Está en la página 1de 426

METODOS

CUANTITATIVOS
APLICADOS A LOS NEGOCIOS
PENSAMIENTOS

Usted es responsable por su propio aprendizaje.


Yo soy responsable por apoyarlo, facilitarle
aprender y aprender juntos.
Anónimo
Introducción
La situación actual:

Actualmente la gerencia esta funcionando en un ambiente


que esta sometido a muchos mas cambios que en cualquier
época pasada.
El gerente puede iniciar algunos de esos cambios, pero
generalmente no ocurre así, sino que los dicta la dinámica de
la producción, mientras que la dinámica de los mercados,
desplaza los mercados tradicionales.
La empresa eficiente de nuestra época debe depender en
gran parte de las computadores y de los métodos
cuantitativos para manejar sus innumerables problemas,
tanto los de rutina, como los mas complejos y bien
estructurados.
Proceso de toma de decisiones.

¿Qué hace un gerente?

Tomar decisiones estratégicas para la vida de una


empresa.
¿Cuando empieza una toma de decisiones?

Cuando surge un problema (generalmente)

¿Qué hacemos con el problema?

Lo identificamos y buscamos su solución


Proceso de toma de decisiones

Conocido un problema, el gerente hace lo siguiente


(generalmente):

1. Definir el problema en forma clara y formular el


objetivo.
2. Identificar las restricciones.
3. Evaluar las alternativas.
4. Escoger el mejor curso de acción.
Toma de decisiones VS resolución de
problemas.

Resolución de problemas

Escoger
Implementar Evaluar los
Definir el Identificar Determinar Evaluar una
la decisión resultados
problema alternativas los criterios alternativas alternativa

Toma de decisiones

Decisión

Tomado del libro Métodos Cuantitativos para los Negocios de Anderson-Sweenwy-Williams


Proceso de toma de decisiones

¿Cómo realiza este proceso el gerente?

1. Cualitativamente 2. Cuantitativamente
Proceso de toma de decisiones

Tomado del libro Métodos Cuantitativos para los Negocios de Anderson-Sweenwy-Williams


Proceso de toma de decisiones

La habilidad para resolver problemas mediante el


análisis cuantitativo, es propio de cada gerente.
Pero esta habilidad puede adquirirse ó aumentarse con
la experiencia.
Esta habilidad puede adquirirse con el estudio de las
herramientas matemáticas que ofrece los Métodos
Cuantitativos (ó Investigación de Operaciones).

SEÑORES, POR ESO ESTAMOS AQUÍ.


Objetivos del curso
1. Apreciar la importancia y poder de métodos
cuantitativos.
2. Aprender a reconocer cuándo los métodos
cuantitativos pueden (y cuando no) ser aplicados en
forma fructífera.
3. Aprender como aplicar las principales técnicas de
métodos cuantitativos para analizar una variedad
de problemas administrativos.
4. Desarrollar una comprensión de la interpretación
de los resultados de un estudio de métodos
cuantitativos.
Empezamos….
Métodos Cuantitativos Aplicados a
los Negocios
Se han dado diversos nombre a todo el conjunto de
conocimientos que involucran procedimientos
cuantitativos para la toma de decisiones, los mas
comunes son:
 Ciencia de la administración,
 Investigación de operaciones,
 Ciencias de la decisiones,

Nosotros, utilizaremos nombre de : Métodos


cuantitativos aplicados a los negocios.
Métodos cuantitativos ó Investigación de
operaciones
El nombre tradicional dado a la disciplina (y que aún se
usa fuera de las escuelas de negocios) es
investigación de operaciones. Este nombre surgió
porque los equipos científicos en la segunda guerra
mundial estaban haciendo investigación acerca de
cómo manejar las operaciones militares.
La abreviatura IO también se conoce ampliamente.
Con frecuencia se combina la abreviatura con la de los
métodos cuantitativos, de ahí que se conozca la
disciplina como IO/MC
Métodos cuantitativos - Definición

Los Métodos Cuantitativos (MC) son una disciplina que


intenta ayudar en la toma de decisiones mediante la
aplicación de un enfoque científico a problemas
administrativos que involucran factores cuantitativos.
Análisis de decisiones
Introducción
 Con frecuencia los gerentes tienen que tomar decisiones en
entornos que contienen mucha incertidumbre. Ejemplo:
 Un fabricante introduce un nuevo producto al mercado.
 Una firma financiera que invierte en valores.
 Un contratista gubernamental licita un nuevo contrato.
 Una firma agrícola selecciona la mezcla de cultivo y ganado
para la temporada entrante.
 Una compañía petrolera decide si perfora o no en busca de
petróleo en una ubicación dada.
 Estos son los tipos de toma de decisiones frente a una gran
incertidumbre para los que se diseño el análisis de decisiones.
¿Cuándo hacer análisis de decisiones?

El análisis de decisiones se puede emplear para


determinar estrategias optimas cuando quien debe
tomar decisiones tiene que enfrentarse ante varias
alternativas de decisión y un patrón incierto o lleno
de riesgos de eventos futuros.
Objetivo

 Ayudar a tomar mejores decisiones.

 Con una buena decisión no siempre se obtiene un


buen resultado.

 Pero una buena decisión produce buenos resultados


con mayor frecuencia.
Análisis de decisiones: Primer paso

 Identificar las alternativas de decisión.

Alternativa: Acciones que se tomarían para


resolver el problema.

Se deben presentar dos o más alternativas de


decisión.
Análisis de decisiones: Segundo paso

 Identificar los estados de la naturaleza

Estado de la Naturaleza: Posible evento futuro.


Son eventos que no están bajo el control del
decisor y que podrían afectar los resultados.
Deben ser mutuamente excluyentes y
colectivamente exhaustivos.
Análisis de decisiones: Tercer paso

 Identificar la tabla de retribuciones (ó matriz de


pagos)
TABLA DE RETRIBUCIONES
ESTADO DE NATURALEZA
DECISION
1 2 ........ M
d1 r11 r21 ........ r1m
d2 r12 r22 ........ r2m
: : : ........ :
dn r1n r2n ........ rnm

Esta matriz esta compuesta por la utilidad asociada


con cada una de las combinaciones de alternativa de
decisión y estado de naturaleza.
Análisis de decisiones: Tomar la decisión

 Depende del modelo de decisión que se este


utilizando.

 Clase de modelo de decisión:


 Decisiones bajo certidumbre.
 Decisiones bajo riesgo.
 Decisiones bajo incertidumbre
Decisiones bajo certidumbre.

 Quien toma la decisión sabe exactamente qué


estado de la naturaleza ocurrirá.

 El único problema es seleccionar la mejor decisión.


Decisiones bajo riesgo.

 Los estados de naturaleza están definidos por una


distribución de probabilidades.
 Quien toma la decisión puede utilizar los siguientes
criterios:
 Maximizar el rendimiento esperado medido por el
rendimiento neto.
 Minimizar el arrepentimiento esperado (costo de
oportunidad).
 Maximizar el rendimiento esperado medido por la
utilidad.
 La mayor parte de de los modelos de decisiones
administrativas caen en esta categoría.
Ejemplo 01: Puesto de periódico.
Un repartidor de periódico puede compra el diario Gestión a $
0.40 y venderlo a $ 0.75. Sin embargo, debe adquirir los
periódicos antes de saber cuantos puede vender realmente. Si
compra mas periódicos de los que puede vender, simplemente
desechara el excedente, sin costo adicional. Si no compra
suficientes periódicos, pierde ventas potenciales ahora y
posiblemente en el futuro (los clientes disgustados podrían ya no
comprarle). Supóngase, por el momento, que esta perdida de
ventas futuras es representada por un costo de perdida del buen
nombre estimado en $ 0.50 por cliente insatisfecho. A
continuación mostramos la distribución de probabilidades de la
demanda de periódicos.
Demanda 0 1 2 3
Probabilidad 0.1 0.3 0.4 0.2
Análisis de decisiones: Primer paso

Para simplificar el análisis, supondremos las siguientes


decisiones:
 Comprar 0 periódico
 Comprar 1 periódico.
 Comprar 2 periódicos.
 Comprar 3 periódicos.
Análisis de decisiones: Segundo paso

Definiendo nuestros estados de naturaleza:


 Que me compren 0 periódico.
 Que me compren 1 periódico.
 Que me compren 2 periódicos.
 Que me compren 3 periódicos.
Análisis de decisiones: Tercer paso

Construyendo mi tabla de retribuciones, tenemos:


Análisis de decisiones: Tomar la
decisión

Usaremos el criterio de: Maximizar el rendimiento esperado

Precio de venta 75 centavos


Costo de compra 40 centavos
Costo de perdida de un cliente 50 centavos

Estados de naturaleza Rendimiento esperado


Decisión 0 1 2 3
0 0 -50 -100 -150 -85.0
1 -40 35 -15 -65 -12.5
2 -80 -5 70 20 22.5
3 -120 -45 30 105 7.5

Probabilidades 0.1 0.3 0.4 0.2

De acuerdo a este criterio, nuestra decisión será: comprar


02 periódicos, porque me produce el mayor rendimiento
esperado.
Análisis de decisiones: Análisis de
sensibilidad
La decisión tomada, está basada en un costo, el costo de
perdida de un cliente, cuyo valor es mucho menos seguro
que los otros dos costos (compra y venta). ¿Qué le pasaría
a la decisión óptima si el costo de perder a un cliente
fuera diferente?.

Para resolver
esto, haremos
un análisis de
sensibilidad
con la ayuda
del Excel
Análisis de decisiones: Análisis de
sensibilidad

ANALISIS DE SENCIBILIDAD

50
0
-50 Comprar 0
20

40

60

80
0

0
10

12

14
-100 Comprar 1
-150 Comprar 2
-200 Comprar 3
-250
-300
Decisiones bajo incertidumbre
 Se asume que quien toma la decisión no tiene
conocimiento de cuál estado de la naturaleza
ocurrirá.
 Existen tres criterios para tomar la decisión:
 Maximizar el rendimiento neto mínimo.
 Maximizar el rendimiento máximo.
 Minimizar el arrepentimiento máximo.
 Cada uno de estos criterios conducirá, en general, a
diferentes decisiones, con las cuales muchos
administradores se sentirán inconformes.
Maximizar el rendimiento neto mínimo.
 El criterio maximin es un procedimiento
extremadamente conservador, quizás pesimista.
 Evalúa cada decisión según la peor circunstancia que
pudiera pasar si tomara esa decisión.
 Es utilizado a menudo en situaciones donde la persona
que planea siente que no puede permitirse un error.
 De acuerdo a este criterio, el vendedor de periódico, se
decide por comprar 1 periódico.
Estados de naturaleza Rendimiento
Decisión 0 1 2 3 Decisión
mínimo
0 0 -50 -100 -150 0 -150
1 -40 35 -15 -65 1 -65
2 -80 -5 70 20 2 -80
3 -120 -45 30 105 3 -120
Maximizar el rendimiento máximo.
 El criterio maximax es tan optimista como pesimista es
el maximin.
 Evalúa cada decisión según lo mejor que pudiera pasar si
ésta se tomara.
 La decisión que proporcione el máximo de estos
rendimientos máximos es entonces seleccionada.
 De acuerdo a este criterio, el vendedor de periódico, se
decide por comprar 3 periódico.
Estados de naturaleza Rendimiento
Decisión
Decisión 0 1 2 3 máximo
0 0 -50 -100 -150 0 0
1 -40 35 -15 -65 1 35
2 -80 -5 70 20 2 70
3 -120 -45 30 105 3 105
Minimizar el arrepentimiento máximo.
 Hasta ahora, todos los criterios de decisión han sido
utilizados en una tabla de retribuciones como rendimientos
medidos por flujo de efectivo.
 Ahora trabajaremos con un tabla de retribución donde se
muestre el arrepentimiento para cada combinación de decisión
y estado de naturaleza.
 Se procede de la siguiente manera:
 Se encuentra la entrada máxima en cada columna.
 Se calcula la nueva entrada sustrayendo la entrada
actual del máximo de su columna.
 Utilizar el criterio minimax conservador, esto es, seleccionar
aquella decisión que funcione mejor en el peor caso.
 Seleccionar la decisión que minimice el arrepentimiento
máximo.
Minimizar el arrepentimiento máximo
Paso 1 Paso 2
Estados de naturaleza Estados de naturaleza
Decisión 0 1 2 3 Decisión 0 1 2 3
0 0 -50 -100 -150 0 0-0 35 - (-50) 70 - (-100) 105 - (-150)
1 -40 35 -15 -65 1 0 - (-40) 35 - 35 70 - (-15) 105 - (-65)
2 -80 -5 70 20 2 0 - (-80) 35 - (-5) 70 - 70 105 - 20
3 -120 -45 30 105 3 0 - (-120) 35 - (-45) 70 - 30 105 - 105

Paso 3 Paso 4
Estados de naturaleza Máximo
Decisión 0 1 2 3 Decisión
arrepentimiento
0 0 85 170 255 0 255
1 40 0 85 170 1 170
2 80 40 0 85 2 85
3 120 80 40 0 3 120

En el caso del vendedor de periódico, el criterio de


arrepentimiento minimax indica que el repartidor de
periódico debe comprar 2 periódicos.
Árbol de Decisiones

 Representación gráfica del proceso de toma de


decisiones bajo riesgo.
 Todas las posibles secuencias de eventos están
representadas en el árbol de decisiones, cada una
de las cuales podría llevarnos a uno de varios
resultados inciertos.
 Para aprender como crear un árbol de decisiones,
veamos el siguiente ejemplo:
Ejemplo 02
Acaba de completarse la fase de diseño y prueba de productos
para la nueva línea de tractores para jardín y uso domestico de
PROTRAC. La alta gerencia está tratando de decidir la
estrategia de mercadotecnia y producción apropiadas para
usarse con este producto. Se están considerando tres
alternativas principales:
Agresiva (A): Esta estrategia representa un compromiso
importante por parte de la empresa con esta línea de producto.
Se incurriría en importantes desembolsos de capital para una
nueva y eficiente planta de producción. Se acumularían grandes
inventarios para garantizar la entrega apropiada de todos los
modelos. Se iniciara una gran campaña de publicidad incluyendo
un patrocinio a nivel nacional de comerciales en televisión y se
arrancaría un programa de descuentos a distribuidores.
Ejemplo 02
Básica (B): En este plan, la producción del E-4 (el tractor
oruga pequeño) sería trasladada de Joliet a Moline. Este
traslado eliminaría el departamento de producción del pelicano
ajustable y del excavador. Al mismo tiempo, la línea E-4 en
Joliet seria modificada para producir el nuevo producto para
jardín y uso domestico. Se mantendrían inventario solo para los
productos mas populares. Las oficinas centrales pondrían
fondos a disposición para apoyar esfuerzos locales o regionales
de publicidad, pero no se haría una campaña publicitaria
nacional.
Cautelosa (C): En este plan, la capacidad sobrante en varia
de las líneas E-4 se utilizaría para manufacturar los nuevos
productos. Se desarrollaría un mínimo de nuevos montajes. La
producción se programaría para satisfacer la demanda y la
publicidad correría a cargo del comerciante local.
Ejemplo 02

La administración decide clasificar el estado del mercado


como fuerte (D1) o débil (D2). En realidad la demanda se
caracteriza por un continuo de resultados posibles. A
continuación se muestra la tabla de retribuciones y su
respectiva probabilidad:

Estado naturaleza
Decisión
D1 D2
A 30 -8
B 20 7
C 5 15

Probabilidad 0.45 0.55


Construcción del Árbol de Decisiones

 Nodo Cuadrado: Punto donde debe tomarse una


decisión. Cada línea que parte de él representa una
decisión.
 Nodo Circular: Representan situaciones donde el
resultado es incierto.
 Rama:Cada línea que emanan de los nodos.
 Posiciones terminales.
 Nodos terminales.
 En este curso, utilizaremos el software TreePlan.
Este software esta disponible como shareware. Visite
su sitio web en http://www.treeplan.com
Árbol de Decisiones del ejemplo 02
0.45
Fuerte
30
Agresiva 30 30

0 9.1 0.55
Débil
-8
-8 -8

0.45
Fuerte
20
Básica 20 20
2
12.85 0 12.85 0.55
Débil
7
7 7

0.45
Fuerte
5
Cautelosa 5 5

0 10.5 0.55
Débil
15
15 15
Árbol de Decisiones: Cómo incorporar
nueva información.

La administración de la división de tractores


domésticos de PROPRAC estaba a punto de
recomendar la estrategia de mercadotecnia y
producción básica, cuando el consejo directivo insistió
en que primero tendría que llevarse a cabo un estudio
de investigación de mercado. Sólo después de dicho
estudio el consejo estaría dispuesto a aprobar la
selección de la estrategia de mercadotecnia y
producción.

¿Cómo de debe proceder?


Árbol de Decisiones: Cómo incorporar
nueva información.
 Seleccionar a una empresa que realice el estudio de mercado
en un tiempo prudente (recomendablemente un mes). Sobre
si el estudio era alentador (A) o desalentador (D).
 Esté informe revelara siempre el estado verdadero de la
naturaleza.
 La administración una vez que tenga la información, puede
actualizar su estimación P(F), es decir la probabilidad de que
el mercado fuera fuerte, sería actualizada.
 La pregunta es: ¿cómo deberá realizarse la actualización?.
 La actualización, se realiza basándonos en la probabilidad
condicional.
Árbol de Decisiones: Calculo de
probabilidades a posteriori
 La pregunta es: ¿cómo calcular la probabilidad a
posteriori?
 Supongamos que el grupo de mercadotecnia ha dado el
siguiente informe:
P(Cj/Di)
D1 D2
Alentador (C1) 0.6 0.3
Desalentador (C2) 0.4 0.7

 La clave para obtener las probabilidades a posteriori es


el teorema de Bayes.
 Nosotros utilizaremos el Excel para calcularlas
Árbol de Decisiones: Calculo de
probabilidades a posteriori con el Excel
CONFIABILIDADES
Fuerte Débil
Alentador 0.6 0.3
Desalentador 0.4 0.7

PROBABILIDADES A PRIORI
Fuerte Débil
0.45 0.55

PROBABILIDADES CONJUNTAS Y MARGINALES


Fuerte Débil
Alentador 0.27 0.165 0.435
Desalentador 0.18 0.385 0.565
0.45 0.55

PROBABILIDAD A POSTERIORI
Fuerte Débil
Alentador 0.621 0.379
Desalentador 0.319 0.681
Árbol de Decisiones: informe alentador
0.621
Fuerte
30
Agresiva 30 30

0 15.598 0.379
Débil
-8
-8 -8

0.621
Fuerte
0.435 20
Alentador Básica 20 20
1
0 15.598 0 15.073 0.379
Débil
7
7 7

0.621
Fuerte
5
Cautelosa 5 5

0 8.79 0.379
Débil
15
15 15

13.45778 0.319
Árbol de Decisiones: informe desalentador

13.45778 0.319
Fuerte
30
Agresiva 30 30

0 4.122 0.681
Débil
-8
-8 -8

0.319
Fuerte
0.565 20
Desalentador Básica 20 20
3
0 11.81 0 11.147 0.681
Débil
7
7 7

0.319
Fuerte
5
Cautelosa 5 5

0 11.81 0.681
Débil
15
15 15
Árbol de Decisiones: Toma de decisión

 Si la prueba es alentadora, para maximizar el


rendimiento esperado, debemos realizar la acción
Agresiva.
 Si el resultado de la prueba es desalentadora,
para maximizar el rendimiento esperado, debemos
realizar la acción Cautelosa.
Valor de la información
Valor esperado de la información de muestra (VEIM)

VEIM = Máximo rendimiento esperado con información menos


Máximo rendimiento esperado sin información
VEIM = $13.46 - $ 12.85 = $ 0.61
$ 0.61 es lo máximo que estamos dispuestos a pagar por la
información

Valor esperado de la información perfecta (VEIP)


VEIP = (30)(0.45) + (15)(0.55) – 12.85 = $8.9

$8.9 es lo máximo que estoy dispuesto a pagar por la


información perfecta
Ejemplo 03
Observe la siguiente tabla de retribuciones, en la cual las
entradas están en rendimientos netos en dólares.
Estado de naturaleza
Decisión
1 2 3 4
1 35 22 25 12
2 27 25 20 18
3 22 25 25 28
4 20 25 28 33

¿Cuál seria su decisión bajo un enfoque de incertidumbre?


Si las probabilidades para los estados de naturaleza son
las siguientes ¿Cuál es la decisión que maximice el
rendimiento neto esperado en dólares?.
P(1)= 0.1 P(2)=0.4 P(3)=0.3 P(4)=0.2
Ejemplo 04
Jenny Lind es una escritora de novelas románticas. Tanto una
compañía fílmica como una red televisiva quieren los derechos
exclusivos de una de sus obras más populares. Si ella firma con
la red recibirá una sola suma fija, pero si firma con la
compañía fílmica la cifra que recibirá dependerá de la
respuesta del mercado ante la película. Las retribuciones de
Jenny se muestran a continuación
Estado de naturaleza
Decisión
Taquilla baja Taquilla media Taquilla alta
Firmar con cia fìlmica $ 200,000 $ 1,000,000 $ 3,000,000
Firmar con red televisiva $ 900,000 $ 900,000 $ 900,000
Probabilidad a priori 30% 60% 10%

¿A quien debe deberá vender Jenny los derechos?


¿Cuánto es lo más que debe estar dispuesta a pagar para saber
el monto de la taquilla, antes de decidir con quién firmar?
Ejemplo 04

Jenny Lind puede contratar a una empresa que se dedique a


la investigación de mercados, para hacer una encuesta con un
costo de $100,000. El resultado de la encuesta consistirá en
una respuesta del publico favorable (F) o desfavorable (U) a
la película.

P(F/Baja) 30% P(U/Baja) 70%


P(F/Media) 60% P(U/Media) 40%
P(F/Alta) 80% P(U/Alta) 20%

¿Debe Jenny mandar a hacer la encuesta?


¿Cuánto es lo más que Jenny debería estar dispuesta a
pagar por la encuesta?
Ejemplo 05
Para ahorrar en gastos, Martín y Sara acordaron compartir el
automóvil para ir y regresar del trabajo. Sara prefiere usar la
Av. Queen City que es mas larga pero mas consistente. Martín
prefiere la autopista que es mas rapida, pero acordó con Sara
que tomarían la avenida Queen City si la autopista tenia un
embotellamiento de transito. La siguiente tabla de resultados
proporcionan la estimación de tiempo en minutos para el viaje
de ida y regreso.
Autopista Autopista
abierta embotellada
Av. Queen City 30 30
Autopista 25 45

Con base a su experiencia con problemas de transito, Sara y


Martín acordaron una probabilidad de 0.15 de que la autopista
estuviera embotellada.
Ejemplo 05
Además, acordaron que el clima parecía afectar las
condiciones del transito en la autopista. Sea:
C  despejado O  nublado R  lluvia
Se aplican las siguientes probabilidades condicionales:

P(C/Abierta) = 0.8 P(O/Abierta) = 0.2 P(R/Abierta) = 0.0


P(C/Embot) = 0.1 P(O/Embot) = 0.3 P(R/Embot) = 0.6

1. Muestre el árbol de decisiones para este problema.


2. ¿Cuál es la estrategia de decisión optima y cual es el tiempo
de viaje esperado?
Pronósticos
Pensamientos

El problema con nuestro tiempos es que el futuro no


es lo que era antes.

Me interesa el futuro porque voy ha pasar el resto


de mi vida allí.
Pronósticos : Definición

 Método estadístico que analiza los datos


históricos de la demanda, para suministrar un
valor estimado de esta misma en un futuro.

 Es un método mediante el cual se intenta conocer


el comportamiento futuro de alguna variable con
algún grado de certeza
Pronósticos : Objetivos

Reducir la incertidumbre acerca de lo que puede


acontecer en el futuro proporcionando información
cercana a la realidad que permita tomar decisiones
sobre los cursos de acción a tomar tanto en el
presente como en el futuro.

IMPORTANTE:
Los pronósticos no se hacen con una bola de cristal
Selección de la técnica adecuada

La mejor técnica es aquella que:

 Facilite la toma de decisiones en el momento


adecuado
 Que sea entendida por el que toma las decisiones
 Pase un análisis costo-beneficio
 Cumpla con las restricciones del sistema: tiempo
disponible, datos, disponibilidad de cómputo.
 Cumpla con los criterios de: precisión, estabilidad,
objetividad
Clasificación de pronósticos

 Cualitativas: Utilizan información cualitativa


(experiencia de expertos) para desarrollar
escenarios futuros.ÜTIL EN LARGO PLAZO

 Cuantitativas: se basan en datos numéricos y utilizan


herramienta matemática y estadística para su
elaboración. Suponen que el futuro puede predecirse
midiendo el pasado. CORTO PLAZO
Técnicas cualitativas

Subjetivas. La misma técnica usada por dos expertos


distintos puede producir resultados diferentes.

Las mas utilizadas son:

 Investigación de mercados.
 Analogías históricas.
 Método Delphi
 Consenso general.
 Impacto cruzado.
 Análisis de escenarios.
Técnicas cuantitativas
Información: Requieren de datos históricos de las
variables involucradas.
Supuesto: El patrón histórico de las variables seguirá
siendo válido en el futuro analizado.
Las mas utilizadas son:
 Extrapolativas: ajustes de curvas y métodos de
suavizamiento. Los patrones observados en el
pasado se proyectan al futuro.
 Serie de tiempos: métodos de descomposición y
modelos ARIMA (autorregresivos, integrados y
promedios móviles).
 Modelos causales: modelos econométricos
(regresión).
Importante

Para hacer un buen pronóstico, se necesita hacer


dos cosas:
Seleccionar la técnica de pronostico adecuada.
Obtención de datos.
Pronósticos cuantitativos

Para los pronósticos cuantitativos, existen dos


categorías de modelos:
 Serie de tiempos (estadísticos)
 Explicativo (determinísticos ó causales)
Serie de tiempos (estadísticos)
 Supone siempre que algún patrón o combinación de
patrones es recurrente a través del tiempo.
 Existen dos enfoques:
 Supone que los datos se pueden descomponer en
componentes como: tendencia, ciclo, estacionalidad
y irregularidad.
 Se basan en conceptos estadísticos y no se supone
que los datos estén representados por
componentes separados.
 Esté modelo no es útil para el administrador al
pronosticar el impacto de ciertas decisiones que
pueda tomar.
Serie de tiempos (estadísticos)

SISTEMA

INSUMOS PRODUCTO
PROCESO
GENERADOR

Estos tipos de pronósticos consideran al sistema


como una caja negra y no intentan descubrir los
factores que afectan su comportamiento.
Explicativo (causales)
 Comprenden la identificación y determinación de
relaciones entre la variable por pronosticar y otras
variables de influencia.
 Generalmente se usa para modelos con variables
diferentes del tiempo.
 Esté modelo es útil para el administrador porque puede
desarrollar una gama de predicciones que correspondan
a un espectro de valores para las diferentes variables
de los insumos.
 Una desventaja, es que se requiere información de
varias variables , además de la variable que está siendo
pronosticada.
Explicativo (causales)

SISTEMA

INSUMOS RELACIÓN ENTRE PRODUCTO


DOS O MÁS
FACTORES

Estos tipos de pronósticos consideran que cualquier


variación de los insumos afectará los productos del
sistema de manera predecible, suponiendo que la
relación es constante.
La exactitud en los pronósticos

 Debido a que el mundo económico no es determinístico,


siempre estará presente lo aleatorio.
 El supuesto básico que está detrás del uso de cualquier
técnica de pronostico es:

Lo real = el patrón + lo aleatorio  ei = Xi – Fi

 El objetivo común en la aplicación de técnicas de


predicción es minimizar tales desviaciones (ei ) ó errores
en el pronóstico.
 El criterio para escoger un modelo pronóstico es su
exactitud. Que no es otra cosa que minimizar este error.
Tipos de errores de pronósticos

 Error medio (ME)


 Desviación absoluta media (MAD)
 Error cuadrado medio (MSE)
 Desviación típica de los errores (SDE)
 Error porcentual (PEt)
 Error porcentual medio (MPE)
 Error porcentual absoluto medio (MAPE)
Pronostico Ingenuo I
 Esté método emplea como pronóstico la
información disponible más reciente relativa al
valor real.
Ft + 1 = Xt
 En estadística, este modelo se le conoce como
modelo de la caminata aleatoria.
 La diferencia entre el error (MAPE ó MSE)
obtenido de un método más formal de predicción y
el obtenido al emplear el método ingenuo I
proporciona una medida del mejoramiento obtenible
mediante el uso de dicho método formal de
predicción.
Ejemplo 06

Error
Error Error
Semana Ventas Pronóstico Error porcentual
absoluto cuadrado
absoluto

1 9
2 8 9 -1 1 12.5% 1
3 9 8 1 1 11.1% 1
4 12 9 3 3 25.0% 9
ME 0.091
5 9 12 -3 3 33.3% 9
6 12 9 3 3 25.0% 9 MAD 2.636
7 11 12 -1 1 9.1% 1
MAPE 26.5%
8 7 11 -4 4 57.1% 16
9 13 7 6 6 46.2% 36 MSE 9.364
10 9 13 -4 4 44.4% 16
11 11 9 2 2 18.2% 4
12 10 11 -1 1 10.0% 1
PROMEDIO 0.091 2.636 26.5% 9.364
Patrones en la serie de tiempos
 La descomposición clásica es un método que se basa en la
suposición de que se puede descomponer en componentes
como: tendencia, ciclo, estacionalidad y irregularidad.
 Tendencia, de una serie de tiempo es el componente de
largo plazo que representa el crecimiento o disminución en
la serie sobre un periodo amplio.
 Cíclico, es la fluctuación en forma de onda alrededor de la
tendencia.
 Estacionalidad, es un patrón de cambio que se repite a sí
mismo año tras año.
 Aleatorio, mide la variabilidad de las series de tiempo
después de retirar los otros componentes.
Identificación de patrones
 La podemos realizar de dos maneras:
 A través de un grafico.
 A través del coeficiente de autocorrelación (rk).
 Autocorrelación es la correlación existente entre una
variable desfasada uno o más periodos y la misma
variable. n k __ __
 (Y  Y )(Y
t t k  Y)
rk  t 1
n __
 t
( Y
t 1
 Y ) 2

No se asusten, esto lo calcularemos con el SPSS ó


Excel con el complemento StatPlus
Identificación de patrones

Los coeficientes de autocorrelación se pueden utilizar


para identificar lo siguiente:
 ¿los datos son aleatorios?
 ¿los datos tienen una tendencia?
 ¿los datos son estacionarios?
 ¿los datos son estacionales?
Ejemplo 07 Identificación de
patrones con SPSS
Mes Ventas
1 123
2 130
3 125 Cuando trabajemos con el SPSS en
4 138 serie de tiempos, tenemos previamente
5 145
que definir las fechas.
6 142
7 141 En nuestro ejemplo, los datos son
8 146
mensuales.
9 147
10 157
11 150
12 160
Definiendo fechas con SPSS

1. Se ingresa los datos de


ventas.
2. Se define las fechas, en este
caso, se escoge Año-mes, se
ingresa el año (2006) y el mes
de inicio (1)
Definiendo fechas con SPSS

Observen, que al
definir las fechas, el
SPSS, crea en forma
automática las
variables YEAR_ ,
MONTH_ y DATE_
Grafico lineal con SPSS
Grafico lineal con SPSS

El grafico me
indica que existe
una tendencia. La
pregunta es: ¿es
baja, media ó
fuerte la
tendencia?
Para contestar
esta pregunta,
hay que hacer el
grafico de
autocorrelación
Grafico de autocorrelación con SPSS
Grafico de autocorrelación con SPSS

Se concluye que si
existe tendencia,
pero esta es
moderada.
Grafico de autocorrelación con Excel

Trabajamos con el
complemento del
Excel StatPlus
Grafico de autocorrelación con Excel
Grafico de autocorrelación con Excel

Lag ACF Lower Upper


1 0.572 -0.566 0.566
2 0.463 -0.728 0.728 1.000
3 0.111 -0.816 0.816 0.800
4 0.016 -0.821 0.821 0.600
5 -0.033 -0.821 0.821
0.400
6 -0.102 -0.822 0.822
7 -0.250 -0.826 0.826 0.200
8 -0.328 -0.850 0.850 0.000
9 -0.466 -0.889 0.889 2 3 4 5 6 7 8 9 10 11 12
-0.200
10 -0.250 -0.964 0.964
11 -0.232 -0.985 0.985 -0.400
12 0.000 -1.002 1.002 -0.600
-0.800
-1.000
Ejemplo 08
Otro ejemplo:
Año Ventas Año Ventas
1955 3,307 1974 13,101
1956 3,556 1975 13,639
1957 3,601 1976 14,950
1958 3,721 1977 17,224
1959 4,036 1978 17,946
1960 4,134 1979 17,514
1961 4,268 1980 25,195
1962 4,578 1981 27,357
1963 5,093 1982 30,020
1964 5,716 1983 35,883
1965 6,357 1984 38,828
1966 6,769 1985 40,715
1967 7,296 1986 44,282
1968 8,178 1987 48,440
1969 8,844 1988 50,251
1970 9,251 1989 53,794
1971
1972
10,006
10,991
1990
1991
55,972
57,242
Existe tendencia. Veamos que
1973 12,306 tipo de tendencia es.
Identificación de patrones con SPSS

Si existe tendencia,
y esta es fuerte.
Identificación de patrones con Excel

Lag ACF Lower Upper


1 0.916 -0.322 0.322
2 0.826 -0.527 0.527 1.000
3 0.734 -0.648 0.648 0.800
4 0.641 -0.729 0.729 0.600
5 0.545 -0.786 0.786
0.400
6 0.455 -0.824 0.824
7 0.368 -0.849 0.849 0.200
8 0.279 -0.866 0.866 0.000
9 0.196 -0.875 0.875 2 3 4 5 6 7 8 9 10 11 12 13 14 15
-0.200
10 0.126 -0.880 0.880
11 0.062 -0.882 0.882 -0.400
12 0.001 -0.882 0.882 -0.600
13 -0.036 -0.882 0.882
-0.800
14 -0.077 -0.882 0.882
15 -0.118 -0.883 0.883 -1.000
Ejemplo 09

Año Trim 4 Trim 1 Trim 2 Trim 3


1984 147.6 251.8 273.1 249.1
1985 139.3 221.2 260.2 259.5
1986 140.5 245.5 298.8 287.0
1987 168.8 322.6 393.5 404.3
1988 259.7 401.1 464.6 479.7
1989 264.4 402.6 411.3 385.9
1990 232.7 309.2 310.7 293.0
1991 205.1 234.4 285.4 258.7
1992 293.2 263.7 292.5 315.2
1993 178.3 274.5 295.4 311.8
Identificación de patrones con SPSS

Se observa claramente
que existe
estacionalidad.
Identificación de patrones con Excel

Lag ACF Lower Upper


1 0.415 -0.310 0.310
2 0.202 -0.359 0.359 1.000
3 0.312 -0.370 0.370 0.800
4 0.683 -0.395 0.395 0.600
5 0.177 -0.495 0.495
0.400
6 -0.115 -0.501 0.501
7 -0.040 -0.504 0.504 0.200
8 0.281 -0.504 0.504 0.000
9 -0.168 -0.519 0.519 2 3 4 5 6 7 8 9 10 11 12 13 14 15
-0.200
10 -0.416 -0.524 0.524
11 -0.322 -0.555 0.555 -0.400
12 0.012 -0.573 0.573 -0.600
13 -0.309 -0.573 0.573
-0.800
14 -0.467 -0.588 0.588
15 -0.363 -0.623 0.623 -1.000
Técnicas de pronósticos para datos
estacionarios
Las técnicas de pronósticos estacionarias se emplean siempre que:
Las fuerzas que generan una serie se han estabilizado y el medio en
el que existen la serie permanece relativamente sin cambios.
Se requiere un modelo sencillo debido a la falta de datos o para
facilitar su explicación o implementación.
Se puede lograr la estabilidad haciendo correcciones sencillas a
factores como crecimiento de la población e inflación.
La serie se puede transformar en una serie estable.
La serie es un conjunto de errores de pronóstico, de una técnica de
pronóstico que se considera adecuada.
En estos casos utilizaremos: los métodos no formales, los métodos de
promedio simple y los métodos de promedios móviles, atenuación
exponencial y de Box-Jenkins
Técnicas de pronósticos para datos con
tendencia
Las técnicas de pronósticos para serie con tendencia se emplean
siempre que:
Una productividad creciente y la nueva tecnología conducen a
cambios en el estilo de vida.
El incremento en la población provoca un incremento en la demanda
de bienes y servicios.
El poder de compra del dólar afecta las variables económicas por
causa de la inflación.
Aumenta la aceptación en el mercado.
En estos casos utilizaremos: promedio móvil lineal, atenuación
exponencial lineal de Brown, atenuación exponencial lineal de Holt,
atenuación exponencial cuadrática de Brown, regresión simple, modelo
de Gompertz, curvas de crecimiento y modelos exponenciales.
Técnicas de pronósticos para datos con
estacionalidad

Las técnicas de pronósticos para datos estacionales se


emplean siempre que:
El clima influye en la variable de interés.
El año calendario influye en la variable de interés.
En estos casos utilizaremos: descomposición clásica, Census
II, atenuación exponencial de Winter, regresión múltiple de
serie de tiempo y métodos de Box-Jenkins.
Técnicas de pronósticos para series
cíclicas
Las técnicas de pronósticos para datos cíclicos se emplean
siempre que:
El ciclo del negocio influye sobre la variable de interés.
Se presentan cambios en el gusto popular.
Se presentan cambios en la población.
Se presentan cambios en el ciclo de vida del producto.
En estos casos utilizaremos: descomposición clásica, los
indicadores económicos, los modelos econométricos, la
regresión múltiple y los métodos de Box-Jenkins
Pronósticos

Métodos suavización
Promedios móviles y suavización exponencial
 Uno de los problemas al que los gerentes se enfrentan es el
relativo a la preparación de pronósticos de corto plazo para
un gran cantidad de situaciones diferentes.
 Considerase la situación a la que se enfrenta el directivo
que periódicamente ha de hacer previsiones de las
existencias de centenares de productos. Cada semana, o
cada mes, ha de disponerse de previsiones actualizadas de
muchas existencias para un horizonte de tiempo breve.
 En muchas de estas situaciones no es práctico desarrollar y
aplicar un método refinado de predicción para cada
artículo.
 El directivo que deba emprender esta tarea tal vez utilice
alguna forma de suavización de serie cronológica.
Promedios móviles y suavización exponencial
 En todos los métodos de suavización de series
cronológicas se emplea alguna forma de promedio
ponderado de observaciones anteriores para suavizar los
movimientos ascendentes o descendentes.
 Veremos los siguientes técnicas básicas de suavización:
 Medias móviles
 Suavización exponencial simple
 Suavización exponencial de Holt
 Suavización exponencial de Winters
Medias (promedios) móviles
 Un promedio móvil se obtiene encontrando la media de un
conjunto específico de valores y empleándolo después
para pronosticar el siguiente periodo.
 Entre mayor sea el orden del promedio móvil, mayor será
el efecto de atenuación.
 Entre menor sea el número, se dará más peso a los
periodos recientes.
 Es más deseable un número pequeño cuando hay cambios
súbitos en el nivel de la serie.
 ¿De qué depende si al calcular el promedio móvil, se use,
tres ó cuatro ó cinco periodos?. Se utilizara aquella que
tenga el menor error de pronostico.
Ejemplo 10

Trimestre Ventas Trimestre Ventas


1988-1 500 1991-3 250
1988-2 350 1991-4 550
1988-3 250 1992-1 550
1988-4 400 1992-2 400
1989-1 450 1992-3 350
1989-2 350 1992-4 600
1989-3 200 1993-1 750
1989-4 300 1993-2 500
1990-1 350 1993-3 400
1990-2 200 1993-4 650
1990-3 150 1994-1 850
1990-4 400 1994-2 600
1991-1 550 1994-3 450
1991-2 350 1994-4 700
Software DS:POM
Como ingresar al DS:POM
Promedio moviles con DS:POM

2
Promedio moviles con DS:POM

3 4

5
Promedio móviles con DS:POM

¡ Que fácil !

Se observan:
Errores de pronósticos
Pronostico
Grafico

¡ Que se puede pedir !


Promedio móviles

La preguntas clave para el pronostico con promedio


móviles:

¿Cuántos periodos debo promediar


para obtener el mejor pronostico?
Ejemplo 11

Periodo Ventas
1 2,000
2 1,350
3 1,950
4 1,975
5 3,100 Ahora trabajen ustedes !!
6 1,750
7 1,550
8 1,300
9 2,200
10 2,770
11 2,350
Suavización exponencial simple
 Utiliza solamente valores previos de una serie cronológica para
predecir valores futuros de la misma serie.
 Se recomienda cuando los datos no presentan ninguna tendencia
ni estacionalidad.
 El valor
Utilizade predicción
solamente valores para
previos un periodo
de una cualquiera
serie cronológica para es la media
ponderada de todos los valores previos conocidos, los pesos
predecir valores futuros de la misma serie.

disminuyen geométricamente a medida que retrocede el tiempo.


 Se recomienda cuando los datos no presentan ninguna tendencia ni
estacionalidad.
 El valor de predicción para un periodo cualquiera es la media
ponderada de todos los valores previos conocidos, los pesos
F disminuyen
t+1 = F +  (X – F ) 
t geométricamente
t a tmedida que retrocede
t+1 F
el tiempo.
t =  X + (1 – ) Ft
F t+1 = Ft +  (Xt – Ft)  F t+1 =  Xt + (1 – ) Ft
Donde:
F t+1 valor de previsión para el período t+1
 Constante de suavización.
Xt Valor real (en el período t)
Ft valor de previsión suavizado para período t
Suavización exponencial simple

 Este método elimina la necesidad de almacenar los


valores históricos de la variable.
 El único aspecto que debe recordarse es que para el
primer periodo no está disponible ningún pronóstico
previo.
 En este caso, el valor del primer punto de datos (real) se
puede emplear como el primer pronostico.
 La constante de suavización determina el nivel de
uniformidad y la velocidad de reacción a las diferencias
entre las proyecciones y las ocurrencias reales.
 El valor de  está determinado tanto por la naturaleza
del producto como por el sentido del gerente.
Ejemplo 12

Mes Ventas
Ene 20
Feb 24 ¿QUÉ HACEMOS?
Mar 27
Abr 31
May 37
Jun 47 Lo primero, definir
Jul 53 cuanto es el valor de ,
Ago 62
Set 54 en nuestro ejemplo,
Oct 36 supongamos que  = 0.5
Nov 22
Dic 29
Suavización exponencial simple

¡ Que fácil con


el DS POM !
Suavización exponencial simple

¿ y con el SPSS?
Suavización exponencial simple

¿ y con el Excel?
Suavización exponencial simple

La preguntas clave para el pronostico con suavización


exponencial simple:

¿Qué valor de  debo utilizar para


obtener el mejor pronostico?
Ejemplo 13

Mes Ventas
Ene 2000
Feb 1350
Mar 1950
Abr 1975 AHORA, TRABAJEN USTEDES
May 3100
Jun 1750
Jul 1550
Ago 1300
Set 2200
Oct 2770
Nov 2350
Suavización exponencial lineal (SE de Holt)

 Se utiliza cuando se comprueba que existe una


tendencia en la serie.
 Utilizaremos el siguiente modelo:

Lt =  Xt + (1- )(Lt-1 + Tt-1)


F t+k = Lt + k Tt
Tt =  (Lt – Lt-1) + (1- ) Tt-1

 El modelo de Hot nos permite pronosticar hasta k


periodos en el futuro.
  y  son parámetros de ponderación, entre 0 y 1.
 L indica el nivel a largo plazo y T indica la tendencia.
Ejemplo 14

Utilidad /
Trimestre
acción
1 -0.2
2 0.1
3 0.05 ¿Qué hacemos?
4 0.15
5 0.22
6 0.35
7 0.37
8 0.42
9 0.37
10 0.53
11 0.59
12 0.65
SEL (SE de Holt) con DS:POM

¿QUÉ FACIL CON


EL DS POM
SEL (SE de Holt) con SPSS

1. Seleccionamos la variable.
2. Seleccionamos el modelo Holt.
3. Seleccionamos Parameters e
ingresamos  y .
4. Seleccionamos Save e
ingresamos año y trimestre a
pronosticar.
SEL (SE de Holt) con SPSS
Smoothing Parameters

Sums of
Gamma Squared
Series Alpha (Level) (Trend) Errors df error
Ventas .59000 .42000 .09032 10

¿Qué les
pareció?
SEL (SE de Holt) con Excel
Suavización exponencial lineal (SE de Holt)

La preguntas clave para el pronostico con suavización


exponencial lineal (SE de Holt):

¿Qué valor de  y  debo utilizar


para obtener el mejor pronostico?
Suavización exponencial de Winters

Se utiliza cuando se comprueba que existe una tendencia y


estacionalidad en la serie.

Ft  m  (St  Tt m)I t L m Función para calcular el


pronostico de Winters

 (1   )(St 1  Tt 1 ) Valor suavizado de la serie


Xt
St  
I t L desestacionalizada.

Tt   (St  St 1 )  (1  )Tt 1 Valor suavizado de la tendencia

Xt Valor suavizado del factor estacional


It    (1   )I t  L
St L  duración de la estacionalidad.
Ejemplo 15

TRIMESTRE
AÑO
1 2 3 4
1982 362 385 432 341
1983 382 409 493 387
1984 473 513 582 474
1985 544 582 681 557
1986 628 707 773 592
1987 627 725 854 661
S.E. de Winters con SPSS
1. Seleccionamos la variable.
2. Seleccionamos el modelo
Winters.
3. Seleccionamos Parameters e
ingresamos ,  y .
4. Seleccionamos Save e
ingresamos año y trimestre a
pronosticar.
S.E. de Winters con SPSS

Y LISTO.

¡¡ QUE FACIL !!
S.E. de Winters con Excel

1,141
1,041
941
841
741
641
541
441
341
0 5 10 15 20 25 30

Obs. Forecast Lower Upper Seasonal Indices


25 745.1 698.4 791.9 1 0.966
26 807.1 759.4 854.8 2 1.023
27 918.6 869.8 967.3 3 1.139
28 719.5 669.7 769.4 4 0.873
Suavización exponencial de Winters

La preguntas clave para el pronostico con suavización


exponencial de Winters:

¿Qué valor de  ,  y  debo


utilizar para obtener el mejor
pronostico?
Pronósticos

Descomposición de serie
de tiempos (DST)
Descomposición de serie de tiempos
 Se puede definir a una serie de tiempo como una
secuencia de datos numéricos cada uno de los cuales se
asocia con un instante específico de tiempo.
 Se puede pensar que una serie de tiempo está formada
por varias componentes que obedecen a causas
diferentes. Estas componentes son la tendencia (T), la
(S), la cíclica (C) y la irregular (I), más un término
aleatorio. En términos matemáticos esto se puede
expresar como:
Y  f (Tt , St , Ct , I t )  ut
 La descomposición de las series de tiempos significa
identificar y separar los datos de la series de tiempos
en esos componentes.
Descomposición de serie de tiempos
Tendencia: movimiento suave, de “largo plazo”, generalmente
asociado a causas estructurales del fenómeno en estudio; como
aumento o disminución de la población, cambios en las
condiciones económicas, mejora en la organización económica,
política y social, efectos de cambios en cuestiones de salud,
educación, seguridad social, entre otros. Los efectos de la
tendencia se notan en lapsos largos con relación al período de
observación.

Ciclo: oscilación casi periódica que dura 3, 5, 11, 13, etc. años
originada por diversas causas. Algunas series de tiempo exhiben
variaciones con períodos fijos debidas a causas físicas, como el
caso de las variaciones diarias de temperatura. Otras exhiben
oscilaciones que no tienen un período fijo, pero que pueden ser
predecibles, frecuentemente observado en series económicas.
Descomposición de serie de tiempos

Estacionalidad: movimientos recurrentes, intraanuales,


periódicos o aproximadamente periódicos debido a causas
como sucesión de estaciones, presencia de temporadas o
festividades anuales. Se puede decir entonces, que las
fluctuaciones estacionales
son aquellas que aparecen de una manera recurrente y con
periodicidad anual.

Irregular: movimientos recurrentes que responden a una


acumulación de causas, o que no tienen una causa específica.
Descomposición de serie de tiempos

Surge ahora el problema de estimar cada uno de estos


componentes, es decir, se desea estimar que parte del valor
de la serie de tiempo Yt, para cualquier tiempo dado t, puede
atribuirse a la tendencia, a los factores estacionales, a los
factores cíclicos o a una variación aleatoria o irregular.

Para poder estimar cada componente primero se debe hacer


supuestos a cerca de como están relacionados estos
componentes. Estos supuestos conforman el llamado modelo
de la serie de tiempo.
Descomposición de serie de tiempos

Los modelos de series de tiempo se clasifican en dos


categorías, el modelo aditivo y el multiplicativo.

El modelo aditivo se supone que las componentes son


independientes entre si.
Yt = Tt +Ct + St + ut

El modelo multiplicativo se supone que los cuatro


componentes están relacionados entre sí, manteniendo la
posibilidad de que las componentes provengan de causas
básicas diferentes.
Yt = Tt * Ct * St * ut
Descomposición de serie de tiempos

Los pasos a seguir para realizar la descomposición de


serie, es la siguiente:

1. Identificar los factores estacionales.


2. Determinar los factores de tendencia.
3. Determinar los factores cíclicos.
4. Obtener más estimaciones de los valores de ciclo
de tendencia.
5. Preparar un pronóstico para un tiempo deseado.
Ejemplo 16
Veamos el siguiente ejemplo:

TRIMESTRE
AÑO
1 2 3 4
1977 3,017.60 3,043.54 2,094.35 2,809.84
1978 3,274.80 3,163.28 2,114.31 3,024.57
1979 3,327.48 3,493.48 2,439.93 3,490.79
1980 3,685.08 3,661.23 2,378.43 3,459.55
1981 3,849.63 3,701.18 2,642.38 3,585.52
1982 4,078.66 3,907.06 2,828.46 4,089.50
1983 4,339.61 4,148.60 2,916.45 4,084.64
1984 4,242.42 3,997.58 2,881.01 4,036.23
1985 4,360.33 4,360.53 3,172.18 4,223.76
1986 4,690.48 4,694.48 3,342.35 4,577.63
1987 4,965.46 5,026.05 3,470.14 4,525.94
1988 5,258.71 5,189.58 3,596.76 3,881.60
Descomposición de serie de tiempos

 Aplicar un promedio móvil anual (en teoría, un promedio anual, no


tiene problemas de estacionalidad).
 Aplicar un promedio móvil centrado.
 Encontrar la razón de estacionalidad.
 Encontrar el índice estacional.
 Aplicar los índices de estacionalidad.

Veamos, con el Excel...................¡¡ A TRABAJAR !!


DST con Excel - Grafico

Ventas

6,000.00

5,000.00

4,000.00

3,000.00 Ventas

2,000.00

1,000.00

-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
DST con Excel - Calculos

Ventas Ventas
Tri Ventas PM PMC RE IE Tri Ventas PM PMC RE IE
destacionalizadas destacionalizadas
77-1 3,017.60 1.116 2,704.58 83-1 4,339.61 3,851.54 3,821.35 1.136 1.116 3,889.45
77-2 3,043.54 1.092 2,786.30 83-2 4,148.60 3,873.54 3,862.54 1.074 1.092 3,797.97
77-3 2,094.35 2,741.33 0.761 2,750.78 83-3 2,916.45 3,872.33 3,872.93 0.753 0.761 3,830.54
77-4 2,809.84 2,805.63 2,773.48 1.013 1.031 2,726.48 83-4 4,084.64 3,848.03 3,860.18 1.058 1.031 3,963.47
78-1 3,274.80 2,835.57 2,820.60 1.161 1.116 2,935.10 84-1 4,242.42 3,810.27 3,829.15 1.108 1.116 3,802.34
78-2 3,163.28 2,840.56 2,838.06 1.115 1.092 2,895.92 84-2 3,997.58 3,801.41 3,805.84 1.050 1.092 3,659.71
78-3 2,114.31 2,894.24 2,867.40 0.737 0.761 2,776.99 84-3 2,881.01 3,789.31 3,795.36 0.759 0.761 3,784.00
78-4 3,024.57 2,907.41 2,900.83 1.043 1.031 2,934.84 84-4 4,036.23 3,818.79 3,804.05 1.061 1.031 3,916.49
79-1 3,327.48 2,989.96 2,948.69 1.128 1.116 2,982.31 85-1 4,360.33 3,909.53 3,864.16 1.128 1.116 3,908.02
79-2 3,493.48 3,071.37 3,030.66 1.153 1.092 3,198.22 85-2 4,360.53 3,982.32 3,945.92 1.105 1.092 3,991.98
79-3 2,439.93 3,187.92 3,129.64 0.780 0.761 3,204.67 85-3 3,172.18 4,029.20 4,005.76 0.792 0.761 4,166.43
79-4 3,490.79 3,277.32 3,232.62 1.080 1.031 3,387.23 85-4 4,223.76 4,111.74 4,070.47 1.038 1.031 4,098.46
80-1 3,685.08 3,319.26 3,298.29 1.117 1.116 3,302.82 86-1 4,690.48 4,195.23 4,153.48 1.129 1.116 4,203.92
80-2 3,661.23 3,303.88 3,311.57 1.106 1.092 3,351.79 86-2 4,694.48 4,237.77 4,216.50 1.113 1.092 4,297.71
80-3 2,378.43 3,296.07 3,299.98 0.721 0.761 3,123.89 86-3 3,342.35 4,326.24 4,282.00 0.781 0.761 4,389.93
80-4 3,459.55 3,337.21 3,316.64 1.043 1.031 3,356.92 86-4 4,577.63 4,394.98 4,360.61 1.050 1.031 4,441.83
81-1 3,849.63 3,347.20 3,342.20 1.152 1.116 3,450.30 87-1 4,965.46 4,477.87 4,436.43 1.119 1.116 4,450.38
81-2 3,701.18 3,413.19 3,380.19 1.095 1.092 3,388.36 87-2 5,026.05 4,509.82 4,493.85 1.118 1.092 4,601.25
81-3 2,642.38 3,444.68 3,428.93 0.771 0.761 3,470.57 87-3 3,470.14 4,496.90 4,503.36 0.771 0.761 4,557.78
81-4 3,585.52 3,501.94 3,473.31 1.032 1.031 3,479.15 87-4 4,525.94 4,570.21 4,533.55 0.998 1.031 4,391.67
82-1 4,078.66 3,553.41 3,527.67 1.156 1.116 3,655.57 88-1 5,258.71 4,611.09 4,590.65 1.146 1.116 4,713.21
82-2 3,907.06 3,599.93 3,576.67 1.092 1.092 3,576.84 88-2 5,189.58 4,642.75 4,626.92 1.122 1.092 4,750.96
82-3 2,828.46 3,725.92 3,662.92 0.772 0.761 3,714.98 88-3 3,596.76 4,481.66 4,562.21 0.788 0.761 4,724.08
82-4 4,089.50 3,791.16 3,758.54 1.088 1.031 3,968.18 88-4 3,881.60 1.031 3,766.45
DST con Excel – Índices de estacionalidad

Formulas que se utilizan en el Excel


DST con Excel – Índices de estacionalidad
Formulas que se utilizan para calcular el índice de
estacionalidad en el Excel
DST con Excel
6,000.00

5,000.00

4,000.00

3,000.00

2,000.00

1,000.00

0.00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47

Ventas
Ventas destacionalizadas
Observen Uds. Las ventas destacionalizadas, ya no muestran
la estacionalidad y tiene un comportamiento uniforme, el
mismo que si se puede proyectar aplicando en análisis de
regresión.
DST con DS:POM

Se escoge el
método
descomposición
multiplicativa
(estacional).
Y luego se
selecciona 4
como número de
estaciones.
DST con DS:POM
DST con DS:POM
DST con SPSS
DST con SPSS
DST con Excel - StatPlus

5594.35
5094.35
4594.35
4094.35
3594.35
3094.35
2594.35
Seasonal Indices 2094.35
1 1.121 0 10 20 30 40

2 1.094 Ventas Adjusted


3 0.754
4 1.031
Pronósticos

Modelos de regresión
Modelos de regresión
Una cosa es ajustar un modelo a una serie de tiempos;
otra, totalmente diferente, es proponer otras variables
que se relacionen a la serie de datos de interés y
desarrollar un modelo que exprese la forma en que se
relaciona diversas variables.

Regresión es un conjunto de técnicas que son usadas para


establecer una relación entre una variable cuantitativa
llamada variable dependiente (Y) y una o más variables
independientes (X) llamadas variables predictoras. La
ecuación que representa la relación es llamada el modelo
de regresión.
Modelos de regresión

Los modelos de regresión los clasificaremos en dos


tipos:

Modelos de regresión simple


Y = f (X)

Modelos de regresión múltiple


Y = f ( X1, X2, ....., Xn)
Regresión simple

El análisis de regresión simple es una herramienta


estadística que nos permite estimar la relación
matemática existente entre una variable dependiente
(denominada generalmente Y) y una única variable
independiente (expresada comúnmente X).
La variable dependiente es aquella que queremos
realizar una previsión.
Si a la relación entre las dos variables (X é Y) es una
línea, estamos hablando de modelos de regresión
lineal, que son los que se utilizan con mayor
frecuencia.
Regresión simple

El modelo matemático que se ajusta a una recta, es el


siguiente:

Y = o + 1 X + e

1 señala la tasa de cambio de Y por unidad de X.


La intersección o es el valor que adquiere la variable
dependiente Y cuando X es cero.
e del modelo representa un término de error.
Regresión simple

Nuestro problema es determinar los valores de bo y b1


de manera que la ecuación resultante se ajusten a los
datos de la mejor manera posible.
La técnica que se utiliza con mayor frecuencia es MCO
(mínimos cuadrados ordinarios).
o y 1 son parámetros de la población que se estiman
típicamente mediante datos muestrales. Los
estadísticos muestrales son bo y b1, en consecuencia el
modelo muestral es:

Y = bo + b1 X
Ejemplo 17

CONJUNTO A CONJUNTO B CONJUNTO C CONJUNTO D


X Y X Y X Y X Y
10 8.04 10 9.14 10 7.46 8 6.58
8 6.95 8 8.14 8 6.77 8 5.76
13 7.58 13 8.74 13 12.74 8 7.71
9 8.81 9 8.77 9 7.11 8 8.84
11 8.33 11 9.26 11 7.81 8 8.47
14 9.96 14 8.1 14 8.84 8 7.04
6 7.24 6 6.13 6 6.08 8 5.25
4 4.26 4 3.1 4 5.39 19 12.5
12 10.84 12 9.13 12 8.15 8 5.56
7 4.82 7 7.26 7 6.42 8 7.91
5 5.68 5 4.74 5 5.73 8 6.89

¿Qué tienen de común estos conjuntos de datos?


Regresión simple

Que los resultados de la regresión de todas ellas se


expresan con la siguiente ecuación de MCO:

Y = 3 + 0.5 X
¿ES POSIBLE ESTO?

Veamos la representación grafica de cada uno de


ellas
Regresión simple

12 12

10 10

Conjunto A Y
8 8 Conjunto B
6

Y
6

4 4

2 2

0 0
0 5 10 15 0 5 10 15
X X

14
14

12 12

10 10

Conjunto C 8 8 Conjunto D
Y

Y
6 6

4
4

2
2
0
0
0 5 10 15
0 5 10 15 20
X X

¿Qué opinan ahora?


Regresión simple

Una buena lección:

La visualización de los datos nos permite percibir


notables diferencias que no aparecen en los
estadísticos descriptivos.
Pasos a seguir en una regresión lineal

 Diagrama de dispersión.
 Calcular el coeficiente de correlación y
determinación.
 Prueba de significancia del coeficiente de
correlación.
 Análisis de regresión.
 Error estándar de estimación
Ejemplo 18
Veamos el siguiente ejemplo:
Se trata de la renta personal disponible desde 1980 a
1989 en forma trimestral. Se pide hacer una previsión
con un modelo de regresión lineal.

Año T1 T2 T3 T4
1980 2,742.9 2,692.0 2,722.5 2,777.0
1981 2,783.7 2,776.7 2,841.1 2,808.8
1982 2,795.0 2,824.8 2,829.0 2,832.6
1983 2,843.6 2,867.0 2,903.0 2,960.6
1984 3,033.2 3,065.9 3,102.7 3,118.5
1985 3,123.6 3,189.6 3,156.5 3,178.7
1986 3,227.5 3,281.4 3,272.6 3,266.2
1987 3,295.2 3,241.7 3,285.7 3,335.8
1988 3,380.1 3,386.3 3,407.5 3,443.1
1989 3,473.9 3,450.9 3,466.9 3,493.0
Regresión simple
4,000.0
3,500.0
3,000.0
2,500.0
2,000.0
1,500.0
1,000.0
500.0
0.0
0 10 20 30 40 50

El grafico de dispersión, me indica que si existe


correlación en los datos y por lo tanto, si procede
hacer el análisis de regresión.
RL con Excel

1
3
Regresión con Excel

r=0.9866, es un buen coeficiente de


Resumen correlación, eso me indica que si
Estadísticas de la regresión
existe correlación.
r2=0.97379, es un buen coeficiente
Coeficiente de correlación múltiple 0.98681297
Coeficiente de determinación R^2 0.97379984
R^2 ajustado 0.97311036 de determinación, eso me indica que
Error típico 42.2586114
Observaciones 40 la correlación es muy intensa.
ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 2522201.84 2522201.84 1412.37296 1.1546E-31
Residuos 38 67860.0289 1785.79023
Total 39 2590061.86

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95.0%Superior 95.0%
Intercepción 2645.97615 13.6179091 194.301206 1.4286E-58 2618.40814 2673.54417 2618.40814 2673.54417
TRI 21.7533583 0.57883078 37.5815508 1.1546E-31 20.5815767 22.92514 20.5815767 22.92514
Regresión con Excel

Se determino que r = 0.9366 y que este coeficiente de correlación


es muy bueno, pero ahora resulta la siguiente interrogante:

¿podría ser que la correlación de la población sea nula en realidad?


Esto significa que r se debió al azar.

Para contestar esta pregunta, planteamos la siguiente hipótesis:

Ho: p = o (la correlación en la población es nula)


Ha: p  o (la correlación en la población no es nula)

Para esta prueba de hipótesis, utilizaremos la ANOVA, y la regla es


muy sencilla: si Prueba F es mayor que el valor critico de F, se
rechaza la Ho, caso contrario se acepta.
Estadísticas de la regresión

Regresión con Excel


Coeficiente de correlación múltiple 0.98681297
Coeficiente de determinación R^2 0.97379984
R^2 ajustado 0.97311036
Error típico 42.2586114
Observaciones 40

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 2522201.84 2522201.84 1412.37296 1.1546E-31
Residuos 38 67860.0289 1785.79023
Total 39 2590061.86

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95


En nuestro caso la
Intercepción prueba F = 13.6179091
2645.97615 1412.37 194.301206
y es mucho mayor
1.4286E-58 que valor
2618.40814 2673.5441
TRIcritico de F = 1.15 E 21.7533583
-31 , por lo 0.57883078
tanto se37.5815508
rechaza1.1546E-31
la H0 , 20.5815767
es decir, la 22.9251
correlación entre las dos variables es real y no se debe al azar.
ANÁLISIS DE VARIANZA
Regresión
Regresión
con Excel
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
1 2522201.84 2522201.84 1412.37296 1.1546E-31
Residuos 38 67860.0289 1785.79023
Total 39 2590061.86

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% S


Intercepción 2645.97615 13.6179091 194.301206 1.4286E-58 2618.40814
TRI 21.7533583 0.57883078 37.5815508 1.1546E-31 20.5815767

La función de regresión seria:

Ventas  2645.976  21.753 Tri


RL con SPSS
Regresión con SPSS
Model Summary

Adjus ted Std. Error of


Model R R Square R Square the Es timate
1 .987 a .974 .973 42.2586
a. Predictors : (Constant), TRI
ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regress ion 2522202 1 2522201.835 1412.373 .000 a
Res idual 67860.029 38 1785.790
Total 2590062 39
a. Predictors : (Constant), TRI
b. Dependent Variabl e: RPD
Coefficientsa

Uns tandardized Standardized


Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Cons tant) 2645.976 13.618 194.301 .000
TRI 21.753 .579 .987 37.582 .000
a. Dependent Variable: RPD
Regresión con DS:POM
Regresión con DS:POM
Ejemplo 19
Suponga que el Sr. Juan observa el precio y volumen de
galones de leche de 10 semanas elegidas en forma
aleatoria. Podrá el señor Jun pronosticar el volumen de
ventas a partir del precio de galón de la leche?
SEMANA VENTAS PRECIO
1 10 1.3
2 6 2
3 5 1.7
4 12 1.5
5 10 1.6
6 15 1.2 ¿Lo resuelven?
7 5 1.6
8 12 1.4
9 17 1
10 20 1.1
Ventas en miles de galones
Precio de venta por galon
Ejemplo 20

El señor Juan se enfrenta al


SEMANA VENTAS PRECIO PUBLICIDAD
problema de formular un 1 10 1.3 9
pronóstico que no es del todo 2 6 2 7
preciso. El puede explicar casi 3 5 1.7 5
el 75% de la varianza total del 4 12 1.5 14
volumen de ventas de galones 5 10 1.6 15
de leche vendidos mediante el 6 15 1.2 12
7 5 1.6 6
uso de una variable
8 12 1.4 10
independiente. Para ser mas 9 17 1 15
preciso, debe encontrar otra 10 20 1.1 21
variable de predicción que le Ventas en miles de galones
permita explicar mas la Precio de venta por galon
varianza total. Publicidad en ciento de dolares

¿MEJORO SU PRONOSTICO?
Pasos a seguir en una regresión lineal
múltiple
 Diagrama de dispersión múltiple.
 Calcular el coeficiente de correlación y
determinación.
 Prueba de significancia del coeficiente de
correlación.
 Análisis de regresión.
 Error estándar de estimación.
 Prueba de significancia de los coeficientes de
regresión.
Regresión lineal múltiple

Pasos a seguir para


obtener el grafico de
dispersión en SPSS
Regresión lineal múltiple

Observe usted, el
grafico de dispersión
múltiple en SPSS
Regresión lineal múltiple
Regresión lineal múltiple
Model Summary

Model R R Square
Adjus ted
R Square
Std. Error of
the Es timate Los resultados del
1 .965 a .932 .912 1.507
análisis de regresión
del SPSS
a. Predictors : (Constant), publicidad, precio

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regress ion 217.699 2 108.849 47.917 .000 a
Res idual 15.901 7 2.272
Total 233.600 9
a. Predictors : (Constant), publicidad, precio
b. Dependent Variable: ventas

Coefficientsa

Uns tandardized Standardized


Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Cons tant) 16.406 4.343 3.778 .007
precio -8.248 2.196 -.490 -3.756 .007
publicidad .585 .134 .571 4.377 .003
a. Dependent Variable: ventas
Regresión lineal múltiple

Model Summary r=0.965, es un buen coeficiente de


Adjus ted Std. Error of correlación, eso me indica que si
existe correlación.
Model R R Square R Square the Es timate
1 .965 a .932 .912 1.507
a. Predictors : (Constant), publicidad, precio

r2=0.932, es un buen coeficiente de


determinación, eso me indica que la
correlación es muy intensa.

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regress ion 217.699 2 108.849 47.917 .000 a
Res idual 15.901 7 2.272
Total 233.600 9
a. Predictors : (Constant), publicidad, precio
b. Dependent Variable: ventas

Como la probabilidad p es 0.000 y es menor que  (0.05), entonces, la


correlación es real.
Regresión lineal múltiple

La función de regresión es:


Ventas 16.406  8.248Precio  0.585Publicidad
Coefficientsa

Uns tandardized Standardized


Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Cons tant) 16.406 4.343 3.778 .007
precio -8.248 2.196 -.490 -3.756 .007
publicidad .585 .134 .571 4.377 .003
a. Dependent Variable: ventas

Observe usted, que la probabilidad p de las variables precio y


publicidad son 0.007 y 0.003 respectivamente y ambas son
menores que  (0.05), por lo tanto, los coeficientes de estas
variables si son significativos. Dicho de otra manera, las variables
precio y publicidad si aportan en el modelo de regresión.
Estacionalidad y regresión múltiple

El método de regresión múltiple, en forma normal, no


me permite explicar la estacionalidad de una variable.
Generalmente, la estacionalidad se da en función de las
estaciones, pero no siempre se da así, por ejemplo: en
fiestas patrias se suele gastar mas en viajes.
El método de regresión lineal con el uso de una variable
ficticia, me puede explicar la estacionalidad o cualquier
otro atributo cualitativo.
Ejemplo 21
TRIMEST CVP TH TRIMEST CVP TH
Deseamos 1980-1
1980-2
150,900
203,300
13.7300
14.4333
1985-3
1985-4
295,000
244,100
12.1367
11.7267
pronosticar el inicio 1980-3 272,600 12.6500 1986-1 234,100 10.5567
de construcción de 1980-4
1981-1
225,300
166,500
14.2633
15.1433
1986-2
1986-3
371,400
325,400
10.2533
10.2400
las casas del 1981-2 229,900 16.2267 1986-4 250,600 9.6600
programa mini 1981-3 184,800 17.4267 1987-1 241,400 9.1433
1981-4 124,100 17.7333 1987-2 346,500 10.3233
vivienda. Esta 1982-1 113,600 17.4167 1987-3 321,300 10.5000
generalmente 1982-2 178,200 16.7567 1987-4 237,100 10.8533

depende de la tasa
1982-3 186,700 16.1733 1988-1 219,700 10.0833
1982-4 184,100 14.0200 1988-2 323,700 10.3733
hipotecaria. 1983-1 202,900 13.0500 1988-3 293,400 10.5033
1983-2 322,300 12.7600 1988-4 244,600 10.3933
CVP  en miles 1983-3 307,500 13.6533 1989-1 212,700 10.8033
1983-4 234,800 13.4667 1989-2 302,100 10.6733
dólares 1984-1 236,500 13.3300 1989-3 272,100 10.0000
1984-2 332,600 14.0033 1989-4 216,500 9.8200
TH  % 1984-3 280,300 14.4967 1990-1 217,000 10.1233
1984-4 234,700 13.6500 1990-2 271,300 10.3367
1985-1 215,300 13.0567 1990-3 233,000 10.1067
1985-2 317,900 12.7767 1990-4 173,600 9.9533
Estacionalidad y regresión multiple
Nuestros datos son trimestrales. Para explicar y medir esta
estacionalidad con un modelo de regresión, utilizaremos tres
variables ficticias: T2 para el segundo trimestre, T3 para el
tercero y T4 para el cuarto.
Las codificamos de la siguiente manera:
T2 = 1 para todos los segundos trimestres y 0 para los demás
T3 = 1 para todos los terceros trimestres y 0 para los demás
T4 = 1 para todos los cuartos trimestres y 0 para los demás
El número de variables ficticias estaciónales que es preciso usar
dependerá de los datos. Existe, sin embargo, una norma
importante. Si en nuestra serie de datos tenemos un número P
de periodos, no podemos emplear más de P-1 variables ficticias
estaciónales.
Estacionalidad y regresión multiple

En nuestro ejemplo tenemos:


TRIMEST CVP TH T2 T3 T4
1980-1 150,900 13.7300 0 0 0
1980-2 203,300 14.4333 1 0 0
1980-3 272,600 12.6500 0 1 0
1980-4 225,300 14.2633 0 0 1
1981-1 166,500 15.1433 0 0 0
1981-2 229,900 16.2267 1 0 0
1981-3 184,800 17.4267 0 1 0
1981-4 124,100 17.7333 0 0 1
1982-1 113,600 17.4167 0 0 0
1982-2 178,200 16.7567 1 0 0

1990-1 217,000 10.1233 0 0 0


1990-2 271,300 10.3367 1 0 0
1990-3 233,000 10.1067 0 1 0
1990-4 173,600 9.9533 0 0 1

Y realizamos la regresión múltiple que ya conocemos y listo.


Programación Lineal

Introducción.

Solución con SOLVER del Excel


Solución DS:POM

Análisis de sensibilidad
Introducción

 La administración de cualquier organización debe tomar


decisiones acerca de cómo asignar sus recursos
(generalmente escasos) a diversas actividades para
cumplir mejor con los objetivos organizacionales.
 La programación lineal es una poderosa herramienta para
resolver estos tipos de problemas.
 El recurso asignado a las actividades puede ser, por
ejemplo: dinero, distintos tipos de personal, insumos y
diferentes tipos de maquinarias y equipos.
 En muchos casos, una amplia variedad de recursos debe
asignarse en forma simultanea.
Finalidad

 La finalidad de la programación lineal es determinar la


forma más eficaz de utilizar los recursos disponibles para
conseguir un determinado objetivo.
 En general, estos recursos disponibles presentan dos
características fundamentales:
 Ser limitados
 Ser susceptibles de usos alternativos.
 Esta doble característica de limitación de recursos y de
la posibilidad de ser utilizados de diferentes maneras
hace rentable la investigación de las posibles alternativas
de aplicación con el fin de conseguir la máxima utilidad de
ellos.
¿Qué es PL?

La programación lineal consiste básicamente en la


construcción, solución y análisis del modelo lineal de
un problema dado. Entendiéndose por modelo lineal
aquél que está integrado únicamente y
exclusivamente por funciones lineales.
Enfoque modelístico de IO/MC
La parte innovadora de MC/IO es su enfoque modelístico:
1. Se define el sistema en donde se presenta el problema.
2. Se seleccionan las variables que regulan la conducta o el
estado actual del sistema, llamadas variables relevantes,
con las que se define un sistema asumido del sistema real.
3. Se construye un modelo cuantitativo del sistema asumido.
4. Se obtiene la solución al modelo cuantitativo.
5. Se adapta e imprime la máxima realidad posible a la
solución teórica del problema real.
6. Se implanta la solución al sistema real.
Enfoque modelístico de IO/MC

Tomado del libro Programación Lineal de Jesús y Antonio Arreola Risa


Principios generales de la modelización
1. No debe elaborarse un modelo complicado cuando uno simple es
suficiente.
2. El problema no debe ajustarse al modelo o método de solución.
3. La fase deductiva de la modelación debe realizarse rigurosamente.
4. Los modelos deben validarse antes de su implantación.
5. Nunca debe pensarse que el modelo es el sistema real.
6. Un modelo nunca debe criticarse por algo para lo cual no fue hecho.
7. No venda un modelo como la perfección máxima.
8. Uno de los primeros beneficios de la modelación reside en el desarrollo
del modelo.
9. Un modelo es tan bueno o tan malo como la información con la que se
trabaja.
10. Los modelos no pueden reemplazar al tomador de decisiones.
Definición de un problema de PL

Un problema de programación lineal (PL) es un problema de


optimización para el cual se efectúa lo siguiente:

1. Se intenta maximizar (minimizar) una función lineal de las


variables de decisión. La función que se desea maximizar o
minimizar se llama función objetivo.
2. Los valores de las variables de decisión deben satisfacer un
conjunto de restricciones. Cada restricción debe ser una
ecuación lineal o desigualdad lineal.
3. Se relaciona un restricción de signo con cada variable. Para
cualquier variable Xi, la restricción de signo especifica de Xi no
debe ser negativa (Xi ≥ 0) o no tener restricciones de signo.
Suposiciones y limitaciones de la PL
Hay un dicho: “no existe lonche gratis”, y la modelación no
constituye la excepción. El modelo es una abstracción de la
realidad y no la realidad misma. En cierto sentido, es una
representación incompleta de la realidad, en donde se pretende
ganar entendimiento y definición de la estructura del sistema en
el cual se tiene el problema, cediendo a cambio cierta cantidad de
realidad. El modelo general de la PL tiene ciertas suposiciones y
limitaciones implícitas, estas son:

Suposiciones: Limitaciones:
1. Proporcionalidad. 1. Es un modelo determinístico.
2. Aditividad. 2. Es un modelo estático.
3. Divisibilidad. 3. Es modelo que no suboptimiza.
ABC de la Optimización

 A. ¿Qué puedes decidir?


Ej: cuánto producir; cuánto invertir,
son variables de decisión

 B: ¿Qué quiere decir mejor?


Ej: maximizar beneficio, minimizar coste, …
son objetivos (sólo puede haber uno)

 C: ¿Qué restricciones hay?


Ej: no exceder presupuesto
restricciones
Ejemplo 22
BAMSA manufactura dos tipos de juguetes de madera: soldados y
trenes. Un soldado se vende en 27 dólares y requiere 10 dólares
de materia prima. Cada soldado que se fabrica incrementa la mano
de obra variable y los costos globales de BAMSA en 14 dólares. Un
tren se vende en 21 dólares y utiliza 9 dólares de su valor en
materia prima. Todos los trenes fabricados aumentan la mano de
obra variable y los costos globales de BAMSA en 10 dólares. La
fabricación de soldados y trenes de madera requiere de dos tipos
de mano de obra especializada: carpintería y acabados. Un soldado
necesita dos horas de trabajo de acabado y una hora de
carpintería. Un tren requiere de una hora de acabado y una hora
de carpintería. Todas las semanas, BAMSA consigue el material
necesario, pero sólo 100 horas de trabajo de acabado y 80 de
carpintería. La demanda de trenes es ilimitad, pero se venden
cuando mucho 40 soldados por semana. BAMSA desea maximizar
las utilidades semanales.
¿QUE HACEMOS?
Formulación del modelo

PRIMER PASO: Definir las variables de decisión.

En cualquier modelo de programación lineal, las variables de


decisión deben describir por completo las decisiones que se
tienen que tomar. En nuestro ejemplo, BAMSA tiene que decidir
cuantos soldados y trenes se deben fabricar cada semana.

X1  cantidad de soldados fabricados cada semana


X2  cantidad de trenes fabricados cada semana.
Formulación del modelo
SEGUNDO PASO: Definir la función objetivo.

En cualquier problema de programación lineal, el que toma las


decisiones desea maximizar (generalmente, los ingresos o las
utilidades) o minimizar (generalmente, los costos) algunas
funciones de la variables de decisión. En nuestro caso, BAMSA
maximizara su utilidad.
Donde:
U = I – MP – CV U  Utilidad
I = 27X1 + 21X2 I  Ingresos

MP = 10X1 + 9X2 MP  Costo materia prima semanales.


CV  Otros costos variables semanales
CV = 14X1 + 10X2
U = (27X1 + 21X2) –(10X1 + 9X2)-(14X1 + 10X2) = 3X1 + 2X2
Formulación del modelo
SEGUNDO PASO: Definir la función objetivo.

Por lo tanto, el objetivo de BAMSA es escoger X1 y X2 para


maximizar 3X1 + 2X2

Se utiliza la variable Z para denotar el valor de la función


objetivo de cualquier PL

Maximizar Z = 3X1 + 2X2

Los coeficientes de una variable en la función objetivo se


denominan coeficientes de la variable de la función objetivo.
Formulación del modelo

TERCER PASO: Definir las restricciones.

A medida que X1 y X2 se incrementan, la función objetivo de


BAMSA se hace mas grande. Esto quiere decir que si BAMSA
fuera libre de escoger cualquier valor para X1 y X2, la compañía
podría tener unas utilidades arbitrariamente grandes al escoger
X1 y X2 muy grandes.
Lamentablemente, los valores de X1 y X2 están controlados por las
siguientes tres restricciones:
Restricción 1  No mas de 100 horas de acabado.
Restricción 2  No mas de 80 horas de carpintería.
Restricción 3  No se debe producir mas de 40 soldados.
Formulación del modelo
TERCER PASO: Definir las restricciones.

Restricción 1 Horas disponibles de acabado


2X1 + X2 ≤ 100
Restricción 2 Horas disponibles de carpintería
X1 + X2 ≤ 80
Restricción 3 Demanda limitada de soldados
X1 ≤ 40
Los coeficientes de las variables de decisión en las restricciones
se conocen como coeficientes tecnológicos.
Formulación del modelo

Variables:
X1  cantidad de soldados fabricados cada semana
X2  cantidad de trenes fabricados cada semana.

Función objetivo
Max Z = 3X1 + 2X2

Restricciones
2X1 + X2 ≤ 100 de acabado
X1 + X2 ≤ 80 de carpintería
X1 ≤ 40 de demanda limitada de soldados
X1, X2 ≥ 0 de signo
Modelo 01 BAMSA en EXCEL
Modelo 02 BAMSA en EXCEL
Solución PL con EXCEL - Solver
Con Solver, resolvemos los problemas de optimización
con el Excel

Seleccionamos
del menú del
Excel,
Herramientas y
luego marcamos
Solver
Solución PL con EXCEL - Solver

Lo primero que hacemos es


marcar en el casillero
Celda objetivo, la celda del
Excel que representa la
Utilidad total

Luego seleccionamos el
objetivo de la función
objetivo: Maximizar o
Minimizar, en nuestro
caso, Maximo
Solución PL con EXCEL - Solver

Ahora, indicamos las


celdas que vamos a
estimar

Luego presionamos
el botón: Agregar
Solución PL con EXCEL - Solver

Ingresamos las celdas del


Excel. En este caso, como
todos tiene la misma
desigualdad, lo ingresamos
todo el bloque. Si fueran
diferente, se ingresa uno
por uno
Solución PL con EXCEL - Solver

Seleccionamos el botón:
Seleccionamos las alternativas:
Opciones
•Adoptar modelo lineal
•Asumir no negativos

Y por ultimo, marcamos el botón:


Resolver
Solución PL con EXCEL - Solver

Observen estos
resultados

Observe el mensaje que


da el Solver:

Marcamos las opciones


de informe del Solver

Y por ultimo, marcamos


Aceptar
Solución PL
con EXCEL -
Solver
Listo, ya el Solver
soluciono el modelo
de PL.

Observen los
informes del Solver,
los veremos mas
adelante

La solución del modelo utilizando programación lineal, nos


recomienda producir solamente 20 soldados y 60 trenes,
obteniendo una ganancia total de 180 UM.
Solución PL con DS:POM

Ingresamos al DS:POM y escogemos el modulo: Linear


Programming
Solución PL con DS:POM

Una vez que estamos en el modulo de programación lineal,


presionamos el icono de nuevo, para ingresar al menú de PL
Solución PL con DS:POM

En este menú, ingresamos el numero de restricciones, el numero


de variables y seleccionamos el objetivo del problema. Y por ultimo
OK
Solución PL con DS:POM
En este menú, ingresamos los datos del problema planteado.

Una vez que se ingresan los datos del problema, se presiona el


icono Solve
Solución PL con DS:POM
Llegamos a los mismos resultados del Excel, nos recomienda
producir solamente 20 soldados y 60 trenes, obteniendo una
ganancia total de 180 UM.

Observen
estas
ventanas del
DS:POM
PL: Solución grafica
 Se utiliza cuando el modelo de programación lineal tiene
solo dos variables de decisión.
 En un plano cartesiano, se grafican las funciones de las
restricciones.
 Se identifica la región factible (son todas las alternativas
de solución que satisfacen en forma simultanea todas las
restricciones del modelo.
 Identificar nuestro objetivo, que es encontrar un punto
de la región factible que rinda la más alta ganancia
(cuando se esta maximizando).
 En este curso, utilizaremos el programa DS:POM
Solución grafica con GLP
Ejemplo 23

ABCSA, produce una línea de artículos de peltre, la cual


consta de cuatro productos. El sistema de manufactura se
divide en cinco etapas: cortado, troquelado, esmaltado,
acabado y empacado.

Información sobre el sistema productivo


Indice de produccion (unidades/hora) Capacidad
Departamento
Producto 01 Producto 02 Producto 03 Producto 04 (horas/mes)
Cortado 25 6 20 10 400
Troquelado 14 8 20 10 380
Esmaltado 17 9 33 8 490
Acabado 20 4 0 8 450
Empacado 50 13 50 20 400

sigue ….
Ejemplo 23

Informacion sobre el producto


Precio de Costo de Demanda mensual
Producto
venta venta Mínima Máxima
1 100 50 500 5,000
2 300 200 750 6,000
3 160 100 650 8,000
4 250 150 0 3,500
Precio y costo en $/Unidad
Demanda mensual en unidades

Además, se sabe que en el siguiente mes sólo se


dispondrá de 1200 m2 de lámina que consumen los
productos 1 y 2. El producto 1 requiere de 0.50 m2 por
unidad y el producto 2 requiere 0.80 m2.

¿QUE HARIA UD.?


Ejemplo 24
Un ganadero decide elaborar una mezcla para alimento de
animales a base de alfalfa, sorgo, avena, maíz, soya y
harinolina. De cada 100 kg. de mezcla, desea que al menos 30
de ellos sean proteínas, no más de 40 sean de calcio, y como
máximo 35 kg. De fósforo.
Ingredientes Proteina (%) Calcio (%) Fósforo (%) Precio ($/kg.)
Alfalfa 25 50 25 7
Sorgo 40 20 40 9
Avena 10 30 60 8
Maíz 65 15 20 20
Soya 40 20 40 5
Harinolina 30 20 50 15

Además, no se pueden usar más de 10 kg. De harinolina ni


más de 12 kg. De soya por cada 100 kg. De mezcla.

¿QUE HARIA UD.?


Ejemplo 25

El grupo Industrial Romero, analiza la posibilidad de


orientar sus inversiones hacia otros sectores en donde se
encuentran operando actualmente. El presupuesto
disponible para inversiones de esta naturaleza se ha fijado
en 100 millones de dólares. Tomando en cuenta las áreas de
inversión actuales, el director de finanzas ha recomendado
que las nuevas inversiones se realicen en las industrias
petrolera y siderurgia, así como en certificados de Tesoro
Publico. Específicamente, ha identificado siete
oportunidades de inversión, así como las tasas de
rendimiento esperadas de las mismas.
El consejo de administración ha impuesto, por su parte, la
siguiente estrategia de inversión:
Ejemplo 25

 No se debe destinar más del 50% del total de la


inversión a una industria en particular.
 La inversión en certificados debe equivales al 25% del
total invertido en siderurgia.
 La inversión en Industria Petroleras SA, la cual resulta
ser la de mayor rendimiento, aunque también la de
mayor riesgo, no puede exceder al 50% del total a
invertir en el sector petrolero.
 El total a invertir en siderúrgica debe ser por lo menos
igual al invertido en petróleo.
Ejemplo 25

Tasa de
Opciones de inversión
rendimiento (%)
Petróleo y Derivados SA 25
Industria Petrolera SA 33
Petróleo del Norte SA 20
Aceros Monclova SA 35
Siderúrgica Nacional SA 23
Hierro y Acero SA 27
Certificados del TP 30

¿Qué recomendaciones haría usted respecto a este


portafolio?
Ejemplo 26
Plásticos el Rey SA, va a iniciar una nueva línea de producción para
dos artículos. Dado que la nueva línea requiere una expansión de la
capacidad de producción actual, la compañía necesita fondos para
cubrir los costos de materia prima, mano de obra y gastos de
fabricación durante la etapa de producción inicial, la cual se estima
en tres meses. Las utilidades de este período inicial de producción
sólo estarán disponibles al final del mismo. Por tanto, la empresa
planea el financiamiento para estos gastos iniciales de operación
antes de comenzar la producción.
Esta empresa tiene 1 millón de soles disponibles, los cuales
provienen de fondos internos, para cubrir los gastos de esta
operación; si se requiere capital adicional, tendrá que obtenerlo del
exterior. EL BCP ha ofrecido una línea de crédito a corto plazo, con
un tope de 3 millones de soles. La tasa de interés que se cobraría es
del 40% anual en el saldo promedio adeudado.
Ejemplo 26

Una regla estipulada por el banco establece que el total de


efectivo reservado por la empresa a la producción de esta
nueva línea, sumado a las cuentas por cobrar de los mismos,
debe ser de por lo menos el doble del saldo insoluto
(considerando el principal e intereses) al final del periodo
inicial de producción.
La empresa da a sus clientes un plazo máximo en cuentas
por cobrar de tres meses.
Además Plásticos el Rey SA, debe considerar que para los
tres meses de operación de esta nueva línea de productos
sólo dispone de 10000 horas-hombre para el montaje y
5000 horas-hombre en empacado.
Ejemplo 26
Finalmente, el departamento de mercadotecnia ha
establecido que para probar ambos productos en el
mercado, se deben producir en el periodo inicial por lo
menos 100 unidades del articulo 1 y 200 unidades del
articulo 2.
Costo Precio de Horas-hombre requeridas
Articulo variable venta unitario
unitario ($) ($) Montaje Empacado
1 50 120 4 1
2 70 150 2 1

¿QUE ESTRATEGIA DEBE SEGUIR PLASTICOS EL REY EN LA


MEZCLA FINANCIERA?
Ejemplo 27
Maquinaria SA, piensa lanzar al mercado una nueva marca de auto. El mercado
primario pera este nuevo automóvil está integrado por familias de clase media y
alta. Por esta razón, Maquinaria SA ha pedido a su departamento de marketing que
elabore una campaña publicitaria para promover sus nuevos autos.
Después de considerar los posibles canales de comunicación y distribución, el jefe
de marketing ha recomendado, en principio, restringir la publicidad del primer mes a
cinco fuentes. Al final del mes revisará la estrategia basándose en los resultados
obtenidos. Mediante un minucioso estudio se han obtenido datos acerca del número
de familias potencialmente compradoras que reciben el mensaje, el costo por
anuncio, el número máximo de veces que está disponible y la “exposición esperada”
para cada una de las cinco fuentes de comunicación. La exposición esperada se mide
en términos de una unidad de exposición (una evaluación subjetiva de la alta
dirección, del valor relativo de un mensaje en cada uno de los medios de publicidad).
Dicha evaluación esta basada fundamentalmente en factores como el perfil de
audiencia (edad, ingreso, nivel educativo, etc.), la imagen presentada y la calidad del
anuncio.
La información recolectada se muestra a continuación:
Ejemplo 27
Nº de familias Disponibilidad Unidades de
Costo por
Canal publicitario potencialmente mensual exposicion
anuncio (UM)
compradoras maxima esperada
TV matutina (1 minuto) 10,000 100,000 20 50
TV nocturna (30 seg.) 50,000 150,000 10 90
Periódico diario (1 página) 30,000 60,000 25 35
Periódico dominical (1/2 página) 70,000 120,000 4 70
Radio noticiero (30s a las 8 ó 18 horas) 5,000 20,000 40 25

La empresa ha destinado un presupuesto de 4 millones UM para la campaña publicitaria


del primer mes. Además, el consejo de administración ha sugerido al departamento de
marketing los siguientes lineamientos:

1. Deben utilizarse por lo menos 20 comerciales de TV.


2. El mensaje debe llegar a por lo menos 2.5 millones de familias potencialmente
compradoras.
3. El mensaje debe publicarse en un periódico local por lo menos un domingo.
4. No deben gastarse más de 2 millones UM en TV.
¿Cuál debe se la campaña publicitaria para este primer mes?
Ejemplo 28
La empresa MCASA, produce dos componentes mecánicos para SAMSUNG, la cual le
hace pedidos trimestrales. Los requerimientos mensuales varían de un mes a otro,
dado que la venta de lavadoras se ve afectada por cierta estacionalidad. MCASA,
acaba de recibir una orden para el siguiente trimestre:
Mes
Componente
Ene Feb Mar
X-126A 30,000 20,000 40,000
Y-613C 10,000 20,000 30,000

Después de que se procesa la orden, se envía una requisición al departamento de


control de producción, en donde elaboran una programación trimestral para ambos
componentes.
El gerente de producción opina que lo mejor es fabricar en promedio 30,000 del
componente X-126A y 20,000 del componente Y-613C., con lo cual se tendría un
nivel de producción constante.
Sin embargo, el gerente financiero no opina lo mismo, dado que con una producción
constante, el nivel de inventarios para los componentes seria, alto, lo que provocaría
Ejemplo 28
un alto costo financiero. Específicamente, el inventario que se generaría con una
producción constante es:
X-126A
Mes I.I. Producción Ventas I.F.
Ene 0 30,000 30,000 0
Feb 0 30,000 20,000 10,000
Mar 10,000 30,000 40,000 0

Y-613C
Mes I.I. Producción Ventas I.F.
Ene 0 20,000 10,000 10,000
Feb 10,000 20,000 20,000 10,000
Mar 10,000 20,000 30,000 0

Por tanto, el gerente de finanzas sugiere que se produzca únicamente lo que se va


a vender en cada mes. A esta sugerencia, el gerente de producción opina que seria
muy costoso para la compañía tener tiempo ocioso en maquinaria durante ciertos
meses al variar el nivel de producción y además, que sería mucho mas costoso para
la empresa, disponer de diferentes niveles de mano de obra de una mes a otro.
Ejemplo 28
El jefe de control de producción ha decidido conciliar los objetivos en conflicto de
los gerentes de producción y finanzas, para lo cual ha obtenido la siguiente
información:
Capacidad
Mes
Maquinaria (hr) Mano de obra (Hr) Almacen (m2)
Ene 800 1000 300
Feb 1000 1000 300
Mar 1500 1000 300

Componente Hr-maquina (uni) Hr-hombre (uni) Espacio (m2)


X-126A 0.10 0.05 0.30
Y-613C 0.15 0.05 0.25

Además se sabe que el costo de producción es de 3000 UM para X-126A y 2000


UM para Y-613C; el costo de mantener una unidad de inventario se estima en 5%
del costo de producción y actualmente se tienen en inventario 10000 unidades de
X-126A y 5000 unidades de Y-613C; el costo por hora-hombre contratada
adicionalmente es de 1000 UM y por hora-hombre no utilizada es de 500 UM.

¿Qué programa de producción es el que usted recomendaría?


Problema de transporte
Problema de transporte

1. Este modelo determina la manera de asignar los


productos de sus diferentes almacenes a sus clientes, a
fin de satisfacer la demanda con el menor costo de
transportación posible
2. Origen, recurso
3. Destino, demanda
4. Suposición de requerimiento.
5. Propiedades de soluciones factibles.
6. Suposición de costos.
Problema de transporte

Los únicos datos necesarios para el modelo de transporte son los


recursos, las demandas y los costes unitarios. Éstos son los
parámetros del modelo. Estos parámetros del modelo, se resumen
así:
DESTINO
ORIGEN RECURSOS
1 2 3 4
1
2
3
DEMANDA

Nunca hay que olvidarse que debe haber equilibrio entre el


suministro total de todos lo orígenes y la demanda total de
todos los destinos, es decir, deben ser iguales.
Ejemplo 29
Una fabrica dispone de tres centros de producción A, B y C
cuyas disponibilidades de materia prima son 100, 120 y 120
TM respectivamente. Dicha materia prima debe ser
entregada a cinco almacenes I, II, III, IV y V, los cuales
deben de recibir respectivamente 40, 50, 70, 90 y 90 TM.
Los costos unitarios se muestran a continuación:

COSTO UNITARIO
DESTINO
ORIGEN RECURSOS
I II III IV V
A $10 $20 $5 $9 $10 100
B $2 $10 $8 $30 $5 120
C $1 $20 $7 $10 $4 120
DEMANDA 40 50 70 90 90

La gerencia desea saber cuanto de materia prima debe


embarcar en cada origen para ser enviada a su destino.
Solución con Excel - Solver
PRIMER PASO: Definir las variables de decisión.

Destino
Origen Recursos
I II III IV V
A XA1 XA2 XA3 XA4 XA5 100
B XB1 XB2 XB3 XB4 XB5 120
C XC1 XC2 XC3 XC4 XC5 120
Demanda 40 50 70 90 90

SEGUNDO PASO: Definir la función objetivo

Min Z= 10XA1+20XA2+5XA3+ 9XA4+10XA5+


2XB1+10XB2+8XB3+30XB4+ 5XB5+
XC1+20XC2+7XC3+10XC4+ 4XC5
Solución con Excel - Solver
TERCER PASO: Definir las restricciones.

Demanda I
XA1+XB1+XC1 = 40
Demanda II
XA2+XB2+XC2 = 550
Demanda III
XA3+XB3+XC3 = 70
Demanda IV
XA4+XB4+XC4 = 90
Demanda V
XA5+XB5+XC5 = 90
Solución con Excel - Solver
TERCER PASO: Definir las restricciones.

Recursos A
XA1+XA2+XA3+XA4+XA5 = 100
Recursos B
XB1+XB2+XB3+XB4+XB5 = 120
Recursos C
XC1+XC2+XC3+XC4+XC5 = 120

Ahora lo resolvemos con el SOLVER de EXCEL


Solución con Excel - Solver
Variables XA1 XA2 XA3 XA4 XA5 XB1 XB2 XB3 XB4 XB5 XC1 XC2 XC3 XC4 XC5 Costo
Cantidad 0 0 70 30 0 40 50 0 0 30 0 0 0 60 60 total
Costo 10 20 5 9 10 2 10 8 30 5 1 20 7 10 4 2190
Sujeto a:
Demanda I 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 40 = 40
Demanda II 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 50 = 50
Demanda III 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 70 = 70
Demanda IV 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 90 = 90
Demanda V 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 90 = 90
Recursos A 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 100 = 100
Recursos B 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 120 = 120
Recursos C 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 120 = 120

Destino
Origen
I II III IV V
A 70 30
B 40 50 30
C 60 60
Solución con DS:POM
Escogemos el modulo de Transportation (Transporte) del DS:POM,
luego marcamos el icono nuevo y surge el menú siguiente. En este
menú ingresamos el numero de orígenes y el numero de destinos,
seleccionamos nuestro objetivo y por ultimo OK
Solución con DS:POM

Ingresamos la información respectiva, escogemos el objetivo y


presionamos Solve
Solución con DS:POM

¿Qué les pareció?

¡ FACIL !
Variantes del problema de transportes

No siempre en la realidad, la cantidad ofertada es igual a


la cantidad demanda (condición para el problema de
transporte), la realidad es otra. Por tal motivo existen
las siguientes variantes a este problema:
1. Oferta o suministro total no igual a la demanda
total.
2. Maximización de la función objetivo.
3. Rutas de capacidad limitada.
4. Rutas no aceptables.
Con ligeras modificaciones en el modelo de programación
lineal estas situaciones se pueden tomas en cuanta
fácilmente.
Ejemplo 30

A continuación se muestra la información de una empresa,


que contiene los recursos disponibles, las demandas y los
costes unitarios de transporte:
Destino Recursos
Origen
1 2 3 4 5 disponibles
1 4 3 1 8 7 200
2 2 2 3 9 5 200
3 10 6 8 10 9 100
4 4 1 3 8 6
Demanda 150 125 75 50 100

Determinar si podría ser interesante la apertura de un


cuarto origen que pudiera recoger hasta un máximo de 100
unidades de uno o varios de los otros centros de
almacenamiento.
Ejemplo 31
BAMSA, es una firma industrial que se dedica a la fabricación
de tornillos. Tiene tres plantas localizadas en las ciudades de
Lima, Trujillo y Arequipa. La capacidad de producción de cada
una de las plantas se muestra a continuación.
Esta empresa comercializa sus productos mediante cinco
distribuidoras localizadas en diferentes zonas del país. La
demanda pronosticada por cada distribuidora se muestra a
continuación.
Planta Producción Zona Lima Trujillo Arequipa
Lima 100,000 1 $ 100 $ 200 $ 300
Trujillo 120,000 2 $ 120 $ 150 $ 200
Arequipa 100,000 3 $ 150 $ 100 $ 250
Cajas/mes 4 $ 200 $ 180 $ 150
5 $ 220 $ 200 $ 100
Zona Demanda
Dólar/caja
1 75,000
2 50,000
3 50,000 ¿Cuáles rutas de distribución deben usarse y
cuanta mercadería debe enviarse a cada una
4 55,000
5 80,000
Cajas/mes de ellas?
Problema de asignación
Problema de asignación
Los problemas típicos de asignación implica asignar tareas a
maquinaria, agentes a trabajos especiales, personal de
ventas a territorios, contratos a licitantes y así
sucesivamente.
Una característica que distingue los problemas de asignación
es que un agente se asigna a una y solamente una tarea.
Específicamente, buscamos el conjunto de asignaciones que
optimizaran un objetivo dado.
Constituyen un casi particular de los problemas de
transporte.
Problema de asignación
Para adaptar el modelo a un problema de asignación, se
necesitan satisfacer las siguientes suposiciones:

1. El número de asignados y el número de tareas son


iguales.
2. Cada asignado se asignará exactamente a una tarea.
3. Cada tarea será realizada por exactamente un asignado.
4. Existe un costo asociado con cada combinación de
asignado que realiza una tarea.
5. El objetivo es determinar cómo deben hacerse todas las
asignaciones para minimizar el costo total.
Ejemplo 32
Supongamos que una empresa dispone de cinco máquinas I,
II, III, IV y V, así como de otros tantos operarios A, B, C,
D Y E para asignarlos a las mismas maquinas. Siendo la
matriz de costes:
MÁQUINA
OPERARIO
I II III IV V
A $40 $30 $80 $80 $60
B $80 $70 $40 $30 $0
C $85 $75 $50 $60 $25
D $45 $60 $80 $70 $90
E $50 $70 $40 $55 $55

1. Se desea establecer la asignación de coste mínimo.


2. Resolver el mismo ejemplo suponiendo que la matriz
dada corresponde a la utilidad de asignar cada operario
a una máquina determinada.
Solución con DS:POM
Escogemos el modulo de Assignment (Asignación) del
DS:POM, luego marcamos el icono nuevo y surge el menú
siguiente. En este menú ingresamos el numero de
trabajadores y el numero de maquinas, seleccionamos
nuestro objetivo y por ultimo OK
Solución con DS:POM

Ingresamos la información respectiva y presionamos Solve


Solución con DS:POM

¿Qué les pareció?

¡ FACIL !
Variantes del problema de asignación
Con frecuencia surgen variantes de los problemas de
asignación porque tiene una o mas características que no se
ajustan a todas las suposiciones mencionadas anteriormente.
Estas son:
1. Ciertos asignados no pueden realizar ciertas tareas.
2. Existen mas tareas que asignados.
3. Existen mas asignados que tareas.
4. Cada asignado puede ser asignado para realizar mas de
una tarea en forma simultanea.
5. Cada tarea puede realizarse de manera conjunta por
mas de una asignado.
Ejemplo 33
BAMSA compró tres máquinas nuevas de distintos tipos.
Hay cinco ubicaciones disponibles en el taller donde se
podría instalar una maquina. Algunas de estas ubicaciones
son mejores que otras para algunas máquinas debido a su
proximidad a centros de trabajo que tendrán un flujo de
trabajo pesado hacia y desde estas máquinas.
La información necesaria se muestra a continuación:
Ubicación
Maquina
1 2 3 4 5
1 $ 13 $ 16 $ 12 $ 14 $ 15
2 $ 15 - $ 13 $ 20 $ 16
3 $4 $7 $ 10 $6 $7
Costo por hora
Ejemplo 34
BAMSA, se dedica al maquinado de piezas en general.
Actualmente estás planeando su producción para la próxima
semana, la cual consta de cinco órdenes. Cada uno de los
pedidos puede trabajarse en cualquiera de las cinco
fresadoras que tiene disponibles. De acuerdo con las
especificaciones técnicas tanto de las ordenes como de las
fresadoras, la empresa ha estimado la siguiente relación de
costos:
Fresadoras
Orden
1 2 3 4 5
1 $ 100,000 $ 80,000 $ 90,000 $ 60,000 $ 40,000
2 $ 70,000 $ 50,000 $ 50,000 $ 40,000 $ 50,000
3 $ 30,000 $ 60,000 $ 30,000 $ 50,000 $ 100,000
4 $ 25,000 $ 30,000 $ 50,000 $ 50,000 $ 10,000
5 $ 50,000 $ 20,000 $ 10,000 $ 30,000 $ 20,000

¿Cómo deben asignarse las órdenes a las fresadoras?


Análisis de Sensibilidad
de PL
Análisis de sensibilidad de PL

¿Qué es el análisis de sensibilidad del modelo de


programación lineal?

Es el estudio de cómo afectan a la solución óptima los


cambios en los parámetros de un modelo de PL.

Básicamente, es ver cuan sensible es la solución óptima al


valor de cada parámetro.

VEAMOS UN EJEMPLO
Ejemplo 35
PERUGLASS, produce artículos de vidrio de alta calidad,
incluidas ventanas y puertas de vidrio. La compañía cuenta con
tres plantas:
Planta 1: fabrica marcos de aluminio y herrerías.
Planta 2: fabrica marcos de madera.
Planta 3: fabrica el vidrio y ensambla ventanas y puertas.
La empresa esta pensando lanzar dos nuevos productos: puertas
de seis pies y ventanas de doble marco de 4x6 pies.
La administración se esta haciendo dos preguntas:

¿Debe seguir la compañía adelante con el lanzamiento de estos


dos nuevos productos?.
Si es así ¿cuál debe ser la mezcla de productos a producir?
Análisis de sensibilidad de PL
¿Qué hacemos?

Para la primera interrogante, identificar las ventajas


diferenciales de nuestros nuevos productos que garanticen la
acogida de los mismos.

Para la segunda interrogante, determinar la mezcla de productos


que maximiza la ganancia total. ¿Qué necesitamos?

Conocer la capacidad de producción disponible de cada planta.

Conocer cuánta de la capacidad de producción en cada planta


seria necesario para cada producto.

Conocer la rentabilidad de cada producto.


Análisis de sensibilidad de PL
La gerencia de PERUGLASS ha estimado la siguiente
información:
Disponible
Planta Puertas Ventanas
por semana
1 1 0 4
2 0 2 12
3 3 2 18
Ganancia
$300 $500
unitaria
En horas

¿Qué hacemos ahora?

Aplicar un modelo de PL que encuentre la mezcla de


productos que maximice mi ganancia total.
Análisis de sensibilidad de PL

Con la ayuda del DS:POM, obtenemos el siguiente


resultado:

Producir 2 puertas y 6 ventanas. Siendo mi ganancia total


$3,600
Análisis de sensibilidad de PL

Si usted fuera el gerente de PERUGLASS, ¿estaría


conforme con la mezcla de productos: 2 puertas y 6 ventas
con una ganancia total de $3,600?

¿Qué preguntas se haría usted?

Si cambia mi ganancia unitaria de mis productos ¿afectaría


la solución óptima?

Si cambian mi disponibilidad de horas semanales ¿afectaría


la solución optima?
Análisis de sensibilidad de PL

Si cambia mi ganancia unitaria de mis productos ¿afectaría


la solución óptima?

Valores de la Ganancias Valores mínimos y máximos


solución óptima unitarias que pueden asumir las
originales ganancias unitarias sin que
varié mi solución óptima
Análisis de sensibilidad de PL
El intervalo de optimalidad para la ganancia unitaria de la puerta es:

Ganancia unitaria de puertas 0 ≤ GP ≤ 750


es decir, GP puede variar entre 0 y 750 y no altera mi mezcla de
productos óptima (2 puertas y 6 ventanas)

El intervalo de optimalidad para la ganancia unitaria de la ventana es:

Ganancia unitaria de ventanas 200 ≤ GV ≤ ∞


es decir, GV puede variar entre 200 y ∞ (infinito) y no altera mi
mezcla de productos óptima (2 puertas y 6 ventanas)
Análisis de sensibilidad de PL
Si cambian mi disponibilidad de horas semanales ¿afectaría la
solución optima?
Para responder a esta interrogante, analizaremos solamente el lado
derecho de las restricciones.
Este análisis es también conocido como análisis de los precios
sombra

El precio sombra de una restricción funcional es la tasa a la cual el


valor de la función objetivo puede aumentar si se incrementa el lado
derecho de la restricción en una cantidad pequeña.
Trabajaremos con esta parte del reporte dEl DS:POM
Análisis de sensibilidad de PL
Trabajaremos con esta parte del reporte dEl DS:POM

Holgura Valores mínimos y máximos


Valores originales del que puede asumir el lado
Precio sombra
lado derecho de las derecho de las restricciones,
restricciones donde el precio sombra se
Planta 2: mantiene vigente

Si se incrementa en una unidad el lado derecho de esta


restricción, la ganancia total se incrementara en $150
Planta 3:
Si se incrementa en una unidad el lado derecho de esta restricción,
la ganancia total se incrementara en $100
Ejemplo 36
Una empresa produce dos productos: aditivo para combustible y una
base disolvente. El aditivo para combustible se vende a empresas
petroleras y se utiliza en la producción de gasolina y otros
combustibles relacionados. La base disolvente se vende a varias
empresas químicas y se utiliza tanto para productos de limpieza
para el hogar como industrial. Para la producción de estos
productos, se tiene la siguiente información:

Necesidad de materia prima por Tonelada ¿Cuánta toneladas


Materia Producto Disponibilidad
de Aditivo y Base se
prima (Ton)
debe producir para
Aditivo Base
1 2/5 1/2 20
2 0 1/5 5 maximizar mis
3 3/5 3/10 21 ganancias?
Ganancia
$40 $30
unitaria Realice el respectivo
análisis de sensibilidad
Ejemplo 37
Una compañía opera cuatro granjas, cuyos grados de productividad
son comparables. Cada una de las granjas tiene cierta cantidad de
hectáreas útiles y de horas de trabajo para plantar y cuidar la
cosecha. Los datos correspondientes a la próxima temporada
aparecen en la siguiente tabla.

HORAS DE
HECTÁREAS TRABAJO
GRANJA 1
ÚTILES 500 DISPONIBLES
POR MES
1 500 1,700
2 900 3,000
3 300 900
4 700 2,200

La organización está considerando la opción de plantar tres


cultivos distintos. Las diferencias principales entre estos cultivos
son las ganancias esperadas por hectárea y la cantidad de mano de
obra que cada uno requiere, como se indica en la siguiente tabla.
Ejemplo 37
HORAS
GANANCIAS
HECTÁREAS MENSUALES DE
CULTIVO ESPERADAS
MÁXIMAS TRABAJO por
por Ha.
Ha.
A 700 2 500
B 800 4 200
C 300 3 300

Además, el total de las hectáreas que pueden ser dedicadas a


cualquier cultivo en particular están limitadas por los requerimientos
asociados por concepto de equipo de siega. Con la finalidad de
mantener una carga de trabajo más o menos uniforme entre las
distintas granjas, la política de la administración recomienda que el
porcentaje de hectáreas plantadas deberá ser igual para todas las
granjas. Sin embargo, en cualquiera de esas fincas puede crecer
cualquier combinación de cultivos, siempre y cuando se satisfagan
todas las restricciones (incluido el requerimiento de que la carga de
trabajo sea uniforme). La administración desea saber cuántas
hectáreas de cada cultivo tendrá que plantar en sus respectivas
granjas, a fin de maximizar las ganancias esperadas.
Ejemplo 38
La administración de un viñedo desea combinar cuatro cosechas
distintas para producir tres tipos de vinos en forma combinada.
Las existencias de las cosechas y los precios de venta de los vinos
combinados se muestran en la siguiente tabla, junto con ciertas
restricciones sobre los porcentajes incluidos en la composición de
las tres mezclas. Se podrá vender cualquier cantidad que se
elabore de las mezclas A, B y C. Formule un modelo de PL que
aproveche en la mejor forma las cosechas disponibles y revuélvalo.
Cosecha Precio de
Mezcla
1 2 3 4 venta (galon)
Cuando menos 75% en Cuando
A * 80
cualquier proporción menos 8%
Cuando Cuando
B * * 50
menos 10% muc ho 35%
Cuando menos 30% en
C * * 35
cualquier proporción
Ex istencias
130 200 150 350
(galones)
* Indica que no existe restriccion alguna
Ejemplo 39
Cierto restaurante atiende al público los siete días de la semana. La
administración ha contratado camareros para que trabajen seis
horas diarias. En el contrato firmado con el sindicato se estipula que
cada uno de ellos debe trabajar cinco días consecutivos y descansar
dos. Todos los camareros perciben el mismo salario. En la siguiente
tabla aparecen los requerimientos de personal. Suponga que este
ciclo de requerimientos se repite indefinidamente y pase por alto el
hecho de que la cantidad de camareros contratados tiene que ser un
número entero. La gerencia desea encontrar un programa de empleo
que satisfaga estos requerimientos a un costo mínimo.
Horas/Camarero
Dia mínimas
requeridas
Lunes 150
Martes 200
Miercoles 400
Jueves 300
Viernes 700
Sabado 800
Domingo 300
Ejemplo 40
BAM SA ha establecido un programa para planes de retiro
anticipado como parte de su reestructuración corporativa. Al cierre
del periodo de aplicación voluntaria, 68 empleados habían elegido un
retiro anticipado. Como resultado de estos planes de retiro
anticipado, la empresa ha incurrido durante los próximos 8 años en
las siguientes obligaciones. Las necesidades de efectivo (en miles
de dólares) deben desahogarse al principio de cada año.
Año 1 2 3 4 5 6 7 8
Necesidades de efectivo 430 210 222 231 240 195 225 255

El tesorero corporativo debe determinar cuánto dinero debe


apartar hoy para cumplir con las obligaciones financieras a 8 años
conformen venzan. El plan financiero del programa de retiro incluye
inversiones en bonos del gobierno, así como en ahorro. Las
inversiones en bonos del gobierno se limitan a 3 alternativas:
sigue…
Ejemplo 40
Bono Precio Tasa Años de vencimiento
1 $1,150 8.875% 5
2 $1,000 5.500% 6
3 $1,350 11.750% 7

Los bonos del gobierno tienen un valor a la par de mil dólares, lo


que significa que incluso teniendo precios diferentes, cada bono
pagará $1,000 al vencimiento. Las tasas mostradas se basan en
el valor a la par. Para efectos de planeación, el tesorero ha
supuesto que cualquier fondo no invertido se colocará en ahorro
y ganará interés a la tasa anual de 4%.
Programación lineal
avanzada

• Entera
• Mixta
• Binaria
Ejemplo 41
BAMSA tiene $ 2´000,000 disponibles para la adquisición de nueva
propiedad para rentar. Después de una revisión inicial, BAMSA ha
reducido las alternativas de inversión a residencias urbanas y
edificios multifamiliares. Cada residencia urbana se puede adquirir
por $280,000, pero solamente hay cinco disponibles. Cada edificio de
departamentos contiene seis unidades habitacionales y se puede
adquirir en $ 400,000 por edificio. Se pueden construir tantos
edificios multifamiliares como BAMSA desee adquirir.
El gerente de BAMSA puede dedicar 140 horas mensuales a estas
nuevas inversiones. Cada residencia urbana requerirá de cuatro horas
por mes y cada edificio multifamiliar, 40 horas por mes. El flujo de
caja mensual después de deducir los pagos de hipoteca y gastos de
operación se estima como de $10,000 por residencia urbana y de
$15,000 por edificio multifamiliar. El dueño de BAMSA quisiera
determinar el numero de residencias urbanas y la cantidad de
edificios multifamiliares a adquirir a fin de maximizar el flujo de caja
anual.
Aplicando lo aprendido hasta ahora
PRIMER PASO: Definir las variables de decisión.

X1  número de residencias urbanas compradas


X2  número de edificios multifamiliares comprados

SEGUNDO PASO: Definir la función objetivo


Max 10 X1 + 15 X2

TERCER PASO: Definir las restricciones


282 X1 + 400 X2 < 2000
X1 <5
4 X1 + 40 X2 < 140
X1, X2 > 0
Aplicando lo aprendido hasta ahora
Utilizando el DS:POM, obtenemos el siguiente resultado:

Comprar 2.4793 residencias urbanas, y


Comprar 3.2521 edificios multifamiliares.

¿LES PARECE LOGICO ESTA RESPUESTA?


PL Entera
Cuando las respuestas del modelo de programación lineal
tiene que ser números enteros, se llama: PROGRAMACION
LINEAL ENTERA.

Los modelos de PLE pueden clasificarse como sigue:

 Solo de enteros, es decir, todas las variables se


restringen a enteros.
 De variables mixtas, algunas variables son enteras, pero
no todas.
 De binarios- todas las variables son 0 ó 1.

Siendo la de mayor aplicación, la de Binarios.


PL Entera
Nuestro ejemplo se plantearía así:
X1  número de residencias urbanas compradas
X2  número de edificios multifamiliares comprados

Max 10 X1 + 15 X2
Sujeto a:
282 X1 + 400 X2 < 2000
X1 <5
4 X1 + 40 X2 < 140
X1, X2 > 0 y enteros
La solución de este modelo, sin tomar en cuenta la condición de
enteros, se llama la relajación de la programación lineal
PL Entera

Para solucionar un modelo de programación lineal entera,


podemos utilizar:
DS:POM y el SOLVER de Excel
Siguiendo con nuestra política TIM (libertad de elegir),
resolveremos el ejemplo anterior, utilizando el DS:POM
Ejemplo 42
BAMSA proyecta cuatro inversiones. La inversión 1 genera una
valor neto actual (VNA) de $16,000; la inversión 2, un VNA de
$22,000; la inversión 3, un VNA de $12,000, y la inversión 4, un
VNA de $8,000. Para cada inversión se requiere una cierta
salidas de efectivo en el tiempo presente: la inversión 1, $5,000;
la inversión 2, $7,000; la inversión 3, $4,000 y la inversión 4,
$3,000. Dispone en la actualidad de $14,000 para invertir.
BAMSA desea saber como maximizar el VNA obtenido de las
inversiones 1 a 4.

PRIMER PASO: Definir las variables de decisión.


X1  inversión 1 ( 1 si se efectúa y 0 si no se efectúa)
X2  inversión 2 ( 1 si se efectúa y 0 si no se efectúa)
X3  inversión 3 ( 1 si se efectúa y 0 si no se efectúa)
X4  inversión 4 ( 1 si se efectúa y 0 si no se efectúa)
Ejemplo
SEGUNDO PASO: Definir la función objetivo

Max 16 X1 + 22 X2 + 12 X3 + 8 X4

TERCER PASO: Definir las restricciones

5 X1 + 7 X2 + 4 X3 + 3 X4 ≤ 14

X1, X2, X3, X4 = (0, 1)

Solucionamos este ejemplo con el DS:POM, para lo cual


escogeremos de los módulos el Mixed Integer Programming
Ejemplo

SOLUCION:
Se efectúan las inversiones:
2, 3 y 4.
La inversión 1, no se efectúa.
Ejemplo 43
BAMSA proyecta cuatro inversiones. La inversión 1 genera una valor
neto actual (VNA) de $16,000; la inversión 2, un VNA de $22,000;
la inversión 3, un VNA de $12,000, y la inversión 4, un VNA de
$8,000. Para cada inversión se requiere una cierta salidas de
efectivo en el tiempo presente: la inversión 1, $5,000; la inversión
2, $7,000; la inversión 3, $4,000 y la inversión 4, $3,000. Dispone
en la actualidad de $14,000 para invertir. BAMSA desea saber
como maximizar el VNA obtenido de las inversiones 1 a 4.
Hay que tomar en cuenta lo siguiente:
• BAMSA puede invertir cuando mucho en dos inversiones.
• Si BAMSA invierte en 2, entonces también debe invertir en 1.
• Si BAMSA invierte en 2, no puede invertir en 4.
Ejemplo
PRIMER PASO: Definir las variables de decisión.
X1  inversión 1 ( 1 si se efectúa y 0 si no se efectúa)
X2  inversión 2 ( 1 si se efectúa y 0 si no se efectúa)
X3  inversión 3 ( 1 si se efectúa y 0 si no se efectúa)
X4  inversión 4 ( 1 si se efectúa y 0 si no se efectúa)
SEGUNDO PASO: Definir la función objetivo
Max 16 X1 + 22 X2 + 12 X3 + 8 X4
TERCER PASO: Definir las restricciones
5 X1 + 7 X2 + 4 X3 + 3 X4 < 14 Total de inversión.
X1 + X2 + X3 + X4 ≤ 2 Invertir máximo en 2 alternativas
- X1 + X2 ≤ 0 Si inviertes en 2, también en 1.
X2 + X4 < 1 Si inviertes en 2, no se invierte en 4
X1, X2, X3, X4 = (0, 1)
Ejemplo
Solucionamos este ejemplo con el DS:POM en le modulo
Mixed Integer Programming (Programación entera Mixta)

SOLUCION:
Se efectúan las inversiones: 1 y 2.
La inversión 3 y 4 no se efectúan.
Ejemplo 44
BAMSA fabrica tres tipos de prendas de vestir: camisetas, short y
pantalones. La elaboración de cada tipo de prenda requiere de que
BAMSA tenga disponible el tipo de maquinaria apropiada. La
maquinaria necesaria para manufacturar cada tipo de prenda se
tiene que rentar a las tarifas siguientes: maquinaria para
camisetas, $200 por semana; maquinaria para short, $150 por
semana; maquinaria para pantalones, $100 por semana. La hechura
de cada tipo de prenda también requiere las cantidades de tela y
mano de obra que se indican en la tabla 1. En esta misma tabla se
muestran los costos unitario variables y el precio de venta para
cada tipo de prenda. BAMSA desea maximizar la utilidad semanal.
Mano de obra Precio Costo
Tipo de prenda Tela (yardas2)
(horas) Venta $ variable $
Camiseta 3 4 12 6
Short 2 3 8 4
Pantalones 6 4 15 8
Disponibilidad 150 160
Ejemplo
PRIMER PASO: Definir las variables de decisión.

X1 cantidad de camisetas fabricadas a la semana


X2 cantidad de Shorts fabricadas a la semana
X3 cantidad de pantalones fabricadas a la semana
Y1 ( 1 si se fabrican camisetas y 0 si no se fabrican).
Y2 ( 1 si se fabrican camisetas y 0 si no se fabrican).
Y3 ( 1 si se fabrican camisetas y 0 si no se fabrican).

SEGUNDO PASO: Definir la función objetivo


Utilidad = Ingreso – Costos – Alquiler de maquinarias, por lo tanto:

Max 6X1 + 4X2 + 7X3 -200Y1 – 150Y2 – 100Y3


Ejemplo

TERCER PASO: Definir las restricciones

Mano de obra 3X1 + 2X2 + 6X3 ≤ 150


Tela 4X1 + 3X2 + 4X3 ≤ 160

X1, X2, X3 ≥ 0 y enteros


Y1, Y2, Y3 = (0,1)
Ejemplo

La solución optima de este problema es:


Producir 30 camisetas y 10 pantalones y X2 = Y1 = Y2 = Y3 = 0

¿Esto es posible?
Ejemplo
Esto no es posible, porque al ser Y1 = Y2 = Y3 = 0, significa que no
se han alquilado maquinas, ¿Cómo se podrían producir sin
maquinas?.
Esto se debe a que en el planteamiento, no hay ninguna restricción
que relaciones a estas variables.
Debemos lograr que cada vez que Xi > 0, entonces Yi = 1
Esto lo logramos de la siguiente manera:

Donde M1, M2, M3 son números grandes positivos. En


X1 ≤ M1Y1 nuestro caso, podría ser (tomando en cuenta la
restricción de tela:
X2 ≤ M2Y2
M1 = 40 (es lo máximo de camisetas que se pueden confeccionar).
X3 ≤ M3Y3 M2 = 53 (es lo máximo de short que se pueden confeccionar).
M3 = 40 (es lo máximo de pantalones que se pueden confeccionar)
Ejemplo
Entonces nuestro modelo de PLE queda:

Max 6X1 + 4X2 + 7X3 -200Y1 – 150Y2 – 100Y3


Sujeto a:

Mano de obra 3X1 + 2X2 + 6X3 ≤ 150


Tela 4X1 + 3X2 + 4X3 ≤ 160
X1 - 40Y1 ≤ 0
X2 - 53Y2 ≤ 0
X3 - 40Y3 ≤ 0

X1, X2, X3 ≥ 0 y enteros


Y1, Y2, Y3 = (0,1)

Utilizando el DS:POM, obtenemos el siguiente resultado:


Ejemplo

Es decir, producir 25 pantalones semanales, generando una


utilidad de $75
Ejemplo 45
La división de investigación y desarrollo de BAMSA desarrolló tres nuevos
productos posibles. Sin embargo, para evitar diversificación indebida de la
línea de productos de la compañía, la administración impuso la siguiente
restricción:

Restricción 1: De los tres productos nuevos posibles, cuando mucho dos


deben seleccionarse, para producción. Cada uno de estos productos puede
producirse en cualquiera de las dos plantas. Por razones administrativas, la
administración impuso una segunda restricción a este respecto:

Restricción 2: Sólo una de las plantas debe elegirse como la única fabricante
de los nuevos productos.

El costo de producción unitario de cada producto sería esencialmente el


mismo en las dos plantas. No obstante, debido a diferencias en sus
instalaciones de producción, el número de horas de tiempo de producción
necesario por unidad de cada producto puede diferir entre las dos plantas.

Sigue …
Ejemplo 45

En la tabla siguiente se dan estos datos junto con otra información


relevantes, incluidas las estimaciones de comercialización del
número de unidades de cada producto que podría venderse por
semana si se produce. Según la administración, el objetivo es
escoger los productos, la planta y las tasas de producción de los
productos elegidos con el fin de maximizar la ganancia total.

Tiempo de producción usado por cada unidad producida (horas)


Producto
Planta Tiempo disponible
1 2 3
1 3 4 2 30 horas
2 4 6 2 40 horas
Ganancia unitaria 5 7 3 Miles dólares
Potencial ventas 7 5 9 Unidades por semana
Ejemplo 46
Southwestem Airways necesita asignar sus tripulaciones para que
cubran todos sus próximos vuelos. Se centrará la atención en el
problema de asignar tres tripulaciones con base en San Francisco
(SFO) a los 11 vuelos mostrados en la figura 9.1. Estos mismos vuelos
están listados en la primera columna de la tabla 9.7. Las otras doce
columnas muestran las 12 secuencias factibles de vuelos para una
tripulación. (Los números en cada columna indican el orden de los
vuelos.) Deben elegirse justo tres de las secuencias (una por
tripulación) de modo que quede cubierto cada vuelo. (Se permite
tener más de una tripulación en un vuelo, donde las tripulaciones
adicionales volarían como pasajeros, pero los contratos sindicales
requieren que de cualquier modo se les pague el tiempo como si
estuvieran trabajando.) El costo de asignar una tripulación a una
secuencia de vuelos está dada (en miles de dólares) en el último
renglón de la tabla. El objetivo es minimizar el costo total de las
tres asignaciones de tripulaciones que cubren todos los vuelos.
Sigue …
Ejemplo 46

Sigue …
Ejemplo 46

Secuencias factibles de vuelos


Vuelos
1 2 3 4 5 6 7 8 9 10 11 12
1 San Francisto a los Angeles 1 1 1 1
2 San Francisto a Denver 1 1 1 1
3 San Francisto a Seattle 1 1 1 1
4 Los Angeles a Chicago 2 2 3 2 3
5 Los Angeles a San Francisco 2 3 5 5
6 Chicago a Denver 3 3 4
7 Chicago a Seattle 3 3 3 3 4
8 Denver a San Francisco 2 4 4 5
9 Denver a Chicago 2 2 2
10 Seattle a San Francisco 2 4 4 5
11 Seattle a Los Angeles 2 2 4 4 2
Administración de inventarios
¿Qué es un inventario?

 Stock de materiales.
 Capacidad de almacenaje.

Ejemplos:
Tipos de inventario

 Inventario de materias primas.


 Inventario de trabajo en proceso.
 Inventario de mantener/reparar/operar.
 Inventario de productos terminados.
Funciones de inventario

 “Desacoplar” o separar los procesos de producción y


distribución.
 Ofrecer un stock de bienes que satisfagan la demanda
anticipada de los clientes.
 Aprovechar los descuentos por cantidad.
 Protegerse de la inflación y de los cambios de los
precios.
El ciclo de flujo de material

Entrada Espera por la Espera para Tiempo de Tiempo en cola Tiempo de Tiempo de Salida
aprobación el transporte transporte preparación proceso
5%
El ciclo de flujo de material

Tiempo Tiempo Tiempo Tiempo Tiempo


Otros de espera de en cola de de
Entrada transporte preparación proceso Salida

Tiempo del ciclo

1 Tiempo de proceso : el trabajo está en la máquina y se está llevando a


cabo.
2 Tiempo de preparación: el trabajo está en la estación de trabajo, la
cual está siendo “preparada”.
3 Tiempo en cola: el trabajo está donde debe esta, pero no está siendo
procesado porque otro trabajo lo precede.
4 Tiempo de transporte: el tiempo que transcurre en el tránsito de un
trabajo.
5 Tiempo de espera: cuando un proceso ha terminado, pero el trabajo se
encuentra en espera a que se le traslade al siguiente área de trabajo.
6 Otros: inventario justo a tiempo.
Desventajas del inventario

 Costes más altos:


 Costes del producto (si se ha comprado).
 Costes del pedido (o de preparación):
 Costes de los formularios, de los salario de los
empleados, etc.
 Costes del almacenamiento (o del transporte):
 El alquiler de un edificio, el seguro, los impuestos,
etc.
 Es difícil de controlar.
 Oculta los problemas de producción.
Clasificación del inventario

Inventario

Fases del Número y Tipo de


Otros
proceso valor demanda

Materias primas
Artículo A Independiente Mantener
WIP
Artículo B Dependiente Reparar
Productos
Artículo C Operar
terminados
Las principales decisiones relacionadas a
la administración de inventarios
1. ¿Qué artículos mantener en inventario?
2. ¿Cuánto ordenar?
3. ¿Cuándo ordenar?
4. ¿Qué tipo de sistema de administración de inventarios
utilizar?

En métodos cuantitativos, nos preocuparemos en los puntos 2


y 3. Los otros puntos los verán en su curso de Gerencia de
Operaciones.
Modelos de costes de inventario

Las respuestas a las dos decisiones (¿Cuándo? y ¿Cuánto?)


se basa en el minimizar el siguiente modelo de costo:

Costo total Costo de Costo de Costo de Costo de


del = compra + preparación + almacenamiento + faltante
inventario

Todos esos costos se deben expresar en la cantidad


económica de pedido (¿Cuánto?) y el tiempo entre los
pedidos (¿Cuándo?).
Costes de inventario

 Costes de almacenamiento: Representa el costo de


mantener una existencia en inventario. Comprende el
interés sobre el capital y el costo de almacenamiento,
mantenimiento y manejo.
 Coste de compra: se basan en el precio por unidad de
artículo. Puede ser constante, o puede ofrecerse con
descuento.
 Coste de preparación: representa el coste fijo incurrido
cuando se coloca un pedido. Es independiente de la
cantidad pedida.
 Coste de faltante: es la penalización en que se incurre
cuando se terminan las existencias. Incluye la pérdida
potencial de ingreso y el costo, más subjetivo, de pérdida
de la buena voluntad del cliente.
Modelos de inventario
 Modelos de cantidad de pedido fijo:
 Modelo básico de la cantidad de pedido económico
(EOQ).
 Modelo de cantidad de pedido de producción.
 Modelo de descuento por calidad.

 Modelos probabilísticos.
 Sistemas de periodo de pedido fijo.
Hipotesis en que se basa EOQ

 La demanda es conocida y constante.


 El plazo de entrega se conoce y es constante.
 La recepción del pedido es instantánea.
 Los descuentos por cantidad no son posibles.
 Los únicos costes variables son el coste de preparación de
un pedido y el coste de almacenamiento.
 Las existencias no se agotan.
Modelo EOQ, ¿cuánto pedir?

Coste anual
t o tal
c o s te to
d e l ie n
a am
Curv ac en
l m
e d ea
c o st
a d el
v
Cur
Curva del coste de preparación

Cantidad óptima Cantidad de pedido


de pedido, (Q*)
¿Por qué aumenta el coste almacenamiento?
Cuanto más pedidos se
hagan, más unidades se
almacenarán.

Solicitud de compra Solicitud de compra


Descripción Cantid. Descripción Cantid.
Microondas 1 Microondas 1000

Cantidad del Cantidad del


pedido pedido
¿Por qué se reduce el coste de lanzamiento?

El coste se extiende a más unidades.


Ejemplo: Necesita 1.000 hornos microondas.

1 pedido (franqueo 0,33$) 1.000 pedidos (franqueo 330 $)

Solicitud de compra PurchaseOrder


Purchase Order
Descripción Purchase
Description
Solicitud de OrderQty.
compra
Cantid. Description Qty.Qty.
Microondas 1000 Description
MicrowaveCantid1. 1
Descripción
Microwave
Microwave
Microondas 11
Cantidad del
pedido
Cómo resolver el modelo EOQ

 Desarrollar una expresión para el coste de preparación o


de lanzamiento.
 Desarrollar una expresión para el coste de
almacenamiento.
 Igualar el coste de preparación al coste de
almacenamiento.
 Resolver la ecuación para hallar la cantidad de pedido
óptima.
Modelo EOQ, ¿cuándo pedir?

Nivel de inventario
Inventario
Cantidad medio
óptima del disponible
pedido (Q*) (Q*/2)

Punto de
pedido
(ROP)

Tiempo
Plazo de entrega
Ecuaciones del modelo EOQ
2 × D ×S
Cantidad óptima del pedido = Q* =
H

D
Número de pedidos esperados = N=
Q*
días laborables / año
Tiempo esperado entre cada pedido = T =
N
D D = Demanda anual.
d =
Días laborables / año S = Coste de preparación por pedido.
H = Coste de almacenamiento.
d = Demanda diaria.
ROP = d × L L = Plazo de entrega en días.
Problema de EOQ
Se cambian luces de neón en el campus de la universidad a
una tasa de 100 unidades diarias. Estas luces de neón se
piden en forma periódica. Cuesta $100 iniciar una orden de
compra. Se 3estima que una luz de neón en el almacén cuesta
unos $0.02 diarios. El tiempo de entrega, entre la colocación
y la recepción de un pedido es de 12 días. Determine la
política óptima de inventario para pedir las luces de neón.

Para solucionar este problema, nos olvidamos de las formulas


y vamos al modulo Inventory Theory and System del
WINQSB
Solucionando con WINQSB

Escogemos el tipo de
problema, indicamos
la unidad de tiempo
y OK
Solucionando con WINQSB

Ingresamos los
datos del problema
y presionamos
Solucionando con WINQSB
Observamos el reporte del WINQSB y es muy completo

La política de inventarios seria: pedir 1000 unidades cuando el


inventario baja a 200 unidades
Solucionando con WINQSB
Solucionando con WINQSB
Modelo de cantidad de pedido de producción

 Responde a las preguntas de cuánto y cuándo pedir.


 Permite que la empresa reciba una parte del pedido:
 Las otras hipótesis de EOQ son válidas.
 Modelo adecuado para entornos de producción:
 Material producido, utilizado inmediatamente.
 Proporciona el tamaño del lote de la producción.
 El coste de almacenamiento es más bajo que en el modelo
EOQ.
Modelo POQ, ¿cuándo pedir?

Nivel de inventario
Inventario
Cantidad medio
óptima del disponible
pedido (Q*)

Punto de
pedido
(ROP)

Tiempo
Plazo de entrega
Razones por las que la producción varía
Una mala gestión provoca una mayor variabilidad. Las
causas son las siguientes:

 los empleados, las máquinas y los proveedores


producen unidades que no se ajustan a los
estándares, llegan con retraso o en cantidades que no
son las adecuadas.
 Las especificaciones y los diseños de ingeniería son
inexactos.
 El personal de producción intenta producir antes de
que se completen los diseños y las especificaciones.
 No se conocen las demandas de los clientes.
Niveles de inventario del modelo POQ

Nivel de inventario

Parte del ciclo de inventario


durante el cual se lleva a cabo
la producción
Parte de la demanda en el ciclo, sin
suministro

Inicio del Fin del


Tiempo
suministro suministro
Ecuaciones del modelo POQ

Cantidad óptima del pedido = Q* = 2*D*S

( )
p d
H* 1 -
p

Nivel de inventario máximo = Q* ( 1 -


d
p )
Coste de D D = Demanda anual.
preparación
= * S
S = Coste de preparación.
Q
H = Coste de almacenamiento.

( ) d d = Demanda diaria.
Coste de = 0,5 * H * Q 1- p = Producción diaria.
almacenamiento p
Modelos de descuento por cantidad

 Responden a cuánto y cuándo pedir.


 Permiten a la empresa ofrecer descuentos por
cantidad:
 productos a precio reducido cuando éstos se
compran en grandes cantidades.
 Se emplean las hipótesis de EOQ.
 Se establece un intercambio entre la reducción del
precio y el aumento del coste de almacenamiento.
Modelo de descuento por cantidad,
¿cuánto pedir?
Coste Descuento 1 Descuento 2
Total Precio inicial Precio Precio
otal l c o n el
t e t ta
Cos cuento os te to ento 1
es C cu
sin d Des el
o n
t o tal c 2
te nto
Cos escue
D

Cantidad que
se debería pedir

Cantidad del
El Coste más bajo fuera Cantidad que Cantidad que pedido
del área de los se gana con el se gana con el
descuentos Descuento 1 Descuento 2
Modelos probabilísticos
 Responden a cuánto y cuándo pedir.
 Permiten que la demanda varíe:
 Sigue una distribución normal.
 Se emplean las hipótesis de EOQ.
 Consideran el nivel de servicio y el inventario de seguridad
(SS) :
 Nivel de servicio = 1 - Probabilidad de que se agoten las
existencias.
 Un nivel de servicio mayor produce un mayor inventario
de seguridad.
 Cuanto mayor sea el inventario de seguridad, mayor
es el punto de pedido (ROP).
Modelos probabilísticos, ¿cuándo
realizar un pedido?
Frecuencia
Nivel de P (se agotan las
Nivel de inventario servicio existencias)
Optimal
Order
X
Quantity SS
ROP
Reorder
Point
(ROP)

Inventario de seguridad (SS)


Lanzamiento Plazo de Recepción Tiempo
de pedido entrega del pedido
Sistemas de periodo fijo
 Responden a cuánto pedir.
 Los pedidos se llevan a cabo en intervalos fijos:
 Se cuenta el inventario disponible.
 La cantidad de los pedidos varía.
 No hay un conteo constante del inventario:
 Puede que se agoten las existencias entre cada intervalo.
 Es un sistema apropiado cuando los proveedores hacen
visitas rutinarias:
 Ejemplo: el representante de P&G llama cada 2 semanas.
Sistemas de periodo fijo, ¿cuándo
realizar un pedido?
Nivel de inventario Objetivo máximo

Tiempo
Periodo Periodo Periodo
Pert Cpm
¿Qué es un proyecto?

 Pasamos la mitad de nuestra vida profesional realizando


tareas rutinarias y repetitivas.
 La planificación de estas tareas es lo que nos ocupa la
mitad de nuestra vida.
 Un proyecto es un trabajo en el que se define un principio
y un fin (tiempo), se especifica un resultado deseado
(alcance), cumpliendo con unos ciertos requisitos de
calidad (acabado) y costo (presupuesto).
Pert-Cpm

 Uno de los trabajos más desafiantes que cualquier


gerente puede tomar es el de la administración de un
proyecto a gran escala que requiere coordinar numerosas
actividades en toda la organización.
 Por fortuna, se dispone de dos técnicas de métodos
cuantitativos muy relacionadas para asistir al gerente de
proyectos al llevar acabo estas responsabilidades:
 PERT (técnica de revisión y evaluación de programas)
y
 CPM (método de la ruta critica)
Pert-Cpm
PERT y CPM se han usado ampliamente para una variedad de
proyectos, por ejemplo:
1. Construcción de una nueva planta.
2. Investigación y desarrollo de nuevos productos.
3. Proyectos de exploración espacial de la NASA
4. Producción de películas.
5. Construcción de un barco.
6. Proyectos patrocinados por el gobierno.
7. Reubicación de una planta principal.
8. Mantenimiento de un reactor nuclear.
9. Instalación de un sistema de información administrativa.
10. Conducción de una campaña publicitaria.
Ejemplo 47
BAMSA, acaba de ganar una licencia de $5.4 millones de
dólares para construir una nueva planta para un fabricante
importante. El fabricante necesita que la planta entre en
operación dentro de un año. En consecuencia, el contrato
incluye las siguientes estipulaciones:
Una multa de $300,000 si BAMSA no termina la
construcción para la fecha limite de 47 semanas a partir de
ahora.
Ofrecer un incentivo adicional para la construcción
expedita, un bono de $150,000 que pagará a BAMSA si la
planta esta terminada en 40 semanas.
Usted ha sido contratado por BAMSA para gerenciar este
proyecto. ¿Qué haría usted?
¿ Qué haría usted?
En principio, muchas preguntas, tales como:
1. ¿Qué actividades tendrá este proyecto?
2. ¿De que modo puede desplegarse el proyecto en forma grafica
para visualizarlos mejor?
3. ¿Cuál es el tiempo total requerido para completar este proyecto si
no ocurren retrasos?
4. ¿Cuándo necesitan comenzar y terminar las actividades
individuales (lo mas tarde) para cumplir con el tiempo de
terminación de este proyecto.
5. ¿Cuándo pueden comenzar y terminar (lo mas pronto) si no
ocurren retrasos?
6. ¿Cuáles son las actividades criticas donde tiene que evitarse
retrasos para no retrazar la terminación del proyecto?
¿ Qué haría usted?
7. Dadas las incertidumbres al estimar con precisión las
duraciones de las actividades, ¿Cuál es la probabilidad de
terminar el proyecto en 47 semanas?
8. Si se gasta dinero adicional para acelerar este proyecto ¿Cuál
es la forma menos costosa de intentar cumplir con el tiempo de
terminación meta de 40 semanas?
9. ¿Cómo debe vigilarse los costos actuales para intentar
mantener el proyecto dentro del presupuesto?
Definir las actividades del proyecto

Inicialmente, se descompone el proyecto total en una lista


de tareas o actividades. Estas deben presentarse en forma
clara y sencilla. Esta es la parte mas importante de
cualquier proyecto PERT o CPM y generalmente lo realiza un
equipo de trabajo.

Es decir, usted, debe convocar a un grupo de expertos en la


construcción de plantas y definir con ellos los siguiente:
1. Información de las actividades necesaria para hacer este
proyecto.
2. Relación de precedencia para cada actividad.
3. Información del tiempo de duración de cada actividad.
Definir las actividades del proyecto
Luego de trabajar con su equipo, usted debe tener esta
información:
Predecesores
Actividad Descripción de la actividad
inmediatos
A Excavación. -
B Cimentación. A
C Colocación de muros. B
D Colocación de techos. C
E Instalación de plomería externa. C
F Instalación de plomería interna. E
G Poner recubirto exterior. D
H Pintura de exteriores. E, G
I Trabajo de electricidad. C
J Colocar recubrimiento interior. F, I
K Instalar pisos. J
L Pintura de interiores. J
M Colocación de accesorios exteriores. H
N Colocación de accesorios interiores. K, L
Diagrama red PERT
Que no es otra cosa que graficar las actividades del
proyecto manteniendo la precedencia entre ellas. Existen
dos técnicas:
Red de proyecto de actividad en arco (AEA), donde cada
actividad está representada por un arco. Se usa un nodo
para separar una actividad (un arco de salida) de cada uno de
sus predecesores inmediatos (un arco de entrada). De ese
modo la secuencia de los arcos muestra las relaciones de
precedencia entre las actividades.
Red de proyectos en nodo (AEN), donde cada actividad se
representa por un nodo. Los arcos se usan sólo para mostrar
las relaciones de precedencia entre las actividades.
Diagrama red PERT

Las versiones originales de PERT y CPM usaban proyectos de


red AEA.
Actualmente, la tendencia es utilizar proyectos de red AEN
por las siguientes ventajas:

1. Son considerablemente más fáciles de construir que las


redes de proyecto AEA.
2. Son más fáciles de comprender que las redes de proyecto
AEA.
3. Son más fáciles de corregir que las redes de proyecto
AEA.

En nuestro curso, utilizaremos proyectos de red AEN


Construyendo el diagrama red PERT

D G

Inicio Terminar
A B C E H M

F
K
N
I J

L
Ejemplo 48

A Ud. Se le asigno la administración del siguiente proyecto,


cuya relación de actividades se muestra a continuación:

Predecedores
Actividad Descripción
inmediatos
A Preparar especificaciones -.-
B Asegurar ofertas y adjudicar contratos A
C Retirar el equipo actual A
D Adiestrar a los operarios B
E Modificaciones eléctricas C
F Pintar C
G Instalar máquina E
H Probar máquina D, G
I Reprogramar producción H

Elabore el diagrama red de PERT


Ejemplo 49
En un determinado país se ha preparado un plan económico para desarrollar
una zona deprimida del mismo. El plan persigue dos objetivos básicos: 1)
Aumento de la producción industrial. 2) Aumento de la superficie cultivable
de regadío. Para realizar la fase primera del plan es necesario aumentar
considerablemente la producción de energía eléctrica en esa zona. Dicho
aumento se llevará a cabo por medio de una central hidroeléctrica que se
construir en la zona. Para construir la central, así como la presa
correspondiente, se necesitara una cantidad de cemento superior a la que
se produce en la actualidad. Para resolver este problema se piensa producir
este cemento en fábricas que se ubicarán en la misma zona y que se
financiarán por medio de un préstamo concedido por un organismo
internacional. El cemento producido en las fábricas locales se utilizará,
asimismo, para la construcción de los canales a través de los cuales se
conducirá el agua desde la presa a las tierras de cultivo, así como para
construir una fabrica de fertilizantes y una fabrica de maquinaria agrícola,
que se consideran imprescindibles para realizar la segunda fase del plan.
Construir el diagrama red PERT
Ejemplo 50
Un proceso productivo que está compuesto por 11 actividades, A, B,
C, D, E, F, G, H, I, J, K, y entre las cuales existen las siguientes
relaciones de precedencia inmediata:
1. Las actividades A, B, y C pueden comenzar simultáneamente después del tiempo
de preparación del proyecto.
2. Las actividad D necesita para su realización que hayan sido terminadas B y J.
3. Solamente cuando haya finalizado la actividad A podrán dar comienzo J y H.
4. La actividad E comenzará una vez acabadas B y J.
5. La actividad I necesita de H para su realización.
6. Una vez terminada la actividad C podrá comenzar F.
7. Para iniciar la actividad K es necesario acabar previamente E, F, y G.
8. Las actividades G e I comenzarán una vez finalizada D.
9. La tarea G necesita de H para su realización.

Elabora el respectivo diagrama PERT


Definir la ruta critica
El procedimiento PERT-CPM requiere que la administración
proporcione una estimación del tiempo esperado que tomará
terminar cada actividad de la lista de actividades.
¿Cuál es el tiempo estimado que se requiere para poder
construir la planta?
Usted debe reunirse con un equipo de trabajo experto en el
tema de construcción de plantas. Les muestra su plan de
trabajo y las actividades a realizarse, luego el equipo de
trabajo debe estimar el tiempo de duración para cada
actividad.
Veamos, como queda ahora:
Definir la ruta critica

Predecesores Duración
Actividad Descripción de la actividad
inmediatos estimada
A Excavación. - 2
B Cimentación. A 4
C Colocación de muros. B 10
D Colocación de techos. C 6
E Instalación de plomería externa. C 4
F Instalación de plomería interna. E 5
G Poner recubirto exterior. D 7
H Pintura de exteriores. E, G 9
I Trabajo de electricidad. C 7
J Colocar recubrimiento interior. F, I 8
K Instalar pisos. J 4
L Pintura de interiores. J 5
M Colocación de accesorios exteriores. H 2
N Colocación de accesorios interiores. K, L 6
Definir la ruta critica
Para poder obtener una predicción del tiempo calendario mínimo de
la duración del proyecto, debemos encontrar lo siguiente:
Tiempo mas temprano de inicio (TIP = ES), este plazo es el
menor posible en el que podrá iniciarse la actividad al haberse
concluido todas las que le precedían.
Tiempo más temprano de finalización (TTP = EF), Este plazo
será el mínimo posible para que la actividad pueda completarse
TTP = TIP + t
Tiempo de terminación más lejano (TTL = LF), es el plazo en el
que la actividad ha de completarse si no se desea que se retrace el
proyecto.
Tiempo de inicio más lejano (TIL = LI), TIL = TTL – t
TIP y TTP, son los tiempos de cada actividad si no ocurre
retrasos en alguna parte del proyecto.
Definir la ruta critica

Tiempo más temprano de inicio (TIP)


Tiempo más temprano de finalización (TFP)

Actividad E 35 45
10 40 50

Tiempo de la actividad (t)


Tiempo de terminación más lejano (TTL)
Tiempo de inicio más lejano (TIL)
Definir la ruta critica – primera pasada

El TIP para una actividad que sale de un nodo en


particular, es el mayor TTP de todas las actividades que
llegan a ese nodo.
Se conoce como: calculo paso hacia adelante
A 0 2 C 6 16 G 22 29 H 29 38
2 10 7 9

B 2 6 D 16 22
M 38 40
4 6 D G
2

44

Inicio Terminar
A B C E H M
0

N 38 44
F
K 6
E 16 20
4
N
I J K 33 37
I 16 23 4
L
7
F 20 25 J 25 33 L 33 38
5 8 5
Definir la ruta critica – segunda pasada

El TTL para una actividad que entra a un nodo en


particular, es el menor de los TIL para todas las
actividades que salen de ese nodo.
Se conoce como: calculo paso hacia atrás
A 0 2 C 6 16 G 22 29 H 29 38
2 0 2 10 6 16 7 26 33 9 33 42

B 2 6 D 16 22
M 38 40
4 2 6 6 20 26 D G
2 42 44

44

Inicio Terminar
A B C E H M
0

N 38 44
F
K 6 38 44
E 16 20
4 16 20
N
I J K 33 37
I 16 23 4 34 38
L
7 18 25
F 20 25 J 25 33 L 33 38
5 20 25 8 25 33 5 33 38
Definir la ruta critica

Para identificar la ruta critica, debemos conocer:


 La holgura -> es la cantidad de tiempo que una actividad
puede retrasarse sin afectar la fecha de terminación del
proyecto general.
Holgura = TIL – TIP = TTL - TTP
 Cuando una actividad no puede retrasarse sin afectar el
proyecto general, se le denomina actividad critica y está
sobre la ruta critica.
 Las actividades de la ruta critica, son aquellas con cero
de holgura.
A 0 2 C 6 16 G 22 29 H 29 38
2 0 2 10 6 16 7 26 33 9 33 42

B 2 6 D 16 22 D G
M 38 40
4 2 6 6 20 26
2 42 44

Inicio Terminar
A B C E H M
0 44

F N 38 44
K
6 38 44
E 16 20 N
4 16 20 I J
K 33 37
I 16 23 L 4 34 38
7 18 25
F 20 25 J 25 33 L 33 38
5 20 25 8 25 33 5 33 38
Definir la ruta critica

En nuestro ejemplo, la ruta critica de BAMSA para la


construcción de la planta industrial es:

ABCEFJLN

Con un tiempo de duración de 44 semanas


Definir la ruta critica con WINQSB

Escogemos el
modulo PERT/CPM
del WINQSB, he
ingresamos las
información
correspondiente.
En nuestro caso,
14 actividades y el
tiempo en semanas
y trabajamos con
tiempos normales,
y por ultimo OK
Definir la ruta critica con WINQSB

Procedemos a
ingresar la
información y luego
presionamos
Definir la ruta critica con WINQSB
Definir la ruta critica con WINQSB
Ejemplo 48-B

El tiempo de duración de las actividades del ejemplo


anterior son:

Tiempo de
Predecedores
Actividad Descripción terminación
inmediatos
(dias)
A Preparar especificaciones -.- 8
B Asegurar ofertas y adjudicar contratos A 5
C Retirar el equipo actual A 2
D Adiestrar a los operarios B 4
E Modificaciones eléctricas C 3
F Pintar C 4
G Instalar máquina E 3
H Probar máquina D, G 2
I Reprogramar producción H 1

Identifiqué la ruta critica


Ejemplo 50-B
El tiempo de duración de las actividades del ejemplo anterior
son:
Tiempo
Actividad
(semanas)
A 10
B 3
C 10
D 5
E 11
F 2
G 6
H 11
I 8
J 4
K 2

Identifiqué la ruta critica


Variabilidad en los tiempos de las
actividades

BAMSA, ya determino que en 44 semanas terminara la


construcción de la nueva planta.
No hay que olvidarse de la penalidad de $300,000 si no
cumple en entregar la obra en 47 semanas.
¿Estaría usted tranquilo?
¡¡ NO !!
Como mínimo necesitaría conocer la probabilidad de
entregar la obra en 47 semanas.
Variabilidad en los tiempos de las
actividades
 Hasta ahora, hemos estado actuando como si los tiempos
de actividades, TIP, TTP, TIL, TTL, fueran
determinísticos.
 Esto no siempre es cierto. EXISTE VARIABILIDAD.
 El sistema PERT para estimar los tiempos de las
actividades requiere personas que conozcan las
actividades lo bastante bien como para producir tres
estimaciones del tiempo de cada actividad:
Tiempo optimista (a)
ba
Tiempo más probable (m) σT  μ a  4m  b
6 6
Tiempo pesimista (b)
Variabilidad en los tiempos de las
actividades
El equipo de BAMSA determino los tiempos para las
actividades:
Estimación
Estimación Estimación
mas Media Varianza
Actividad optimista pesimista 2
probable
μ  a  4m  b σ
T
2 ba
 
a m b 6  6 
A 1 2 3 2 0.11
B 2 3.5 8 4 1.00
C 6 9 18 10 4.00
D 4 5.5 10 6 1.00
E 1 4.5 5 4 0.44
F 4 4 10 5 1.00
G 5 6.5 11 7 1.00
H 5 8 17 9 4.00
I 3 7.5 9 7 1.00
J 3 9 9 8 1.00
K 4 4 4 4 0.00
L 1 5.5 7 5 1.00
M 1 2 3 2 0.11
N 5 5.5 9 6 0.44
Variabilidad en los tiempos de las
actividades
Trabajamos exclusivamente con las  y 2 de las
actividades criticas:
Estimación
Estimación Estimación
mas Media Varianza
Actividad optimista pesimista 2
probable
μ  a  4m  b σ
T
2 ba
 
a m b 6  6 
A 1 2 3 2 0.11
B 2 3.5 8 4 1.00
C 6 9 18 10 4.00
E 1 4.5 5 4 0.44
F 4 4 10 5 1.00
J 3 9 9 8 1.00
L 1 5.5 7 5 1.00
N 5 5.5 9 6 0.44
44 9

 = 44 semanas y 2 = 9
Variabilidad en los tiempos de las
actividades con WINQSB
Variabilidad en los tiempos de las
actividades con WINQSB
Variabilidad en los tiempos de las
actividades con WINQSB
Para calcular la probabilidad de terminar la obra en 47
días, utilizamos la distribución normal. Para eso utilizamos
la función del Excel
DISTR.NORMAL (47,44,3,VERDADERO) = 84.13%

Podemos considerar que es una probabilidad muy optimista y


que tenemos una probabilidad del 84.13% de cumplir con la
fecha limite. ¡¡ Esto es muy preocupante. !!
Seria conveniente analizar la alternativa de terminar el
proyecto en 40 semanas.
Para eso hay que evaluar si el trueque tiempo-costo de hacer
esto es favorable.
Consideraciones de los intercambios de
tiempo y costos
 Los desarrolladores originales de CPM dieron al
administrador del proyecto la posibilidad de agregar
recursos a actividades seleccionadas para reducir el
tiempo de terminación del proyecto. A esto se le llama
acelerar una actividad.
 Los recursos añadidos, generalmente incrementan los
costos del proyecto.
 El administrador debe negociar un tiempo mas reducido
de actividad contra un costo adicional del proyecto.
Consideraciones de los intercambios de
tiempo y costos
 Se toman las siguientes decisiones:
 El tiempo de inicio de cada actividad.
 La reducción en la duración de cada actividad
mediante la aceleración.
 El tiempo de terminación del proyecto (no debe
exceder de 40 semanas)
Consideraciones de los intercambios de
tiempo y costos
Usted se reunió con el equipo de BAMSA y obtuvieron la siguiente
información adicional de aceleramiento de actividades:
Reduccion Costo de
TIEMPO (semanas) COSTO (miles $)
ACTIVIDAD máxima en aceleracion por
Normal Acelerada normal Acelerada tiempo (sem) semana
A 2 1 180 280 1 100
B 4 2 320 420 2 50
C 10 7 620 860 3 80
D 6 4 260 340 2 40
E 4 3 410 570 1 160
F 5 3 180 260 2 40
G 7 4 900 1,020 3 40
H 9 6 200 380 3 60
I 7 5 210 270 2 30
J 8 6 430 490 2 30
K 4 3 160 200 1 40
L 5 3 250 350 2 50
M 2 1 100 200 1 100
N 6 3 330 510 3 60
Consideraciones de los intercambios de
tiempo y costos

Lo podemos resolver de dos maneras:

1. Trabajando con costos y la pendiente de cada actividad


(que no es otra cosa que el costo de aceleramiento por
unidad de tiempo).
2. Aplicando programación lineal
Aplicando costos

El proyecto en condiciones normales:

Tiempo de duración: 44 semanas


Costo total: $4,550 (miles de dólares)
Ruta critica A  B  C  E  F  J  L  N

Nuestro objetivo es reducir el tiempo del proyecto a 40


semanas y ver el costo adicional en el cual incurro.
Aplicando costos

Para esto analizamos nuestras actividades criticas y


identificamos la que tiene menor costo de aceleramiento por
semana, veamos:
Costo de Reduccion
Actividad aceleracion maxima en
por semana tiempo (sem)
A
B
100
50
1
2
La actividad J es la que tiene el
C 80 3 menor costo de aceleramiento y
D
E
40
160
2
1
se puede reducir en 2 semanas.
Empezamos por ella y utilizamos
F 40 2
G 40 3
H 60 3 el WINQSB
I 30 2
J 30 2
K 40 1
L 50 2
M 100 1
N 60 3
Aplicando costos
reduciendo 01
semana
Aplicando costos reduciendo 01 semana

El tiempo del proyecto es ahora 43 semanas a un costo de


$4,580 y existe una sola ruta critica, que sigue siendo la misma.
Como me queda una semana mas que puedo reducir de la actividad
J, procedemos a repetir el procedimiento.
Aplicando costos reduciendo 02 semana

El tiempo del proyecto es ahora 42 semanas a un costo de $4,610


y existe una sola ruta critica, que sigue siendo la misma.
Como ya no me queda mas que reducir de la actividad J, la
siguiente actividad de la ruta critica que tiene el menor costo es
la actividad F y se puede reducir en 2 semanas. Procedemos a
repetir el procedimiento.
Aplicando costos reduciendo 03 semana

El tiempo del proyecto es ahora 41 semanas a un costo de $4,650


y existe una sola ruta critica, que sigue siendo la misma.
Como me queda una semana mas que puedo reducir de la actividad
F, procedemos a repetir el procedimiento.
Aplicando costos reduciendo 04 semana

Conclusión: se reducen en dos unidades de tiempo las


actividades J y F a un costos de 140 (miles de dólares)
Aplicando programación lineal

¿Qué actividades deberán apresurarse – y en cuánto- para


cumplir con la entrega de la nueva planta en 40 semanas y
ganar el bono de $150,000, a un costo mínimo?
¿A qué huele esto?

A una programación lineal.

¡¡ Y USTEDES SON EXPERTOS EN PL !!

Utilizaremos PL para determinar qué actividades se deben


apresurar y en cuánto.
LO RESOLVEMOS !!!!
Aplicando el CPM

Consideramos la actividad A, que tiene un tiempo esperado


de 2 semanas. Hagamos que XA es la fecha más temprana
de terminación de la actividad A y YA es el tiempo que se
va acelerar la actividad A.
Como el proyecto empieza en el tiempo cero, la fecha mas
temprana de inicio e la actividad A es cero. Dado que el
tiempo de la actividad A se reduce en el tiempo que se
esta acelerando, su fecha más temprana de terminación es:
XA ≥ 0 + (2 – YA) despejando: XA + YA ≥ 2
Ahora veamos la actividad B:
XA
0 4 XB ≥ XA + (4-YB) despejando:
Inicio A B -XA + XB + YB ≥ 4
Aplicando el CPM
2
Inicio A XA ≥ 0 + (2 – YA)  XA + YA ≥ 2

A B XB ≥ XA + (4 – YB)  - XA + XB + YA ≥ 4
10

B C XC ≥ XB + (10 – YC)  - XB + XC + YC ≥ 10
6
C D XD ≥ XC + (6 – YD)  - XC + XD + YD ≥ 6
4

C E XE ≥ XC + (4 – YE)  - XC + XE + YE ≥ 4
5
E F XF ≥ XE + (5 – YF)  - XE + XF + YF ≥ 5
7
D G XG ≥ XD + (7 – YG)  - XD + XG + YG ≥ 7
G
Aplicando el CPM

XH ≥ XG + (9 – YH)  - XG + XH + YH ≥ 9
9
XH ≥ XE + (9 – YH)  - XE + XH + YH ≥ 9
E H

7
C I XI ≥ XC + (7 – YI)  - XC + XI + YI ≥ 7

8 XJ ≥ XF + (8 – YJ)  - XF + XJ + YJ ≥ 8
I J
XJ ≥ XI + (8 – YJ)  - XI + XJ + YJ ≥ 8

J K XK ≥ XJ + (4 – YK)  - XJ + XK + YK ≥ 4
5
Aplicando el CPM
J L XL ≥ XJ + (5 – YL)  - XJ + XL + YL ≥ 5

2
H M XM ≥ XH + (2 – YM)  - XH + XM + YM ≥ 2

K 6 XN ≥ XK + (6 – YN)  - XK + XN + YN ≥ 6
N
XN ≥ XL + (6 – YN)  - XL + XN + YN ≥ 6

L XM ≤ 40
XN ≤ 40

MIN 100YA + 50YB + 80YC + 40YD + 160YE + 40YF + 40YG + 60YH + 30YI
+ 30YJ + 40YK + 50YL + 100YM + 60YN

En total tenemos 28 variables y 33 restricciones.. LO RESOLVEMOS!!


Variables: Xi y Yi donde i = A a N , total 28 variables

MIN 100YA + 50YB + 80YC + 40YD + 160YE + 40YF + 40YG + 60YH + 30YI + 30YJ +
40YK + 50YL + 100YM + 60YN
Sujeto a:

R1: XA + YA ≥ 2 R16: - XK + XN + YN ≥ 6 R28: YI ≤ 2


R2: - XA + XB + YA ≥ 4 R17: - XL + XN + YN ≥ 6 R29: YJ ≤ 2
R3: - XB + XC + YC ≥ 10
R18: XM ≤ 40 R30: YK ≤ 1
R4: - XC + XD + YD ≥ 6
R5: - XC + XE + YE ≥ 4 R19: XN ≤ 40 R31: YL ≤ 2
R6: - XE + XF + YF ≥ 5 R20: YA ≤ 1 R32: YM ≤ 1
R7: - XD + XG + YG ≥ 7 R21: YB ≤ 2 R33: YN ≤ 6
R8: - XG + XH + YH ≥ 9
R22: YC ≤ 3
R9: - XE + XH + YH ≥ 9
R10: - XC + XI + YI ≥ 7 R23: YD ≤ 2
R11: - XF + XJ + YJ ≥ 8 R24: YE ≤ 1
R12: - XI + XJ + YJ ≥ 8
R25: YF ≤ 2
R13: - XJ + XK + YK ≥ 4
R14: - XJ + XL + YL ≥ 5 R26: YG ≤ 3
R15: - XH + XM + YM ≥ 2 R27: YH ≤ 3
Se tienen que acelerar las actividades F y J en 2 semanas cada una
con un costo adicional de $140,000
Decisión: ¿Se aceleran o no las actividades?
1. Al realizar el análisis, se obtuvo la siguiente respuesta:
Acelerar las actividades F y J en 2 semanas cada una con un costo
adicional de $140,000.
2. Es decir, el costo de la aceleración de las actividades es menor que
el bono que se recibe para entregar el proyecto en 40 semanas
($150,000) dejando un margen de $10,000
3. La probabilidad de terminar el proyecto en 40 semanas, es menos
del 50%. ¿Vale la pena correr el riesgo?
4. Pero también la penalidad de no cumplir con entregar el proyecto en
47 semanas es alta ($300 mil).
5. No aplicar por ahora el plan de aceleración y tenerlo como un plan
de contingencias.
6. Tener un buen sistema de monitoreo de las actividades y saber en
que punto es necesario aplicar el plan de contingencias previsto.
Ejemplo 51

Considere el proyecto que tiene las actividades, sus


precedencias, duración y costos, normales y críticos que se
muestran a continuación:
Actividad Normales Minimos
Actividad
precedente Tiempo Costos Tiempo Costos
A -.- 8 100 6 200
B -.- 4 150 2 350
C A 2 50 1 90
D A 10 100 5 400
E B 5 100 1 200
F C, E 3 80 1 100
Tiempo en semanas
Costo en miles de dolares

Reduzca el proyecto a su duración mínima al menor costo


posible
Caso para resolver
R.C. Coleman distribuye diversos productos alimenticios que se
venden a través de tiendas de comestibles y supermercados. La
empresa recibe pedidos directamente de cada una de las
tiendas individuales; un pedido típico solicita la entrega de
varias cajas de bienes varios que abarcan de 20 a 50 productos
diferentes. Bajo la operación actual del almacén de la empresa,
los almacenistas despachan personal seleccionador de pedidos
para llenar cada uno de los pedidos y llevar los productos al área
de embarque del almacén. Debido a los elevados costos de mano
de obra y a la relativamente baja productividad de la selección
manual de pedidos, la administración ha decidido automatizar la
operación del almacén instalando un sistema de selección de
pedidos controlado por computadora, junto con un sistema de
banda transportadora para mover los productos de su
almacenaje al área de embarque del almacén.
Caso para resolver
El director de administración de materiales de R.C. Coleman fue
designado administrador del proyecto encargado del sistema del
almacén automatizado. Después de consultar con miembros del
personal de ingeniería y de administración del almacén, el
director ha realizado una lista de las actividades asociadas al
proyecto. También se han incluido los tiempos optimista, más
probable y pesimista (en semanas) de cada una de la
actividades.
Caso para resolver

Predecedor Tiempo Tiempo más Tiempo


Actividad Descripción Actividad
inmediato optimista (a) probable (m) pesimista (b)
A Determinar necesidades de equipo A-.- 4 6 8
B Obtener cotizaciones de los proveedores. B-.- 6 8 16
C Seleccionar proveedor A,CB 2 4 6
D Sistema de pedidos C
D 8 10 24
E Diseñar nueva disposición física del almacén C
E 7 10 13
F Diseñar almacén EF 4 6 8
G Diseñar interface con la computadora C
G 4 6 20
H Interface de la computadora D, F,
H G 4 6 8
I Instalar sistema D, F, I G 4 6 14
J Capacitar a los operadores del sistema HJ 3 4 5
K Probar el sistema I,KJ 2 4 6
Caso para resolver
Prepare un informe que presente el programa de actividades
de tiempo de terminación esperado del proyecto para el
proyecto de ampliación del almacén. Incluya una red del
proyecto en el informe. Además, tome en consideración los
siguientes temas:

1. La administración superior de R.C. Coleman ha establecido


un tiempo de finalización de 40 semanas requerido para el
proyecto. ¿Se puede conseguir este plazo de terminación?
Incluya en su análisis información de probabilidades. ¿Qué
recomendaciones tendría usted si se requiere el plazo de
finalización de 40 semanas?.
Caso para resolver

2. Suponga que la administración solicita que se abrevien los


tiempos de las actividades para obtener una oportunidad
de 80% de cumplir con el plazo de terminación de 40
semanas. Si la varianza en el tiempo de terminación del
proyecto es el mismo que se determino en el incido (1),
¿cuánto deberá recortarse el plazo de finalización del
proyecto esperado para conseguir la meta de una
oportunidad de 80% de finalización dentro de las
siguientes 40 semanas?
Caso para resolver
3. Utilizando los puntos esperados de actividad como
tiempos normales y la siguiente información de
apresuramiento, determine las decisiones de
apresuramiento de actividades y el programa revisado
de actividades para el proyecto de expansión del
almacén. Costo (dólares)
Tiempo de actividad
Actividad
apresurado (semanas) Normal Apresurado
A 4 1,000 1,900
B 7 1,000 1,800
C 2 1,500 2,700
D 8 2,000 3,200
E 7 5,000 8,000
F 4 3,000 4,100
G 5 8,000 10,250
H 4 5,000 6,400
I 4 10,000 12,400
J 3 4,000 4,400
K 3 5,000 5,500
Simulación
Introducción
Mucha gente cree que:

“ … la experiencia es el mejor maestro ….”

Desafortunadamente, a menudo es muy costoso (en


tiempo o dinero) obtener experiencia real.

Hay un dicho muy conocido:

“ No creo en la experiencia, llega cuando no la necesito “


Simulación

Por tal razón, se debe utilizar la simulación.


Conceptos

Sistema, es una colección de entidades que actúan e


interactúan hacia la realización de algún fin lógico.
El estado de un sistema, es el conjunto de variables
necesarias para describir el status del sistema en algún
momento determinado.
Sistema discreto, es uno cuando las variables de estado
cambian solo en puntos discretos o contables del tiempo.
Sistemas continuos, es uno en el que las variables de
estado cambian en forma continua con el tiempo.
Simulación

La idea básica de la simulación es la construcción de un


dispositivo experimental, o simulador, que actuara como el
sistema de interés en ciertos aspectos importantes, de una
manera rápida y redituable.
Simulación

El objetivo consiste en crear un entorno en el cual se


pueda obtener información sobre posibles acciones
alternativas a través de la experimentación.
Simulación

• Prueba de medicinas en animales en laboratorio.


• Manejar automóviles en pistas de prueba.
• Pruebas de diseño de alas de avión en túneles de viento.
• El entrenamiento de pilotos de aerolíneas en cabinas
simuladas.

Caso real:
Los pilotos recién egresados de la escuela de la FAP.
¿ Qué experiencia real tienen en vuelos?
Simulación vs optimización
En un modelo de optimización, los valores de las variables de
decisión son resultados.

En un modelo de simulación, los valores de la variables de


decisión son entradas.

Veamos el siguiente ejemplo:


Suponga que un supermercado quiere decidir como
distribuir su personal de caja (cajero y empacadores)
durante el fin de semana.
¿Qué se necesita?
Simulación vs optimización
En un modelo de optimización, se requeriría dar los parámetros al
modelo. Como por ejemplo:
 Tasa de llegada de los clientes,
 Distribución del tiempo necesario para despachar a un cliente con
y sin empacador.
Cuando el modelo esta resuelto, la respuesta nos dice la mejor
manera de distribuir el personal y el valor de la función objetivo.
En un modelo de simulación, las entradas incluyen los parámetros
descritos anteriormente, una expresión de la función objetivo y una
asignación posible de personal.
El modelo produciría un conjunto especifico de resultados, que nos
mostrarían que tan bien se desempeño la solución planteada.
Simulación y variables aleatorias
Los modelos de simulación se utilizan para analizar una decisión bajo
riesgo.
El factor que no se conoce con certeza se considera una variable
aleatoria.
El comportamiento de una variable aleatoria se describe mediante
una distribución de probabilidades.
Este tipo de simulación se conoce como método de Monte Carlo.
Generación de variables aleatorias
En nuestros modelos de simulación, necesitamos generar valores para
las variables aleatorias.
Existen los siguientes métodos de generar variables aleatorias:

1. Mecánico: ejemplo una ruleta


2. Funciones del Excel:
• ALEATORIO() variable aleatoria continua
• ENTERO(X+Y*ALEATORIO()) Variable aleatoria continua.
3. Complementos del Excel:
• Simulacion_4
• Simular
• Risk
Simulación con hoja de calculo
June Wilson es la administradora de desarrollo de nuevos
productos y está considerando las implicaciones financieras de
una posible adición a la línea de equipo pesado de BAM SA. Los
costos de la puesta en marcha para el modelo G) propuesto (que
incluye la compra de nuevo equipo, capacitación del personal,
etc.) están estimados en $150 mil. El nuevo producto será
vendido a un precio de $35 mil la unidad. Los costos fijos están
estimados en $15 mil al año, mientras que el costo variable
sería de aproximadamente 75% de los ingresos de cada año. La
depreciación fiscal sobre el nuevo equipo sería de $10 mil por
año durante los cuatro años de vida productiva del G9. El valor
de salvamento del equipo al final de los cuatro años es incierto,
de modo que June lo estima de manera conservadora cero. El
costo de capital de BAM SA es de 10% y su tasa de impuestos
es de 34%.
Simulación con hoja de calculo

¿Cuál es el aspecto mas incierto de la propuesta?

Es la DEMANDA.

Si suponemos que la demanda de los G9 en 10 unidades en


cada año en los próximos cuatro años.
Simulación con hoja de calculo

Hipotesis
Costo de puesta en marcha 150,000 Costo variables 75% de los ingresos
Precio de venta 35,000 Costo de capital 10%
Costo fijos 15,000 Tasa fiscal 34%
Depreciación anual 10,000
Demanda anual unidades

Año 0 Año 1 Año 2 Año 3 Año 4


Demanda 10 10 10 10
Ingresos 350,000 350,000 350,000 350,000
Costo fijos 15,000 15,000 15,000 15,000
Costo variable 262,500 262,500 262,500 262,500
Dpreciación 10,000 10,000 10,000 10,000
Utilidad antes de impuesto 62,500 62,500 62,500 62,500
Impuestos 21,250 21,250 21,250 21,250
Utilidad despues de impustos 41,250 41,250 41,250 41,250
Flujo neto de efectivo -150,000 51,250 51,250 51,250 51,250

Valor neto actual (VAN) 12,456


Simulación con hoja de calculo

¿Es razonable que June estime una demanda de 10 unidades


al año en forma constante?
Para esto vamos a desarrollar un modelo con demanda
aleatoria, para lo cual utilizaremos la siguiente formula

= ENTERO (8 + 5 * ALEATORIO( ))

En cada casillero correspondiente a la demanda.


Cada vez que presionemos F9, se recalcula la hoja de calculo
y por lo tanto cambia el valor de VAN.
Simulación con hoja de calculo

June necesita elaborar un modelo de simulación para que le


ayude a responder dos preguntas acerca de la distribución
del VAN:

1. ¿Cuál es la medida del VAN?


2. ¿Cuál es la probabilidad de que el VAN asuma un valor
negativo?

Para eso utilizaremos haremos el calculo para 100


simulaciones del VAN, utilizaremos el comando TABLA
Simulación con hoja de calculo

VAN promedio es 13,351.85


Probabilidad de que el VAN sea negativo es del 15.6%
Simulación con Simulacion_4
Insertar variable aleatoria
Simulación con Simulacion_4
Simulación con Simulacion_4
Simulación con Simulacion_4
Simulación con Simulacion_4
Insertar resultado
Simulación con Simulacion_4
Simulación con Simulacion_4
Correr simulación
Simulación con Risk
Veamos el siguiente caso:
Esta es una empresa de transporte de pasajeros por avion. Revisando los
datos históricos del porcentaje de clientes que no se presentan en muchos de
los vuelos de la empresa. El vuelo 272 tiene un promedio de tasa de ausencia
de los pasajeros del 15%. La aeronave asignada a ese vuelo tiene una
capacidad de 112 asientos en una sola cabina.
La pregunta que se quiere contestar es hasta que nivel de sobrevender los
lugares de este vuelo. La demanda es fuerte para esta ruta. La tarifa
promedio en este vuelo es de $400. Si se acepta solamente 112 reservaciones
en este vuelo, es casi seguro que el avión despegara con asientos vacíos,
debido a clientes que no se presentan, lo cual representa un costo de
oportunidad para la empresa, ya que pudo haber aceptado a otro cliente y
tener $400 adicionales.
Por otro lado, si se venden mas reservaciones que asientos, corre el riesgo de
que, incluso contando a los que no se presenten, haya mas clientes que
asientos disponibles. El costo de atender a un cliente en este caso es de
$600 en promedio por las molestias ocasionadas.
Simulación con Risk

¿Es suficiente?,
¿Qué hacemos?