moneda; si el
resultado es sol, entonces significa que se obtiene $1 y
si cae guila, entonces suponemos que se obtuvo un
$5. Este experimento se repite para 100 tarjetas.
Contabilizando los resultados tambin obtendremos una
probabilidad cercana a 1/8. Igualmente, el experimento
llevar tiempo.

Simulacin por computadora

Esto se realiza simulando el resultado de las casillas
usando nmeros aleatorios que representan los
resultados. Cuando el nmero aleatorio es mayor a 0 y
menor de 0.5, se supone que el resultado es sol y si es
mayor a 0.5 y llega hasta 1, entonces es un guila.

La simulacin por computadora consiste en

repetir los siguientes pasos muchas veces:

Generar 3 nmeros aleatorios correspondientes

a los resultados de los 3 lanzamientos de
monedas. Registrar la ganancia de $5 si los 3
nmeros son mayores a 0.5

Mientras ms simulaciones se realicen, se

llegarn a probabilidades ms cercanas a 1/8.
La ventaja de este tipo de clculos es que es
barata y no utiliza mucho tiempo.

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:

Use estos datos para estimar la distribucin de

probabilidad de las ventas diarias. Calcule la
media de la distribucin. Genere nmeros
aleatorios por 20 das y compare el promedio
observado con la media real.

CAPTULO 10. CAMINO CRTICO Y PERT

Tcnicas de la ciencia administrativa que ayuda a planear
y controlar un proyecto que involucra numerosas tareas
relacionadas y mantener el proyecto acorde a un
programa.
La ciencia de la administracin puede ayudar a esto
proporcionando respuestas a preguntas como:

 Cundo sera lo ms pronto que el proyecto

pudiera estar terminado?

Para cumplir con este tiempo de conclusin,

qu tareas son crticas, en el sentido de que
un retraso en cualquiera de esas tareas
provoca un retraso en todo el proyecto?

Cul es la probabilidad de que el proyecto

se termine antes de un nmero determinado
de das?

 Cuando un proyecto implica unas cuantas

tareas, las respuestas a estas preguntas a
menudo pueden encontrarse con poco
esfuerzo. Sin embargo, cuando el proyecto
implica cientos o miles de tareas
relacionadas que deben ser realizadas por
distintas personas, las herramientas de la
ciencia de la administracin proporcionan
una forma sistemtica no slo de
responder estas preguntas, sino tambin
dar seguimiento al proyecto a lo largo de
su duracin.

A mediados de los aos cincuenta, Dupont

Company cre el Mtodo de la Ruta Crtica (CPM),
para administrar proyectos en los que el tiempo
requerido para completar las tareas individuales
se conoca con relativa certeza.
La Marina de los EE.UU. desarroll la Tcnica de
Evaluacin y Revisin de Proyectos (PERT) para
administrar el proyecto de misiles Polaris, que
implicaban aproximadamente 500 tareas y miles
de subcontratistas. El tiempo requerido para
completar muchas de esas tareas era incierto.

Estas dos tcnicas son similares, excepto

que el Camino Critico se utiliza para
administrar proyectos que implican tiempos
de tareas determinsticos y al PERT se usa
para aquellos que implican tiempos
probabilsticos.

Desarrollo de la Red de Proyectos

Para ilustrar cmo se aplican las tcnicas de
administracin de proyectos, considere el enfrentado
por la gerencia de Period Publishing Company.

La empresa acaba de firmar un contrato con un escritor

para publicar y comercializar un nuevo libro de texto.
Como vicepresidente, usted desea saber la fecha ms
temprana de conclusin de este proyecto.

Puede determinar el tiempo de conclusin usando

tcnicas de administracin de proyectos siguiendo
estos cuatro pasos:

 Identifique las tareas individuales que

componen el proyecto.
Obtenga una estimacin del tiempo de
conclusin de cada tarea.

Qu tareas deben concluirse antes de que

otras puedan iniciarse?

Dibuje un diagrama de red de proyecto para

reflejar la informacin de los pasos anteriores.

Identificacin de las tareas individuales

Los proyectos consisten de diversas tareas

individuales, que primero deben
identificarse. stas pueden variar tanto en
el tiempo requerido para concluirlas como
en su complejidad. Las tareas complejas
pueden considerarse como proyectos que
en s mismos necesitan verificacin al ser
divididos en sub-tareas.

 Por ejemplo, en el diseo de un cohete

espacial, una de las tareas es desarrollar
sistemas de computacin a bordo. Como
esta tarea es en s misma un proyecto
importante, puede dividirla en sub-tareas
consistentes en sistemas de computacin
para salvamento, control de motor y
recoleccin y transmisin de datos.
Aunque no existe una forma nica de
decidir qu tan grande o pequea debe ser
una tarea, existen algunas pautas a seguir:

 Cada tarea debe tener un comienzo y un final

claros. Por ejemplo, en el caso de Period
Publishing Company, la preparacin del libro tiene
un comienzo con la firma del contrato y un final
cuando el manuscrito se entrega al editor. En
contraste, la venta del texto no es una tarea,
porque no tiene un final claro, aun cuando tiene
un inicio claro.
La terminacin de cada tarea debe ser necesaria
para la conclusin del proyecto. Por ejemplo, el
desarrollo de materiales promocionales es
necesario para la comercializacin exitosa del libro
y representa un logro mayor en trminos del
proyecto global.

 El tamao de una tarea debe estar en

proporcin con el control que usted quiera
ejercer. Por ejemplo, como vicepresidente, su
principal preocupacin es cundo estar
terminado todo el manuscrito, no cundo
estarn terminados los captulos individuales. En
contraste, si usted es el editor a cargo de este
libro, entonces debe preocuparse por el
progreso de los captulos individuales.

Debe haber alguna(s) persona(s) responsable(s)

de la conclusin de cada tarea individual. Por
ejemplo, el departamento legal sera
responsable de obtener todos los acuerdos de
derechos y de los otros contratos legales antes

 Sobre estas bases, como vicepresidente de

Period Publishing Company, identifica ocho
tareas que estn bajo su control y que
deben completarse para que el proyecto
sea exitoso.
Estas tareas para Period Publishing
Company se enumeran en la siguiente
tabla:

 Aun cuando el orden de las tareas de esta

tabla es indiferente, es importante incluir
todas las tareas relevantes desde el
principio. Si surgen tareas inesperadas en
el curso del proyecto, pueden ocurrir
retrasos por la prisa en terminarlas. Por
ejemplo, suponga que omiti las tareas
legales (G) y de pronto descubre que esta
tarea debe terminarse antes de que se
produzca el libro. Incluso, tal vez tenga que
retirar el libro si se olvida esta tarea y
surgen problemas legales.

Estimaciones de tiempo para cada

tarea
El tiempo total para completar todo el proyecto depende,
de alguna manera, en cunto tiempo lleva realizar cada
tarea individual. Por tanto, se hace necesario obtener
algunas estimaciones de la cantidad de tiempo requerida
para completar cada tarea. Puede desarrollarse una
estimacin haciendo lo siguiente:
1. Confiando en experiencias pasadas en proyectos
similares.

2. Consultando con las personas a cargo de cada tarea

individual.

3. Usando datos anteriores.

Tabla de precedencia para el proyecto

La cantidad de tiempo para terminar un
proyecto no es igual a la suma de los tiempos
de las tareas individuales, porque algunas
tareas pueden realizarse simultneamente.
Otras tareas no pueden comenzar hasta que
ciertas tareas anteriores no hayan sido
concluidas.
Para determinar la cantidad de tiempo
requerido para concluir el proyecto, se debe
identificar qu tarea(s) debe(n) terminarse
antes de que otra tarea comience.

Trazo de la red de proyectos

Uno de los objetivos principales de la
administracin de proyecto es determinar
la cantidad de tiempo requerido para
terminar todo el proyecto.
Para comprender estas relaciones, se
puede obtener construyendo una red del
proyecto, que consiste en una coleccin
finita de nodos y arcos. Un nodo es una
actividad y un arco es una flecha que
conecta un nodo con otro.

 Antes de trazar la red de proyecto para el

proyecto de Period Publishing Company,
presentamos varios ejemplos menores para
ilustrar en general cmo se trazan las
redes de proyecto.
Considere primero un proyecto que
consiste en tres tareas cuyas relaciones de
precedencia se dan en el ejemplo 10.2.

 Para construir la red de proyecto, comience

por dibujar un nodo numerado 0 para
representar el inicio de todo el proyecto.
Comenzando por este nodo, dibuje un arco
para cada actividad que no tenga una
predecesora inmediata, es decir, que
pueda comenzar inmediatamente porque
no depende de ninguna otra actividad.

Etiquete cada arco con el smbolo de

tarea correspondiente. En este
ejemplo, la tarea A no tiene una
predecesora inmediata, as que trace
un arco desde el nodo 0. Este arco se
etiqueta A, correspondiente a la tarea
A, como se ve en la siguiente figura
(a):

 Ahora se ilustrarn algunas otras pautas

para trazar una red de proyecto correcta.
Considere un proyecto con cinco tareas con
las precedencia dadas en el siguiente
cuadro.

 Comience por trazar un nodo numerado 0 para

representar el inicio de todo el proyecto. Ambas
tareas A y B no tienen predecesoras inmediatas,
as que pueden empezar inmediatamente.
Ahora considere el nodo 1, que representa el
punto en el tiempo en que la tarea A ha sido
concluida. Al preguntarse qu tareas pueden
comenzar ahora, se deben identificar la tarea C.
Esto lo lleva a dibujar un nuevo arco etiquetado
C y un nodo terminal correspondiente numerado
3, como en la figura (b).

 Para iniciar la tarea E restante se requiere

que ambas tareas C y D estn concluidas,
como se indica en la tabla de precedencia
anterior. Desafortunadamente, no existe
ningn nodo sencillo en la figura 10.2 (c)
que represente el hecho de que ambas
tareas C y D estn concluidas. A
continuacin se plantean tres enfoques
distintos para resolver este problema:

1. Combinacin de nodos. En este enfoque,

reemplace los dos nodos terminales 3 y 4 con un
nodo sencillo que represente ese punto en el tiempo
en el que ambas tareas C y D estn concluidas. Este
nuevo nodo, ahora numerado 3, se ilustra en la figura
10.2 (d).
2. Creacin de actividades figuradas. En este
enfoque, establezca una actividad figurada, es decir,
una actividad artificial que no sea parte del proyecto
y que no requiera tiempo para concluirse. Se usa slo
para reflejar las relaciones de precedencia
adecuadas. En este ejemplo, la actividad figurada
est representada por una flecha punteada que
conecta el nodo 4 con el nodo 3 en la figura 10.2 (e).

3. Creacin de nodos figurados. En este enfoque, se

crea un nodo figurado 5. Para reflejar que este nodo
representa ese punto en el tiempo en el que ambas
tareas C y D estn concluidas, conecte ambos nodos 3 y
4 de la figura 10.2 (c) al nodo figurado con dos
actividades figuradas, como se ilustra en la figura 10.2
(f).

Aplique el Mtodo de Ruta Crtica al proyecto

de Period Publishing Company.

EJERCICIO
Aplique el Mtodo de Ruta Crtica al
proyecto de preparacin de lasaa.

PROYECTOS USANDO TIEMPOS PROBABILSTICOS

(PERT)
Al revisar proyectos, a menudo se encuentran retrasos
imprevistos al llevar a cabo las diferentes tareas, lo cual
tiene como resultado un retraso en el proyecto completo.
Una manera de manejar tales problemas consiste en
tomar en cuenta esta variabilidad cuando se estiman los
tiempos de terminacin individuales. En lugar de suponer
que los tiempos de tarea se conocen con certeza, puede
ser ms apropiado estimar los tiempos tomando en
cuenta la incertidumbre.

Identificando las relaciones de preferencia

Home Construction, Inc., es una compaa que
construye casas. El gerente de construccin debe
identificar las tareas y sus predecesores inmediatos que
se necesitan para construir una casa, como se muestra
en la siguiente tabla. Estas tareas y sus precedencias
pueden trazarse en una red de proyecto.

Estimacin de los tiempos de

terminacin de las tareas
Los tiempos de terminacin de las tareas son variables,
debido a la incertidumbre de las condiciones
climatolgicas, la obtencin de suministros, las
relaciones laborales, etc.
Una sola estimacin de tiempos no es apropiada y se
requiere conocer la distribucin de probabilidad de los
tiempos de terminacin de cada tarea.

 Esto requiere el conocimiento de los

parmetros de la distribucin, entre lo que
se encuentran la media y la varianza.
En la prctica, se ha visto que la duracin
de las tareas se aproximan a una
distribucin Beta. Esta distribucin
requiere del conocimiento del tiempo
mnimo, del tiempo mximo y del tiempo
ms probable de terminacin de las tareas.

En el contexto de las tareas de un proyecto, se obtienen

tres estimaciones de tiempo para cada tarea:

Tiempo ms optimista (a), es decir, el tiempo ms corto

en el que la tarea puede hacerse.

Tiempo ms pesimista (b), es decir, el tiempo ms largo

que se puede llevar una tarea dentro de lo razonable.

Tiempo ms probable (m), es decir, el tiempo que la

tarea requiere con ms frecuencia en circunstancias
normales.

 Para una distribucin Beta, estas tres

estimaciones de tiempo se combinan para
obtener el valor esperado (media) y la
desviacin estndar del tiempo de
terminacin de una tarea, de acuerdo con
las siguientes frmulas:

 Suponga que para la tarea C, colocacin

del techo, las tres estimaciones obtenidas
del subcontratista que lo va a colocar son:
a = ms optimista= 3 semanas
m = ms probable = 5.5 semanas
b = ms pesimista = 11 semanas

Utilizando estas tres estimaciones, el

tiempo esperado y la desviacin estndar,
se calculan de la manera siguiente:

Clculo del tiempo esperado de

terminacin de proyectos
Utilizando los tiempos de terminacin medios, se puede
calcular el tiempo de terminacin ms probable para el
proyecto completo. De manera similar, los tiempos
ltimos de inicio y terminacin se calculan de igual
forma.
El tiempo de terminacin esperado para este proyecto
es de 30 semanas, con una desviacin estndar de
1.9720, dada en la ltima lnea del informe.

 Observar que todas las tareas son

crticas, con excepcin de las tareas D, G y
la actividad figurada.
La tarea D se puede retrasar hasta en 12
semanas sin afectar el tiempo de
terminacin del proyecto completo,
suponiendo que todas las dems tareas se
terminan dentro de sus tiempos esperados.
Similarmente, la tarea G puede retrasarse
hasta una semana.

Anlisis probabilstico del tiempo de

terminacin
El tiempo de terminacin real puede variar, debido a
que los tiempos de terminacin de las tareas son
variables.
El tiempo de terminacin esperado de 30 semanas no
es confiable y el gerente de construccin deber
hacerse preguntas como las siguientes:

 Cul es la probabilidad de cumplir con una

fecha especfica de terminacin del
proyecto? Por ejemplo, cul es la
probabilidad de construir la casa en 32
semanas?
Qu fecha de terminacin puede cumplirse
con un nivel dado de confianza? Por
ejemplo, cul es la fecha ltima de
terminacin en la cual usted tiene una
confianza del 95% de cumplir?

 En la prctica, la distribucin del tiempo de

terminacin del proyecto se aproxima a
una distribucin normal.
Para utilizar esta aproximacin se
requieren las siguientes suposiciones:

 Las tareas que se determinaron como crticas no

pueden tardar ms tiempo que el promedio. El tiempo
de terminacin del proyecto es la suma de los tiempos
de terminacin de las tareas crticas individuales a lo
largo de una trayectoria crtica.
Para el proyecto de Home Construction, Inc., esta
suposicin puede ser o no verdadera. Por ejemplo, la
suposicin no es verdadera si los tiempos de
terminacin reales de todas las tareas son iguales a
sus valores esperados, excepto para G, que necesita
ms de cinco semanas para llevarse a cabo. En este
caso, cambian las tareas crticas. La tarea G ahora se
vuelve crtica, mientras que la tarea H ya no es crtica.

 El tiempo de terminacin de cada tarea es

independiente del tiempo de terminacin de
cualquier otra tarea. Para el proyecto de Home
Construction, Inc., esta suposicin tambin puede
ser o no verdadera. Por ejemplo, suponga que se
utiliza la misma mquina para terminar tanto el
interior como el exterior (tareas G y H).
Si una descompostura de la mquina ocasiona un
retraso en el acabado del interior (tarea G),
entonces es muy probable que se presente un
retraso parecido en el acabado del exterior (tarea
H). En este caso, las tareas G y H son dependientes.

Tiempo esperado de terminacin de

proyecto = suma de los tiempos esperados
de terminacin de todas las tareas a lo largo
de la ruta crtica = 3+7+6+3+5+5+1 = 30
Varianza del tiempo de terminacin del
proyecto = suma de las varianzas de los
tiempos de terminacin de las tareas a lo
largo de la ruta crtica = 0.3332 + 0.6672 +
1.3332 + 0.3332 + 0.6672 + 1.0002 + 0.0002
= 3.889

 En el caso de que una red de proyecto

tenga ms de una trayectoria crtica,
calcule el valor esperado y la varianza del
tiempo de terminacin del proyecto a lo
largo de cada trayectoria crtica.
Entonces, para clculos posteriores, escoja
aquella cuya varianza sea la ms grande.
(Todas estas trayectorias crticas
proporcionarn el mismo tiempo de
terminacin esperado).

 El tiempo de terminacin del proyecto

sigue una distribucin normal con la media
y la varianza calculadas.
Esta suposicin es vlida para proyectos
que tienen un gran nmero de tareas
individuales a lo largo de una trayectoria
crtica, debido al Teorema de Lmite
Central.

 Con estas tres suposiciones, el tiempo de

terminacin del proyecto de Home
Construction Inc., tiene una distribucin
normal con una media de 30 semanas y
una varianza de 3.889 (es decir, una
desviacin estndar de 1.972). Utilizando
esta informacin, usted puede responder a
las preguntas planteadas anteriormente:

Cul es la probabilidad de terminar una

casa antes de 32 semanas? La respuesta a
esta pregunta es equivalente a encontrar el
rea que se encuentra a la izquierda de 32
bajo una distribucin normal con una media
de 30 y una desviacin estndar de 1.972.
Calcule:

 Ahora busque este valor en la tabla de la distribucin

normal estndar. La probabilidad deseada de 0.5 +
0.3438 = 0.8438. En otras palabras, la probabilidad de
construir la casa antes de 32 semanas es de 84.38%.

AREA BAJO LA DISTRIBUCION NORMAL ESTANDAR, DE 0 A Z

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

 Qu fecha de terminacin deber darse

de modo que se tenga 95% de confianza
de que la casa estar terminada en ese
tiempo? Para responder a esta pregunta, se
necesita determinar el punto x donde el
rea bajo la distribucin normal que se
encuentra a la izquierda del punto es de
0.95, como se muestra en la siguiente
figura:

En la tabla normal se tiene el valor z de

1.645, para el cual el rea que est a la
izquierda es de 0.95. Puede ahora calcular
el valor de x, a partir de la definicin de z,
de la manera siguiente:

 Como administrador de este proyecto,

usted puede utilizar la informacin de la
siguiente tabla para determinar qu tiempo
de terminacin debe dar a sus clientes y
tener algn margen de confianza de ser
capaz de cumplir con lo programado.

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.

a) Construya la red de proyecto para el problema

b) Encuentre la media y la varianza de la duracin de cada
actividad.
c) Calcule el tiempo estimado que dure el proyecto
d) Encuentre la probabilidad de terminar el proyecto en 11
semanas.

CAPTULO 11. PRONSTICOS

El xito de un negocio a menudo depende de la habilidad
para pronosticar, es decir, hacer predicciones sobre el
futuro.
Estas predicciones se usan para tomar decisiones
operativos y estratgicas a largo plazo.
Considere las decisiones operativas, como la asignacin de
recursos, la compra de materias primas, la determinacin
de horarios de trabajo, etc. El fracaso en la prediccin del
futuro con precisin puede ocasionar costos excesivos.

 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.

 Las decisiones estratgicas a largo plazo

igualmente dependen de predicciones
exactas.
Una compaa puede abrir una nueva
planta si espera que la demanda de un
producto se incremente sustancialmente
durante un periodo o puede descontinuar
el producto, si predice que la demanda
disminuir y se har poco lucrativa.

 La necesidad de pronosticar la demanda para tomar

decisiones operativas y estratgicas inteligentes
tambin surge en las empresas de servicios. Por
ejemplo:
Un hospital debe predecir la demanda (nmero de
pacientes). Esta informacin se usa para tomar
decisiones operativas, como la calendarizacin del
personal mdico y decisiones estratgicas, por
ejemplo, si se puede aadir una nueva ala para
incrementar la capacidad.

Un sistema escolar debe predecir la demanda (nmero

de estudiantes). Esta informacin se usa para tomar
decisiones operativas, como la calendarizacin de
profesores, salones de clase y otras instalaciones
existentes y para tomar decisiones estratgicas, por

 La ciencia administrativa proporciona varios enfoques cuantitativos

para pronstico que implican construir un modelo apropiado que
use datos pasados y usar el modelo para pronosticar demandas
futuras.
CARACTERSTICAS CLAVE

En este captulo, se describe dos clases de modelos de pronstico

de uso comn:

Modelos de series de tiempo, en los que la demanda futura se

predice sobre la base del comportamiento anterior de la demanda
durante un periodo.

Modelos causales, en los que la demanda futura se predice sobre la

base de factores conocidos y cuantificables que afectan la demanda.

CLASES DE MODELOS DE SERIE DE

TIEMPO
Los modelos de pronstico se aplican a una demanda en la
que se dispone de una cantidad significativa da datos
pasados. Estos datos, registrados secuencialmente durante
el tiempo, forman una serie de tiempo. En este curso, se
supone que tales valores se registran en intervalos de tiempo
igualmente espaciados, como cada semana, cada trimestre o
cada ao. A lo largo de este curso, la variable t representa el
nmero de periodos desde algn punto base inicial. Por
ejemplo, para datos anual que comienzan en el ao base
1980, un valor de t = 13 se refiere al ao 1993. La demanda
en el periodo t se representa mediante el smbolo D t.

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.

 Como los datos varan de un ao al

siguiente, uno no conoce el valor exacto de
A Qu valor debera usarse? Por ejemplo,
las ventas anuales de las llantas de Good
Tire Inc. pueden seguir este patrn de
nivel. La compaa ha estado en este
negocio durante muchos aos y ha
alcanzado un tamao estable, as que la
demanda es relativamente constante de un
ao al siguiente. Cmo estimara de la
mejor manera su cifra de ventas anuales.

CARACTERSTICAS CLAVE

Un
modelo de nivel de la demanda Dt en un periodo t se

describe en trminos de las cantidades desconocidas A y el

error aleatorio et en el periodo t mediante:

Como et es un nmero aleatorio inexplicable con un valor

promedio de 0, el pronstico, Ft, para la demanda futura
desconocida Dt en el periodo t es:

Supongamos, por ejemplo, que los datos pasados de Good Tire

dan como resultado una estimacin de A = 96,000. Su mejor
pronstico de ventas para el ao siguiente es de 96,000 llantas.

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.

 En este captulo, slo se examinan los modelos de

tendencia lineal.
Estas variaciones a partir de la lnea en un modelo de
tendencia son nuevamente errores aleatorios que se
supone no tienen una explicacin causal.

CARACTERSTICAS CLAVE

Un modelo de tendencia lineal de la demanda Dt en un periodo t se

describe matemticamente mediante:

donde

A = interseccin de la lnea de tendencia

= demanda esperada en el tiempo t = 0

B = pendiente de la lnea de tendencia

= incremento esperado en la demanda por periodo.
Nuevamente et es un error aleatorio inexplicable con un valor
promedio de 0, as que es el mejor pronstico, Ft, para la demanda Dt
en algn tiempo futuro t es:

 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.

 Para describir un modelo estacional, primero

debe identifica m, el nmero de periodos en un
ao. Para Hexxon Oil, m = 12 porque la serie
de tiempo se basa en datos mensuales. Si los
datos se recaban trimestralmente, m = 4, que
corresponde a los cuatro trimestres del ao.
Para m periodos, el modelo estacional se
describe en trminos de ndices de
estacionalidad S1,S2, . . . , Sm., que indican si la
demanda est por encima o por debajo de un
valor base A en cada periodo 1,2, m de un
ao.

Un enfoque usado, es el modelo estacional

multiplicativo, en el que la demanda esperada en
cualquier estacin k en un ao es A * Sk.
Por lo tanto, un valor para Sk por encima de 1
significa que la demanda esperada en ese periodo
excede el valor base A y un valor por debajo de 1
indica que la demanda est por debajo de A.
Posteriormente se ver cmo se usan los datos
histricos para obtener estimaciones de los valores
de los parmetros A y los ndices de estacionalidad
S1, S2, ...Sm.

 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:

Nuevamente, et es un error aleatorio con un valor

promedio de 0. El mejor pronstico, Ft para la demanda
futura Dt en el periodo t es:

donde t corresponde a la estacin k.

 Por ejemplo, los datos mensuales para

Hexxon Oil comenzando en Enero de 1990
originan un valor de m = 12. Supongamos
que los datos pasados producen una
estimacin de A = 600,000 galones por
mes y que las siguientes son estimaciones
de los doce ndices de estacionalidad:

 Aquellos
ndices cuyos valores exceden en

1 (en junio a septiembre) indican que la

demanda esperada en esos meses es
mayor que el valor base de A = 600,000
galones.
Supongamos que decide usar este modelo
estacional multiplicativo para pronosticar la
demanda de Ia gasolina de Hexxon oil en
julio de 1994, que est a 55 meses del mes
base de enero de 1990 (cuando t = 0). Para
julio, k = 7 correspondiente al mes de julio)
entonces:

Modelos estacionales de tendencia

Un ultimo de modelo es un modelo estacional de
tendencia, en el que la demanda muestra tanto una
tendencia lineal como un efecto estacional, como se
muestra en la siguiente figura:

 Por ejemplo, la demanda mensual de electricidad en la

South Florida Power Company ha mostrado una
tendencia linealmente creciente durante los ltimos 10
aos debido a un aumento en la gente retirada que se
muda al rea y a un componente estacional
ocasionado por el uso de aire acondicionado de mayo a
septiembre.
Un modelo estacional de tendencia multiplicativa de la
demanda se describe en trminos de la interseccin
y la pendiente B sobre la lnea de tendencia junto con
ndices de estacionalidad S1, S2, . Sm , que indican si la
demanda esperada est por encima o por debajo de la
lnea de tendencia en cada periodo de un ao.
Posteriormente se ver cmo usar datos pasados de la
demanda para obtener estimaciones de los valores
para los parmetros A y B y los ndices de
estacionalidad S1, S2, ... , Sm.

CARACTERSTICAS CLAVE
Un
modelo estacional de tendencia para predecir la demanda

D en un periodo arbitrario t se describe en trminos de las

cantidades desconocidas A, B y S1, S2, ..., Sm. y el error
aleatorio et en el periodo t determinando el periodo k dentro
del ao en que cae t y luego calculando:

Una vez ms, et es un error aleatorio con un valor promedio

de 0. El pronstico Ft, para la demanda futura en el periodo t
es:

donde t corresponde a la estacin k.

RENDIMIENTO PARA EVALUAR MODELOS

DE PRONSTICO
Existe muchos modelos de pronstico que se pueden
usar para un problema especfico.
Se desea elegir el modelo para estimar los parmetros
que producen los pronsticos ms "exactos.
Cmo se mide la exactitud de un modelo de
pronstico? Se presentan 3 de las mediciones ms
comunes.

 Suponga que usted ha desarrollado un

modelo de pronstico para predecir las
ventas mensuales de un modelo de carros
basndose en los datos de los seis meses
anteriores:

 Primero puede obtener una medicin de la

exactitud de su modelo calculando los
errores de prediccin. Por ejemplo, puede
usar el modelo para predecir las ventas de
carros en el mes 1 y luego comparar este
pronstico con las ventas reales que
ocurrieron en el mes 1. sta prediccin y
comparacin con las ventas reales se hace
para cada uno de los cinco meses restantes
de los datos anteriores.

 Suponga que su modelo produce los

siguientes pronsticos de ventas en esos
mismos 6 meses:

 Idealmente, se deseara que las ventas

pronosticadas fueran iguales a las ventas
reales, pero como puede ver existen
errores. Puede calcular el error de
pronstico para cada mes como la cantidad
por la cual la demanda real excede el
pronstico, es decir, (Dt- Ft):

 Como puede ver, los errores de pronstico

positivos indican que la demanda real excede el
pronstico y los errores negativos significan que
la demanda est por debajo del pronstico.
Cada modelo de pronstico produce un conjunto
diferente de errores. Lo que necesita es un
mtodo para comparar dos (o ms) modelos y
determinar cul es ms exacto. Debido a que un
modelo no puede superar a otro de manera
consistente en todos los periodos, se usa una
medicin en la forma de un solo valor que refleje
el funcionamiento global para comparar
modelos.

Error medio cuadrado (RMSE)

Este mtodo calcula el error medio cuadrado (RMSE),
que es la raz cuadrada del promedio de los cuadrados
de los errores de pronstico. Es decir, con n datos:

Al calcular RMSE en el ejemplo anterior de ventas de

carros da como resultado:

Se deseara que el valor de RMSE sea 0, lo que

indicara un pronstico perfecto. En general,
mientras ms pequeo sea el valor de RMSE,
mejor es el modelo de pronstico.

Error medio absoluto (MAE)

El error medio absoluto (MAE) es el promedio del valor
absoluto de los errores de pronstico. Para el ejemplo
de venta de autos, MAE se calcula de la siguiente
manera:

Error medio porcentual absoluto

(MAPE)

El error medio porcentual absoluto (MAPE),

es el promedio de los errores de pronstico
absolutos como un porcentaje de la
demanda real. Para el ejemplo anterior de
venta de autos, esta medicin se calcula
en la siguiente tabla:

UTILIZACIN DE UN MODELO DE NIVEL

PARA PRONSTICO
Un modelo de nivel con un error aleatorio et en un
periodo t, pronostica la demanda Dt en el periodo t
como:

Ft = pronstico en el periodo t = A

 Para pronosticar la demanda y estimar A, el

promedio de estos 13 valores es la mejor
eleccin (A = 92,677 llantas). Este valor de
A se usa entonces como un pronstico de
la demanda para periodos futuros.
Por ejemplo, si se venden 94,400 llantas en
1993, entonces el nuevo promedio de
92,800 para los 14 aos de datos servira
como la estimacin revisada de A y, por lo
tanto, el pronstico para 1994.

 La principal desventaja de este enfoque es que todos

los valores pasados se usan para calcular el nuevo
promedio, de tal forma que la estimacin de A cambie
muy lentamente de un periodo al siguiente.
Suponga que las ventas cambian abruptamente. Tal
vez Good Tire ha sacado fuera del negocio a un
competidor importante y ha adquirido muchos clientes
nuevos. Aun con este nuevo nivel de ventas mayores
de ao en ao, el valor estimado de A cambiar slo
lentamente. Es decir, este mtodo de promediar todos
los datos disponibles es muy lento para reaccionar a
un cambio en el valor de A.
A continuacin se analizan dos mtodos alternativos
que toman en cuenta cambios en el valor de A ms
rpidamente.

Mtodo de promedios mviles

El mtodo de promedios mviles usa el promedio de los
datos de los k periodos ms recientes como una estimacin.
Por ejemplo, con k = 5 para el modelo de Good Tire, el valor
usado en el pronstico de las ventas de 1993 es el promedio
del nmero de llantas vendidas en los cinco aos anteriores.
Usando los datos de la tabla,

= (ventas en 1988 + 1989+ 1990+ 1991+ 1992)/5

= (86000 + 76900 + 106800 + 98500 + 85000)/5
= 90,640

 Por tanto, el pronstico, F13 para la venta de llantas en 1993 es:

F13 = 90,640 llantas

Nuevamente suponga que las ventas reales a finales de 1993

son 94,400 llantas. La nueva estimacin usada para pronosticar
ventas en 1994 se obtiene desechando las ventas de 1998 y
aadiendo las de 1993, de la siguiente manera:
= (ventas en 1989 + 1990 + 1991 + 1992 + 1993)/5
= (76 900 + 106 800 + 98 500 + 85 000 +94400)/5
= 92,320

As pues, el pronstico, F14, para la venta de llantas en 1994 es:

F14 = 92,320 llantas

 Cada vez que se tiene un valor real, se obtiene una

nueva estimacin usando este nuevo valor en lugar del
k-simo anterior, dando pi as al trmino "promedio
mvil".
Porqu se us un promedio mvil con k = 5? Por qu
no usar k = 4 o k = 6 periodos? Una forma de decidir un
valor apropiado para k es calcular los errores usando
cada k posible aplicado a todos los datos disponible y
seleccionando el mejor.

 Por ejemplo, para evaluar el promedio mvil de 5 aos de

Good Tire, necesita 5 aos de datos anteriores para calcular
el primer promedio. Por tanto, comience a finales de 1984,
punto en el cual se dispone de los datos de 5 aos de 1980 a
1984 para proporcionar el siguiente pronstico, F5 para 1985:
F4 = (ventas en 1980 + 1981 + 1982 + 1983 + 1984)/5
= (76 900 + 81 200 + 95 500 + 91 800 + 102 100)/5
= 89,500 llantas

Si comparamos este valor pronosticado de F5 = 89,500 con la

demanda real de D5 = 106,000 llantas en 1985
encontraremos un error de pronstico de:

Error de pronstico = D5 - F5 = 106,000 89,500 = 16,500

llantas

 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:

2. Calcular el error de pronstico como la diferencia

entre la demanda real Dt y el pronstico Ft:

Error de pronstico = Dt Ft

 Habiendo obtenido los errores de

pronstico, puede calcular cada una de las
tres mediciones de trabajo: RMSE, MAE y
MAPE. Sobre la base de los promedios de la
ltima columna de la tabla 16.2, las tres
mediciones son:

 Ahora pueden calcularse mediciones

similares para cada promedio mvil de
tamao k. Los RMSE, MAE y MAPE
correspondientes se resumen en la tabla
para k = 3, 4, 5 y 6.
Como puede ver, sin importar la medicin
de trabajo que elija (RMSE, MAE o MAPE), el
promedio mvil de 6 aos proporciona el
error menor.

 Una de las principales ventajas del mtodo de

promedios mviles es que es fcil de entender y se
puede calcular incluso a mano.
La desventaja es que no siempre reacciona
rpidamente a cambios en el valor real. Por ejemplo, si
k es grande, entonces los nuevos valores de datos
cambian lentamente el valor de los promedios mviles.
Se requiere un largo periodo para que los valores de
este promedio cambiante se ajusten y revelen un
cambio. De manera alternativa, si k es pequeo, los
datos pueden cambiar significativamente el promedio
mvil, reflejando as un cambio falso.

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.

 Este error puede surgir por causas aleatorias o por un

incremento real en el nivel de la serie de tiempos.
Usted deseara ajustar su estimacin para el pronstico
de 1994 para adaptarse al verdadero incremento,
ignorando cualquier fluctuacin aleatoria.
Su siguiente pronstico debera incrementarse, por
consiguiente, en la fraccin del error de pronstico de
1993 de 400 llantas que atribuye a un cambio real en
el valor de A.
Matemticamente, especifica esta fraccin en la forma
de un valor para entre 0 y 1, llamado constante de
suavizado. Por ejemplo, cuando es 0.1, atribuye 10%
del error de pronstico actual a un cambio real en el
valor de A y 90% al azar.

 En general, mientras ms cerca est de 1,

ms grande es la influencia del error de
pronstico en las proyecciones. De manera
similar, mientras ms cercano est de 0,
ms ignora el error de pronstico.
Por tanto, mientras ms estable sea la
demanda, ms pequeo debe elegir el valor
para .
La experiencia ha mostrado que un valor
entre 0.10 y 0.30 da como resultado
pronsticos confiables.

 Puede elegir un valor mayor de durante

un periodo corto, en el caso de que espere
que el nivel de demanda cambie en el
futuro inmediato (por ejemplo, como
resultado de una agresiva campaa
promocional).
Una vez que el modelo de pronstico ha
cambiado, puede revertir a un valor menor
de .

 Para aplicar este mtodo al problema de Good Tire y

pronosticar las ventas de llantas en 1993 (F 13),
primero seleccione un valor apropiado de ,
digamos 0.10. De acuerdo con la frmula,
F13 = F12 + 0.10 * (D12 F12)

Por tanto, tambin necesita el pronstico F 12, que se

hizo para 1992. ste, a su vez, requiere el
pronstico para 1991, etc. Estos pronsticos se
obtienen secuencialmente comenzando al principio
de los datos de series de tiempo (1980 en este
caso) y aplicando el suavizado exponencial, ao por
ao, hasta 1992. Para hacer esto, se necesita un
pronstico inicial para 1980.

 Existen varios mtodos usados para obtener este

pronstico inicial. Un enfoque simple, por
ejemplo, es usar las ventas actuales de Do =
76,900 llantas en 1980 como el pronstico inicial,
F0 para 1980, y en consecuencia no existe error
de pronstico para 1980. Con este punto inicial,
el suavizado exponencial genera pronsticos en
cada ao desde 1981 hasta 1993. Para 1981,

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,

puede calcular Ia exactitud de este pronstico de

la siguiente manera:
Error de pronstico = D1 F1 = 81,200 76,900
= 4,300

Error cuadrado = (D1 F1)2 = (4,300)2 = 18,490,000

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 de pronstico = D2 F2 = 95,500 77,330

= 18,170

Error cuadrado = (D2 F2)2 = (18,170)2 = 330,148,900

Error absoluto =

% error absoluto

 El pronstico deseado F13, para 1993

basado en este enfoque de suavizado
exponencial es:
F13 = F12 + * (D12 F12)
= 89,434 + 0.10 * (-4,434)
= 88,991 llantas

UTILIZACIN DE UN MODELO DE TENDENCIA

PARA PRONSTICO
Considere el problema de predecir los costos mdicos
anuales promedio de 1993 para un empleado de la
ciudad de Maple Heights. Los datos de 1980 a 1992,
claramente muestran una tendencia creciente. Al usar
el mtodo de promedios mviles o el de suavizado
exponencial, se obtienen pronsticos que subestiman
consistentemente los actos reales.

 Se puede desarrollar un modelo de pronstico ms exacto

basado en la confianza de que existe una tendencia
creciente. Asumiendo una tendencia lineal, un modelo
apropiado para obtener un pronstico Ft en el periodo t es:

Ft = A + Bt

donde:

A = la interseccin de la lnea de tendencia (en este caso,

los costos mdicos cuando t = 0, es decir, en el ao base
1980)

B = la pendiente de la lnea de tendencia (en este caso, la

proporcin en la que los costos mdicos se incrementan
cada ao)

Mtodo de regresin lineal

Observe que distintos valores de A y B dan como

resultado distintos modelos de tendencia, es decir,
distintas lneas rectas. As pues, un enfoque debe
determinar valores para A y B de tal forma que la lnea
resultante "se ajuste" a los datos pasados lo ms
exactamente posible.

FRMULAS CLAVE
Dadas

las n demandas pasadas Do, . . ., Dn-1, los valores

de A y B que arrojan la mejor recta de regresin son:

Para este ejemplo, las mejores estimaciones

de los parmetros A y B son:

 El mtodo de regresin lineal aplicado a los datos, da

como resultado el siguiente modelo de tendencia:
Ft = A + Bt = 791.96 + 204.98t

El valor de B = 204.98 indica que, en promedio, los

costos mdicos se incrementan en una proporcin de
$204.98 al ao por cada empleado.

Habiendo construido el modelo y asumiendo que se

espera que esta tendencia contine, se pueden
pronosticar los costos mdicos anuales F13 en 1993
(esto es, t=13) de la siguiente manera:

F13 = A + B*13 = 791.96 + 204.98 * 13 = $3,456.77

 Los costos mdicos reales en 1993 sern

diferentes de este valor pronosticado. Para
pronosticar para 1994, se usarn los nuevos
datos de 1993 junto con los datos anteriores de
la tabla para obtener nuevas variables de A y
B.
El mtodo de regresin da igual peso a todos
los datos histricos. Esto significa que las
estimaciones de A y B cambian slo
ligeramente con cada nuevo dato. Si hay un
cambio abrupto en los datos, deben pasar
muchos periodos antes de que las estimaciones
de A y/o B cambien con los nuevos valores.

UTILIZACIN DE UN MODELO ESTACIONAL

PARA PRONSTICO
Un modelo estacional es aplicable cuando la demanda muestra un incremento
o decremento consistentemente en ciertas estaciones del ao. Por ejemplo,
un fabricante de juguetes generalmente observa ventas incrementadas en el
cuarto trimestre de cada ao debido a la temporada navidea.
Para describir un modelo estacional, primero debe identificar m, el nmero de
periodos de un ao. EI fabricante de juguetes recolecta datos trimestralmente,
as que m = 4. El modelo estacional multiplicativo se describe entonces en
trminos de ndices de estacionalidad, S1 ,S2, . . . , Sm, que indican si la
demanda est por encima (Sk > 1) o por debajo (Sk < 1) de un valor base A en
cada periodo k = 1,2, , . ,m de un ao. El modelo estacional especfico es:

Dt = (A * Sk) + et

 Nuevamente et es un error aleatorio con un valor

medio de 0. El mejor pronstico Ft, para la
demanda futura en el periodo t es;

Ft = A*Sk

donde el periodo t cae en la estacin k.

Las modificaciones de los mtodos de promedios

mviles y de suavizado exponencial se aplican a
los datos histricos para obtener estimaciones de
los valores desconocidos para los parmetros A y
los ndices de estacionalidad S1, S2, . . ., Sm.

Ejemplo de un modelo estacional

Considere el problema enfrentado por el gerente de una
gasolinera Gas'n Go Station. Cuntos galones de
gasolina deben pedirse en cada uno de los cuatro
trimestres de 1994? El gerente tiene datos pasados
sobre las cifras de ventas por cada trimestre de 1988 a
1993, como se muestran en la tabla.

 Estos datos indican un claro patrn

estacional en el que la demanda de
gasolina en el tercer trimestre (meses de
julio, agosto y septiembre), es mayor que
en los otros trimestres. Para llegar a un
pronstico de la demanda futura, se debe
desarrollar, analizar y usar un modelo
estacional.

Utilizacin de WINQSB para desarrollar

un modelo estacional
Al usar el paquete WINQSB, usted debe
proporcionar:

1. Los datos histricos.

2. El nmero de periodos en un ao (4, en este caso,
correspondientes a los cuatro trimestres).
3. El valor de las dos constantes de suavizado para
modificar las estimaciones de A y S.

 WINQSB tiene la capacidad de obtener las

mejores constantes de suavizado, usando un
criterio para el clculo de los errores.
Si se usan constantes de suavizado de 0.1 y los
datos de los primeros ocho trimestres (del primer
trimestre de 1988 al cuarto de 1989) de la tabla,
dan como resultado el modelo inicial cuyos
parmetros se muestran en la siguiente figura.
Puede ver que este modelo inicial ha
determinado una base de A = 94,333.61 galones
y los cuatro ndices de estacionalidad S1 =
0.9054, S2 = 0.9751, S3 = 1.3143 y S4= 0.7944.

 Estas estimaciones iniciales se usan para

pronosticar la demanda, F9 de gasolina en el
periodo t = 9.
Como t = 9 corresponde al primer trimestre
del ao, los valores de y el ndice de
estacionalidad S, (para el primer trimestre de
un ao) llegan al pronstico:
F9 = A * St = 94,333.61 * 0.90537
= 85,407 galones

 Este pronstico de F9 = 85 407 galones. se

compara con la demanda real de D9 = 90,880
galones. El error de pronstico de D9 F9 =
5,473 galones se usa para modificar las
estimaciones de A y S1.
WINQSB usa frmulas de suavizado
apropiadas para obtener las nuevas
estimaciones de A = 94,938.06 y S1 = 0.9106
mostradas en la siguiente figura en las
columnas denominadas "Level" (nivel) y
"Seasonal" (estacional) de la primera fila,
titulada "PERIOD 9".

 Este nuevo modelo ahora se usa para

pronosticar la demanda F10 de gasolina en
el periodo t = 10, es decir, en eI segundo
trimestre de 1990:
F10 = A * S2 = 94,938.06 * 0.9751
= 92,574 galones

 Este pronstico de F10 = 92,574 galones se

compara entonces con la demanda real de D 10
= 96,540 galones. El error de pronstico de
D10 F19 = 3,966 galones se usa para
modificar las estimaciones de A y S 2.
Estas nuevas estimaciones de A = 95,344.75
y S2 = 0.9788 se muestran en la tabla en las
columnas "Level (nivel) y "Seasonal"
(estacional) de la segunda fila, titulada
"PERIOD 10".

UTILIZACIN DE UN MODELO DE TENDENCIA

PARA PRONSTICO
En algunos casos, la demanda pasada muestra no slo
una estacionalidad, sino tambin una tendencia
creciente. Usted puede identificar esta combinacin en
los datos para Gas 'n' Go Station observando la figura,
donde puede ver que el pronstico basado en el modelo
estacional que incluya este componente de tendencia
junto con el aspecto estacional.

 Una forma de describir un modelo estacional

de tendencia multiplicativa, es en trminos
de una lnea de tendencia con una
interseccin A y una pendiente B junto con
ndices de estacionalidad S1, S2, . . . , Sm, que
indican si la demanda esperada est por
encima o por debajo de la lnea de tendencia
en cada estacin 1, 2, ...,m de un ao. El
modelo para la demanda, Dt, en un periodo
arbitrario t requiere determinar el periodo k
en el ao en que cae t, y est dado por:
Dt = (A + B*t) * Sk + et

 Nuevamente, et es un error aleatorio con

una media de 0. El pronstico Ft, para la
demanda futura en el periodo t es:
Ft = (A + B * t) * Sk (donde t corresponde a
la estacin k)

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.

 Considere el problema enfrentado por la gerencia del

Sun Resorts International. Esta empresa tiene un lugar
de recreo ubicado en Hawaii que se especializa en
convenciones, pero que tambin atiende turistas
regulares.
La gerencia desea obtener pronsticos de ingresos
trimestrales para determinar las necesidades de
presupuesto y de personal.
El departamento de contabilidad ha proporcionado los
ingresos trimestrales de los ltimos cinco aos, como
est en la tabla:

Construccin y uso de un modelo

de pronstico causal
El gerente de Sun Resorts International cree que uno de
los factores ms confiables en la prediccin del ingreso
total del siguiente trimestre es el nmero de
reservaciones de convenciones hechas a principios de
ese trimestre.
Un nmero de reservaciones mayor indica no slo un
ingreso mayor por convenciones, sino tambin mayores
ingresos no provenientes de convenciones. Esto se
debe a que las grandes reservaciones por convenciones
indican una mejor economa global, lo que
generalmente conduce a mayores negocios de
vacaciones. Estas reservaciones por convenciones se
hacen con bastante anticipacin, as que esta
informacin est disponible para pronosticar las ventas

 Como primer paso, usted querr usar el anlisis de

regresin para desarrollar un modelo que relacione los
ingresos trimestrales con las reservaciones por
convenciones.
El departamento de contabilidad le ha proporcionado los
datos de reservaciones al principio de cada trimestre desde
1989 hasta 1993, que se muestran en la tabla.
La grfica de los ingresos trimestrales como una funcin del
nmero de reservaciones se muestra en la figura e indica
una relacin lineal entre estos dos valores. Esta relacin se
describe mediante una lnea recta de la forma:
Ingresos trimestrales =A + B * Nmero de reservaciones

 Puede aplicar las frmulas de regresin para

estimar los valores de la interseccin A y de la
pendiente B que hacen que la lnea recta se
adapte mejor a los datos.
WINQSB, por ejemplo, produce la estimacin de
A = - 0.298079 y B = 0.833907, dando como
resultado el siguiente modelo de pronstico
causal:

Ingresos trimestrales = -0.298079

+ 0.833907 * Nmero de reservaciones

 WINQSB tambin proporciona el error estndar de la estimacin

para este modelo de regresin, que es anlogo al RMSE.
Cmo usa este modelo para pronosticar el ingreso en el
siguiente trimestre? Suponga que hay 10 reservaciones por
convenciones a principios del primer trimestre de 1994.
Entonces:

Ingresos trimestrales = -0.298079 + 0.833907 * (nmero de

reservaciones)
= -0.298079 + 0.833907 * 10 = $8.04 millones

La gerencia ahora puede usar estos ingresos proyectados de

$8.04 millones para tomar decisiones operacionales y
estratgicas. Por ejemplo, la gerencia puede asignar un cierto
porcentaje de estos ingresos como un presupuesto para
suministros, salarios y otras reas funcionales.

 Usted puede lograr otras mejoras de este

modelo de pronstico causal identificando otros
factores que afectan los ingresos trimestrales,
por ejemplo, el pronstico del tiempo esperado
de largo alcance, la cantidad de dinero gastada
en publicidad en los ltimos seis meses, etc.
Puede usar el "tiempo" como una de estas
variables si los ingresos muestran cierto
comportamiento dependiente del tiempo.
Estos factores adicionales se consideran en un
modelo de regresin mltiple. WINQSB puede
usarse para construir y analizar los modelos de
regresin mltiple.

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.

 La confiabilidad de tales pronsticos depende de lo

siguiente:
1. La correcta eleccin de un modelo de pronstico.
2. La disponibilidad de datos pasados suficientes y
precisos para estimar los parmetros del modelo.
3. La validacin del modelo antes de usarlo.
4. La forma especfica en la que el modelo final se
usa para hacer pronsticos.
5. El control y reestimacin de los parmetros del
modelo.

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.

 Adems de los componentes de tendencia y

estacionales, algunos negocios muestran un
comportamiento cclico con los aos.
Este comportamiento se debe a ciclos
econmicos generales de varios aos como los
periodos de altas tasas de inters seguidos de
periodos de bajas tasas de inters, periodos de
alta y luego baja inflacin y periodos de alto y
luego bajo desempleo. se dispone de mtodos
de pronstico y de paquetes de computacin
para incorporar estos ciclos de negocios en el
modelo.

Disponibilidad de datos pasados

Todos los modelos requieren que se utilicen datos
pasados suficientes y confiables para obtener
estimaciones de parmetros en el modelo.
Estos mtodos son inutilizables o no confiables para
nuevos productos que no han tenido una historia de
demandas significativa. Para tales casos, son ms
apropiados los mtodos alternativos, como los estudios
de mercado o las tcnicas cualitativas que se basan en
la experiencia de los individuos.

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.

Pronsticos de corto plazo contra

pronsticos de largo plazo
Una vez que se ha seleccionado un modelo apropiado y
que se ha estimado sus parmetros, el modelo se usa
para hacer pronsticos de corto o de largo alcance.
Los pronsticos de corto alcance se centran en las
cuestiones operacionales. Por ejemplo, cul es la
cantidad adecuada de materias primas por pedir para la
produccin del mes entrante?
Los pronsticos de largo alcance se centran en
decisiones estratgicas. Por ejemplo, continuar el
crecimiento lo suficiente en el futuro para garantizar la
apertura de otra planta de fabricacin?

 Los mtodos de pronstico generalmente trabajan bien

para pronsticos de corto alcance porque a menudo se
espera que el comportamiento pasado de la demanda
contine en el futuro inmediato. Sin embargo, debe
tener cuidado al usar estos mtodos para pronsticos
de largo alcance que puedan conducir a compromisos
financieros significativos.
Para tales pronsticos, pueden ser ms apropiados los
modelos causales que incorporan diversos factores
significativos (incluyendo indicadores econmicos,
ciclos de produccin, etc.) o modelos cualitativos que
se basen en estudios de mercado o el criterio de
"expertos".
Como una analoga, el clima del da de ayer puede
proporcionar un pronstico razonable del clima de
maana, pero no para el clima del prximo mes.

Revisin y actualizacin del modelo

Si considera que los errores de pronstico son
demasiado grandes, debe reconstruir el modelo usando
todos los datos disponibles.
Los cambios resultantes en los parmetros pueden
proporcionar un nuevo modelo que trabaje con ms
exactitud.

Resumen
En este captulo conoci dos clases de mtodos para pronosticar
demandas futuras:

Con los modelos de series de tiempos, la suposicin es que la

demanda futura seguir el mismo patrn de comportamiento en el
transcurso del tiempo que en el pasado, mediante un modelo de
nivel, de tendencia, estacional o de tendencia estacional.
Con los modelos causales, la suposicin es que la demanda futura
depender en una manera lineal de uno o ms factores predecibles
y medibles.

 Sea cual sea el mtodo que se elija, el pronstico final

se obtiene mediante un proceso de dos partes:
Construccin y prueba de diversos modelos de
pronstico usando datos pasados para estimar
parmetros mediante promedios mviles, suavizado
exponencial o anlisis de regresin. Se seleccionar el
modelo que tenga el menor error, como el error medio
absoluto, el error medio porcentual absoluto o el error
cuadrado medio.
Sera deseable que controlara el trabajo del modelo
seleccionado y usara los errores de pronstico en
periodos futuros para revisar sus estimaciones de los
parmetros o para crear por completo un nuevo modelo.

Chapter 12. Decision Analysis

Problem Formulation
Decision Making without Probabilities
Decision Making with Probabilities
Risk Analysis and Sensitivity Analysis
Decision Analysis with Sample Information
Computing Branch Probabilities

Decision Analysis

Decision analysis can be used to develop an

optimal strategy when a decision maker is
faced with several decision alternatives and an
uncertain or risk-filled pattern of future events.
Even when a careful decision analysis has
been conducted, the uncertain future events
make the final consequence uncertain.
The risk associated with any decision
alternative is a direct result of the uncertainty
associated with the final consequence.
Good decision analysis includes risk analysis that provides
probability information about the favorable as well as the
unfavorable consequences that may occur.

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.

Example: Pittsburgh Development Corp.

Pittsburgh Development Corporation (PDC)
purchased land that will be the site of a new
luxury condominium complex. PDC
commissioned preliminary architectural
drawings for three different projects: one with
30, one with 60 and one with 90
condominiums.
The financial success of the project depends
upon the size of the condominium complex and
the chance event concerning the demand for
the condominiums. The statement of the PDC
decision problem is to select the size of the
new complex that will lead to the largest profit
given the uncertainty concerning the demand

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

Demand for the

Condominiums

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.

Example: Pittsburgh Development Corp.

Consider the following problem with three decision
alternatives and two states of nature with the following
payoff table representing profits:
States of Nature
Strong Demand Weak Demand
Decision Alternative
s1
s2

PAYOFF TABLE

Small complex, d1
Medium complex, d2
Large complex, d3

7
14

20

5
-9

Decision Making without Probabilities

Three commonly used criteria for decision

making when probability information
regarding the likelihood of the states of
nature is unavailable are:

the optimistic approach

the conservative approach

the minimax regret approach.

Optimistic Approach

The optimistic approach would be used by an

optimistic decision maker.

The decision with the largest possible payoff is

chosen.

If the payoff table was in terms of costs, the

decision with the lowest cost would be chosen.

Example: Optimistic Approach

An optimistic decision maker would use the
optimistic (maximax) approach. We choose the
decision that has the largest single value in the
payoff table.
Maximum
Decision

Maximax
d1
decision

d2

d3

8
14
20

Payoff

Maximax
payoff

Conservative Approach

The conservative approach would be used

by a conservative decision maker.

For each decision the minimum payoff is

listed and then the decision corresponding to
the maximum of these minimum payoffs is
selected. (Hence, the minimum possible
payoff is maximized).

If the payoff was in terms of costs, the

maximum costs would be determined for
each decision and then the decision
corresponding to the minimum of these
maximum costs is selected. (Hence, the
maximum possible cost is minimized.)

Example: Conservative Approach

A conservative decision maker would use the
conservative (maximin) approach. List the minimum
payoff for each decision. Choose the decision with
the maximum of these minimum payoffs.

Maximin
decision

Minimum
Decision

d1
d2

Maximin
payoff

Payoff

7
5
d3

-9

Minimax Regret Approach

The minimax regret approach requires the

construction of a regret table or an
opportunity loss table.
This is done by calculating for each state of
nature the difference between each payoff and
the largest payoff for that state of nature.
Then, using this regret table, the maximum
regret for each possible decision is listed.
The decision chosen is the one corresponding
to the minimum of the maximum regrets.

Example: Minimax Regret Approach

For the minimax regret approach, first compute a
regret table by subtracting each payoff in a
column from the largest payoff in that column. In
this example, in the first column subtract 8, 14,
and 20 from 20; etc.
REGRET TABLE

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

Example: Minimax Regret Approach

For each decision list the maximum regret. Choose
the decision with the minimum of these values.
Maximum
Decision
d1

Minimax
decision

Regret

12
d2

d3

16

Minimax
regret

Decision Making with Probabilities

Expected Value Approach
If probabilistic information regarding the
states of nature is available, one may use the
expected value (EV) approach.
Here the expected return for each decision is
calculated by summing the products of the
payoff under each state of nature and the
probability of the respective state of nature
occurring.
The decision yielding the best expected
return is chosen.

Expected Value of a Decision Alternative

The expected value of a decision alternative is the
sum of weighted payoffs for the decision alternative.
The expected value (EV) of decision alternative di is
defined as:
N

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

Expected Value Approach

Calculate the expected value for each decision. The
decision tree on the next slide can assist in this
calculation. Here d1, d2, and d3 represent the decision
alternatives of building a small, medium, and large
complex, while s1 and s2 represent the states of
nature of strong demand and weak demand.

Decision Trees

A decision tree is a chronological

representation of the decision problem.
Each decision tree has two types of nodes;
round nodes correspond to the states of nature
while square nodes correspond to the decision
alternatives.
The branches leaving each round node
represent the different states of nature while
the branches leaving each square node
represent the different decision alternatives.
At the end of each limb of a tree are the
payoffs attained from the series of branches
making up that limb.

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

Expected Value for Each Decision

EMV = .8(8 mil) + .2(7 mil) = $7.8 mil

Small

d1

EMV = .8(14 mil) + .2(5 mil) = $12.2 mil

Medium d2

EMV = .8(20 mil) + .2(-9 mil) = $14.2 mil

Large

d3

Choose the decision alternative with the

largest EV. Build the large complex.

Expected Value of Perfect Information

Frequently information is available which
can improve the probability estimates for
the states of nature.
The expected value of perfect information
(EVPI) is the increase in the expected profit
that would result if one knew with certainty
which state of nature would occur.
The EVPI provides an upper bound on the
expected value of any sample or survey
information.

Expected Value of Perfect Information

EVPI Calculation
Step 1:
Determine the optimal return
corresponding to each state of nature.
Step 2:
Compute the expected value of these
optimal returns.
Step 3:
Subtract the EV of the optimal
decision from the amount determined in
step (2).

Expected Value of Perfect Information

Expected Value with Perfect Information (EVwPI)

EVwPI = .8(20 mil) + .2(7 mil) = $17.4 mil

Expected Value without Perfect Information
(EVwoPI)
EVwoPI = .8(20 mil) + .2(-9 mil) = $14.2 mil

Expected Value of Perfect Information (EVPI)

EVPI = |EVwPI EVwoPI| = |17.4 14.2| = $3.2 mil

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

The risk profile for a decision alternative shows

the possible payoffs for the decision alternative
along with their associated probabilities.

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

If a small change in the value of one of

the inputs causes a change in the
recommended decision alternative, extra
effort and care should be taken in
estimating the input value.

Decision Analysis with Sample Information

Frequently, decision makers have preliminary

or prior probability assessments for the states
of nature that are the best probability values
available at that time.
To make the best possible decision, the decision
maker may want to seek additional information
about the states of nature.
This new information, often obtained through
sampling, can be used to revise the prior
probabilities so that the final decision is based
on more accurate probabilities for the states of
nature.
These revised probabilities are called posterior
probabilities.

Example: Pittsburgh Development Corp.

Let us return to the PDC problem and
assume that management is considering a 6month market research study designed to
learn more about potential market acceptance
of the PDC condominium project.
Management anticipates that the market
research study will provide one of the
following
two results:
1. Favorable
report: A significant number of
the
individuals contacted express interest in
purchasing a PDC condominium.
2. Unfavorable report: Very few of the
individuals
contacted express interest in purchasing a
PDC

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

A decision strategy is a sequence of decisions

and chance outcomes where the decisions
chosen depend on the yet-to-be-determined
outcomes of chance events.

The approach used to determine the optimal

decision strategy is based on a backward pass
through the decision tree using the following
steps:
At chance nodes, compute the expected value
by multiplying the payoff at the end of each
branch by the corresponding branch
probabilities.
At decision nodes, select the decision branch
that leads to the best expected value. This

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

EV = .8(8) + .2(7) = $7.80 mil

d1 12
d2
EV = .8(14) + .2(5) = $12.20 mil
13
d3
14
EV = .8(20) + .2(-9) = $14.20 mil

Decision Strategy

PDCs optimal decision strategy is:

Conduct the market research study.

If the market research report is favorable,

construct the large condominium complex.

If the market research report is unfavorable,

construct the medium condominium complex.

Risk Profile
PDCs Risk Profile
1.00
Probability

.80

.72

.60
.40
.20

.15

.05

-10 -5

.08

5 10 15 20

Profit ($ millions)

Expected Value of Sample Information

The expected value of sample information
(EVSI) is the additional expected profit
possible through knowledge of the sample
or survey information.
The expected value associated with the
market research study is $15.93.
The best expected value if the market
research study is not undertaken is $14.20.
We can conclude that the difference, $15.93
$14.20 = $1.73, is the expected value of
sample information.
Conducting the market research study adds
$1.73 million to the PDC expected value.

Efficiency of Sample Information

Efficiency of sample information is the ratio of
EVSI to EVPI.
As the EVPI provides an upper bound for the EVSI,
efficiency is always a number between 0 and 1.

Efficiency of Sample Information

The efficiency of the survey:
E = (EVSI/EVPI) X 100
= [($1.73 mil)/($3.20 mil)] X 100
= 54.1%
The information from the market research study is 54.1% as
efficient as perfect information.

Computing Branch Probabilities

We will need conditional probabilities for all

sample outcomes given all states of nature, that
is, P(F | s1), P(F | s2), P(U | s1), and P(U | s2).
Market Research
State of Nature Favorable, Unfavorable,
F
U
Strong demand, P(F| s1) = .
P(U| s1) = .10
s1
90
Weak demand,
P(F| s2) = .
P(U| s2) = .75
s2
25

Computing Branch Probabilities

Branch (Posterior) Probabilities Calculation

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.

Computing Branch Probabilities

Branch (Posterior) Probabilities Calculation

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.

Bayes Theorem and Posterior

Probabilities

Knowledge of sample (survey) information can

be used to revise the probability estimates for
the states of nature.
Prior to obtaining this information, the
probability estimates for the states of nature are
called prior probabilities.
With knowledge of conditional probabilities for
the outcomes or indicators of the sample or
survey information, these prior probabilities can
be revised by employing Bayes' Theorem.
The outcomes of this analysis are called
posterior probabilities or branch probabilities for
decision trees.

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

P(favorable) = P(F) = 0.77

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

P(unfavorable) = P(U) = 0.23

Chapter 13. Utility and Game

Theory
The Meaning of Utility
Utility and Decision Making
Utility: Other Considerations
Introduction to Game Theory
Mixed Strategy Games

Example: Swofford, Inc.

For the upcoming year, Swofford has three real
estate
investment alternatives, and future real estate
prices are
uncertain. The possible investment payoffs are
PAYOFF TABLE
below.
States of Nature
Real Estate Prices:
Go Up Remain Same Go Down
Decision Alternative
s1
s2
s3
Make Investment A, d1
-50,000
Make Investment B, d2
-30,000

30,000

20,000

50,000

-20,000

Example: Swofford, Inc.

Expected Value (EV) Approach

If the decision maker is risk neutral the
expected value approach is applicable.
EV(d1) = .3(30,000) + .5( 20,000) + .2(-50,000) = $9,000
EV(d2) = .3(50,000) + .5(-20,000) + .2(-30,000) = -$1,000
EV(d3) = .3(

) + .5(

) + .2(

) = $0

Considering no other factors, the optimal

decision appears to d1 with an expected
monetary value of $9,000. but is it?

Example: Swofford, Inc.

Other

considerations:
Swoffords current financial position is weak.

The firms president believes that, if the next

investment results in a substantial loss,
Swoffords future will be in jeopardy.

Quite possibly, the president would select d2

or d3 to avoid the possibility of incurring a
$50,000 loss.

A reasonable conclusion is that, if a loss of

even $30,000 could drive Swofford out of
business, the president would select d3,
believing that both investments A and B are

The Meaning of Utility

Utilities are used when the decision criteria

must be based on more than just expected
monetary values.

Utility is a measure of the total worth of a

particular outcome, reflecting the decision
makers attitude towards a collection of factors.

Some of these factors may be profit, loss, and

risk.

This analysis is particularly appropriate in cases

where payoffs can assume extremely high or
extremely low values.

Steps for Determining the Utility of Money

Step 1:
Develop a payoff table using monetary values.
Step 2:
Identify the best and worst payoff values and
assign
each a utility value, with
U(best payoff) > U(worst payoff).
Step 3: Define the lottery. The best payoff is
obtained
with probability p; the worst is
obtained with
probability (1 p).

Example: Swofford, Inc.

Step 1: Develop payoff table.
Monetary payoff table on earlier slide.
Step 2: Assign utility values to best and worst
payoffs.
Utility of $50,000 = U(50,000) = 0
Utility of $50,000 = U(50,000) = 10
Step 3: Define the lottery.
Swofford obtains a payoff of $50,000 with
probability p and a payoff of $50,000 with
probability (1 p).

Steps for Determining the Utility of Money

Step 4:
For every other monetary value M in the payoff
table:
4a: Determine the value of p such that the
decision
maker is indifferent between a
guaranteed
payoff of M and the lottery
defined in step 3.
4b: Calculate the utility of M:
U(M) = pU(best payoff) + (1 p)U(worst
payoff)

Example: Swofford, Inc.

Establishing the utility for the payoff of $30,000:
Step 4a: Determine the value of p.
Let us assume that when p = 0.95,
Swoffords
president is indifferent between the
guaranteed
payoff of $30,000 and the lottery.
Step 4b: Calculate the utility of M.
U(30,000) = pU(50,000) + (1
p)U(50,000)
= 0.95(10) + (0.05)(0)

Steps for Determining the Utility of Money

Step 5:
Convert the payoff table from monetary values to
utility values.
Step 6:
Apply the expected utility approach to the utility
table developed in step 5, and select the decision
alternative with the highest expected utility.

Example: Swofford, Inc.

Step 5: Convert payoff table to utility values.
States of Nature
Real Estate Prices:
UTILITY TABLE
Go Up Remain Same Go Down
Decision Alternative
s1
s2
s3
Make Investment A, d1
0
Make Investment B, d2
4.0
Do Not Invest, d3
7.5
Probability

9.5

9.0

10.0
7.5
.3

5.5
7.5
.5

Expected Utility Approach

Once a utility function has been determined,

the optimal decision can be chosen using the
expected utility approach.

Here, for each decision alternative, the utility

corresponding to each state of nature is
multiplied by the probability for that state of
nature.

The sum of these products for each decision

alternative represents the expected utility for
that alternative.

The decision alternative with the highest

Example: Swofford, Inc.

Step 6: Apply the expected utility approach.
The expected utility for each of the decision
alternatives in the Swofford problem is:
EV(d1) = .3( 9.5) + .5(9.0) + .2( 0 ) = 7.35
EV(d2) = .3(10.0) + .5(5.5) + .2(4.0) = 6.55
EV(d3) = .3( 7.5) + .5(7.5) + .2(7.5) = 7.50
Considering the utility associated with each
possible payoff, the optimal decision is d3 with
an expected utility of 7.50.

Example: Swofford, Inc.

Comparison of EU and EV Results

Decision
Alternative
Do Not
Invest
Investment
A
Investment
B

Expected
Utility
7.50

Expected
Value
0

7.35

9,000

6.55

-1,000

Risk Avoiders Versus Risk Takers

A risk avoider will have a concave utility
function when utility is measured on the
vertical axis and monetary value is
measured on the horizontal axis. Individuals
purchasing insurance exhibit risk avoidance
behavior.
A risk taker, such as a gambler, pays a
premium to obtain risk. His/her utility
function is convex. This reflects the decision
makers increasing marginal value of money.
A risk neutral decision maker has a linear
utility function. In this case, the expected
value approach can be used.

Risk Avoiders Versus Risk Takers

Most individuals are risk avoiders for some amounts of
money, risk neutral for other amounts of money, and risk
takers for still other amounts of money.
This explains why the same individual will purchase both
insurance and also a lottery ticket.

Utility Example 1
Consider the following three-state, three-decision
problem with the following payoff table in dollars:
s1

s2

s3

d1 +100,000 +40,000 -60,000

d2

+50,000 +20,000 -30,000

d3

+20,000 +20,000 -10,000

The probabilities for the three states of nature are:

P(s1) = .1, P(s2) = .3, and P(s3) = .6.

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

The optimal decision is d3.

Utility Example 1
Decision Makers with Different Utilities
Suppose two decision makers have the following
utility values:
Utility

Utility

Amount Decision Maker I Decision Maker II

$100,000 100 100
$ 50,000
94 58
$ 40,000
90 50
$ 20,000
80 35
-$ 10,000
60 18
-$ 30,000
40 10
-$ 60,000
0
0

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

Monetary Value (in $1000s)

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

Note: d4 is dominated by d2 and hence is not

considered
Decision Maker I should make decision d3.

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

Note: d4 is dominated by d2 and hence is not

considered.
Decision Maker II should make decision d1.

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.

The decision problem is worth more to Decision

Maker II (since $58,330 > $18,500).

Expected Monetary Value

Versus Expected Utility

Expected monetary value and expected utility

will always lead to identical recommendations if
the decision maker is risk neutral.

This result is generally true if the decision

maker is almost risk neutral over the range of
payoffs in the problem.

Expected Monetary Value

Versus Expected Utility

Generally, when the payoffs fall into a

reasonable range, decision makers express
preferences that agree with the expected
monetary value approach.

Payoffs fall into a reasonable range when the

best is not too good and the worst is not too
bad.

If the decision maker does not feel the payoffs

are reasonable, a utility analysis should be
considered.

Introduction to Game Theory

In decision analysis, a single decision maker

seeks to select an optimal alternative.
In game theory, there are two or more decision
makers, called players, who compete as
adversaries against each other.
It is assumed that each player has the same
information and will select the strategy that
provides the best possible outcome from his
point of view.
Each player selects a strategy independently
without knowing in advance the strategy of the
other player(s).
continue

Introduction to Game Theory

The combination of the competing strategies

provides the value of the game to the players.

Examples of competing players are teams,

armies, companies, political candidates, and
contract bidders.

Two-Person Zero-Sum Game

Two-person means there are two competing

players in the game.

Zero-sum means the gain (or loss) for one

player is equal to the corresponding loss (or
gain) for the other player.

The gain and loss balance out so that there is a

zero-sum for the game.

What one player wins, the other player loses.

Two-Person Zero-Sum Game Example

Competing for Vehicle Sales

Suppose that there are only two vehicle
dealer-ships in a small city. Each dealership is
considering
three strategies that are designed to take
sales of
new vehicles from the other dealership over a
four-month period. The strategies, assumed
to be
the same for both dealerships, are on the
next slide.

Two-Person Zero-Sum Game Example

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.

Two-Person Zero-Sum Game Example

Payoff Table: Number of Vehicle Sales

Gained Per Week by Dealership A
(or Lost Per Week by Dealership
B)
Dealership B
Cash Free
0%
Rebate Options Loan
b1
b2
b3

Dealership A

Cash Rebate
Free Options
0% Loan

a1
a2
a3

2
-3
3

1
-1
0

2
3
-2

Two-Person Zero-Sum Game Example

Step 1: Identify the minimum payoff for each

row (for Player A).

Step 2: For Player A, select the strategy that

provides
the maximum of the row minimums
(called
the maximin).

Two-Person Zero-Sum Game Example

Identifying Maximin and Best Strategy

Dealership B
Cash Free
0%
Rebate Options Loan Row
b1
b2
b3
Minimum

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

Two-Person Zero-Sum Game Example

Step 3: Identify the maximum payoff for each

column
(for Player B).

Step 4: For Player B, select the strategy that

provides
the minimum of the column
maximums
(called the minimax).

Two-Person Zero-Sum Game Example

Identifying Minimax and Best

Strategy
Dealership B
Cash Free
0%
Rebate Options Loan
b1
b2
b3

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

Whenever an optimal pure strategy exists:

the maximum of the row minimums equals
the minimum of the column maximums
(Player As maximin equals Player Bs
minimax)

the game is said to have a saddle point (the

intersection of the optimal strategies)

the value of the saddle point is the value of

the game

neither player can improve his/her outcome

by changing strategies even if he/she learns

Pure Strategy Example

Saddle Point and Value of the

Game
Dealership B

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

Pure Strategy Example

Pure Strategy Summary

Player A should choose Strategy a1 (offer a
cash rebate).

Player A can expect a gain of at least 1

vehicle sale per week.

Player B should choose Strategy b3 (offer a

0% loan).

Player B can expect a loss of no more than

1 vehicle sale per week.

Mixed Strategy

If the maximin value for Player A does not equal

the minimax value for Player B, then a pure
strategy is not optimal for the game.

In this case, a mixed strategy is best.

With a mixed strategy, each player employs

more than one strategy.

Each player should use one strategy some of

the time and other strategies the rest of the
time.

The optimal solution is the relative frequencies

Mixed Strategy Example

Consider the following two-person zero-sum

game. The maximin does not equal the
minimax. There is not an optimal pure
strategy.
Player B
Player A
a1
a2
Column
Maximum

b1
4
11 8
5
11
8

b2

Row
Minimum

4
5
Minimax

Maximin

Mixed Strategy Example

p = the probability Player A selects strategy a1
(1 p) = the probability Player A selects strategy a2
If Player B selects b1:
EV = 4p + 11(1 p)
If Player B selects b2:
EV = 8p + 5(1 p)

Mixed Strategy Example

To solve for the optimal probabilities for Player A
we set the two expected values equal and solve for
the value of p.
4p + 11(1 p) = 8p + 5(1 p)
4p + 11 11p = 8p + 5 5p
11 7p = 5 + 3p Hence,
(1 p) = .4
-10p = -6
p = .6
Player A should select:
Strategy a1 with a .6
probability and
Strategy a2 with a .4
probability.

Mixed Strategy Example

q = the probability Player B selects strategy b1
(1 q) = the probability Player B selects strategy b2
If Player A selects a1:
EV = 4q + 8(1 q)
If Player A selects a2:
EV = 11q + 5(1 q)

Mixed Strategy Example

To solve for the optimal probabilities for Player B
we set the two expected values equal and solve for
the value of q.
4q + 8(1 q) = 11q + 5(1 q)
4q + 8 8q = 11q + 5 5q
8 4q = 5 + 6q Hence,
(1 q) = .7
-10q = -3
q = .3
Player B should select:
Strategy b1 with a .3
probability and
Strategy b2 with a .7
probability.

Mixed Strategy Example

Value of the Game

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

Dominated Strategies Example

Suppose that the payoff table for a two-person
zerosum game is the following. Here there is no
Player B
optimal
pure strategy.
Row
b1
b2
b3 Minimum
Player A
a1
a2
a3
Column
Maximum

6
1
3
6

-2
3
-3
3

5
0
4
5

-2
0
-3

Maximin

Minimax

Dominated Strategies Example

If a game larger than 2 x 2 has a mixed
strategy, we first look for dominated
strategies in order to reduce the size of the
game.
Player B
Player A
a1

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

Dominated Strategies Example

We continue to look for dominated
strategies in order to reduce the size of the
game.
Player B
Player A
a1

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

Dominated Strategies Example

The 3 x 3 game has been reduced to a 2 x 2.
It is now possible to solve algebraically for
the optimal mixed-strategy probabilities.
Player B
Player A
a1
a2

b1
6
1 -2
3

b3

Other Game Theory Models

Two-Person, Constant-Sum Games

(The sum of the payoffs is a constant other
than zero.)
Variable-Sum Games
(The sum of the payoffs is variable.)
n-Person Games
(A game involves more than two players.)
Cooperative Games
(Players are allowed pre-play
communications.)
Infinite-Strategies Games
(An infinite number of strategies are available
for the players.)

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.